DBCC: Leveraging Link Perception for Distributed Beacon Congestion Control in VANETs
Notice bibliographique
Résumé
Under the IEEE 802.11p-based dedicated short range communication modules, vehicular safety applications rely on periodical broadcasts of safety beacons by each vehicle. However, the channel can be easily congested by high-frequency periodic beacons when the vehicle density becomes heavy. In this paper, through real-trace-based empirical study on vehicle-to-vehicle communication, we find that nonline-of-sight (NLoS) condition is the key factor on link performance degradation and blindly sending more packets in harsh NLoS conditions can hardly succeed but increase interferences to neighboring vehicles. Inspired by this, we propose a distributed beacon congestion control (DBCC) scheme to control beacon activities with considering link conditions, i.e., vehicles with more neighbors and better conditions of links with its neighbors, will be assigned with higher beacon rates. In DBCC, we first utilize two machine learning methods, i.e., naive Bayes and support vector machines, to train the features and output a classifier model which conducts online NLoS link condition prediction. With link status information, we then formulate a link-weighted safety benefit maximization (L-SBM) problem of the rate-adaptation under a TDMA broadcast MAC, which is proved to be NP-hard. A greedy heuristic algorithm for L-SBM is then proposed and the performance of the algorithm is evaluated. Extensive trace-driven simulations demonstrate the efficiency of DBCC design; particularly, the rate of beacon transmissions can be effectively controlled without exceeding the resource limit and the rate of transmission/reception collisions are greatly reduced.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».