基于自适应分簇和演化博弈的异构车载网络选择方法

Adaptive Clustering and Evolutionary Game Based Network Selection Method for Heterogeneous Vehicular Networks

摘要

高效的网络选择方法是异构车载网络环境中保证多用户服务质量体验的关键。针对现有方法从优化车辆个体出发选择最佳接入网络，导致网络资源分配不均和部分网络拥塞的问题，提出一种基于自适应分簇和演化博弈的异构车载网络选择方法（adaptive clustering and evolutionary game based network selection method，AENS）。首先，采用自适应分簇减少直接接入网络的车辆数量，有效降低车流密集情况下的网络拥塞概率；接着，分别基于模糊层次分析法和指标相关性权重法计算候选网络属性的主、客观权重，得到更加准确评估候选网络性能的综合效用值；最后，将车辆对网络的选择抽象成基于复制动态的演化博弈模型，并引入记忆效应以加快其收敛速度，最终通过策略更新获得系统最优的网络选择策略集合。实验结果表明，在融合5G/6G的异构车载网络环境下AENS方法能够有效减少网络切换次数、提升网络吞吐量和平衡网络负载，在提高网络资源利用率的同时实现了负载均衡，且在车流密集情况下优势更为明显。

Abstract

Efficient network selection method is the key to ensure multi-user QoS experience in heterogeneous vehicular network (HVN) environment. However, existing methods usually select the optimal access network from the perspective of optimizing individual vehicles, it is easy to cause uneven distribution of network resources and lead to partial network congestion. Aiming at the above problems, an adaptive clustering and evolutionary game based network selection method for HVN, namely AENS, is proposed. First, the method adopts an adaptive clustering way to reduce the number of vehicles directly connected to the network, thereby effectively reducing the probability of network congestion under dense traffic conditions. Then, the FAHP and CRITIC methods are used to calculate the subjective and objective weights of candidate network attributes respectively, so as to obtain more accurate comprehensive utility values of candidate networks. Finally, the network selection of vehicles is abstracted into an evolutionary game model based on replication dynamics, and introduce memory effects to speed up their convergence, so that they can obtain the overall optimal network selection strategy set by updating strategies. The experimental results show that in a HVN environment integrating 5G/6G communication, AENS method can effectively reduce the number of network handovers, improve the network throughput and balance the network load. It achieves load balancing while improving the utilization of network resources, and its advantage is more obvious in dense traffic.

Graphical abstract

关键词

网络选择 / 自适应分簇 / 演化博弈 / 5G/6G / 异构车载网络

Key words

network selection / adaptive clustering / evolutionary game / 5G/6G / heterogeneous vehicular networks

0　 引 言

近年来，智能交通系统（intelligent transportation system,ITS）的发展为提高道路安全提供了高度创新和实用的解决方案^[1]。车载自组织网络（vehicular ad hoc network,VANET）作为物联网在智能交通领域的应用，通过车与车/车与基础设施（vehicle-to-vehicle/vehicle-to-infrastructure,V2V/V2I）的信息交互，可作用于交通信号控制^[2]、路径规划^[3]和车载通信安全^[4]等方面，能够有效减少交通拥堵和保障道路安全。

无线通信技术是实现VANET中车辆信息共享和相互协作的关键，随着移动通信技术的飞速发展，5G开启了万物互联的大门，提供了高速率、低时延和高可靠的通信^[5]。6G则以5G为基石，有助于实现全球网络覆盖和万物智联^[6]。鉴于单一类型的网络难以满足多样化的用户通信需求，且全面部署新型网络存在巨大的经济和时间成本，因此保留原有通信网络且融合5G/6G的异构车载网络是VANET发展的必然趋势。车辆由于高速移动性会频繁地进行网络切换来接入性能更优的网络，从而保证车载用户的服务质量（quality of service,QoS）体验；与此同时，车辆数量的快速增长会造成网络拥塞和资源紧缺问题^[7]。因此，在异构车载网络环境下如何选择合适的接入网络并缓解网络拥塞是亟待解决的问题。

目前的网络选择方法主要基于多属性决策（multi-attribute decision-making,MADM）和智能算法^[8~11]，然而这些方法常常从车辆个体出发选择最佳接入网络，忽略了其动作对其他车辆的影响，因此无法得到全局最优的网络选择策略集合。特别是在融合5G/6G的异构车载网络环境下，容易出现大量用户同时请求接入5G/6G网络的情况，在车流密集时会引起网络拥塞问题。

为获得融合5G/6G的异构车载网络中整体最优的网络选择策略集合，本文提出一种基于自适应分簇和演化博弈的网络选择方法（adaptive clustering and evolutionary game based network selection method,AENS）。该方法通过自适应分簇减少直接接入网络的车辆数量，从而有效缓解网络拥塞问题；从主、客观两方面综合评估候选网络属性权重，得到更加准确的网络综合效用值以评估网络性能；将车辆对候选网络的选择建模为一个演化博弈模型^[12]，结合复制动态过程和记忆效应促使系统收益最大化，有效提高网络资源利用率。

1　 相关研究

异构车载网络环境下如何高效地选择接入网络是VANET领域中的研究热点之一。基于MADM的网络选择方法综合考虑网络的多种属性对其性能进行评估，为用户寻找最佳的接入网络。文献[13]提出一种基于多路径传输控制协议（multi-path transmission control protocol,MPTCP）的网络选择方法实现网络之间的无缝切换，该方法考虑包括用户移动模式在内的多个指标提高效用函数的准确性，并使用模糊层次分析法（fuzzy analytic hierarchy process,FAHP）确定各个指标的权重。文献[14]提出基于多标准的网络切换算法（multicriteria-based handover algorithm for V2I communications,V2I-MHA），根据应用程序与用户偏好设置不同的服务类型，并采用AHP计算各种服务类型的权重，提高用户满意度。文献[15]提出一种基于网络属性和用户偏好的异构网络选择方法，该方法通过FAHP和熵权法（entropy weight method,EWM）分别计算网络属性的主、客观权重，克服了权重分配时的主观性和偏差，提高了对网络性能评价的准确性。

随着人工智能的发展，部分网络选择方法在MADM的基础上引入了机器学习算法来提高决策的准确性。文献[16]提出一种基于多智能体的网络选择算法（multi-agent network selection algorithm, MANSA），根据车辆的运动状态进行智能体的划分，每个智能体学习并更新Q值表。然而该方法中的智能体间不进行交流学习，且单Q值表存在状态空间过大和过高估计的问题。文献[17]提出一种基于改进深度Q学习的网络选择算法，采用迁移学习加快神经网络的训练过程，降低了传统深度Q学习算法的时间复杂度。文献[18]提出一种基于决策树的网络选择方法，并采用加权灰色关系分析法（gray relation analysis, GRA）和遗传算法进行网络选择。然而现有方法常常仅从用户侧优化网络选择策略，没有充分考虑到网络侧的情况，即难以保证车辆终端接入网络后系统的整体性能，导致部分网络因过多用户的接入而造成严重的拥塞。

鉴于博弈论有助于决策者处理竞争问题，在异构车载网络中可以较好地均衡网络负载，文献[19]提出一种基于合作博弈论的方法，结合无人机辅助异构网络通信并实现网络之间的无缝切换。为了避免网络拥塞，文献[20]采用随机博弈的方法来解决网络选择问题，使网络综合效用最大化。文献[21]提出一种基于博弈论的网络资源分配模型，并结合熵权法进行决策，通过用户竞争网络资源提高用户满意度，并实现网络负载均衡。以上方法能够通过均衡网络负载提高网络资源利用率，然而其性能在车辆密度较大时会受到显著影响。

针对上述问题，本文提出的基于自适应分簇和演化博弈的异构车载网络选择方法AENS，对车辆进行自适应分簇，采用综合效用函数计算用户收益，提出基于演化博弈的网络选择方法兼顾用户的QoS和网络拥塞程度，使用户根据系统最优策略集接入合适的网络。

2　 系统模型与假设

本文研究和设计城市交通场景中一定地理区间范围内的异构车载网络选择方法，对应的系统模型如图1所示，且其满足以下假设条件：

1） 该地理区间范围被LTE、WLAN1、WLAN2、5G和6G共5个移动通信基站的信号所覆盖；

2） 车辆终端同时具备V2V/V2I通信能力，且同一时刻只能接入单个网络；

3） 基站实时收集车辆周期性的Beacon消息，并连同自身网络属性信息一并上传云端服务器。其中，Beacon消息主要包括车辆ID、速度、位置、业务类型和时间戳等，网络属性信息主要包括带宽、时延、时延抖动、丢包率和成本；

4） 车辆的业务类型分为语音对话、实时流媒体、网络交互和后台下载；

5） 车辆具有簇头、簇成员和孤立节点3种状态。

3　 AENS方法设计

本文提出的AENS方法流程如图2所示，该方法主要包括车辆自适应分簇、网络性能评估和基于演化博弈的网络选择3个阶段。

3.1　车辆自适应分簇

本文提出一种基于切比雪夫不等式的自适应分簇算法，其核心思想是通过分簇减少直接接入网络的车辆数量，用于解决大规模用户接入网络时产生的网络拥塞问题。

首先，以车辆的连接度和速度相似度作为性能指标来选出簇头。

定义1 车辆的连接度。指车辆通信范围内的邻居总数，若车辆之间的距离小于基于专用短程通信（dedicated short range communication,DSRC）标准^[22]定义的通信半径R，则认为它们彼此是邻居，记车辆k的连接度为L_k。

定义2 车辆的速度相似度。指车辆与邻居速度差的标准差，用于反映该车辆在车群中的稳定程度。记车辆k与邻居i的速度差为v_ki，车辆k的速度相似度δ_kv 计算如下：

{\delta }_{kv}=\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^{L_k}}({\mu }_{kv}-v_{ki}{)}^{\mathrm{2}}/L_k}（1）

{\mu }_{kv}={\displaystyle \sum _{i=\mathrm{1}}^{L_k}}{v}_{ki}/L_k（2）

其中，μ_kv 表示车辆k与其邻居速度差的平均值。

引入权重因子α(0<α<1)计算其综合效用函数值：

I_k=\alpha L_k^{\mathrm{*}}+(\mathrm{1}-\alpha ){\delta }_{kv}^{\mathrm{*}}（3）

其中，L_k^{\mathrm{*}}与{\delta }_{kv}^{\mathrm{*}}分别为L_k 与δ_kv 归一化和min-max标准化后的结果。

初始阶段，所有车辆均处于孤立节点状态。车辆从周期性的Beacon消息中获取邻居综合效用函数值并进行比较，若其综合效用函数值大于所有邻居，则该车辆的状态从孤立节点转变为簇头，否则保持原状态；接着进入分簇阶段。

本文采用切比雪夫不等式^[23]自适应地调整簇的覆盖范围，在动态车载环境下实时优化分簇过程。

记车辆k与邻居i的距离为d_ki，分别计算车辆k与所有邻居的平均距离μ_kd 和平均距离的标准差δ_kd ：

{\mu }_{kd}={\displaystyle \sum _{i=\mathrm{1}}^{L_k}}{d}_{ki}/L_k（4）

{\delta }_{kd}=\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^{L_k}}({\mu }_{kd}-d_{ki}{)}^{\mathrm{2}}/L_k}（5）

根据切比雪夫不等式可得车辆的合理间距区间[μ_kd-δ_kd,μ_kd +δ_kd ]，由于车辆间距越小，通信链路越稳定，因此若车辆与簇头的距离在(0,μ_kd +δ_kd ]范围内，则加入该簇且车辆状态转化为簇成员；若车辆同时在多个簇的覆盖范围内，则选择综合效用函数值最大的簇头所在的簇；否则保持孤立状态。

3.2　网络性能评估

在网络性能评估阶段，首先根据网络负载调整网络属性参数值，接着分别基于FAHP和指标相关性权重法（criteria importance through intercriteria correlation,CRITIC）计算候选网络属性参数的主、客观权重，最后基于网络属性参数的综合权重得到评估候选网络性能的综合效用值。

3.2.1　候选网络决策矩阵的建立及预处理

记候选网络集合N={N₁,N₂,…,N_m }，网络属性集合S={S₁,S₂,…,S_n }，其中m是候选网络的数量，n是网络属性的数量。建立评估候选网络的初始化决策矩阵：

\mathit{H}=\left[\begin{array}{cccc}{h}_{\mathrm{11}}& h_{\mathrm{12}}& \cdots & h_{\mathrm{1}n}\\ h_{\mathrm{21}}& h_{\mathrm{22}}& \cdots & h_{\mathrm{2}n}\\ ⋮& ⋮& \ddots & ⋮\\ h_{m\mathrm{1}}& h_{m\mathrm{2}}& \cdots & h_{mn}\end{array}\right]=(h_{ij}{)}_{m\times n}（6）

其中，h_ij 表示第i个候选网络的第j个属性参数值，1≤i≤m，1≤j≤n。

网络属性中除带宽为效用型属性外，其他为成本型属性。利用min-max标准化这两类网络属性参数，使得不同网络属性的参数值具有可比性。

考虑到网络负载对网络性能的影响，继而影响后续网络选择博弈过程中用户的收益，首先构建基于网络负载的效用函数如（7）式所示：

（7）

接着利用（8）式对网络属性参数值进行调整：

h_{ij}=(\mathrm{1}+\lambda U(l,i))h_{ij}（8）

其中，min(l)和max(l)分别是网络负载的最小值和最大值，λ(0<λ<1)是调整系数。

最后，归一化处理决策矩阵 H 得到\mathit{H}\mathrm{\text{'}}=(h{\mathrm{\text{'}}}_{ij}{)}_{m\times n}，且有：

h{\mathrm{\text{'}}}_{ij}=h_{ij}/{\displaystyle \sum _{i=\mathrm{1}}^m}{h}_{ij}（9）

3.2.2　网络属性的主观权重

本文采用能更准确处理模糊信息的FAHP^[13]提高计算网络属性主观权重的准确度。根据专家的主观经验，将各网络属性之间的重要程度基于表1进行标度，并建立判断矩阵 A =(a_ij ) _n×n，a_ij 表示网络属性S_i 相比S_j 的重要程度。

此时，计算第j个网络属性S_j 的主观权重值：

w_{\mathrm{s}\mathrm{u}\mathrm{b},j}={\left({\displaystyle \prod _{i=\mathrm{1}}^n}{a}_{ij}\right)}^{\frac{\mathrm{1}}{n}}/{\displaystyle \sum _{j=\mathrm{1}}^n}{\left({\displaystyle \prod _{i=\mathrm{1}}^n}{a}_{ij}\right)}^{\frac{\mathrm{1}}{n}}（10）

3.2.3　网络属性的客观权重

本文通过CRITIC^[24]计算网络属性的客观权重。该方法不仅考虑网络属性的信息量，还考虑各网络属性间的差异性与冲突性，使指标权重的分配更加客观合理。

首先，根据归一化矩阵\mathit{H}\mathrm{\text{'}}计算各网络属性的标准差和相关系数：

{\xi }_j=\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^m}(h_{ij}-\overline{h_j})/m}（11）

r_{ij}=\frac{\mathrm{c}\mathrm{o}\mathrm{v}(h_i,h_j)}{{\xi }_i{\xi }_j}（12）

其中，\overline{h_j}为j个网络属性的平均值，ξ_j 为第j个网络属性S_j 的标准差，r_ij 为第i个属性S_i 和第j个属性S_j 之间的相关系数。cov(h_i,h_j )为矩阵H\mathrm{\text{'}}中第i列和第j列的协方差。

其次，计算网络属性S_j 所包含的信息量：

E_j={\xi }_j{\displaystyle \sum _{i=\mathrm{1}}^m}(\mathrm{1}-{r_i}_j)（13）

最后，计算第j个网络属性S_j 的客观权重：

w_{\mathrm{o}\mathrm{b}\mathrm{j},j}=E_j/{\displaystyle \sum _{j=\mathrm{1}}^n}{E}_j（14）

3.2.4　网络综合效用值

主观赋权法的计算可以针对实际问题进行调整，但对专家经验的依赖性较强；客观赋权法的计算基于实际的数据，但忽略了用户偏好，存在一定的片面性。本文结合主、客观权重计算网络属性的综合权重，可以更合理地评估候选网络的性能。引入调整系数β(0<β<1),网络属性S_j 的综合权重计算如式（15）所示：

w_j=\beta \cdot w_{\mathrm{s}\mathrm{u}\mathrm{b},j}+(\mathrm{1}-\beta )\cdot w_{\mathrm{o}\mathrm{b}\mathrm{j},j}（15）

得到各个网络属性的综合权重之后，通过简单加权法计算第i个候选网络N_i 的综合效用值：

C_i={\displaystyle \sum _{j=\mathrm{1}}^n}{w}_j{h}_{ij}（16）

3.3　基于演化博弈的网络选择方法

演化博弈结合了博弈论和动态演化过程，博弈参与者在有限理性的情况下通过学习动态更新策略，因此策略更新机制是演化博弈的核心。复制动态^[25]采用策略复制的思想，决策者通过变异和复制调整自身策略来模仿演化过程。本文采用基于复制动态的演化博弈模型对异构车载网络环境下的网络选择问题进行研究。同时，将带有衰减因子的记忆效应引入演化博弈，在更好模拟记忆规律的同时加快收敛速度。

3.3.1　网络选择博弈模型

基于复制动态的演化博弈模型中，每个参与者通过动态更新网络选择策略增加自身收益。当网络负载处于不均衡状态时，参与者的收益存在明显差异。同时，当参与者的收益低于整体平均收益时，会逐步调整自身的选择策略，直到趋近均衡状态。若群体中参与者的收益趋向一致，参与者不再改变选择的网络，此时的状态称为演化均衡状态(evolutionary equilibrium,EE)^[26]。通过这种方式可以有效缓解网络负载不均导致的部分网络拥塞问题。

基于复制动态的演化博弈模型由参与者、种群、策略和收益组成：

1） 参与者：处于簇头或孤立状态的车辆；

2） 种群：具有相同业务类型的参与者集合，记B={B₁,B₂,B₃,B₄}，B_i (1≤i≤4)是具有第i种业务类型的参与者集合，即语音对话、实时流媒体、网络交互和后台下载；

3） 策略：参与者调整自身收益时采取的网络选择动作，记策略集合Q={Q₀,Q₁,Q₂,…,Q_m }，Q_i (1≤ i ≤ m)表示选择接入第i个网络，Q₀表示选择维持当前接入的网络；

4） 收益：参与者通过选择接入网络而获得的效用值，本文中的收益等同于对应网络的综合效用值。演化博弈的每个参与者都会设法提高收益，直到整个博弈达到演化均衡为止。

现有博弈模型在个体进行策略更新时，通常只考虑个体当前的收益；然而实际情况下，个体在做出重要决定时通常会结合自身的记忆。因此，本文引入记忆效应对演化博弈过程的影响，参与者得到的累计收益如下：

u_{M,i}(t)={\displaystyle \sum _{s=t-M+\mathrm{1}}^t}{\epsilon }^{t-s}{C}_i（17）

其中，C_i 是第i个候选网络的综合效用值，也是参与者选择接入第i个候选网络的收益；M(M≥1)是记忆长度，ε(0<ε<1)是记忆衰减因子，随着演化的进行，较早的用户收益对累计收益的影响逐渐减小。

3.3.2　复制动态

在博弈过程中，通过迭代调整参与者的策略提高收益，每次迭代都被认为是一次策略适应以及种群演化过程。

在第t次迭代中，种群B的平均收益为：

{\overline{u}}_{M,B}(t)={\displaystyle \sum _{i=\mathrm{1}}^m}{y}_{B,i}(t)\cdot u_{M,i}(t)（18）

其中，u_M,i (t)为参与者在第t次迭代中选择候选网络i的累计收益，y_B,i (t)为第t次迭代时种群B中选择候选网络i的用户比例。

“突变和选择机制”^[26]中任何参与者策略的改变都是随机发生的，并且遵循着具有较低收益的参与者改变其策略概率更大的规则。基于这一原理，第t次迭代中策略转移的突变概率为：

（19）

在每次博弈中，种群中参与者将自身收益与种群平均收益进行对比。若低于平均收益，则调整网络选择策略以增加自身收益；否则保持当前策略不变。采用复制动态公式来描述参与者选择策略的变化，如下所示：

\frac{\mathrm{d}{y}_{B,i}(t)}{\mathrm{d}t}=y_{B,i}(u_{M,i}(t)-{\overline{u}}_{M,B}(t))（20）

如果选择网络i的收益大于种群的平均收益，则种群中选择网络i的用户数量就会增加；否则，选择网络i的用户数量就会减少。在多次迭代后，若每个参与者当前的收益均等于种群的平均收益，参与者的策略不再发生变化，则表明收敛到演化均衡。

4　 实 验

4.1　实验环境与参数

实验模拟城市交通环境下的异构车载网络场景，如图1所示包含LTE、5G、6G、WLAN1和WLAN2共5个网络服务基站，车辆以5~15 m/s的速度在网络覆盖范围内移动。基于文献[15]和[22]设置网络覆盖半径和可容纳用户数如表2所示。本文考虑带宽、时延、时延抖动、丢包率和成本等5个网络属性作为网络选择的依据，其初始值的设置如表3所示，且部分网络属性参数值在一定范围内波动。

4.2　实验结果与分析

本节选取基于博弈论的UCCA-VHO^[21]、UCDCS^[22]和基于Q学习的MANSA^[16]作对比。通过多次实验在切换次数、网络吞吐量和网络负载率等方面进行对比和分析。

首先，比较4种方法在不同车辆数量下的平均网络切换次数，结果如图3所示。可以看出平均切换次数均随车辆数量的增加而增加。UCCA-VHO的切换次数多于另外3种方法，这是因为UCCA-VHO从单个车辆出发选择最佳接入网络，容易造成网络资源的负载不均和切换次数过多。其他3种方法则是从整体出发，在满足用户需求的同时考虑用户决策的相互影响。所提AENS的切换次数低于UCDCS和MANSA，当车辆数量为300时分别减少37.89%和22.23%。这是因为AENS在计算用户收益时采用综合权重，既考虑用户主观偏好的同时又确保决策的客观性，有利于削弱不确定的切换判决，与只考虑单一方面的UCDCS和MANSA相比，有效降低了网络切换次数。

接着，比较4种方法在不同车辆数量下的平均网络吞吐量，网络吞吐量指单位时间内当前接入网络的车辆传输的数据量。如图4所示，网络吞吐量随着车辆数量的增多呈上升趋势。由于UCCA-VHO未考虑用户决策间的影响，若大量用户选择相同接入网络会造成网络资源负载不均，在车辆数量较大时导致部分网络拥塞并影响网络吞吐量，因此UCCA-VHO的网络吞吐量最低。MANSA方法考虑了网络负载，然而其使用单Q值表更新的方式容易出现奖励值过高估计的现象，导致大量用户长时间接入同一网络，同样造成网络拥塞并降低网络吞吐量。UCDCS则采用博弈论进行资源分配，用户通过竞争网络资源实现负载均衡并提高网络吞吐量，但当车载用户数量过多时仍难以避免网络拥塞的问题。本文所提AENS的网络吞吐量最高，与性能较优的UCDCS方法相比较，在车辆数量为300时网络吞吐量增加了16.41%。这是因为AENS基于演化博弈理论进行网络选择，根据网络负载动态调整网络属性值，在保证用户QoS的同时获取全局最优策略，有效避免网络拥塞，同时车辆进行自适应分簇，减少了直接接入候选网络的用户数量，有效提升了网络资源利用率。

最后，比较4种方法在车辆数量为250时的网络负载率，网络负载率指当前接入网络的车辆数量与网络可容纳用户数的比值，结果如图5所示。由于车辆终端倾向于选择性能更优的5G/6G网络，MANSA和UCCA-VHO的5G/6G网络占用容量达到所能容纳用户数量的最高值，其不仅造成5G/6G网络的拥塞，还使得其他网络资源无法得到充分利用；AENS将V2V与V2I相结合，通过分层结构减少接入候选网络的用户数量，使5G/6G网络负载保持在一个良好的水平，同时使其他网络得到有效地利用。该结果体现了AENS的设计更为合理，可以在保证网络容量合理利用的同时，提高网络资源利用率。

5　 结 语

本文提出了一种基于自适应分簇和演化博弈的异构车载网络选择方法。为降低网络拥塞概率，采用自适应分簇减少直接接入网络的车辆数量；为准确评估候选网络性能，结合候选网络属性的主、客观权重计算网络的综合效用值；最后，提出基于演化博弈的网络选择方法来获取整体车辆的最优网络选择策略集合。实验结果表明，本文所提方法可以有效减少网络切换次数，在均衡网络负载的同时提高了网络吞吐量。以5G/6G网络资源为主的超密集异构车载网络是未来发展的趋势，下阶段将研究超密集异构车载网络环境下的网络选择方法。

参考文献

[1] ABBASI H I， VOICU R C， COPELAND J A， et al. Towards fast and reliable multihop routing in VANETs［J］. IEEE Transactions on Mobile Computing， 2020， 19（10）：2461-2474. DOI：10.1109/TMC.2019.2923230 .

[2] NIE L， WANG Q F， ZHANG M X， et al. FMAA： A flexible signal timing method for an isolated intersection with conflicting traffic flows［J］. Information （Switzerland）， 2022， 13（9）： 408. DOI： 10.3390/info13090408 .

[3] GUO C， LI D M， ZHANG G L， et al. Real-time path planning in urban area via VANET-assisted traffic information sharing［J］. IEEE Transactions on Vehicular Technology， 2018， 67（7）： 5635-5649. DOI： 10.1109/TVT.2018.2806979 .

[4] WEI L， CUI J， XU Y， et al. Secure and lightweight conditional privacy-preserving authentication for securing traffic emergency messages in VANETs［J］. IEEE Transactions on Information Forensics and Security， 2021， 16：1681-1695. DOI：10.1109/TIFS.2020.3040876 .

[5] 张朝辉， 李靖， 韩璐珩. 基于数据-地理位置联合驱动的5G微基站最优分配策略［J］. 计算机学报， 2022， 45（5）：1087-1099. DOI：10.11897/SP.J.1016.2022.01087 .

[6] ZHANG Z H， LI J， HAN L H. Data-location-joint-driven optimal allocation strategy for micro base stations in 5G networks［J］. Chinese Journal of Computers， 2022， 45（5）：1087-1099. DOI：10.11897/SP.J.1016.2022.01087 （Ch ）.

[7] GAO K， XU C Q， ZHANG P， et al. GCH-MV： Game-enhanced compensation handover scheme for multipath TCP in 6G software defined vehicular networks［J］. IEEE Transactions on Vehicular Technology， 2020， 69（12）： 16142-16154. DOI： 10.1109/TVT.2020.3042987 .

[8] AHMED A A， ALZAHRANI A A. A comprehensive survey on handover management for vehicular ad hoc network based on 5G mobile networks technology［J］. Transactions on Emerging Telecommunications Technologies， 2019， 30（3）：e3546. DOI：10.1002/ett.3546 .

[9] PREETHI G A， GAUTHAMARAYATHIRUMAL P， CHANDRASEKAR C. Vertical handover analysis using modified MADM method in LTE［J］. Mobile Networks and Applications， 2019， 24（4）： 1139-1151. DOI： 10.1007/s11036-019-01251-5 .

[10] NIE L， LIU B， LI P， et al. An improved multi-attribute decision-making based network selection algorithm for heterogeneous vehicular network［J］. Frontiers of Computer Science， 2022， 16（3）：163503. DOI： 10.1007/s11704-021-0053-1 .

[11] TAN X N， CHEN G， SUN H Y. Vertical handover algorithm based on multi-attribute and neural network in heterogeneous integrated network［J］. EURASIP Journal on Wireless Communications and Networking， 2020， 2020（1）：202. DOI： 10.1186/s13638-020-01822-1 .

[12] MA M F， ZHU A Q， GUO S T， et al. Intelligent network selection algorithm for multiservice users in 5G heterogeneous network system： Nash Q-learning method［J］. IEEE Internet of Things Journal， 2021， 8（15）： 11877-11890. DOI： 10.1109/JIOT.2021.3073027 .

[13] DU J， JIANG C X， BENSLIMANE A， et al. SDN-based resource allocation in edge and cloud computing systems： An evolutionary Stackelberg differential game approach［J］. IEEE/ACM Transactions on Networking， 2022， 30（4）：1613-1628. DOI： 10.1109/TNET.2022.3152150 .

[14] TONG H N， WANG T， ZHU Y J， et al. Mobility-aware seamless handover with MPTCP in software-defined HetNets［J］. IEEE Transactions on Network and Service Management， 2021， 18（1）：498-510. DOI：10.1109/TNSM.2021.3050627 .

[15] NDASHIMYE E， SARKAR N I， RAY S K. A Multi-criteria based handover algorithm for vehicle-to-infrastructure communications［J］. Computer Networks， 2021， 185： 107652. DOI： 10.1016/j.comnet.2020.107652 .

[16] YU H W， ZHANG B. A heterogeneous network selection algorithm based on network attribute and user preference［J］. Ad Hoc Networks， 2018， 72： 68-80. DOI： 10.1016/j.adhoc.2018.01.011 .

[17] WANG X Q， SU X， LIU B. A novel network selection approach in 5G heterogeneous networks using Q-Learning［C］// Proceedings of the 26th International Conference on Telecommunications （ICT 2019）. New York： IEEE Press， 2019： 309-313. DOI：10.1109/ICT.2019.8798797 .

[18] 马彬， 陈海波， 张超. 基于改进深度Q学习的网络选择算法［J］. 电子与信息学报， 2022， 44（1）：346-353. DOI：10.11999 /JEIT200930 .

[19] MA B， CHEN H B， ZHANG C. Network selection algorithm based on improved deep Q-Learning［J］. Journal of Electronics & Information Technology， 2022， 44（1）：346-353. DOI：10.11999/JEIT200930（Ch ）.

[20] XIAO W W. Load balancing selection method and simulation in network communication based on AHP-DS heterogeneous network selection algorithm［J］. Complexity， 2021， 2021：4239750. DOI：10.1155/2021/4239750 .

[21] GOUDARZI S， ANISI M H， CIUONZO D， et al. Employing unmanned aerial vehicles for improving handoff using cooperative game theory［J］. IEEE Transactions on Aerospace and Electronic Systems， 2021， 57（2）：776-794. DOI： 10.1109/TAES.2020.3021106 .

[22] ZHU Y， LI J D， HUANG Q Y， et al. Game theoretic approach for network access control in heterogeneous networks［J］. IEEE Transactions on Vehicular Technology， 2018， 67（10）：9856-9866. DOI：10.1109/TVT.2018.2856752 .

[23] ZHOU Y， ZHANG Y X. User‐centric data communication service strategy for 5G vehicular networks［J］. IET Communications， 2022， 16（10）：1041-1056. DOI：10.1049/cmu2.12246 .

[24] LIU Y， WANG Z L， CAI B G. Investigation of a DSRC-based end of queue collision warning system by considering real freeway data［J］. IET Intelligent Transport Systems， 2019， 13（1）：108-114. DOI：10.1049/iet-its.2018.5045 .

[25] HU B R， LI Y J， REN J Y， et al. Adaptive threshold modeling algorithm for monitoring indicators of power network server based on Chebyshev inequality［J］. Journal of Physics： Conference Series， 2020， 1693：012089. DOI： 10.1088/1742-6596/1693/1/012089 .

[26] LI Y， WEI M L， LIU L， et al. Evaluation of the effectiveness of VOC-contaminated soil preparation based on AHP-CRITIC-TOPSIS model［J］. Chemosphere， 2021， 271：129571. DOI：10.1016/j.chemosphere.2021.129571 .

[27] HINGU D， RAO K S， SHAIJU A J. On superiority and weak stability of population states in evolutionary games［J］. Annals of Operations Research， 2020， 287（2）：751-760. DOI：10.1007/s10479-018-2971-3 .

[28] MING Y， CHEN J X， DONG Y H， et al. Evolutionary game based strategy selection for hybrid V2V communications［J］. IEEE Transactions on Vehicular Technology， 2022， 71（2）：2128-2133. DOI：10.1109/TVT.2021.3132025 .

基金资助

国家自然科学基金(61802286)

国家自然科学基金(U20A20177)

湖北省重点研发计划(2021BAA025)