基于霧計算和自評估的VANET聚類算法

　　集群是提高車聯網群智感知質量和降低成本的有效方法，但如何在車輛高杋動性的冋時提髙集群穩(wěn)定性是一個具有挑戰(zhàn)性的問題?；?VANET（ Vehicular Ad- Hoc Network）的通信特點，文中提出了基于霧計算和自評估的 VANET聚類算法FCSAC（Fog（ omputing and Self- Assessment Clustering），將 VANET分為多個集群，集群內車輛協(xié)作感知結果由主簇頭（Master（ Cluster head，MCH發(fā)給霧節(jié)點;引入車輛移動率（ elocity Mobility rate，VMR）來改進簇頭選舉方法，該參數是根據移動性指標來計算的，以滿足 VANET動態(tài)變化的需求;通過定義縮放函數和加權機制來量化評估車輛的加入對集群穩(wěn)定性的影響。同時，選舉輔助群頭（ Slave cluster head，SCH）來増強集群的穩(wěn)定性。其次，為提髙擁堵區(qū)域感知的準確性，在霧計算的基礎上通過主簇頭間的有序鏈式協(xié)作交通態(tài)勢感知，形成局部交通態(tài)勢感知準確、全面的視圖。最后，使用Ⅴeis車聯網仿真平臺評估所提算法的性能。結果表明，與 CBRSDN（ Cluster based Routing for Sparse and Dense Networks）算法和 SACBR（Self-Assessment Cluster based routing）算法相比，所提算法在集群穩(wěn)定性方面表現優(yōu)越，并且有效提高了 VANET的吞吐量;與FCM（ Fuzzy c- Means）算法相比，其交通分流能力更好，并減少了網絡通信的消耗。