车载自组织网络中的连通性分析

仿真结果表明该去噪算法能够比较接近实际情况下难以实现的干净目标，且通过离线训练的ResNet-UNet较深度CNN，对大部分新出现的信道场景具有更好的鲁棒性。

二、轨道交通场景下大规模MIMO信道估计

为满足5G在高移动场景用户体验要求，解决高铁大规模天线场景的快时变信道估计技术难题，研究设计了一种基于生成对抗网络的信道估计方法N2N-cGAN，可以有效提高高速移动环境下的信道估计精度，且能获得较低的估计误差。N2N-cGAN分为两个阶段：第一个阶段是在接收器端采用N2N算法，对导频进行降噪处理；第二个阶段是基于生成对抗网络，进行信道矩阵的估计，在少量的训练图像上可以实现更精确的一个分割，鉴别器采用CNN结构。

从研究结果表明真实的信道跟我们N2N-cGAN生成的信道图像非常相似，而且N2N-cGAN的信道估计误差始终小于其他方法，体现出算法的优越性。

三、车载自组织网络中的连通性分析

在城市VANETs这样的快时变场景中，车辆的移动和信道衰减会导致接收信号的SINR迅速变化，引起数据包传输时延抖动，严重的时延抖动将使数据包被无序接收，会导致丢包、重传和碰撞等问题，甚至在更严重的情况下通信中断。我们利用Nakagami-m衰落模型对车载自组织网络中的信号传输过程建模，并考虑了车辆间的同信道干扰，利用时延抖动反映信道环境和同信道干扰的时变性，从而得到可以反映城市街区场景中车辆间连通概率的表达式。

研究结果表面根据时延抖动的定义和展开，车载自组织网络中复杂的通信环境会大大降低车辆间的连通性，同时数据传输越频繁对时延抖动的敏感性越高。

四、车路协同中的移动性管理

为保证车辆在任何时间任何地点都能够快速、有效地接入传输网络，并使得车辆能进行网络的选择使得达到网络能效最大化、减少系统能耗的。我们首先建立无线接入选择的博弈论模型，通过基于辅助信息的强化学习方案，可以将基站可获得的当前的网络状态反馈给车辆，车辆通过自身的需求以及平衡当前网络的状态选择合适的动作，通过强化学习探索-利用的方式找到用车辆最优的选择方案，达到网络整体的最大能效。

通过仿真结果可以看出，含有辅助信息的强化学习算法考虑现实的网络环境，在系统平均吞吐量上较其他算法有优势，辅助信息的强化学习算法合理控制终端与其他基站之间的信息交互，切换次数相比于其他算法更少，对保持通信的稳定性十分有利。

五、基于区块链的车联网信任管理模型

随着车载自组网的不断发展，也带来了恶意车辆传播虚假消息的难题。为了保证消息的可靠性，建立基于区块链技术的信任管理模型，可以通过对车辆的信任度进行评估来保证通信的可信度，使系统具有良好的安全性。信任值计算分为直接信任的计算和间接信任的计算两个阶段，间接信任的计算通过主动检测方案，提高了恶意车辆的过滤速度。直接信任的计算引入机器学习，减少了信任值计算复杂的迭代。

研究结果表明间接信任的变化趋势与发送消息的准确度成正相关，当车辆开始作恶，信任值就会极速下降。

六、车联网中的安全高效信息验证方案

在车联网中，车辆通信会存在被篡改/替换/重放的风险，所以需要RSU对车辆传输的消息进行验证，但随着交通堵塞和新一代通信技术的应用，待验证的车辆数目增加，RSU验证压力急剧上升，同时存在消息重复验证的问题。我们提出一种车联网安全高效消息验证方案——ASMA方案，即一对多验证，提升RSU的消息验证效率。同时我们提出了一种基于代理车辆辅助的消息验证——PVBA方案，通过引入代理车辆，分担RSU的验证压力。

通过仿真结果可以发现，当消息数量较少时，ASMA方案消耗的计算开销较小。在大规模消息的情况下，PVBA方案在验证效率方面显示出明显的优势。