Vanets
PulseAugur coverage of Vanets — every cluster mentioning Vanets across labs, papers, and developer communities, ranked by signal.
-
研究发现：恶意流量模式严重降低 VANET 通信性能
本文使用 Veins 模拟框架，研究了恶意流量模式如何破坏车载自组织网络 (VANET)。研究人员在各种交通条件下模拟了消息泛洪和虚假信息传播等攻击。研究发现，这些对抗性策略可将数据包递送率最高降低 96.55%，并将网络吞吐量降低近 28%，凸显了当前 VANET 设计中存在的严重安全漏洞。
-
新的DRL框架使用LLM来改善无人机辅助VANET的连接性
研究人员开发了一个语义增强深度强化学习（SA-DRL）框架，以改善城市车辆自组网（VANETs）中的网络连接性。该框架利用无人机（UAVs）作为移动中继，并结合大型语言模型（LLM）通过对基于道路拓扑的网络碎片化进行建模来指导学习过程。提出的SA-PPO算法提高了探索效率，与传统的PPO方法相比，在车辆连接性、连通分量大小方面取得了显著改进，并降低了UAV的能耗。
-
两篇论文提出用于车辆网络的先进联邦学习方法
两篇新研究论文提出了用于车辆网络的先进联邦学习技术。第一篇论文介绍了分层联邦迁移学习（HFTL），通过解决数据异质性和稀疏性问题，提高基于数字孪生车辆自组网（DT-VANETs）的预测准确性。第二篇论文提出了一个基于自动编码器的可靠性优化分层多任务联邦学习（AERO-HMTFL）框架，用于动态聚类车辆自组网（VANETs），能更有效地处理异构学习任务和间歇性连接。这两种方法都旨在增强车辆间的协作智能，同时保护数据隐私。
-
TRUAV框架使用分布式Q学习用于无人机辅助的车辆自组织网络
研究人员开发了TRUAV，一个新颖的分布式多智能体强化学习框架，专为无人机辅助的车辆自组织网络（VANETs）中的轨迹规划和路由增强而设计。该系统利用每个无人机上的独立Q学习智能体，仅依赖局部观测来优化定位和路由，而无需全局网络状态聚合。仿真表明，TRUAV在覆盖范围和数据包传输方面与集中式深度强化学习方法相当，同时在中继延迟和能源效率方面也有所提高。