ارائه یک ابر دوسطحی به منظور افزایش کیفیت سرویس در شبکه های سیار موردی بین خودرویی

یکی از مصداق های هوشمند سازی، توسعه زیرساخت های حمل ونقل با استفاده از شبکه های موردی بین خودرویی است که باعث ایجاد معماری های جدیدی بر پایه رایانش ابری و مه شده است. تحرک و سرعت بالای وسایل نقلیه، منجر به بی ثباتی در این نوع شبکه ها و ایجاد موانعی در اشتراک گذاری مطمئن اطلاعات می شود. راه حل های مبتنی بر خوشه بندی به عنوان یک راه حل بهینه برای پایداری شبکه، دستیابی به امکانات مختلف مانند کیفیت خدمات و انتشار اطلاعات هستند. ازجمله مسائلی که در پایداری خوشه نقش موثری دارند می توان به نحوه ساخت خوشه، روش های انتخاب سرخوشه و نحوه انتقال داده ها اشاره کرد. به عبارتی چالش اصلی در این شبکه ها، نحوه خوشه بندی و انتخاب سرخوشه است. یکی از معایب اصلی الگوریتم های خوشه بندی ناپایداری خوشه و انتخاب نامناسب سرخوشه است. در این پژوهش، یک روش خوشه بندی دوسطحی برای شبکه های موردی بین خودرویی ارائه شده است که سطح پایین آن (سطح نزدیک به خودروها) به عنوان مه و سطح بالای آن (سطح نزدیک به زیرساخت) به عنوان ابر نام گذاری شده است. ارسال داده های محلی و ساختارهای مربوط به مدیریت موقعیت، در سطح مه انجام می پذیرند و سایر عملیات که مربوط به انتقال داده به زیرساخت و در برخی مواقع محاسبات توزیع شده می باشند از طریق ابر انجام می شوند. روش پیشنهادی خوشه بندی را با معیارهای سرعت، جهت و موقعیت مکانی انجام می دهد و با انتخاب سرخوشه مناسب پایداری خوشه را بیشتر می کند کار دیگری که روش پیشنهادی انجام می دهد جایگزینی به موقع سرخوشه برای جلوگیری از بین رفتن خوشه است. به علاوه، با ارائه یک الگوریتم مسیریابی مبتنی بر پیش بینی نحوه ی حرکت خودروها بار بین سرخوشه، ابر و خودرو تقسیم می شود که این تقسیم بندی وظایف بین مه و ابر ضمن کاهش بار روی زیرساخت شبکه، با متعادل سازی بار بین مه و ابر، می تواند باعث بهبود هم زمان سربار و کیفیت سرویس شبکه موردی بین خودرویی شود. یکی دیگر از معایب روش ها تاخیر در ارسال اطلاعات است که روش پیشنهادی با انجام پیش بینی و ارسال درست اطلاعات تاخیر را کاهش می دهد. نتایج حاصل از شبیه سازی ها نشان می دهد که روش پیشنهادی در مقایسه با روش های مشابه، از تعداد گام کمتری برای ارسال اطلاعات استفاده می کند و تاخیر، نرخ تحویل و سربار خوشه بندی را به طور متوسط به ترتیب ۴۱، ۱۸ و ۲۹ درصد بهبود می بخشد.

کلیدواژه ها:

رایانش ابری ، رایانش مه ، پیش بینی ، خوشه بندی VANET