An intelligent decision system for interworking of 802.11P and LTE in heterogeneus vehicular networks

Abstract

With the impending arrival of the Intelligent Transportation Systems (ITS), vehicular networks (VANETs) have been widely studied in recent years. VANETs were originally developed to improve vehicular safety through di erent applications, such as collision avoidance, cooperative glare reduction, and online road hazard warning. However, each application has di erent communication requirements regarding latency, throughput, reliability and coverage. Meeting the diverse requirements using only vehicular communications has proven di cult to achieve because vehicular networks were initially designed to support short message delivery with low latency at short-ranges. Thus, much attention has been paid to the applicability of mobile cellular networks to support vehicular services that can provide wide coverage and high data rate services to vehicular users. This work introduces a methodology for taking advantage of the inherent network diversity present in vehicular communications; one in which cellular networks are integrated with ad-hoc communications as a potential solution for meeting the varied communication requirements of vehicular safety applications. This methodology is based on the de nition of a novel framework aimed at improving the performance of applications deployed over the heterogeneous vehicular network. The framework takes advantage, simultaneously, of the strengths of each individual network by using a set of decision rules. This rule-based system determines the best available network at the moment of message generation using both application requirements and the current network conditions. The rst implementation of the decision system introduced takes the shape of a regular decision tree. The hierarchical tree characterizes the decision process of a single application when sending data to other users in the network. The results shown in Chapters 3 and 4 validate the decision system approach by showing a boost in application performance when diversity is exploited both in terms of latency reduction and increased throughput under a xed critical time. The only issue with this approach is that for each application the decision tree has to be manually adjusted (or built from scratch) depending on the application requirements. The latter chapters of this work focus on the automation of the system through the use of an ensemble learning technique called Random Forests (RF). Random Forests uses supervised learning approach where each message generated is represented as a set of features. The features are then used as inputs of a previously trained classi cation system whose output is the best available network. Chapter 5 shows how the results obtained using the manually constructed decision tree can be replicated using the RF approach. Thus, allowing us to automate the decision tree creation process. Finally, RF is used to obtain a generalized system by adding di erent application requirements and network characteristics as features of the training dataset. The end result is a fully automated and generalized decision system

Con la inminente llegada de los Sistemas de Transporte Inteligentes (ITS), las redes vehiculares (VANET) han sido ampliamente estudiadas en los últimos años. Las VANETs fueron desarrolladas originalmente para mejorar la seguridad vehicular por medio de diferentes aplicaciones, tales como prevención de colisiones, reducción cooperativa del brillo y advertencia de peligro vial en tiempo real. Sin embargo, cada aplicación tiene diferentes requisitos de comunicación con respecto a latencia, rendimiento, con abilidad y cobertura. Cumplir con los diversos requisitos utilizando solo comunicaciones vehiculares ha resultado difícil ya que las redes vehiculares se diseñaron inicialmente para soportar la entrega de mensajes cortos con baja latencia a corto alcance. Por ende, se ha prestado mucha atención a la aplicabilidad de redes celulares móviles para soportar servicios vehiculares ya que pueden proporcionar una amplia cobertura y servicios de alta velocidad de datos para usuarios de vehículos. Este trabajo presenta una metodología para aprovechar la diversidad de redes inherente a las comunicaciones vehiculares; en ella las redes celulares son integradas con comunicaciones ad-hoc como una posible solución para cumplir con los diversos requisitos de comunicación de las aplicaciones de seguridad vehicular. Esta metodología se basa en la de nición de un nuevo esquema que pretende mejorar el rendimiento de las aplicaciones implementadas sobre redes vehiculares heterogéneas. Este esquema aprovecha, simultáneamente, las fortalezas de cada red individual mediante el uso de un conjunto de reglas de decisión. Este sistema basado en reglas determina la mejor red disponible en el momento de la generación de mensajes utilizando tanto los requisitos de la aplicación como las condiciones actuales de la red. La primera implementación del sistema de decisión toma la forma de un árbol de decisión. El árbol jerárquico caracteriza el proceso de decisión de una sola aplicación al enviar datos a otros usuarios en la red. Los resultados obtenidos en los capítulos 3 y 4 validan el enfoque del sistema de decisión mostrando una mejora en el rendimiento de la aplicación cuando la diversidad se explota tanto en términos de reducción de latencia como en un alza del throughput alcanzado en un tiempo crítico. El único problema con este enfoque es que para cada aplicación el árbol de decisión debe ajustarse manualmente en base a sus requisitos. Los capítulos nales de este trabajo se centran en la automatización del sistema mediante el uso de una técnica de aprendizaje de máquinas llamada Random Forests (RF). RF utiliza un enfoque de aprendizaje supervisado donde cada mensaje generado se representa como un conjunto de características. Dichas características se usan luego como entradas de un sistema de clasi cación previamente entrenado cuya respuesta es la mejor red disponible. En el capítulo 5 se muestra cómo los resultados obtenidos usando el árbol de decisión construido manualmente se pueden replicar utilizando el enfoque de RF. Permitiendo así automatizar la creación de árboles de decisión. Finalmente, RF se utiliza para obtener un sistema generalizado añadiendo diferentes características al conjunto de datos de entrenamiento tales como requerimientos de aplicación distintos y características de red. El resultado nal es un sistema de decisión totalmente automatizado y generalizado.