Математическая модель многокритериальной балансировки параметров V2X-систем
Ключевые слова:
Vehicle-to-Everything, V2X, многопараметрическая оптимизация, математическое моделирование, интеллектуальные транспортные системы, граничные вычисления, туманные вычисленияАннотация
Развитие интеллектуальных транспортных систем и внедрение архитектуры Vehicle-to-Everything (V2X) предъявляют высокие требования к характеристикам сетевого взаимодействия, таким как минимальная задержка, высокая надёжность и энергоэффективность. При этом снижение одного из параметров влечет за собой увеличение другого, что делает задачу их сбалансированной настройки актуальной и практически значимой. Особенно важно учитывать не только общую задержку (задержка сети связи и вычислительная задержка) и энергопотребление, но и ожидаемое время прибытия мобильного вычислительного узла на базе транспортного средства – интегрального показателя качества обслуживания в динамически меняющейся среде. В настоящей работе предлагается математическая модель многопараметрической оптимизации параметров функционирования V2X-системы, учитывающая три взаимосвязанных показателя: общую задержку, энергопотребление и ожидаемое время прибытия. Модель формализует структуру транспортной системы в виде ориентированного графа, с заданными маршрутами движения, размещением стационарных и мобильных вычислительных узлов транспортной инфраструктуры, а также параметрами обмена видеоданными между ними и терминальными устройствами. Модель представлена в виде задачи оптимизации и позволяет настраивать систему в соответствии с внешними условиями и прикладными целями. В качестве исследовательского инструмента использованы методы имитационного моделирования с реалистичными сценариями движения транспортных средств и переменной нагрузкой сети связи. Результаты проведённых численных экспериментов позволяют показать, что использование предложенной модели позволит достичь более сбалансированных режимов работы системы, снижая общие задержки и энергозатраты без ухудшения параметров времени прибытия. По сравнению с традиционными подходами, основанными на однокритериальной или двухкритериальной оптимизации, предложенный метод обеспечивает большую адаптивность и устойчивость V2X-систем к изменяющимся условиям функционирования. Сформулированные выводы могут быть полезны исследователям при проектировании и внедрении энергоэффективных и надёжных распределённых архитектур в современных транспортных системах.
Литература
2. Singh S.P., Singh P., Diwakar M., Kumar P. Improving quality of service for Internet of Things (IoT) in real life application: A novel adaptation-based Hybrid Evolutionary Algorithm // Internet of Things. 2024. vol. 27.
3. Vladyko A., Tambovtsev G., Podgornaya E., Chelloug S.A., Alkanhel R., Plotnikov P. Cluster Based Vehicle-to-Everything Model with a Shared Cache // Mathematics. 2023. vol. 11. no. 13.
4. Vladyko A., Plotnikov P., Tambovtsev G. Simulation-Based Evaluation of V2X System with Variable Computational Infrastructure // Network. 2025. vol. 5. no. 1.
5. Aldhanhani T., Abraham A., Hamidouche W., Shaaban M. Future Trends in Smart Green IoV: Vehicle-to-Everything in the Era of Electric Vehicles // IEEE Open Journal of Vehicular Technology. 2024. vol. 5. pp. 278–297.
6. Dhinesh Kumar R., Rammohan A. Revolutionizing Intelligent Transportation Systems with Cellular Vehicle-to-Everything (C-V2X) technology: Current trends, use cases, emerging technologies, standardization bodies, industry analytics and future directions // Vehicular Communications. 2023. vol. 43. DOI: 10.1016/j.vehcom.2023.100638.
7. Kong X., Wu Y., Wang H., Xia F. Edge Computing for Internet of Everything: A Survey // IEEE Internet of Things Journal. 2022. vol. 9. no. 23. pp. 23472–23485.
8. Mukherjee M., Shu L., Wang D. Survey of Fog Computing: Fundamental, Network Applications, and Research Challenges // IEEE Communications Surveys and Tutorials. 2018. vol. 20. no. 3. pp. 1826–1857.
9. Caiazza C., Giordano S., Luconi V., Vecchio A. Edge computing vs centralized cloud: Impact of communication latency on the energy consumption of LTE terminal nodes // Computer Communications. 2022. vol. 194. pp. 213–225.
10. Ruchika Chhillar R.S. Performance Evaluation of Hybrid Cloud-Fog Computing Architectures in Smart Home IoT Environments: A Comparative Simulation Study across Multiple Tools // Journal of Grid Computing. 2025. vol. 23. DOI: 10.1007/s10723-025-09802-9.
11. Плотников П.В., Владыко А.Г. Анализ подходов к оптимизации V2X-систем: кластеризация, граничные и туманные вычисления // Труды учебных заведений связи. 2024. Т. 10. № 3. С. 7–22.
12. Bali R.S., Kumar N., Rodrigues J.J. Clustering in vehicular ad hoc networks: taxonomy, challenges and solutions // Vehicular Communications. 2014. vol. 1. no. 3. pp. 134–152.
13. Cooper C., Franklin D., Ros M., Safaei F., Abolhasan M. A. Comparative Survey of VANET Clustering Techniques // IEEE Communications Surveys and Tutorials. 2016. vol. 19. no. 1. pp. 657–681.
14. Raza S., Wang S., Ahmed M., Anwar M.R. A survey on vehicular edge computing: architecture, applications, technical issues, and future directions // Wireless Communications and Mobile Computing. 2019. vol. 2019(1).
15. Hou X., Li Y., Chen M., Wu D., Jin D., Chen S. Vehicular Fog Computing: A Viewpoint of Vehicles as the Infrastructures // IEEE Transactions on Vehicular Technology. 2016. vol. 65. no. 6. pp. 3860–3873.
16. Plotnikov P.V., Tambovtsev G.I., Vladyko A.G. Evaluating the Performance of Using Mobile Roadside Units for Task Offloading in V2X Systems // Proceedings of the Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED). 2024. pp. 1–4.
17. Elgendy I.A., Muthanna A., Alshahrani A., Hassan D.S.M., Alkanhel R., Elkawkagy M. Optimizing Energy Efficiency in Vehicular Edge-Cloud Networks Through Deep Reinforcement Learning-Based Computation Offloading // IEEE Access. 2024. vol. 12. pp. 191537–191550.
18. Клименко А.Б. Двухкритериальный метод обеспечения ресурсосбережения в краевом и туманном слоях сети // Advanced Engineering Research (Rostov-on-Don). 2023. Т. 23. № 1. С. 85–94.
19. Elgendy I.A., Khakimov A., Muthanna A. Energy-Efficient Framework for Task Caching and Computation Offloading in Multitier Vehicular Edge-Cloud Systems // Lecture Notes in Computer Science. Springer. 2025. vol. 15460. pp. 42–53.
20. Zhang G., Shen F., Yang Y., Qian H., Yao W. Fair Task Offloading among Fog Nodes in Fog Computing Networks // Proceedings of IEEE International Conference on Communications (ICC). 2018. pp. 1–6. DOI: 10.1109/ICC.2018.8422316.
21. Zhang G., Shen F., Liu Z., Yang Y., Wang K., Zhou M.T. FEMTO: Fair and Energy-Minimized Task Offloading for Fog-Enabled IoT Networks // IEEE Internet of Things Journal. 2019. vol. 6. no. 3. pp. 4388–4400.
22. Abuelenin S.M., Abul-Magd A.Y. Empirical study of traffic velocity distribution and its effect on VANETs connectivity // Proceedings of 2014 International Conference on Connected Vehicles and Expo (ICCVE). 2014. pp. 391–395.
23. Schulzrinne H., Rao A., Lanphier R., Westerlund M., Stiemerling M. Real-Time Streaming Protocol Version 2.0. RFC 7826. 2016.
24. Lee J., Shin I., Park H. Adaptive Intra-Frame Assignment and Bit-Rate Estimation for Variable GOP Length in H.264 // IEEE Transactions on Circuits and Systems for Video Technology. 2006. vol. 16. no. 10. pp. 1271–1279.
25. Plotnikov P., Tambovtsev G., Vladyko A. VANET Ver. 2.0.0 – Software Module for Modeling the Interaction of Edge Devices, 2024. URL: https://github.com/quanuhs/VANET (дата обращения: 11.09.2025).
26. Iliopoulos C., Iossifides A., Foh C.H., Chatzimisios P. IEEE 802.11 bd for Next-Generation V2X Communications: From Protocol to Services // IEEE Communications Standards Magazine. 2025. vol. 9. no. 2. pp. 88–98.
27. Jiang X., He P., Sun T., Xie F., Wang S. Detection of Double Compression With the Same Coding Parameters Based on Quality Degradation Mechanism Analysis // IEEE Transactions on Information Forensics and Security. 2017. vol. 13. no. 1. pp. 170–185.
28. Xue S., Gong S., Li X. A Comparative Study of IEEE 802.11bd and IEEE 802.11p on the Data Dissemination Properties in Dynamic Traffic Scenarios // Applied Sciences. 2024. vol. 14. no. 5.
Опубликован
Как цитировать
Раздел
Copyright (c) Павел Владимирович Плотников, Глеб Ильич Тамбовцев, Андрей Геннадьевич Владыко
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).