车联网中的 qoe 及挑战分析

1.背景

汽车互联网(IoV)是汽车工业领域的趋势概念之一。介绍了由于物联网(IoT)和车载自组
网(Vanet)的融合，智慧交通和智慧城市的概念。车联网旨在克服 vanet 现有的缺陷，以提高
交通效率、安全性和简化驾驶体验。车联网的主要目标是通过使用云计算、智能感知技术
雾计算、边缘计算等众多智能技术，加强现有的智能交通系统(ITS)。
体验质量（Quality of Experience，QoE）是指用户对设备、网络和系统、应用或业务
的 质 量 和 性 能 的 主 观 感 受 。 QoE 指 的 是 用 户 感 受 到 的 完 成 整 个 过 程 的 难 易 程 度 。
QoS（Quality of Service，服务质量）指一个网络能够利用各种基础技术，为指定的网络
通信提供更好的服务能力，是网络的一种安全机制， 是用来解决网络延迟和阻塞等问题的
一种技术。
服务质量是客观存在的一组可以量化的指标，但是在 5g 环境中，qos 质量高并不完全
代表服务质量 qoe 质量高，因为 qoe 是非常主观的一个指标，可能涉及到用户的过往经验，
审美标准，以及背景地位的影响，举个例子，用户对于所提供服务的质量的时延容忍性可
能不同，因此也会产生体验质量的差异化。因为 qoe 是一个非常主观的指标，所以学术界
希望找到一个有效的方法来对 qoe 进行测量。注意，在 5g 技术出现之前，qoe 并不是非常
重要，也不是有如此多的研究。因为 5g 引入了网络切片，在传统的网络运行商与用户之间，
增加了服务提供商，服务提供商的任务就是给用户提供网络切片，如果用户的 qoe 很差，
那么用户就可能更换服务提供商。所以，对于 qoe 的研究是至关重要的。

2.相关研究

对于 qos 与 qoe 的研究其实已经由来已久，只不过在 5g 面世之前，各类学者也曾将

目光放到 qoe 的优化，但是主要还是集中于 qos。随着 5g 面世，qoe 才被重点关注。最早
的 qos 到 qoe 的研究是很简单粗暴的，使用既定公式来得到 qoe，传统方法之一如下列公
式
 随着机器学习的发展，也有一部分学者采用了机器学习方法，如下所示。

先建立一个 qoe 模型，由样本计算出每一个指标对 qoe 的影响，再构建一个重要性矩

阵（这里对于重要性进行了定义）。得到矩阵以后，计算一致性指标，再计算得到时延、
带宽、流量、抖动、 丢包 、吞吐量对 QoE 的影响权重，最后构造随机森林，完成由 qos
到 qoe 的映射。

3.车联网中的 qos 与 qoe

研究此部分的目的是调查是否有可以成为研究课题的部分，但是经过调研发现，由 qos 到
qoe 的映射研究大部分是对于 qos 进行预测，然后采用已有的研究对 qoe 进行预测或估计，，
且这部分研究已经较成熟，不适合作为研究课题。

4.车联网的挑战及分析

由前文中可知车联网中的 qos 到 qoe 并不适合作为研究课题，故而对车联网的待解决

问题进行了一个总体的分析。在对比了三篇综述后，总结主要问题如下：
• 网络模型和人车服务模型
• 无线电传播模型
• 通信能力
• 位置隐私
• 定位精度
• 位置验证
其中网络模型及人车服务模型是一个很大的范围，由于时间原因，未来得及进行调研 ，
其他的分析如下：
4.1 无线电传感模型

无线电波在无线通信中起着重要的作用，因此，由于信息传播速度快、移动性强，因
此，如果无线信号被路径中的某些障碍物阻挡，就会影响无线网络的性能。
车联网环境中存在中存在两种类型的障碍物：
（1）静态障碍物(SOs)，它像建筑物、树木、山脉等一样是固定的、不移动的;
（2）动态障碍物(DOs)，它像道路上的其他车辆一样在本质上是移动。
这部分的主要解决办法应该偏向于硬件，解决方案比较困难。

4.2 通信能力

用户、服务、网络等方面的优化目标不一致，需要提升车联网各层的通信能力
拥塞时减少网络流量并保持所需最低带宽被认为是具有挑战性的问题。
我读了相关的一篇综述，在这篇综述的基础上，还没有研究提出将 5g 纳入到系统中，
与云计算、雾计算、SDN 进行协作。

4.3 位置隐私

车辆为了安全公布它们的细粒度位置，获取基于位置的服务，而存储未知的服务器通
常是不受信任的第三方。我们请求位置相关服务的时候，也要承担隐私被暴露的风险。我
调查了其中一篇解决方案。这篇文章中采用了虚拟路径的方案：车 A 选择车 B 和车 C 作为
它的阴影参照 bc 位置生成虚拟路径。其他方案我比较感兴趣的有静默期法，在请求服务
时使用假名，过一段时间进入静默期，静默期结束更换假名。

4.4 定位精度

城市中车辆密集，GPS 信号弱，且基于 GPS 的定位未考虑车辆速度。其中常采用的技

术有卫星定位、惯性导航、轨道计算、视觉定位、激光雷达、高精度地图匹配、车路协调
定位或者采用这几种的融合进行混合定位。
我阅读李一篇关于定位精度的文章，文中将整合卫星定位和轨迹估计的优势，使用体
积卡尔曼滤波算法进行定位数据融合，补偿北斗定位中的随机误差。

4.5 位置验证

车联网环境中对车辆提供的位置信息进行验证对于确保乘客的安全，防止事故的发生
非常重要。
我调研了一篇有关位置验证的文章，其中采用 Faster R-CNN 识别物体，判断路况，并通过
推送通知与社交群中的司机分享消息和视频多辆车进行识别、澄清路况，如下图。
5.总结

经过对相关问题的分析，我总结了以下三个关键问题，其中第三个问题更加偏向于硬件，
所以可以对前两个问题进行主要调研。
(1)提高精度用于验证的定位问题；
(2)隐私与服务的权衡问题；
(3)无线电波的增强问题