TU Darmstadt / ULB / TUprints

Data Management in Vehicular Networks - Relevance-Aware Networking for Advanced Driver Assistance Systems

Meuser, Tobias (2020):
Data Management in Vehicular Networks - Relevance-Aware Networking for Advanced Driver Assistance Systems.
Darmstadt, Technische Universität, DOI: 10.25534/tuprints-00011378,
[Ph.D. Thesis]

[img]
Preview
Text
2020-01-20_Meuser_Tobias.pdf
Available under CC-BY-ND 4.0 International - Creative Commons, Attribution No-derivatives.

Download (3MB) | Preview
Item Type: Ph.D. Thesis
Title: Data Management in Vehicular Networks - Relevance-Aware Networking for Advanced Driver Assistance Systems
Language: English
Abstract:

Future vehicles will exchange an increasing amount of data to increase their awareness beyond their local perception. This data is generated by the sensors of other vehicles, which share their local view of the environment. Compared to the data exchanged by today's vehicles, this data is much more fine-granular and, thus, changes more frequently, requiring much higher bandwidth to maintain an up-to-date view of the environment. The diverse level of accuracy or potential inaccuracy of vehicle-generated data, in conjunction with their increased bandwidth volume, poses considerable challenges for future vehicular networks. The potential inaccuracy of data provided by other vehicles necessitates a validation, which requires knowledge about the measuring sensors. Besides, the higher bandwidth consumption requires a more accurate consideration of each vehicle's interest in data, as not everything can be exchanged. The paradigm of Approximate Networks is particularly well suited for the provisioning of fine-granular data, as it allows to trade network and computation resources with the availability and quality of data. Our contributions in this thesis amount to developing mechanisms to apply the concept of approximate networks in the vehicular scenario. For this purpose, we first develop mechanisms for the assessment of data in these networks, which are the basis for our approach to approximate vehicular networks. As our first contribution, we propose an aggregation scheme to increase the data quality in the network. Our innovative aggregation scheme considers the heterogeneity of sensors and data-specific properties to adapt the influence of old measurements and increase the quality of the resulting aggregate. We then investigate the relevance of data to a specific vehicle as our second contribution, which relies on the prediction of the specific vehicle's future context. By combining the accuracy of the aggregate and its relevance, we determine the expected gain for a specific vehicle, the so-called impact. This impact is key for effective data prioritization and builds the foundation of our approximate vehicular network. As our third contribution, we design and implement an approximate vehicular network based on Diverse Prioritization and Treatment, aiming at improving network performance without increasing the resources consumed, as typically advocated under approximate networking. A probabilistic mechanism is proposed to properly modulate the redundancy of the messages in the network, leading to their increased overall availability to the interested vehicles without increasing the consumed resources. Finally, we design and develop our VEHICLE.KOM platform that is used to assess the effectiveness of the developed mechanisms under varying environmental conditions. We show that our aggregation scheme drastically reduces the false aggregates and adapts its behavior to lifetime and accuracy effectively. In addition, we demonstrate the effectiveness of our approach to approximate vehicular networking, by showing a drastic increase in the network performance under dynamic network conditions, especially when considering cooperation between vehicles.

Alternative Abstract:
Alternative AbstractLanguage
In den nächsten Jahren werden Fahrzeuge immer mehr Daten austauschen, um mögliche Gefahren auch außerhalb ihrer eigenen Sensorreichweite wahrnehmen zu können. Die so ausgetauschten Daten werden von anderen Fahrzeugen generiert, die ihre lokale Wahrnehmung mit den Fahrzeugen im Netzwerk teilen. Dadurch ist es möglich, deutlich feingranularer auf Veränderungen der Umwelt zu reagieren als es heute möglich ist. Allerdings hat dies zur Folge, dass deutlich mehr Kommunikationsbandbreite benötigt wird, um diese Veränderungen mit anderen Fahrzeugen zu teilen. Dabei stellt die mögliche Ungenauigkeit der ausgetauschten Daten in Kombination mit dem steigenden Bandbreitenbedarf eine große Herausforderung für zukünftige Fahrzeugnetzwerke dar. Durch diese mögliche Ungenauigkeit der Daten sind Verfahren nötig, die Sensordaten von anderen Fahrzeugen validieren können, wozu Informationen über die messende Sensorik benötigt werden. Zusätzlich muss der steigende Bandbreitenbedarf kompensiert werden, was eine Analyse des Datenbedarfs eines einzelnen Fahrzeugs erfordert. In diesem Kontext eignet sich das Konzept der Approximate Networks besonders gut, da dieses eine Abwägung zwischen Ressourceneffizienz und der Verfügbarkeit/Qualität von Daten ermöglicht. Dementsprechend tragen unsere Beiträge in dieser Arbeit zum Konzept der Approximate Networks in Fahrzeugnetzwerken bei. Dazu entwickeln wir zunächst Mechanismen zur Datenbewertung in Fahrzeugnetzwerken, welche dann als Grundlage für unseren Ansatz für unsere entwickelten Fahrzeugnetzwerke dienen. Als unseren ersten Beitrag entwickeln wir ein innovatives Aggregationsschema, welches die Datenqualität in Fahrzeugnetzwerken erhöht, indem es die Heterogenität von Sensoren in Kombination mit den Eigenschaften der generierten Daten berücksichtigt, um den Einfluss von älteren Messdaten auf das Aggregationsergebnis zu bestimmen. Dieses Gewicht wird so gewählt, dass für den jeweiligen Datentyp die Qualität des Aggregates erhöht wird. Im Anschluss untersuchen wir die Relevanz von Daten für ein spezifisches Fahrzeug als unseren zweiten Beitrag, wobei wir eine Prädiktion des Fahrzeugkontexts nutzen, um die Nützlichkeit eines Datums für das Fahrzeug zu bestimmen. Basierend auf der Genauigkeit der Daten und der fahrzeugspezifischen Relevanz bestimmen wir den Einfluss der generierten Daten auf ein spezifisches Fahrzeug. Diese Einfluss Metrik ist ein wichtiger Aspekt für eine effektive Priorisierung von Daten und bildet die Grundlage für unser Konzept von Approximate Vehicular Networks. Dieses designen und entwickeln wir als unseren dritten Beitrag basierend auf dem Konzept von Diverse Prioritization and Treatment. Mit diesem Konzept ist es uns möglich, die Netzwerkperformanz zu erhöhen, ohne dabei die Menge der verbrauchten Kommunikationsressourcen zu ändern. Dadurch folgt unser Konzept der Grundidee der Approximate Networks. In diesem Kontext schlagen wir ein wahrscheinlichkeitsbasiertes Verfahren vor, welches die Redundanz der Nachrichten im Netzwerk so anpasst, dass die Verfügbarkeit von Nachrichten für interessierte Fahrzeuge erhöht wird, ohne dabei jedoch die genutzten Kommunikationsressourcen zu verändern. Wir nutzen dann unser VEHICLE.KOM Framework, um die entwickelten Verfahren in einer ausgiebigen Evaluation zu analysieren und zu bewerten., wobei wir verschiedene Umwelteinflüsse auf unsere Ansätze betrachten. Wir zeigen, dass unser Aggregationsschema die Datenqualität im Netzwerk durch Anpassung an die Genauigkeit und Langlebigkeit der Daten signifikant erhöht. Zusätzlich demonstrieren wir die Verbesserungen durch unseren Ansatz für Approximate Vehicular Networks in dynamischen Umgebungen, wobei besonders der Mehrwert von Kooperationen zwischen Fahrzeugen beleuchtet wird.German
Place of Publication: Darmstadt
Classification DDC: 000 Allgemeines, Informatik, Informationswissenschaft > 004 Informatik
Divisions: 18 Department of Electrical Engineering and Information Technology > Institute of Computer Engineering > Multimedia Communications
Date Deposited: 29 Jan 2020 14:55
Last Modified: 29 Jan 2020 14:55
DOI: 10.25534/tuprints-00011378
URN: urn:nbn:de:tuda-tuprints-113780
Referees: Steinmetz, Prof. Dr. Ralf and Stavrakakis, Prof. Dr. Ioannis
Refereed: 16 December 2019
URI: https://tuprints.ulb.tu-darmstadt.de/id/eprint/11378
Export:
Actions (login required)
View Item View Item