manuscrito aceptado

Vehicular Cloud Computing: arquitecturas, aplicaciones y Movilidad

Azzedine Boukerche, Robson E. De Grande

PII: S1389-1286 (18) 30005-7

DOI: 10.1016 / j.comnet.2018.01.004
Referencia: COMPNW 6352

Aparecer en: Red de computadoras

Fecha de recepción: 28 de de julio de 2017

Fecha revisada: 04 de enero 2018

Fecha de aceptación: 8 de enero de 2018

Por favor citar este artículo como: Azzedine Boukerche, Robson E. De Grande, vehicular CloudComputing: arquitecturas, aplicaciones y
Movilidad, Red de computadoras ( 2018), doi: 10.1016 / j.comnet.2018.01.004

Se trata de un archivo PDF de un manuscrito inédito que ha sido aceptado para su publicación. Como un servicio a nuestros clientes estamos
proporcionando esta primera versión del manuscrito. El manuscrito será sometido a la corrección de estilo, composición y revisión de la prueba
resultante antes de que se publique en su forma final. Tenga en cuenta que durante los errores en el proceso de producción se pueden descubrir lo
que podría afectar el contenido, y todos los avisos legales que se aplican a la revista pertenecen.
 MANUSCRITO ACEPTADO

Vehicular Cloud Computing: Arquitecturas,

Aplicaciones y Movilidad

Azzedine Boukerche

Facultad de Ingeniería Eléctrica e Informática

Universidad de Ottawa
Canadá

Robson E. De Grande

Departamento de Ciencias de la Computación

Brock University
Canadá

DO
TA
Resumen

los sistemas de transporte inteligentes están diseñados para proporcionar aplicabilidad innovadora
EP

ciones y servicios relacionados con la gestión tra FFI c, así como para facilitar la

el acceso a la información para otros sistemas y usuarios. La motivación convincente para el empleo de los
AC

recursos infrautilizados a bordo de los sistemas de transporte y

los avances en la tecnología de gestión de recursos de computación en nube tiene

promovido el concepto de las nubes vehiculares. La tesis recoge y describe los enfoques más recientes y
O

soluciones para vehicular las nubes, las aplicaciones que ofrece, servicios y modelos de tra fi cientes c que
T

pueden permitir vehicular Nube de una manera más

RI

entorno dinámico. Hemos considerado un gran número de aplicaciones y

C

servicios que mostraron relevancia en el ámbito de aplicación del sistema de transporte, Ben-

e fi ting su gestión, conductores, pasajeros y peatones. Sin embargo, la fi c alta movilidad de tra impone
US

como un desafío significativo en la implementación de una nube vehicular en cambiar continuamente los

recursos físicos. La dinámica de la

AN

medio ambiente que las cuestiones fundamentales y aumentar la complejidad de la construcción de este nuevo tipo

de nube. Mediante el análisis de los modelos existentes tra fi c, encontramos que Vehicular computación en nube es
M

tecnológicamente factible no sólo en el entorno estático, como un estacionamiento o garaje donde los vehículos son

estacionarias, sino también

los escenarios dinámicos, tales como carreteras o calles donde los vehículos se mueven.

Preimpresión sometido a Diario de Redes de Ordenadores 7 de febrero de, 2018

 MANUSCRITO ACEPTADO

palabras clave: Cloud Computing, Mobile Cloud Computing, Cloud Computing vehicular, Vehicular

Networks, Tra fi c Modelos

1. Introducción

La industria del automóvil ha estado mostrando cambios revolucionarios últimamente, in-

consolidación de la concesión en la incorporación de características más tecnológicas en los vehículos, así como

permitiendo a los conductores para acceder sofisticada vehículos inteligentes para uso diario. Cualquier vehículo actual

5 típico se considera una equipo sobre ruedas porque viene equipada

DO
con un potente ordenador de a bordo, dispositivo de almacenamiento de gran capacidad, RA- sensibles

transceptores Dio, radares de colisión, y un dispositivo GPS. Al mismo tiempo, la nube

la informática [1] ha presentado avances de ritmo rápido que le han permitido a apoyar las nubes
TA
dinámicas construidas en entornos móviles.

10 La flexibilidad de la nube que ha introducido para el suministro bajo demanda de re-

EP

fuentes y servicios a través de Internet ha permitido que sea reconocido como un público

utilidad [2]. Por ejemplo, Amazon Elastic Compute Cloud (Amazon EC2) se ha convertido en el mayor
AC

proveedor de capacidad de cálculo dinámico en la nube. Esta

crecimiento es fi justificado por el creciente interés de las empresas en elásticamente y

escalable alquiler de servicios en la nube, plataformas o software en lugar de la construcción y

O

15

el mantenimiento de sus centros de datos [3]. En consecuencia, estos intereses afines seguir avanzando en el
T

desarrollo de la computación en la nube, lo que introduce un pay-as-you-go

RI

modelo, escalabilidad, los recursos bajo demanda, la tecnología de virtualización, y la calidad de servicio (QoS) como
C

sus principales características. Los intereses acelerados en su versatilidad

La computación en nube han hecho la tendencia tecnológica en TI, con Mas-

US

20

sive las inversiones y las empresas e ff Orts para migrar sus negocios en este nuevo

paradigma.
AN

Los beneficios y retos en el campo han motivado varias obras germinales, promoviendo la

introducción de un marco vehicular nube [4]. Este trabajo inicial abstrae las cuestiones actuales y clasi fi
M

25 ca las soluciones como una cuestión

de aprovechamiento de los recursos infrautilizados vehiculares, como la red con-

conectividad, potencia de cálculo, almacenamiento y capacidad de detección, que puede ser

2
 MANUSCRITO ACEPTADO

compartido con los propietarios de vehículos. Por otra parte, se espera que este marco que permita a los modelos de

negocio a los recursos agregados y alquilarlos a los consumidores potenciales,

30 de manera similar a la infraestructura tradicional de la nube.

En este contexto, se ha presentado un Cloudlet vehicular, que consiste en una

grupo de vehículos que pueden compartir recursos a través de la comunicación de vehículo a vehículo (V2V),

vehículo a infraestructura (V2I) de comunicación, o comunicación incluso vehículo-toeverything (V2X). Como se

representa en la Figura 1, un Cloudlet vehicular

35 se puede establecer en el entorno de la carretera (Cloudlet móvil), que consiste en

vehículos en movimiento, o en un estacionamiento (Cloudlet estática), que es relativamente estacionario y formada por

DO
vehículos estacionados [5, 6]. En consecuencia, cada tipo de Cloudlet se adapta a una amplia gama de servicios de di ff

Erent vehicular de la nube, lo que podría ser dependiente

TA
el grado de la movilidad y dinámicas alteraciones en la disposición de la nube

40 elementos. Como ejemplos de idoneidad, el escenario de la carretera presenta muy alto

movilidad y promueve una Cloudlet móvil ideal para la difusión de datos vehicular
EP

servicios. Por otra parte, los vehículos esperando en aún tra fi c urbana podría formar una

Nube vehicular que bien puede servir a la ejecución de tra fi c apli- gestión
AC

cationes, que pueden identificar soluciones para aliviar tra FFI c congestión. En una situación aún más estática,

45 la Cloudlet compuesto por vehículos estacionados estáticas resulta

O

ser entorno relativamente estable para tareas de computación y almacenamiento de datos, proporcionando
T

recursos para servicios en la nube tradicionales.

Evolucionado desde vehicular red ad-hoc (VANET), vehicular Cloud Computing (VCC) ha estado
RI

recibiendo cada vez más atención. VCC es una muy atractiva

C

50 La tecnología debido a sus características y capacidades en apoyo a una serie de novela,

US

aplicaciones pertinentes, o sensibles. Además, las VCC están diseñados para iniciar objetivos que responden

directamente a las necesidades de transporte de todos los días, como habilitar los servicios computacionales a bajo costo
AN

a los usuarios autorizados, la reducción de tra fi c congestión

ción, y los servicios de ejecución para mejorar la seguridad vial. Este trabajo pretende ser una referencia para

proporcionar un amplio estudio trabaja la más reciente VCC, AIM-

M

55

ing para introducir una mejor comprensión de los principios de mecanismos vehicular Cloud Computing.

Como se representa en la Figura 2, las técnicas existentes son ed fi cación según

3
 MANUSCRITO ACEPTADO

DO
TA
EP

Figura 1: nubecillas vehicular en escenarios estáticos y dinámicos

AC

sus contribuciones para permitir la construcción de vehicular Cloud Computing.

60 Estas técnicas se identifican como una agregación de dos paradigmas: Vehicular

O

Redes y computación en nube. Redes Ad-hoc vehiculares su mayoría desarrollan

T

de redes ad hoc móviles (MANET), en el que la comunicación real

RI

entre los nodos de una red es un salto único o multi-hop con base. Aparte de eso,

VCC ha surgido de Mobile Cloud Computing (MCC), donde la principal preocupación consiste en llegar a
C

los servicios tradicionales nube que suministran a través de una

sesenta y cinco
US

infraestructura, similar al acceso a las telecomunicaciones y otros datos basados ​en

servicios.
AN

El resto del documento se organiza como sigue. Sección 2 se resume la arquitectura y aplicaciones

de VANETs. Sección 3 proporciona una breve intro-

M

70 ducción de los tradicionales Cloud Computing y sus servicios clave. Sección 4 O ff ers

una visión general de Mobile Cloud Computing, que tiene características similares a la Ve-

Nube hicular. Sección 5 discute la taxonomía, la arquitectura, los servicios y

4
 MANUSCRITO ACEPTADO

DO
TA
Figura 2: Evolución hacia Paradigm Vehicular Cloud Computing.
EP

aplicaciones de la nube de vehículos. Sección 6 se centra en la presentación de la existen-

AC

ing modelos c tra fi cientes, que estiman el número de recursos informáticos en el entorno vehicular

75 dinámico. Por último, la Sección 8 resume brevemente el trabajo

O

y presenta las observaciones para futuras investigaciones.

T

2. Redes Vehiculares
RI

Sobre una base diaria, las grandes ciudades modernas se enfrentan a problemas de transporte crónicas, incluyendo la
C

congestión lenta tra fi c fl ujo, tra fi c, y las situaciones de emergencia causadas por accidentes. Un aumento en el número de
US

80 vehículos ha causado un aumento de la complejidad en al-

lowing gestión adecuada c tra fi y hacer frente a los problemas de transporte. El fuerte incremento en el volumen de tra fi c ha
AN

llevado a escenarios ciudades inseguras, experiencias de conducción desagradables, y las condiciones urbanas

insostenibles. Por lo general, tra fi cientes c servicios no hacen

M

cationes tema notificada de estado de congestión con tiempo suficiente para que las acciones preventivas, que

85 se agrava por la infraestructura de transporte actual carece de tra fi c

la seguridad y la e ciencia FFI. sistemas de gestión del transporte han mejorado con

5
 MANUSCRITO ACEPTADO

la introducción de carriles adicionales en carreteras y una reducción en el número de signos tra FFI c para

permitir a un fl uid más flujo de vehículos. Sin embargo, tales AP-

enfoques proporcionan una solución temporal y son afectiva ine para la orientación del núcleo

90 temas urbanos.

Por otra parte, varios avances tecnológicos recientes han dado poder a la aplicación de diversos

servicios de gestión c tra FFI y aplicaciones de conducción, tales como el control preciso de tra fi c fl ujo,

monitoreo conjunto de los

tra FFI c, y la detección de peligros tra FFI c. Todos los servicios y aplicaciones dependen

95 en, o pueden beneficiarse de, el concepto de los vehículos conectados, que cooperativamente

DO
propagar y difundir información. diseño VANETs' se ha inspirado en las redes ad-hoc móviles [7]; las

inversiones en esta comunicación vehicular

TA
paradigma es un reflejo de la constante crecimiento en popularidad con Advance

mentos en las tecnologías, soluciones y soporte a una amplia gama de aplicaciones. Redes vehiculares
EP

100 incorporan principalmente de vehículo a vehículo (V2V) y con vehículo

a-Infraestructura (V2I), así como estrategias (V2X) de comunicación de vehículo a Todo [8, 9, 10, 6].
AC

Varias iniciativas han dedicado fi significativo e ff Orts en emplear redes vehiculares para hacer

frente a los peligros desafortunado e impredecible tra fi c y contador

O

105 eventos de conducción desagradables [11]. Estas cuestiones pertinentes al transporte tienen

implicaciones para la solución de problemas en la difusión y recogida de forma adecuada

T

datos en tiempo real [12]. Dado que estas nuevas redes han permitido un entorno de comunicación único
RI

para los Sistemas de Transporte Inteligente (ITS), Vehicular

C

Actualmente las redes se extienden este contexto involucrar principalmente la seguridad, la privacidad y
US

110 intereses de seguridad.

2.1. Arquitectura de Redes Vehiculares

AN

La Figura 3 presenta una arquitectura general para VANETs e ilustra posibles escenarios de

comunicación. estrategias de comunicación V2V y V2I se representan en la figura, lo que demuestra el

M

uso de acceso inalámbrica en el entorno vehicular

115 (OLA). Las estrategias de comunicación comunes en las redes vehiculares son

que aparece de la siguiente manera:

6
 MANUSCRITO ACEPTADO

• Vehículo-a-todo. V2X comprende la transferencia de datos entre un vehículo y cualquier otro

elemento provisto de capacidades de red, incluyendo

cualquier elemento implicado en esta comunicación [13]. Esta comu- vehicular

120 método nicación es general e incluye otros enfoques fi cos, tales

como V2I, V2V, Vehículo-a-peatonal (V2P), Vehículo a dispositivo (V2D), y de vehículo a la cuadrícula

(V2G).

• De vehículo a vehículo. V2V consta de las comunicaciones entre los vehículos en ad-

hoc [14]. La comunicación se hace posible a través de múltiples saltos

transmisiones de vehículos que están en el rango, y es compatible con la valiosa

DO
125

transmisión de mensajes relacionados C-tra FFI, como el estado de carreteras, las condiciones de conducción, y los

accidentes tra FFI c.

TA
• De vehículo a infraestructura. V2I representa las comunicaciones entre

vehículos e infraestructuras de red fija para el intercambio de informa-

EP

130 tion [14]. Estas comunicaciones, en la mayoría de los casos, implican el acceso de las

redes externas, tales como Internet o cualquier servicio tradicional Nube,

AC

a través de RSUs y puertas de enlace. Los enlaces de comunicación previstos en V2I

introducir una mayor seguridad, pero el ancho de banda que la demanda es mayor que
O

para los enlaces V2V.

T

135 Los espectros de la banda de frecuencia de 5,9 GHz se han asignado para la
RI

protocolo dedicado de corto alcance Comunicación (DSRC) para fomentar la imple-

mentación y permitir el funcionamiento de las comunicaciones V2V [15]. A bordo de unidades (OBU), las
C

unidades de tierra (RSU), y las autoridades de certi fi cación (CA) son los principales componentes que
US

constituyen el entorno de las redes vehiculares, con-

140 partes de núcleo sidered de su arquitectura.

AN

• A bordo de la unidad. OBU está presente en cada vehículo solo; que se encarga de recoger los datos

proporcionados y más tarde puede ser utilizado por las aplicaciones y

M

servicios. Embedded con un conjunto de sensores, así como otras piezas de equipo, OBU

agrega información acerca de la posición, la velocidad y la aceleración / deceleración de un

145 vehículo, y que comunica los datos a otro

7
 MANUSCRITO ACEPTADO

vehículos o RSU. Este componente también recibe mensajes, siendo capaz de verificarlas, el

procesamiento de tareas, y evitar ataques de seguridad.

• Unidad borde de la carretera. RSU es un componente esencial de comunicación que al-

la comunicación con los mínimos de infraestructura de red. Esta unidad está en una fi jo

150 ubicación y está a cargo de la recogida y difusión de datos que podrían

estar relacionado con el estado de tra FFI c, tales como accidentes por delante, puntos más cercanos de aparcamiento,

estaciones de servicio, y la longitud de una cola c tra FFI. Para ser capaz de ejecutar su

funciones, una RSU presenta al menos una interfaz de red que conecta

al Internet y para la comunicación inalámbrica de corto alcance. De este modo,

DO
155 el componente funciona una pasarela que permite a los vehículos acceder a la red

infraestructura, que permite conexiones a Internet y acceso a servicios. También,

TA
un RSU puede servir como un punto final de control que recoge la información de

carreteras y vehículos [5], por lo que se monta generalmente a lo largo de la carretera y inter-
EP

secciones, ayudando con la coordinación tra fi c.

160 • Autoridad de certi fi cación. CA es responsable de la prevención de los problemas de seguridad en

AC

Redes vehiculares [16]. Este componente es consciente de los vehículos cercanos,

y proporciona la validación entidad y la evaluación de las fuentes de información

O

al recibir mensajes. Una CA es una fiesta de plena confianza en el medio ambiente y es crucial para

Redes vehiculares. En la arquitectura, las entidades de confianza comúnmente sirven como entidades
T

emisoras, tales como el transporte urbano departa-

RI

165

ción.
C
US

2.2. La comparación de las redes vehiculares y MANET

Redes vehiculares consisten en una extensión de MANETs, ​representando una

AN

subclase que se centra en el entorno vehicular [17]. En el contexto amplio de MANETs, ​RSUs y OBUs se

170 comunican en un dominio de ad-hoc en el que el RSUs

M

son nodos estáticos, fijos y OBUs son nodos móviles. Con las comunicaciones habilitadas a través del

protocolo IEEE 802.11p, algunas particularidades distinguen

el contexto vehicular:

8
 MANUSCRITO ACEPTADO

Internet
California

RSU
OBU

RSU
2V

V2I

OBU

V2I

DO
RSU

TA
Figura 3: Arquitectura General de Redes vehiculares.
EP

• Cada transmisión de paquetes en la red ad-hoc está limitado por la cobertura

AC

175 distancia. Un nodo inalámbrico sólo puede transmitir datos hacia y a través de su neigh-

nodos aburridas, que reenviar paquetes más allá de su cobertura. En consecuencia, los nodos en MANETs mayoría

necesitan protocolos de encaminamiento ad-hoc para la comunicación, tales como el encaminamiento bajo demanda,
O

Tabla de enrutamiento de guiado, y rout- híbrido

T

En g. Sin embargo, los protocolos de enrutamiento MANET no son adecuados para vehicular
RI

180 Redes ya que no pueden hacer frente a la red ad-hoc que cambia rápidamente

topología.
C
US

• El número de nodos que componen una red vehicular es considerablemente más grande

que en MANET. escenarios urbanos están compuestos de muchos vehículos, con-

AN

Sidering que cada vehículo representa un único nodo móvil. Por lo general, como una cuestión de

185 simplificación, la zona vehicular red se divide en partes más pequeñas

regiones, lo que permite el diseño de protocolos, servicios y aplicaciones que

M

mejor se adapte a las particularidades locales. RSUs estacionarios, que sirven como una

pasarelas de comunicación, la interconexión de estas regiones.

9
 MANUSCRITO ACEPTADO

• La topología de las redes vehiculares se define de acuerdo con el diseño de las condiciones de la red

190 de carreteras y tra fi c. En contraste con las descripciones

de MANET, los vehículos no se mueven de forma arbitraria en una región; carretera existente

segmentos y reglamentos tra FFI c, tales como paradas, tra FFI c se enciende, y la carretera

direcciones, delimitan rutas de vehículos. Esta topología urbana tra FFI c aumenta la previsibilidad de

los nodos móviles en redes vehiculares cuando se compara

195 con los nodos MANET.

• tiempo de vida funcional de los nodos MANET es restrictiva. El consumo de energía es

una preocupación significativa para el diseño de soluciones ectantes e ff. En la mayoría de los casos de

DO
aplicaciones y servicios, el rendimiento se ve comprometida debido a la limitación

ciones de la capacidad de energía, creando cuellos de botella en el sistema y que requieren

TA
200 alternativas de comunicación. Por otro lado, las redes vehiculares con-

nodos Tain conocidos como OBUs que no son propensos a las limitaciones de potencia, como
EP

así como el almacenamiento, ya que los vehículos incluyen baterías que suministrar suficiente energía

para apoyar todas las tareas de cómputo y de comunicación necesarias.

AC

• OBU es capaz de realizar tareas de computación sofisticados y más complejos. Sin restricciones

205 de energía, un OBU puede recibir relativamente

procesos de computación intensiva, la introducción de oportunidades para la implementación de servicios y

O

aplicaciones avanzadas.
T

• Redes vehiculares son en su mayoría efímera [ 18]. Los nodos en redes vehiculares presentan alta movilidad
RI

porque los vehículos se mueven rápido en las carreteras; este cre-

C

210 Ates una topología de red que cambia constantemente, y para que la conectividad
US

beneficio del oportunismo de sus compañeros y rangos de comunicación [19].

La movilidad es la característica más signi fi cativa de las redes vehiculares y es notable su

AN

principal rencia di ff contra MANET. Tra FFI c de vehículos Pre-

dominately dicta la densidad de distribución de nodos. En este caso, los análisis de movilidad deben tener en

cuenta los factores de comportamiento; por ejemplo, la densidad de

M

215

es mayor durante las horas pico y menor durante la noche. También, velocidad y dirección, los

principales factores que constituyen el movimiento de vehículos, son por

algunos medios considerados impredecible, haciendo muy corto conexión hora

10
 MANUSCRITO ACEPTADO

entre los vehículos. Por lo tanto, el diseño de algoritmos, protocolos y sistemas para tales redes debe

220 tener en cuenta la movilidad como un factor vital.

2.3. Aplicaciones de Redes vehiculares

Masivas de interés y e ff Orts para explorar Redes Vehiculares en entornos tra fi cientes c han generado

numerosas aplicaciones para un vasto conjunto de propósitos. Tales aplicaciones fi t en tres clases

principales [20, 16, 21]:

225 • Las solicitudes para la seguridad vial. El contexto de estas aplicaciones se centra en

haciendo uso de las capacidades de comunicación que Vehicular Redes introduce como un facilitador

DO
para proporcionar mensajes críticos. Estos mensajes pueden

de apoyo cationes NotI peligro fi, evitación de colisión, y advertencias, que pueden
TA
proporcionar información acerca de las condiciones climáticas adversas en aras de la carretera

230 la seguridad y la reducción de accidentes c tra fi.

EP

• Las solicitudes de tra fi c e fi ciencia. El diseño de estas aplicaciones objetivos

para ayudar a los conductores y el sistema de gestión de transporte. Ellos proveen

AC

medios para trabajar mejor con la carretera, ayudando a la toma de decisiones durante

conducción, y complementar los procesos de toma con información adicional. Por ejemplo, las
O

235 aplicaciones pueden ayudar en la advertencia sobre la posibilidad

de tra FFI c mermeladas, la detección de vehículos que están haciendo cola, o de adelantamiento otros vehículos.
T
RI

• Las solicitudes para la comodidad del pasajero. Estas aplicaciones de valor añadido PRI
C

oritize la comodidad de conductor y los pasajeros. Están diseñados para hacer viajes vehiculares
US

240 más agradable al proporcionar servicios a bordo, tales como In-

Acceso ternet, mensajería y de información y entretenimiento.

AN

3. Cloud Computing
M

En los últimos años, los avances excepcionales se han hecho en Cloud Computing (CC) gracias a

los avances tecnológicos en informática y las redes [22, 23, 24]. Cloud Computing presenta un cambio

245 de paradigma en el mundial

11
 MANUSCRITO ACEPTADO

tecnología de la información (TI). Basado en [25], CC se define como un modelo que permite, acceso

ubicuo conveniente, a pedido de la red a un conjunto compartido

de los recursos informáticos con fi gurable, como las redes, servidores, almacenamiento, aplica-

ciones, y servicios, que se pueden aprovisionar y se liberan con un mínimo rápidamente

250 gestión ORT ff o interacción proveedor de servicios de correo. CC ha introducido varias

características novedosas para soluciones de computación distribuida cuando se compara con tra-

sistemas locales dicional:

• CC presenta aprovisionamiento bajo demanda de recursos computacionales, de almacenamiento, y servicios de

DO
TI. Tiene en recursos informáticos finitos disponibles para los usuarios;

255 en consecuencia, los usuarios no son necesariamente requeridos para planificar para el suministro de

recursos físicos;
TA
• Los usuarios tienen la posibilidad de alquilar los servicios y recursos de acuerdo con sus

necesidades en un momento dado. CC se O ff er alternativas flexibles

EP

para que los usuarios “comprar” los recursos de hardware adicionales sólo cuando hay una

aumento de sus necesidades. Esta característica es útil para pequeño a medio

AC

260

empresas de tamaño en el que signi fi nancieros compromisos fi cante se pueden evitar, omitiendo la

construcción de una infraestructura de TI.

O

• CC ofrece aún más a los usuarios la capacidad de re-alquilar computacional

T

fuentes para un período requerido. Como resultado, los usuarios tienen el beneficio de arrendamiento
RI

265 recursos en función de la duración de un proyecto, y estos mismos recursos pueden

ser puesto en libertad después de que termine el proyecto. Esta cesión temporal facilita la gestión del
C

presupuesto en el que el progreso de un proyecto no exige la compra de servidores físicos.

US
AN

Con todas las ventajas que introducen flexibilidad para la gestión de re-

270 fuentes en proyecto cambiantes requisitos, los usuarios y las empresas han mostrado una

el aumento de la migración de sus servicios de TI y de datos a los servidores de CC. Una excelente
M

ejemplo de esta tendencia es Amazon Elastic Computing Cloud (EC2), que corresponde a una de las

mayores plataformas de servicios y proveedores de la nube con millones

extendido a nivel mundial de los usuarios.

12
 MANUSCRITO ACEPTADO

DO
TA
Figura 4: Configuración de Amazon EC2.

La Figura 4 ilustra la arquitectura general de Amazon EC2 [26]. EC2 pro-

EP

275

Vides una API web donde los usuarios autorizados pueden acceder a servicios en la nube y de reserva.

La plataforma permite el acceso a los recursos informáticos, instancias de EC2 y almacenamiento, elástico bloque de
AC

almacenamiento, y efímera de almacenamiento, de una manera elástica.

Para llegar a ciencia e fi, un componente conocido como la nube reloj controla la utiliza-
O

280 ción de los recursos, y notifica los resultados al sistema de escala automática. Este sistema

es responsable de la toma de decisiones en la ampliación de los servicios, de acuerdo con las necesidades de los usuarios.
T

servicios en la nube han alcanzado un cierto nivel de madurez y son O ff Ered

RI

en tres clases principales, a saber, infraestructura como servicio (IaaS), Plataforma como
C

Servicio (PaaS) y Software como Servicio (SaaS) [22, 27].

US

285 3.1. IaaS: Infraestructura como Servicio

Un proveedor de servicios de nube hace que los recursos elásticos, tales como capacidades de computación,
AN

conexiones de red y capacidad de almacenamiento, disponible para los clientes a través de la tecnología de virtualización

[28]. Amazon EC2 es un buen ejemplo de este tipo de

M

Servicio de almacenamiento en la nube. OpenStack, por el contrario, es un proyecto de código abierto que ha alcanzado

290 mucha popularidad entre otras plataformas de software para la nube Com-

Puting, fundamentada en la infraestructura-como-un-servicio de los aspectos de aprovisionamiento [29]. Esta

13
 MANUSCRITO ACEPTADO

tipo de servicio contiene una serie de componentes interrelacionados que construyen su plataforma de

provisión de recursos. En el contexto de OpenStack, Nueva coordina

procesamiento de hardware piscinas, controles de neutrones recursos de red, la escoria es en

295 carga de almacenamiento de negro, y Swift gestiona el almacenamiento de objetos. Todos estos compo-

nentes juntos son indirectamente accesible a través de cuadros de mando basados ​en la web: Horizonte, herramientas de línea

de comandos y API REST.

3.2. PaaS: Plataforma como Servicio

PaaS o ff ers los medios para los usuarios desarrollar, ejecutar y administrar aplicaciones,

DO
300 proporcionar una plataforma donde los usuarios no tienen que preocuparse por la lower-

detalles del nivel del entorno. En consecuencia, los servicios de esta categoría permiten

usuarios a Con la configuración de figura y controlar el despliegue de software. El servicio

TA
proveedor es responsable de garantizar la disponibilidad de servidores, redes,

almacenamiento y otros servicios de apoyo necesarios para acoger la solicitud de los clientes. Microsoft Azure
EP

305 [30] y Google App Engine [31] son ​plataformas regulares que sirven

como ejemplos representativos de esta categoría de servicios.

AC

3.3. SaaS: Software como Servicio

Un proveedor de servicios de nube en el contexto de las exigencias ambientales ff modelo SaaS o Acceso a una suite de
O

software que reside en su centro de datos [32]. El proveedor es responsable de

T

310 mantenimiento de software, licencias de aplicaciones, y la fabricación de software disponible para

RI

clientes como un servicio bajo demanda. Por lo general, la suite consta de o cina FFI y men-
C

saging, Sistema de Gestión de Datos (DBMS), diseño asistido por ordenador, gestión de relaciones con

los clientes (CRM), y antivirus. Trabajando como la suscripción

US

servicio basado, SaaS facilita el alquiler de software por un período, como una alternativa a la compra.

315 Dado que toda la suite de software está disponible por el

AN

mismo proveedor de servicios, esta clase de servicios hace que sea posible para evitar problemas de incompatibilidad entre

el software, que los usuarios suelen experimentar; en consecuencia, las preocupaciones de que coincida con el sistema
M

operativo de los usuarios con el software son nonexis-

tienda de campaña, debido a todo el servicio que está disponible a través de navegadores web. La plataforma IBM

320 SmartCloud [33] es un fi ejemplo significativo del modelo SaaS.

14
 MANUSCRITO ACEPTADO

4. Mobile Cloud Computing

Los dispositivos móviles han crecido en cantidad, capacidad, accesibilidad y emergente

ularity; este crecimiento ha permitido la entrega de servicios y aplicaciones de alto

a través de ellos, que ha promovido un nuevo campo de investigación llamado Mobile Cloud Computing (MCC)

325 [34, 35]. Los diseños en este nuevo campo idear dispositivos móviles

como entrada y salida de los puntos finales y asumir que proceso de servidores de la nube remoto

tareas de computación intensiva.

El foro de MCC [36] de fi ne MCC, en sus términos más simples, como una infraestructura en la que los

dispositivos móviles no procesan datos o almacenar datos dentro de ellos;

DO
330 Estas tareas se realizan de forma remota por otras entidades. Por lo tanto, la nube móvil

aplicaciones de transferencia de la presión sobre el almacenamiento y carga de datos en poder de computación

TA
desde dispositivos móviles a la nube. Esta característica permite que las aplicaciones y la informática móvil estén

disponibles no sólo para los usuarios de smartphones, sino también a una amplia
EP

gama de usuarios de servicios móviles.

335 MCC se espera que O ff er signi fi cativo potencial para aplicaciones de TI y los presentes
AC

características únicas, como la movilidad, la portabilidad, y la comunicación. Varias características son

únicas en MCC [35]:

O

• La extensión de la vida útil de la batería. Incluso con varios Advance-tecnológica

T

mentos, duración de la batería todavía se compone de las preocupaciones significativas para de- móvil
RI

340 vicios. insu fi ciente, duración de la batería condiciones limitadas usuarios cargar sus

dispositivos con una alta frecuencia y restringe el uso de luz-peso AP-

C

complicaciones. Esta autonomía reducida representa una característica adversa de

US

estos dispositivos electrónicos. Se han propuesto varios métodos que contrarrestar este aspecto

negativo y reducir el consumo de energía a través de e fi ciente el rendimiento de la CPU y la pantalla

AN

345 inteligente y gestión de discos. Esta limitación in-

volvés modificado cationes en la estructura y arquitectura de dispositivos inteligentes, que podrían no ser

incluso factible. Además, los servicios y aplicaciones ricas todavía

M

implicar en las restricciones de ejecución en los dispositivos, incluyendo los productos que ya han

estado en uso, aunque tales técnicas son capaces de aumentar la vida de la batería. En este caso

350 particular, MCC sirve sustancialmente

15
 MANUSCRITO ACEPTADO

a O ffl oad la carga de procesamiento y almacenamiento de carga de los dispositivos móviles, la migración de las

tareas de computación intensiva que implican un procesamiento complejo de

Servidores de la nube remotas. Las preocupaciones sobre la duración de la batería han motivado

el diseño de varios o Estrategias ffl oading [37, 38] mapeado en intrincada sim-

355 escenarios ulación [39].

• Mejoramiento de la capacidad de procesamiento y capacidad de almacenamiento. MCC tiene la intención de

aumentar el rendimiento de la ejecución de aplicaciones y servicios

y ampliar la capacidad de almacenamiento. A través de un mejor rendimiento, con- MCC

tributos a una disminución en el tiempo de ejecución y el consumo de energía. Incluso

DO
360 aunque la capacidad de procesamiento de los dispositivos han avanzado significativamente,

todavía presentan recursos físicos limitados y no son adecuados para alojar

TA
aplicaciones ricas y complejas. Con modelos oading o ffl, MCC puede apoyar el

la ejecución de aplicaciones tales como o estrategias ffl oading pueden migrar parti-
EP

cionado tareas sin problemas y almacenar grandes cantidades de datos en la nube a través de redes inalámbricas.

365
AC

• Mejora de la fiabilidad. Los dispositivos móviles tienen un considerable beneficio en

mejora de la fiabilidad a través de MCC. Debido a la parcial o completa

O

la ejecución remota de aplicaciones y servicios, datos y resultados se almacenan y se replica en los servidores

remotos de la nube. O ffl tareas oading disminuye considerablemente el riesgo de pérdida de datos; en comparación
T

con los dispositivos móviles, los servidores son más

RI

370

estable y resistente a los fallos. Además del aumento de la seguridad que

C

puedan deberse a la utilización de la nube, varios niveles de seguridad de datos en modelos MCC introducen
US

más robusta protección de datos para los usuarios y los servicios

los proveedores. Por ejemplo, basadas en la nube de gestión móvil de derechos digitales (DRM)

estrategias ayudan a preservar la integridad de la masiva no estructurada

AN

375

contenido digital, tales como vídeo y audio, de ser inadecuadamente accede y se distribuye de

forma no autorizada [40].

M

Debido a su evolución directa de la computación en nube y la informática móvil,

MCC han heredado varias ventajas [25, 35]:

dieciséis
 MANUSCRITO ACEPTADO

380 • El aprovisionamiento dinámico. MCC establece aprovisionamiento de recursos a los usuarios

bajo acceso autorizado y bajo demanda de grano fino, motivos de autoservicio.

Esta característica facilita la oferta de recursos y servicios sin previo

la planificación, fl exible promover la asignación de acuerdo a las necesidades actuales de

los consumidores. La planificación a priori en consecuencia, permite a los proveedores de servicios para

385 implementar aplicaciones en una cantidad limitada de recursos, que

aumenta a medida que el sistema de balanzas para acomodar el crecimiento de aplicabilidad

ciones.

• La facilidad de acceso. La interfaz de línea de MCC aumenta considerablemente la accesibilidad; los usuarios llegan a

DO
cabo por los recursos en cualquier momento y que dependen del acceso a Internet a través de redes inalámbricas.

390
TA
• Facilidad de integración. Los proveedores de servicios son capaces de distribuir los recursos

y compartir los costos. Esta característica permite gran apoyo a una gran variedad de apli-
EP

cationes en su contexto, que satisfacen los requisitos de compatibilidad.

AC

El oading o ffl de tareas y el almacenamiento de los dispositivos móviles no debe necessar-

395 ily llevarse a cabo para Servidores de la nube. En el contexto de Mobile Computing Edge

(MEC), los recursos situados en el borde de la red móvil a acortar la trayectoria de comunicación y la
O

distancia entre los dispositivos móviles y la nube [41].

T

Esta estrategia permite una mayor accesibilidad a los servicios de gran demanda y
RI

aplicaciones en dispositivos móviles, teniendo en cuenta las limitaciones de tiempo y restrictivas

requisitos de retardo. En consecuencia, MEC permite a los usuarios para evitar la excesiva ex-
C

400

carga tra impone a la radio y la red de retorno de las redes móviles, la disminución de la latencia de la comunicación
US

considerablemente a través de estrategias de almacenamiento en caché [42]. Desde un

punto de vista arquitectónico, MCC presenta un enfoque totalmente la utilización de recursos centralizada
AN

mientras MEC permite un acceso totalmente distribuido a los recursos en muchos lugares. Una arquitectura de

405 tres niveles define la estructura general del MEC,

M

en el que nubecillas son elementos intermedios entre los dispositivos móviles de la nube cen-

tralized servidores. La descentralización permite que los dispositivos móviles para conectarse a nubecillas

a través de la red móvil local, justo dentro de una zona interactiva.

17
 MANUSCRITO ACEPTADO

En escenarios flexibles más volátiles y FL, donde la conectividad de los dispositivos móviles no permiten

410 un acceso continuo a cualquier infraestructura de comunicación, Mo-

bilis Ad-Hoc nube plantea como una solución potencial para MCC o ffl oading. Móvil

Ad-Hoc Cloud (MAC) se compone de un contexto más particular de MCC, donde

un dispositivo utiliza los recursos disponibles de los dispositivos móviles vecinos [43]. En este enfoque, las

capacidades de un dispositivo están extendidos, pero sólo a través del acceso a los recursos más cercanos,

415 evitando retrasos. MAC permite una solución que no hace

dependerá de la plena conectividad con la infraestructura para promover los bene fi cios de MCC.

Sin embargo, el entorno móvil que cambia rápidamente crea una falta de conectividad y justi fi es MAC, así

DO
como la imposición varios desafíos en el establecimiento de una nube de dispositivos móviles. Como

derivado de MCC, estas di fi cultades implican tareas

420
TA
O oading ffl y la programación, la asignación de recursos y la gestión, el descubrimiento y

formación de la MAC [44]. La limitación de MAC es que requiere la colaboración de los dispositivos móviles
EP

cercanos para compartir sus recursos, los incentivos que necesitan

para motivar la participación. Otra limitación importante del modelo de con- MAC

siste de toma de decisiones costosas en la asignación de tareas, así como formación de nubes y
AC

425 mantenimiento, en contra de los beneficios de la O ffl oading cálculo y almacenamiento a otra

dispositivos deteriorado-capacidad.
O

5. vehicular Cloud Computing

T
RI

La industria del automóvil ha sido la construcción de vehículos inteligentes considerablemente,

que ya contienen robusto computación, comunicación, almacenamiento, y la energía

C

recursos. Estos vehículos modernos características di ff erentiate desde dispositivos móviles,

US

430

que se supone que presentar recursos restringidos. VCC, en este caso, funciona

en el direccion opuesta del paradigma de MCC. MCC intenta aprovechar

AN

las capacidades de los dispositivos mientras VCC permite vehículo subutilizado o disponibles

recursos que se recogerán; esto se extiende a MEC, en el que los vehículos pueden, en un escenario
M

435 hipotético, servir como un Cloudlet a los dispositivos de pasajeros. Cuando

se trata de MAC, VCC comparte características más cercanas a este subconjunto de MCC

paradigma desde VCC intenta formar una nube de forma dinámica con el cercano

18
 MANUSCRITO ACEPTADO

vehículos como para una tarea, una aplicación o un servicio orientado. Sin embargo, VCC implica un conjunto muy

particular de características que lo fromMAC a un lado. VCC se ocupa de

440 la volatilidad extrema del medio ambiente y de los recursos, el movimiento distinto

de los vehículos, la demanda de aplicaciones y la disponibilidad esporádica, así como la

modelo de negocio que abarca, que permite que los recursos que se recogerán de los vehículos a otros elementos,

tales como los dispositivos móviles.

Los trabajos recientes [45, 4, 46] han acuñado el término, adecuadamente de fi nido la con-

445 CEPT de, y delimita los primeros diseños de vehicular Cloud Computing. Estas

Las obras presentadas VCC con el objetivo principal que consiste en la recolección, la asignación y utilización de

DO
los recursos disponibles a bordo de los vehículos. Estos recursos comprenden capacidades que van desde el

procesamiento, comunicación, almacenamiento y

sensor, que puede ser dinámicamente cosechado en grupos de vehículos bajo la

TA
450 autorización y consentimiento de los propietarios y conductores. La nube, los conductores, PAS
EP

Sengers, y los usuarios se benefician de la agregación e fi cientemente los recursos circundantes

y haciéndolos e ff caz disponibles como servicios en la nube para el público. Tal

servicios de VCC son enrevesada y relevante, complementando regular de la nube Com-

AC

SITUACIONES servicios. Tal como se define en su esquema de primera [46], se refiere a un VCC un grupo de vehículos

455 que son ampliamente autónoma y contienen computación, comunicación,

O

detección, y los recursos físicos que podrían ser coordinadas y dinámicamente asignada
T

camente asignado a los usuarios autorizados. Tabla 1 presenta una breve comparación de la

características principales de CC, MCC, y VCC.

RI

En cuanto a la capacidad de cálculo y capacidad de almacenamiento, se observa que

C

460 los Servidores de la nube convencionales presentan el más poderoso re cómputo local
US

fuentes, y un vehículo moderno típicamente incluye un ordenador de a bordo, que tiene mucho mayores

capacidades de computación que en un dispositivo móvil. Además, la movilidad es un valioso y una parte
AN

inherente de los recursos físicos de MCC y

VCC mientras que los recursos de un CC tradicional se encuentran comúnmente en el fijada centro de datos.

También CC no está limitado por el consumo de energía debido a la con-

M

465

fuente de alimentación constante en el centro de datos; Del mismo modo, VCC no está limitado por el poder desde un

vehículo contiene una batería de gran capacidad, y el motor en marcha se recarga continuamente. Sin embargo, la

duración de la batería de los dispositivos móviles con fi nes

19
 MANUSCRITO ACEPTADO

Tabla 1: Principales características de Cloud Computing, Mobile Cloud Computing, Cloud Computing y vehicular

Característica CC MCC VCC

Apoyo a Recursos móviles No Sí Sí

Capacidad de cálculo más alto más baja Talla media

Limitación de la batería No Sí No

Capacidad de almacenamiento más alto más baja Talla media

Composición autónoma No No Sí

La flexibilidad de los recursos Estático Estático altamente dinámico

Red de arquitectura Servidor de cliente Servidor de cliente Peer to Peer o

cliente-servidor

Recursos físicos Servidores locales o Dispositivos móviles locales o Vehículos locales o

DO
remotos servidor remoto servidores remotos

TA
MCC. Por último, VCC es el único tipo de nube que se basa en muy dinámico

470 recursos físicos, y se pueden formar de manera autónoma, en función del tra fi c
EP

situación.

Los vehículos modernos contienen capacidades computacionales que son relativamente robusta para permitir
AC

el acceso a los servicios exigentes y aplicaciones ricas. nube computa-

ING es capaz de expandir estas capacidades a través de la provisión de sin límites

475 recursos, mejorando así el acceso a los servicios. Por otra parte, una función de re vehículos
O

fuentes tienden a ser subutilizado durante largos períodos de tiempo, tales como cuando los vehículos están aparcados o
T

inmóvil en atascos tra FFI c. Tales situaciones permiten OP prometedora

RI

tunidades para la exploración de los recursos informáticos infrautilizados para ensamblar las nubes

de forma autónoma. Por el concepto de vehículos conectados, los elementos circundantes pueden
C

480 participar en una VCC, que comprende una estrategia fundamental que contribuye a la lucha contra
US

cuestiones complejas, en tiempo real y en loco; muchos trabajos, como en [46], reconocen este enfoque como un cambio

de paradigma en los sistemas de transporte. la movilidad de los vehículos

AN

y la escala del medio ambiente requiere la gestión de recursos sofisticados

estrategias para coordinar los recursos e fi cientemente [47, 48, 49, 50].
M

485 Ambos paradigmas son elementos esenciales para el diseño de soluciones de Intel

ligent Sistemas de transporte, incluyendo el apoyo a una amplia gama de aplicaciones y servicios, tales

como la estimación y predicción de tra FFI c con-

20
 MANUSCRITO ACEPTADO

diciones en un entorno de simulación [51]. Sin embargo, debido a la gran movilidad de los elementos que

componen una VCC, los retos que perdura con el

490 la interconexión dinámica de vehículos son muy similares a los problemas experimentados

en Redes Vehiculares [52]. A pesar de extensas e ff Orts se han aplicado a

encontramos soluciones que abordan los cambios altamente dinámicos de topología de la comunicación en

redes vehiculares, los desafíos persisten y están activamente presentes en VCC, que se basa enteramente en

los enlaces de comunicación entre vehículos.

495 5.1. Taxonomía de Obras en Vehicular Cloud Computing

DO
Tras una visión global de las obras más relevantes relacionados con VCC, la Figura 5 se resumen

los enfoques en la taxonomía general de la nube vehicular

Informática derivada de e ff anteriores orts [53]. Los enfoques cubierto en esta encuesta
TA
centrará en las aplicaciones y servicios para las categorías di ff Erent de nubecillas vehiculares.

Debido a los intereses prácticos en el transporte ya existente infraes-

EP

500

ESTRUCTURA servicios y la nube, VCC introducen oportunidades para un gran número

de aplicaciones potenciales [46]. Entre estas aplicaciones, una propuesta para componer
AC

y construir un centro de datos en los estacionamientos fue notable debido a su bajo nivel de

la complejidad y la comodidad de aplicación. La aplicabilidad de este enfoque reside en la existencia de

O

505 un gran número de vehículos en garajes de empresas o

estacionamientos de los centros comerciales que todavía debe descansar por un período de tiempo razonable.
T

Junto con esta condición, el almacenamiento a bordo de estos vehículos es agregada

RI

como un elemento fundamental en el montaje de un centro de datos.

C

Aplicaciones involucrados con el sistema de gestión de c tra FFI dinámica consisten en otro tipo de
US

510 aplicación VCC [4], que trata directamente con común de tránsito

cuestiones dirigidas a los bene fi cios mutuos. Tra fi c congestión incluye una preocupación fundamental en las áreas

metropolitanas, y es cada vez mayor debido al aumento del número de vehículos en las carreteras. La condición de
AN

estar en congestionada tra fi c conduce a una posición donde los conductores podrían estar de acuerdo en compartir

sus recursos de computación de vehículos con el sistema de gestión c tra fi. Los vehículos, en este caso, pueden
M

515 recibir el

carga particionado de cálculos de procesamiento y llevando a cabo simulaciones; tales tareas podrían ser parte de un

procedimiento para la determinación de soluciones alternativas para aliviar

21
 MANUSCRITO ACEPTADO

DO
TA
EP
AC

Figura 5: Clasificación de las Obras en Vehicular Cloud Computing

O

congestión a través del control c luz tra FFI. Por otra parte, varios trabajos han ideado
T

Otras aplicaciones potenciales Vehicular nube, como señal dinámica tra FFI c
RI

520 optimización, gestión de evacuación proyectada, y la asignación dinámica de

carriles para vehículos de alta ocupación [46].

C

Aplicaciones, sin embargo, requieren un conjunto de servicios innovadores VCC para que puedan ser
US

construidos de forma transparente y sin problemas o integrados en el actual

sistema urbano. Estos nuevos servicios, tales como las NAA, STaaS, CompaaS y CaaS, por consiguiente,
AN

525 exigen una infraestructura y modelos para que puedan ser abiertamente

la disposición del público [54].

M

La movilidad del entorno permite VCC a clasificarse en dos grupos principales [55]. Un grupo

representa un Vehicular Cloudlet estático, montado

a través de la agregación de los recursos de los vehículos que no muestran movimiento; estas

22
 MANUSCRITO ACEPTADO

530 vehículos y todavía están descansando en un estacionamiento, por ejemplo. En este particular

caso, el VCC se asemeja a una nube tradicional porque los vehículos muestran una larga estancia

comportamiento. El otro grupo VCC contiene nubecillas vehiculares dinámicos, por lo que

se ocupa de y se basa en muy dinámico tra fi c fl ujo. Las aplicaciones que dependen

en los cambios dinámicos rápidos del entorno urbano puede fi nes de estas nubecillas dinámicos; como se

535 mencionó anteriormente, estas aplicaciones pueden ayudar a la

sistema de transporte de cuestiones relacionadas con c-tra fi cientes o situaciones de emergencia.

Por ejemplo, el trabajo presentado en [56] elabora una nube Vehicular estática como

una obra germinal para la aplicación de un VC. El trabajo densamente investigó el número esperado de

DO
vehículos en un estacionamiento a largo plazo en un aeropuerto internacional. Mediante el uso de un

540 proceso estocástico, el sistema podría ser modelado

TA
de acuerdo con las tasas variables en el tiempo y de salida para estimar el número

los recursos disponibles para el montaje de un centro de datos. El número esperado de vehículos, así

como su varianza, se dedujo en una forma cerrada en este trabajo,

EP

conformando el comportamiento de los vehículos entrantes y salientes en el estacionamiento.

El trabajo proporciona una función de distribución de probabilidad dependiente del tiempo que repre-
AC

545

resentido la ocupación de la playa de estacionamiento, y se determinó que el carácter limitativo de los

parámetros se desvanecen como las condiciones iniciales del sistema. los

O

Los valores obtenidos para estos parámetros pueden apoyar la estimación del Seguro
T

número de vehículos en un aparcamiento, que puede ser decididamente estima en cualquier

RI

550 tiempo dado.

Por otro lado, trabaja con dinámica acuerdo con las nubes vehiculares en vez
C

entornos más complejos e inestables. Los trabajos descritos en [57, 58, 59]
US

observado y modelado la cantidad media de recursos de computación embebidos dentro de los vehículos en un

segmento de carretera. El trabajo representó la de libre flujo de los vehículos, así como tra FFI c atascos, a través de
AN

555 modelos estocásticos tra FFI c.

5.2. Arquitectura de las nubes vehiculares

M

Varios trabajos han propuesto arquitecturas para definir las nubes vehiculares [53].

Fuera de estos e ff Orts, tres capas de comunicación signi fi cativas apoyan la arquitectura general de

Cloud Computing vehicular. Como se ilustra en la Figura 6, estos

23
 MANUSCRITO ACEPTADO

560 capas son la capa de a bordo, representado por las unidades a bordo, Comunicación

Capa, que se caracteriza por componentes de comunicación, y Cloud Computing

Capa, que consiste en Cloud Computing, Recursos capa de virtualización, Ve-

hicular servicios en la nube, y la API. Los elementos de la capa de Cloud Computing

presentes dependencias estructurales internas, dando lugar a su división en subcapas distintas. En la capa de a

565 bordo, componentes permiten vehículos para detectar la condición

del medio ambiente, el estado de la carretera, y el comportamiento de los conductores mediante el uso de

una serie de sensores de a bordo, tales como sensores ambientales, sensores de teléfonos inteligentes,

sensores internos a los vehículos, y el reconocimiento comportamiento del conductor [60, 61]. almacenamiento distribuido es

DO
esencial para mantener la información recogida por los sensores para que las aplicaciones en tiempo real pueden e fi

570 cientemente acceder a él. Cada vehículo también presenta com-

TA
SITUACIONES unidades de almacenamiento y, como complemento de su gama sofisticada de integrado

sensores. Estos elementos comprenden los componentes básicos que forman los recursos de computación en nube.
EP

La segunda capa se centra en las conexiones vehiculares, lo que permite vehículo a infraestructura

y las estrategias de comunicación de vehículo a vehículo. Porque los vehículos contienen IEEE
AC

575

transceptores 802.11p, que son capaces de intercambiar datos con el VC a través de ambos métodos V2V y

V2I. por lo tanto varios protocolos permiten la comunicación, tales

O

como comunicaciones especializadas de corto alcance (DSRC) [62, 63], acceso inalámbrico en

Vehicular medio ambiente (WAVE) [64], y 3G o 4G comunicaciones celulares.

T

La arquitectura V2V permite que los vehículos se comunican entre sí en

RI

580

de manera ad-hoc. Las funciones de red están habilitados, siempre y cuando los vehículos están
C

dentro de un rango de comunicación válida. En este sentido, un VCC se puede montar DY-
US

namically, de manera autónoma, y ​de forma oportunista a través de vehículos a través de sus conexiones

V2V. Esta arquitectura de comunicación permite la ejecución de varias aplicaciones flexibles, fluidas. Por
AN

585 ejemplo, un sistema de alerta de emergencia

podría generar mensajes de acuerdo con el comportamiento de conducción o de las condiciones de la carretera. Los aspectos

anormales causan vehículos para enviar peticiones al almacenamiento de VC

M

piscina. En consecuencia, todos los vehículos que participan en este VC reciben mensajes de emergencia,

que indican la ubicación geográfica precisa de la identi fi cada atípica

590 evento [65].

24
 MANUSCRITO ACEPTADO

DO
TA
EP
AC

Figura 6: Vehicular General Cloud Computing Architecture

T O

V2I comprende el segundo componente de la capa de comunicación. este el-

RI

ement complementa la arquitectura de comunicaciones V2V. transporte ser-

vicios y aplicaciones pueden optar por el V2I más estable cuando se transmite información de control
C

entre un vehículo y otros vehículos, la infraestructura, o la nube. Este enfoque basado en infraestructura
US

595 también permite múltiples Ve- autónoma

Las nubes hicular, basados ​en el apoyo de RSUs que funcionan como puertas de acceso a una red externa. Esta
AN

estrategia de comunicación puede permitir un intercambio de datos plata-

formar a través de Internet, por ejemplo. Por lo tanto, los conductores son capaces de acceder a una visión más amplia
M

de la condición tra FFI c, lo que puede mejorar el nivel de seguridad para

600 conductores y en consecuencia disminuir el número de accidentes de automóviles.

Como se representa en la arquitectura, las cinco subcapas internas son esenciales para

25
 MANUSCRITO ACEPTADO

la capa de Cloud Computing: recursos de computación en nube, capa de virtualización, los servicios de la

nube vehicular, API, y la capa de aplicación. La computacional y

capacidad de almacenamiento de los vehículos participantes en la VC se combinan como la nube Com-

605 SITUACIONES recursos. La agregación de los recursos informáticos permite autorizada

individuos que los utilizan de acuerdo con las cuotas prede fi nido; la tecnología de virtualización fl exible

apoya el acceso a potencia de cálculo, almacenamiento agrupado, y tra fi c-información relacionada.

Cómputo como servicio (CompaaS), para la colocación,

Servicio (STaaS), Red como servicio (Naas), y la cooperación como un Servicio

610 (CAA) comprenden las de los servicios de atención primaria, implementados en la nube Vehicular.

DO
Tales servicios primarios nube están disponibles a través de una API, que permite el desarrollo de una

amplia gama de aplicaciones. De acuerdo con la presentada

TA
arquitectura VCC, las aplicaciones de software están representados por la Aplicación

capa. usuarios finales autorizados, tales como el sistema municipal tra fi c gestión o conductores, pueden
EP

615 alcanzar estas aplicaciones de forma remota a través de Internet.

5.3. Cloud Services vehiculares

AC

Como se discutió previamente, con la debida infraestructura para apoyarla, vehicular

Nube puede permitir una amplia variedad de servicios. Esta amplia gama de servicios se agrupan en varias
O

categorías de tipo de servicio, el signi fi más significativo de los cuales son

Cómputo como servicio, la red como servicio (Naas), Almacenamiento como Servicio
T

620

(STaaS), y la Cooperación como servicio (CaaS) [66].

RI

5.3.1. Cómputo como servicio

C

Computación-as-a-Service comparte objetivos similares a STaaS; se dirige

US

la agregación de los recursos de computación disponibles, sin uso de vehículos, haciéndolos accesibles a

625 través de un servicio a los usuarios autorizados. Nube vehicular Com-

AN

Puting consiste en un concepto muy reciente que se ocupa de un muy sensible y

contexto complejo: la exploración de los recursos computacionales en entornos altamente móviles. El estudio
M

realizado en [56] puede servir para estimar posibles capacidades de computación dentro de un estacionamiento,

donde descansan los vehículos inmóvil por un predecible

630 cantidad de tiempo. El reto en esta situación es la forma de definir un modelo adecuado

26
 MANUSCRITO ACEPTADO

que permite la migración e ff caz de las tareas en y desde los vehículos estacionados, la redistribución de tareas cuando

los vehículos salen o llegan en el estacionamiento [67, 68]. En este caso,

el modelo debe tener en cuenta la carga de la migración, lo que implica suspender

tareas, el ahorro de su estado de ejecución, la identificación de nuevos huéspedes, y la transferencia de puestos de trabajo;

635 todos estos factores son de vital importancia en la determinación de la viabilidad de la tarea oading o ffl en tales

escenarios dinámicos [69].

5.3.2. Red como un servicio

conectividad consiste en proporcionar un reto importante y complejo en las zonas urbanas

DO
ambientes. Redes vehiculares mitigar el problema mediante el uso de la carretera fi jo

640 puntos de acceso (APs) y usuarios de vehículos móviles. iniciativas recientes hacia Naas

se han centrado en el empleo de la comunicación V2V y V2I para que los datos de conectividad y la
TA
transferencia hacia y desde la nube. Un estudio ha sido desarrollado en este

contexto para investigar el potencial de rendimiento de la descarga de contenidos desde

EP

la nube vehicular. El trabajo formuló y resolvió el problema a través de

645 programación lineal, la exploración de la condición y disponibilidad de cada comuni-

AC

medio de cationes. La transferencia de datos Erent paradigmas di ff analizados en la formulación

ción consistía en transferencias directas, reenvío conectado, y llevar y reenvío. El acceso a la

comunicación directa a un compañero tiene con la nube caracteriza di-

O

rect transferencias, lo que significa que se puede descargar directamente el contenido de un AP. Por otro lado, el
T

650 reenvío conectado comprende la transferencia de datos a través de

RI

rutas multi-hop que se establecen entre los vehículos. Llevar-and-forward se compone de

C

vehículos que almacenan datos hasta que pueden ser enviados al destino cuando el camino
US

entre el AP y el programa de descarga se muestran las conexiones intermitentes.

5.3.3. Almacenamiento como Servicio

AN

655 Cada vehículo moderno se supone que está equipado con gran capacidad de almacenamiento

como la tecnología ha permitido a los medios de almacenamiento portátiles para lograr tamaños y reducida
M

costes. Tales avances han motivado el trabajo [56] determinación de los parámetros que condicionan el

diseño e implementación de un centro de datos en el estacionamiento

de un aeropuerto internacional. El centro de datos se aprovecha la disponibilidad de a bordo

27
 MANUSCRITO ACEPTADO

660 recursos de los vehículos estacionados. En este trabajo se asume que los vehículos están conectados a

las fuentes de alimentación de modo que no hay ninguna restricción en el consumo de energía y la batería

autonomía. El mismo se plantea un modelo de negocio para el fomento de aire de viaje-

res contribuyen a través de los bene fi cios de aparcamiento gratuito o servicios de automoción; en esto

caso, este enfoque supone que los propietarios de vehículos están motivados para compartir recursos no utilizados para la

665 construcción de la nube.

En este mismo sentido, otro trabajo se centró en el diseño de una arquitectura de dos niveles

para un centro de datos vehicular [70]. Los centros de arquitectura ideados en permitiendo

el control adecuado de almacenamiento excesivo en un estacionamiento. El enfoque propuesto se refiere a

DO
las constantes recursos vehiculares entrantes y salientes, que sigue el modelo de una variable aleatoria;

670 este diseño di ff ers de los datos tradicionales

TA
centro debido a los cambios dinámicos en la presencia de recursos. El trabajo descrito

en [71] introducido un almacenamiento tolerante a fallos basado en la replicación para resolver esta variable presencia
EP

de recursos. Este trabajo complementa el diseño del centro de datos por

incluyendo una copia principio, donde el sistema permite a los clientes para mantener norte Copias de

los medios originales en cada una de las norte Los servidores de almacenamiento disponibles. El uso de réplicas
AC

675

permite éxito la recuperación de datos, siempre y cuando uno de los servidores está todavía disponible, o accesible, en

el centro de datos y contiene una réplica intacta.

O

5.3.4. La cooperación como Servicio

T

colaboración coordinada entre los vehículos introduce una amplia gama de bene fi cios a sistema y las
RI

680 aplicaciones. La colaboración promueve la recolección de datos y tareas

C

procesamiento en una, forma regulada bajo demanda. Por ejemplo, un optimizador de Navigator Asistida
US

Vehicular ruta (NAVOPT), desarrollado en [72], se centró en la composición de un servidor de navegación de

a bordo. El servidor se basa en la tradicional Cloud y la cooperación de los vehículos que participan en una

nube vehicular. cada vehículo

AN

685 en el sistema propuesto es responsable de la detección de su posición geográfica

a través de su dispositivo GPS y transmitir esa información al servidor de navegación a través de la

M

comunicación inalámbrica. El servidor agrega los datos de varios

vehículos y construye un mapa de carga c tra FFI para un área dada; También determina las rutas óptimas para

cada vehículo, volviendo este camino optimizado para su respectivo

28
 MANUSCRITO ACEPTADO

Tabla 2: aplicaciones en la nube vehiculares para centros de datos.

Solicitud Mayor movilidad de funciones Trad. Nube Depend.

Aeropuerto de centros de datos [56] Ninguna La agregación de recursos No

Fotografías sobre ruedas [73] Ninguna los recursos de almacenamiento Sí

Vehículos estacionados [74] Bajo Espacio-temporal de la red No se

VM migración [75] Alto El costo mínimo Red No

La captura previa de datos [76] Alto Divulgación de datos No

690 vehículo.

DO
5.4. Aplicaciones en la nube vehiculares

Las tablas 2, 3, 4, 5 y 6 se resumen algunos servicios representativos de vehículos y prototipos de

TA
aplicaciones o propuestas desde el año 2012 hasta el año 2016. Podemos

observar que la característica común de la lista diversa de vehicular la nube

EP

695 servicios y aplicaciones consiste en ser independiente de la tradicional nube;

aplicaciones, con el apoyo de VCC, son capaces de ejecutar de manera autónoma, sin la necesidad de los
AC

recursos informáticos de los servidores. Esta deficiencia FFI auto-Do

aspecto explota la disponibilidad de recursos físicos a bordo, tales como computa-

ción de energía, almacenamiento, dispositivos sensores, GPS, GIS, los radares de colisión, cámaras, y
O

700 transceptores. Esta lista de recursos físicos solo tiende a crecer como el de la automoción
T

industria invierte cada vez más en dispositivos inteligentes e inteligentes incrustados en vehí-
RI

culos. Estos avances permiten nuevas aplicaciones que complementan o amplían las características de las

nubes vehiculares.
C
US

5.4.1. Centros de datos

705 Las aplicaciones de esta categoría se caracterizan por la construcción y man-

AN

TaiNing vehiculares nubes como centros de datos o ser parte de un centro de datos. Más

de las obras existentes en esta clase de aplicaciones de lidiar con un poco de movilidad de los vehículos, que se

aparcó y considera disponible durante un tiempo relativamente prolongado

M

período. La Tabla 2 describe brevemente un resumen de dichas obras.

710 El primer trabajo en este contexto e ilustra ff caz la nube para vehicular

aplicaciones de centro de datos [56]. Como se ha descrito anteriormente, el trabajo combinado vehic-

29
 MANUSCRITO ACEPTADO

Ular recursos informáticos en el estacionamiento a largo plazo de un aeropuerto internacional típica. El enfoque

emplea un modelo diseñado como un método de proceso estocástico

para identificar el número de vehículos que descansan en el estacionamiento de un aeropuerto.

715 Por lo tanto, el modelo proporciona resultados analíticos relativos a la disponibilidad de

recursos computacionales en un entorno bastante estable.

En el mismo escenario estacionamiento, otra obra aplicación se aprovechó de los recursos de almacenamiento

disponibles excesivas de los vehículos en los estacionamientos [73]. los

auxiliar centro de datos vehicular (VDC) montado a partir de dichos recursos puede ade-

720 cuadamente ayudar a mitigar la presión de carga en los centros de datos tradicionales. Este trabajo

DO
consideró un escenario relativamente estático, y se caracterizó el comportamiento dinámico de un garaje que

contiene un número limitado de plazas de aparcamiento. aparte de esto

TA
caracterización, el trabajo considera los costos de comunicación en el contexto de una

De dos niveles de centros de datos, esencial para Ning cada política correcta de la gestión de recursos fi.
EP

725

Otra aplicación VDC continuó en el mismo escenario de aparcamiento con más

parámetros dinámicos [74]. En el contexto de este trabajo, se utilizan vehículos estacionados

AC

para construir una red espacio-temporal que permite la infraestructura de almacenamiento. Como consecuencia, los vehículos

en un segmento de carretera son capaces de reemplazar el papel de RSUs.

O

730 El uso de trabajo hecha del Protocolo del cable virtual para permitir el acceso a mover

vehículos en la nube Vehicular montado. La comunicación de los vehículos en

T

la red c tra fi urbano cercano presenta desafíos a la gestión de la comunicación en la topología que
RI

cambia dinámicamente. La viabilidad del protocolo, así como la nube Vehicular, se demuestra a través
C

de simulaciones. Este trabajo

US

735 también introduce una evaluación que se llevó a cabo para determinar e fi ciencia en el

almacenamiento y recuperación de datos en vehiculares nubes formadas por los vehículos aparcados.
AN

Un enfoque ha empleado programación lineal [75] para la optimización del uso

de recursos de comunicación, la observación de las unidades de tierra como nubecillas potencial para servir a las

necesidades de los vehículos. El trabajo se centró en la minimización de la red global

M

740 coste al realizar migraciones de VM y la realización regular de tra datos FFI c. En

este trabajo, nubecillas carretera funcionan como un recurso Nube auxiliar que podría recibir una máquina virtual (VM),

correspondiente a un vehículo, teniendo en cuenta los beneficios de la

30
 MANUSCRITO ACEPTADO

el nuevo paradigma Niebla Computing. El modelo de optimización formula el problema de la migración VM

como un problema de programación cuadrática entera mixta para mini-

745 Mize los costos actuales de la red en VCC. A tiempo polinómico heurístico de dos fases

Se propone algoritmo para hacer frente a la complejidad de cálculo debido a un gran nú-

bre de vehículos en una red de tra fi c urbano. La solución proporciona los medios para determinar si una

migración VM es beneficioso en el contexto de ganancia de rendimiento,

comunicación y los gastos generales de migración.

750 Otra obra introdujo un esquema de captación previa de datos basado en rutas de vehículos,

que fue ideado para maximizar la difusión de datos probabilidad de éxito en VDC [76]. En este caso particular, la

DO
conectividad inalámbrica era estocásticamente desconocido, y la capacidad de almacenamiento local se

restringió. A determinista, dis- datos codicioso

TA
Se empleó algoritmo difu- cuando las características estocásticas de la red

755 tasa de éxito conectividad se prede fi nido. Por otro lado, MAB-estocástico
EP

Se aplica marco de aprendizaje en línea basado aprender las características estocásticas de

tasa de éxito conectividad de red cuando su distribución es desconocida.

AC

5.4.2. Gestión de Tra fi c

aplicaciones de gestión fi c tra tienen como objetivo ayudar al tra fi c flujo de vehículos mediante la prevención

de la congestión o incluso evitar las zonas congestionadas. El desarrollo

O

760

de tales aplicaciones imagina restricciones de tiempo real de los datos de entrada; las restricciones residen en
T

dinámicamente cambiantes condiciones ambientales y la adecuada

RI

respuestas para dar cabida a cambios en plazos razonables. Apropiado

C

recomendaciones a los sistemas de gestión o controladores c tra fi cientes directamente influye en la ff e cacia en
US

765 la mejora del flujo de vehículos. Tabla 3 enumera sumariamente la

existentes aplicaciones VCC conocidos para la gestión de tra fi c.

el uso de la nube de Transporte Systemmade Impulsado por el usuario de los datos en tiempo real, lo cual
AN

el usuario (conductor) alimenta a la aplicación [77]. En este trabajo, un sistema de transporte de la nube fue ideado

para permitir predicciones de la congestión tra fi c. El sistema también permite la construcción de mapas tra fi c,
M

770 con el objetivo de apoyar conducción inteligente,

que recomienda una ruta al controlador de acuerdo con un modelo definido de fi. La aplicación emplea un esquema de

guiado por el usuario multitud-sourcing para adquirir datos de controladores para

31
 MANUSCRITO ACEPTADO

Tabla 3: Vehicular aplicaciones en la nube para fi c Gestión Tra.

Solicitud Mayor movilidad de funciones Trad. Nube Depend.

User-Driven System [77] Alto Sí recomendación de ruta

Infraestructura vial intelectual [78] Alto La minimización de costos No

Sensible al contexto Aparcamiento [79] Alto Análisis de probabilidad No

predecir los atascos de tra fi cientes c y la construcción de un modelo en tiempo real tra fi c. En cuanto a una medida

de mejora del rendimiento en los cálculos, la aplicación también se involucra en un modelo de computación

DO
775 Map-Reducir y algoritmo para el procesamiento de datos c tra FFI. los

Interfaz final es desarrollado y puesto a disposición de un prototipo basado en Android

TA
solicitud.

Otra aplicación de gestión c tra FFI similares consiste en la infraestructura viaria Intelectual [78], que
EP

también recoge y datos agregados, en tiempo real

780 de determinar fácilmente las condiciones de tra FFI c. Por lo tanto, este trabajo propone un camino
AC

infraestructura para monitorear y controlar tra fi c de una manera en tiempo real. Ésto es real-

Se prevé la coordinación de tiempo para minimizar los costos de transporte en general y mejorar la seguridad. El

sistema propuesto tiene acceso a los dispositivos y vehículos suministrados

O

con a bordo de frecuencia de radio identi fi cación (RFID), GPS, y los sensores para reunir
T

785 sobre las condiciones de tra FFI c. Después de acabados de agregación de datos, el sistema de
RI

procesa la información en la nube y presenta valiosos resultados a través de un servicio en línea.

C

El tercer tra fi c aplicación de gestión de di ff Ered de los dos anteriores AP-

US

complicaciones, ya que se centraron en un contexto particular, que implica identificar

790 plazas de aparcamiento en tiempo real. Este sistema de recomendación, sensible al contexto DY-
AN

NAMIC Aparcamiento Servicio [79], amplió los servicios de aparcamiento en garajes tradicionales mediante la actualización

dinámica de las plazas de aparcamiento disponibles para los vehículos entrantes. En

M

este caso, la nube vehicular puede ayudar al estacionamiento de vehículos en los segmentos de carretera. El sistema

emplea un método de análisis de probabilidad para permitir tra relevante FFI c

795 las autoridades para determinar dinámicamente si el camino puede ser autorizado a

32
 MANUSCRITO ACEPTADO

Tabla 4: aplicaciones en la nube vehiculares para Internet de Vehículos.

Solicitud Mayor movilidad de funciones Trad. Nube Depend.

Fotografías sobre ruedas [73] Bajo Internet de las Cosas No

Autónoma de conducción [80] Alto de toma de decisiones No se puede conducir

Servicios Multimedia [81] Alto la retransmisión No

proporcionar servicios de estacionamiento sensibles al contexto. Como resultado, la información de contexto

debe representar la duración del estacionamiento esperada de los vehículos en la carretera.

DO
5.4.3. Internet de los vehículos

Esta clase de aplicaciones de VC permite a los vehículos para proporcionar y difundir un NET

800
TA
servicio de acceso a trabajo, tales como dispositivos móviles que utilizan la Internet de las Cosas concepto.

Esta clase de aplicaciones explota la conectividad entre los vehículos, así como los dispositivos físicos y

otros elementos embebidos con sensores, actuadores, software, o

EP

la electrónica para potenciar el intercambio de datos y otras aplicaciones. Por consiguiente,

vehículos pueden suministrar de forma autónoma recursos o datos sensibles recogidos a través
AC

805 sensores, que son esenciales para la implementación de una serie de su aguda, así como ITS-

servicios relacionados. La Tabla 4 enumera brevemente las aplicaciones existentes más relevantes para
O

una Internet de los vehículos.

T

Las fotografías sobre ruedas consiste en una aplicación de vigilancia, donde los vehículos pueden
RI

servir como un elemento vital en el suministro de imágenes apropiadas, que pueden apoyar la vigilancia o inspección de los

810 acontecimientos en una región determinada [73]. Vehículos, el servicio móvil

C

nodos, participan en la aplicación de vigilancia, la introducción de dinamicidad en

US

la captura de vídeo y la ampliación de la cobertura de vigilancia más allá de la capacidad de las cámaras

fijas. En el caso particular de esta aplicación, un servidor de la nube vehicular estima el número de
AN

vehículos candidatos cali fi cados en la Zona

815 de interés (ZOI). El servidor también acepta o rechaza las solicitudes de imagen de

individuos que indagan después de una ZOI. Una vez seleccionados los candidatos, la Vehicular
M

servidor de la nube invita a vehículos autorizados en el Zoi proporcionar los cuadros.

Otra aplicación de Internet de Vehículos requiere la toma de decisiones más dinámico para proporcionar o

enriquecer la conducción autónoma [80]. En esta aplicación, un Ve-

33
 MANUSCRITO ACEPTADO

820 hicular Nube pudo ser establecida por los recursos agregados de neigh-

vehículos aburridos, RSU, y sus posibles interconexiones. el Autónoma

Conducir aplicación hace uso de imágenes de los próximos tres segmentos de carretera. Estas

las imágenes se proporcionan a través de la nube vehicular y son esenciales para evaluar

las condiciones de tra c FFI y permitiendo la toma de decisiones preventiva. Los miembros de la nube de

825 vehículos son responsables de alimentar el repositorio de imágenes en

En tiempo real de manera que toda la red puede acceder al contenido publicado.

Otro uso de aplicaciones que hacen de Internet de vehículos para mejorar la de-

librea de servicios multimedia a los conductores [81]. Los dispositivos integrados avanzados, integrados mejoran los

DO
vehículos para que sean capaces de realizar el procesamiento y la colección de multimedia en los VC; dichos vehículos

830 pueden proporcionar potencia de procesamiento, como

TA
así como almacenamiento de contenido. Por tanto, esta aplicación introduce un adap- mejorada

Tive método retransmisión probabilística; el método está diseñado para contrarrestar la saturación de la
EP

comunicación a través de grandes (multimedia) tamaños de paquetes en

redes de alta densidad. La programación lineal se utiliza para determinar un bi- objetivo

Trate para los vídeos grabados en los vehículos y controlar el volumen de adquirido
AC

835

datos.

5.4.4. Vigilancia urbana

O

Al igual que en la descripción de la primera aplicación de Internet de Vehículos, existe un gran interés en la vigilancia, la
T

identificación de un comportamiento sospechoso, el seguimiento ar- sensibles

RI

840 eas, o eventos de auditoría anterior. Debido a la dinamicidad de una zona urbana, el
C

alta movilidad de los vehículos coincide con los cambios constantes. El trabajo colectivo de elementos unidos a
US

través de una nube vehicular puede facilitar y promover el suministro de datos para apoyar la vigilancia en una

región de interés. La Tabla 5 presenta sumariamente la lista de las aplicaciones existentes.

AN

845 La aplicación de vigilancia primera, llamada Smart Tra fi c Nube, hizo uso de

los datos recogidos por los dispositivos móviles para llevar a cabo análisis e identificar patrones [82]. La aplicación era por
M

consiguiente capaces de proporcionar una condición de tiempo real tra FFI c

mapa, el cual fue desarrollado en tiempo de ejecución utilizando los datos recogidos de los teléfonos móviles de los

pasajeros. Este sistema propuesto permite un mapa más activo con-

34
 MANUSCRITO ACEPTADO

Tabla 5: aplicaciones en la nube vehiculares para centros de datos.

Solicitud Mayor movilidad de funciones Trad. Nube Depend.

Inteligente FFI Tra c Nube [82] Alto Mapa-Reducir / n ontologías

Informes de vídeo [83] Alto Grabación de vídeo Sí

850 trucción. La infraestructura de software propuesto permite la recogida de datos c tra fi,

gestiona el estado actual de tra FFI c, analiza la entrada de la información, y presenta los resultados en

forma flexible. Inteligente Tra FFI c Nube emplea un Mapa-

DO
Reducir marco y una base de datos de la ontología para manejar los datos distribuidos y

análisis paralelo.

855 La otra aplicación en el contexto de la vigilancia se centró en la colección

TA
de vídeo desde regiones especí fi cos de interés [83]. La presentación de informes de vídeo con ayuda de la nube

servicio permite a los vehículos para participar en la VC reportar vídeos al instante; la

EP

vídeos se utilizan para apoyar la investigación de accidentes c tra fi cientes e informes de

o fi ciales entidades o vehículos de ambulancia, lo que garantiza una respuesta oportuna de los mismos. En una
AC

860 situación exigente esos videos, los vehículos respectivos envían a los medios

la VC, preferentemente a través de una ruta de comunicación; la aplicación puede recurrir

a la red 5G cuando las rutas V2V son inexistentes. Un proceso de autenticación

O

se logra al proporcionar privacidad y seguridad para la transmisión de vídeo mediante el uso de una firma
T

digital que asocia un vídeo accidente cifrado con un seudónimo.

RI

865 5.4.5. Seguridad y de información y entretenimiento

C

aplicaciones en la nube vehiculares pueden ampliar para ayudar a otros sistemas, tales como
US

cuidado de la salud, o mejorar los servicios existentes desarrolladas a través de las redes vehiculares, tales como

información y entretenimiento. Los trabajos más relevantes en estos variada con-

AN

textos comprenden la mejora de la seguridad en la asistencia sanitaria y la e fi ciente de la entrega de contenido y

870 entretenimiento a conductor y los pasajeros. Tabla 6 brevemente listas

M

las dos aplicaciones.

Debido a la importancia de asegurar el canal de comunicación para aplicaciones altamente

sensibles en la atención sanitaria, la autenticación es crucial para que la

35
 MANUSCRITO ACEPTADO

Tabla 6: vehiculares aplicaciones en la nube.

Solicitud Alcance La movilidad característica principal Trad. Nube Depend.

Autenticación RFID [84] Cuidado de la salud Alto Petri Net modelo No

InCloud [85] información y entretenimiento de baja información y entretenimiento Sí

el acceso a las piezas solamente acreditados. Un esquema de autenticación de RFID inteligente garantiza la

875 seguridad para aplicaciones sanitarias en VCC medio ambiente [84].

El modelo del esquema asume que los vehículos y las RSU contienen baja y alta

Los lectores RFID de frecuencia y que los pacientes usan pulseras RFID. los

DO
esquema se basa en un modelo de autenticación basada en PetriNet para garantizar una comunicación

segura entre las RSU y la nube central.

TA
880 Un marco basado en el concepto de arquitectura orientada a servicios, denominado In-

Nube, fue diseñado para facilitar el diseño de aplicaciones de información y entretenimiento [85].
EP

Este marco de middleware basado en la nube funciona en el ámbito de la asistencia del parto medios para

aplicaciones vehiculares. Así, los principios de diseño de aplicaciones

AC

incluir la fusión de datos, sensibilidad al contexto, reutilización, y de acoplamiento suelto. los

885 middleware hace uso de pre-procesamiento de datos de Internet, fi ltrado contenido relevante,

y la fusión de contenido de fuentes di ff Erent para mejorar el rendimiento. Con base en el marco propuesto, el
O

diseño de tres aplicaciones de información y entretenimiento servido

T

como una prueba de concepto.

RI

6. Modelación Matemática de Tra fi c Flujo de nubes vehiculares

C
US

890 Vehicular Cloud Computing se basa por completo en la disponibilidad de vehículos

recursos, y formar y mantener un VCC depende de la presencia de vehículos cercanos, accesible. En el

AN

contexto del transporte, los vehículos o bien podría

ser estacionado o en movimiento. El primer caso presenta un escenario estático en el que las tasas de salida y

llegada se pueden inferir a partir de una historia, que consiste en una

M

895 condición simple para determinar el número de vehículos y su tiempo probable

de disponibilidad. El último caso establece un intrincado escenario dinámico, donde la accesibilidad de los

vehículos cambia rápidamente. En consecuencia, los modelos de fi nir que

36
 MANUSCRITO ACEPTADO

puede representar el comportamiento de los vehículos es crucial para generar estimaciones y el apoyo a la

gestión de los recursos dentro de la VCC.

900 Un modelo consiste en una sencilla representación de la realidad; que permite simulaciones,

teniendo en cuenta un número finito de factores asumidos. Mediante el uso de simplificación

y suposiciones pertinentes, un modelo es capaz de representar escenarios reales, que contienen un sin

número de elementos. El contexto de tra FFI c flujos incluye muchos factores que influyen en tra FFI c de

carga, tales como geometría de la carretera, tra FFI c

905 signos, condiciones de la carretera, el clima y comportamiento del conductor. Además de eso, una precisa

modelo matemático del tra FFI c es muy complejo, así como inviable, debido a un montón de eventos

DO
aleatorios que se producen.

Por lo tanto, tra fi c fl ujo modelos también necesitan suposiciones. Varios trabajos tienen
TA
incorporado modelos tra FFI c para soportar soluciones de Redes vehicular y

910 Nubes. Estos modelos representan el comportamiento fi c tra realistas en autopistas y urbana

centros, que sirven como un mecanismo para analizar el rendimiento de la novela AP-
EP

enfoques, tales como los esquemas de difusión de datos, protocolos de enrutamiento, y la predicción

de los recursos disponibles a bordo. Tres categorías distintas clasifican dichos modelos,
AC

proporcionando niveles di ff Erent de abstracción y detalle en su representación.

6.1. Modelos siguiente coche-

O

915

modelos siguiente coche-comprenden la clase de modelos microscópicos [86]. Estafa-

T

sequently, se caracterizan individualmente el comportamiento de cada vehículo en el

RI

tra fi c fl ujo. Se han propuesto varios modelos para representar el comportamiento de los conductores en un segmento de
C

carretera. Tales modelos introducen un enfoque más adaptable a la modelización del comportamiento de los vehículos en
US

920 lugar de perspectivas de optimización en el tra fi c

flujo, en general. La Tabla 7 resume las notaciones utilizadas en los modelos descritos en esta sección.
AN

ID de modelo consiste en una representación de un modelo inteligente controlador [87, 88], lo que requiere un

número mínimo de parámetros relevantes. El modelo está destinado a simplificar la calibración a través de una
M

925 descripción uniforme de la transformación de fase en

el tra fi c flujo, lo que a veces sucederán a partir de un fl ujo de libre a un plano en cola por completo,

congestionado flujo. Fórmulas 1 y 2 resumen el modelo.

37
 MANUSCRITO ACEPTADO

Tabla 7: Notación de los modelos tra FFI c fl ow

Variable Descripción

una norte( t) aceleración del vehículo norte en el momento t

un) aceleración máxima del vehículo norte

δ el índice de aceleración

segundo la desaceleración razonable

T tiempo de retardo de reacción

Δ v norte( t) de velocidad entre los vehículos actuales y siguientes ( v n + 1 ( t) - v norte( t))

v0 la velocidad ideal

r Coe ciente FFI que determina la Erent di ff de la velocidad

V (n, t) velocidad de vehículo norte en el momento t

DO
V * ( norte) la velocidad del vehículo destinado norte

Δ X norte( t) distancia entre los vehículos actuales y siguientes ( X n + 1 ( t) - X norte( t))

s una el avance esperado TA

s0 la distancia todavía de seguridad entre vehículos

X yo Y = h (X 1, ..., X norte) - los parámetros del modelo abstractos

re KLXc ( g (y | ¯X do
i) || f (y)) K - L distancia que el índice de sensibilidad total de X yo
yo
EP

g (y | ¯X doyo ) PDF dado de Y en el conjunto complementario de X yo

AC

una norte( t) = a norte( 0) [1 - ( v norte( televisión o) δ - (( S * norte( v norte( t), - Δ v norte( t))) / s una) 2] (1)

dónde
O

S norte(
* V norte( t), - Δ v norte( t)) = s 0 + v norte( t) T ' - v norte( t) Δ v norte( t) (2)
T

2 √ una norte( 0) segundo

RI

Una velocidad di ff modelo rencia completo fue diseñado para dar cabida a BE- realista
C

930 comporta- de aceleración y desaceleración de los vehículos de [89]. El modelo, como se describe

en la Fórmula 3, se basa en un modelo de fuerza general y define la partida fl ow

US

velocidad que reacciona más rápido que la velocidad de la onda.

una norte( t) = a [V ( Δ X norte( t)) - v norte( t)] + r Δ v norte( t) (3)

AN

El diseño de los modelos de coches de seguimiento factibles, realistas debe seguir varios supuestos básicos [90]:
M

935 1. Los conductores actúan sólo sobre el estado o condición de los vehículos adelante; ellos

no tienen en cuenta ninguno de los vehículos después de ellos.

38
 MANUSCRITO ACEPTADO

2. Un vehículo se mueve detrás de los vehículos en frente de ella y en el mismo carril; no superará los

vehículos por delante.

3. Las condiciones del camino son óptimas; vehículos muestran mismo rendimiento en movimiento;

940 Los conductores siempre se comportan habitualmente y con la misma conducción predecible

lleva a cabo.

Tales supuestos regulan los modelos existentes y han de ser utilizada para producir

un análisis relativo basado en la entropía de sensibilidad probabilístico [90]. este análisis

está destinada a estimar mejor los valores de tra FFI parámetros del modelo c microscópicas relevantes.

DO
945 Fórmula 4 describe sumariamente el análisis, que emplea KL

distancia.
∫ ∞ -∞ g (y | ¯
X ci)
re KL xc ( g (y | X
X̄
¯ ci) || f (y)) = X ci) · En g (y | ¯ (4)
yo
TA f (y) dy

modelos siguiente coche-se emplean para representar la dinámica de vehículos

EP

tra fi c fl ujos. Con supuestos mucho menos restrictivas, estos modelos permiten una

número considerable de parámetros a tener en cuenta. Los parámetros, hasta cierto punto, pueden simular
AC

950 aspectos finitas reales, como la situación meteorológica, la reac-

ción del tiempo de los conductores, condiciones de la carretera, y las especificaciones técnicas de los vehículos. Todos

estos datos resultan en un grado significativo de la precisión a costa de la complejidad.

O

La velocidad de los vehículos consiste en un elemento esencial en estos modelos, al ser un factor determinante en
T

los cuatro modos de movimiento del vehículo [91]:

RI

955 • el modo libre de la conducción es más adecuado gratis- flujos de vehículos. Los vehículos son
C

escasamente distribuidas en segmentos de carretera y no encuentran obstáculos en su camino. En

US

consecuencia, los vehículos se mueven a cualquier velocidad, respetando la

límite de velocidad de la carretera.

AN

• el modo de acercarse a representa la situación en la que un vehículo se mueve más rápido que el vehículo que

960 está delante, obedeciendo a una de fi nido distancia de seguridad entre

M

ellos.

• Siguiendo patrón consiste en un vehículo de aceleración o deceleración de acuerdo con el vehículo de

adelante para mantener una distancia fi cado entre ellos.

39
 MANUSCRITO ACEPTADO

• modo de frenado se emplea para un vehículo para ampliar la distancia desde el vehículo que va delante en el caso de la

965 brecha cae por debajo de una condición de seguridad de fi nido.

Los patrones de movimiento mencionados son variaciones de un coche-siguiente más simplista

modelo, que se refiere a la velocidad actual de un vehículo y su aceleración a

alcanzar una velocidad media deseada. Como resultado de ello, vale la pena notar que este modelo

podría interpretarse como una extensión del modelo de Gipps [92], como se describe en la Fórmula 5.

970

V una( n, t + T) = V (n, t) + 2.5 hormiga · ( 1 - V (n, t) 0,025 + V (n, t) (5)

DO
V * ( norte) ) V * ( norte)

modelos siguiente coche-, así como los modelos microscópicos, son por lo general más realista con el
TA
comportamiento tra fi c. Sin embargo, son muy intensivas en cálculo,

especialmente en situaciones en las zonas urbanas pueden contener un gran número de vehí-
EP

culos. Además, el marco car-siguiente analítica impuso alta complejidad

975 para la obtención de resultados de forma cerrada.

AC

6.2. Tra fi c Stream Modelos

A diferencia de los modelos de coches de seguimiento, tra fi c streammodels no se centran en el comporta-

O

ior de un vehículo individual. Estos modelos en lugar representan vehículos colectivamente,

T

como en los flujos vehiculares. Como consecuencia, los modelos de flujo son clasificados como
RI

980 modelos macroscópicos porque interpretan una vehicular tra fi c fl ujo como hydrody-

NAMIC corriente. Tra FFI c tasa de flujo, la densidad vehicular, y la velocidad de los vehículos consisten
C

de los principales parámetros macroscópicos para la representación de la vehicular tra FFI c fl ow.
US

Este enfoque simplificada muestra que estos modelos presentan un menor número de variables, lo que

hace que tra fi c arroyos menos complejo, lo que facilita su aplicación. Esta complejidad hace que los
AN

985 modelos de flujo inferior a ser más popular que

modelos microscópicos para el diseño de estrategias de comunicación de datos en redes ad hoc

vehiculares. Sin embargo, los modelos c tra FFI macroscópicas utilizan en

M

trabajos de investigación abiertas contienen supuestos que no son consistentes, en relación con aspectos de casos específicos.

Tabla 8 se enumeran los principales elementos de notación empleadas en el

990 modelos de transmisión en c tra FFI describen en esta sección.

40
 MANUSCRITO ACEPTADO

Tabla 8: Notación de los modelos tra FFI c fl ow

Variable Descripción

F '( ψ) tangente a la curva F( ·) a ψ

ψ 1 y ψn las curvas, donde se calcula la longitud de arco

f (ψ) curva director en la que no se cruzan en sí, tiene fi longitud infinita en un subconjunto acotado, y es auto-consistente

γ media de la variable aleatoria gaussiana

μ tasa de fl vehículo ow significar ( vehículos / minuto)

σ desviación estándar de la variable aleatoria gaussiana

φ tasa de la variable aleatoria exponencial

DO
metro cambio de la variable aleatoria exponencial

w sol peso de la distribución normal

w mi peso de la distribución exponencial

pn
TA
probabilidad de número de vehículos dentro de [ DAKOTA DEL SUR]

PAG norte PAG norte( t) para t → ∞

R¯ tiempo medio de permanencia

R~ tiempo de residencia promedio aproximado

EP

E (T) tiempo de permanencia esperada en [ DAKOTA DEL SUR]

norte número de vehículos dentro de segmento de carretera [ AB] en un instante dado

norte número de vehículos en [ DAKOTA DEL SUR]

AC

~
norte número promedio aproximado de vehículos en [ AB]

F Cox R ( r) aproximación de Coxian F R ( r)

metro 1 1 + ( μ 1/2 do 2 v( μ 1 - μ 2))

μ1 2 μR
O

μ2 ( μ 1 / dov)2

μv significar vehículo tasa de flujo máxima en [ AB]

T

t hora
RI

L Dakota del Sur longitud del segmento de carretera

METRO factor de normalización

C

σV desviación estándar de la velocidad media

τ intervalo de tiempo
US

W el tiempo de espera en la cola

λ tasa de llegada de Poisson

σ 2τ desviación estándar del tiempo partida vehicular

AN

ρ densidad tra FFI c

w el tiempo de espera en la cola

δ (w) PDF del tiempo dejando

M

experimentos analíticos se han llevado a cabo más carreteras en grandes entornos reales, urbanas:

Madrid, España [93]; y Beijing, China [94]. estos estudios

41
 MANUSCRITO ACEPTADO

permitido a la recogida de una cantidad no puede significante de datos a través de sensores colocados a lo largo de carreteras. Estos

trabajos han aplicado bien conocidas herramientas de procesamiento de datos,

995 como el análisis de componentes principales (PCA) y expectativa de maximización basada

algoritmo. Estas herramientas les permitió trazar la distribución general de la

tra FFI C durante un período. No obstante, el trabajo está limitado por la aplicabilidad de los modelos, ya que

están estrechamente unidos a los escenarios en los que los estudios han

llevado a cabo, el acondicionamiento de la variabilidad de los datos.

1000 En el trabajo descrito en [94], se propuso un modelo usando principales curvas (PC)

como una extensión de paradigma de PCA para acomodar las variaciones en las curvas de datos de entrada. Se

DO
utiliza un algoritmo para ajustar las curvas después de una inicialización que conduce a una ejecución iterativa

que define proyecciones, expectativas (recal-

TA
culations), y una condición de parada. El modelo está impulsado principalmente por la longitud de arco

1005 de la curva hacia los datos del flujo tra FFI c, tal como se representa en la Fórmula 6, mientras

el modelo se aplica el suavizado de PC en la curva cuando f (ψ) es consistente, como

EP

descrito en la Fórmula 7.
∫ ψn
Σ norte
l= || F '( z) || = || f (ψ i + 1) - f (ψ i) || (6)
AC

ψ1
i=1

f (ψ) = E (X | ψ f ( X) = ψ), ∀ ψ ∈ R 1 (7)

O

El trabajo descrito en [93] exploró los tiempos entre llegadas de vehículos en

T

un segmento de carretera para definir la distribución general de tra FFI c y de fi ne un free-

RI

1010 modelo de flujo. El trabajo considera la dependencia entre los vehículos siguientes
C

mediante el uso de análisis de correlación para identificar su velocidad de movimiento. El trabajo también

observó la ráfaga de vehículos, donde la corta distancia entre ellos y su velocidad relativa casi constante
US

delimitado directamente. Por lo tanto, un modelo

fue descrito en este trabajo para representar el tiempo entre viajar vehículos que siguieron un modelo de
AN

1015 Gauss-exponencial para identificar los tiempos entre llegadas, como

se indica en la definición de la variable aleatoria en la Fórmula 8.

M

1
F UNA( t) = w sol √ 2 πσ 2 mi - ( t - γ)22σ 2 + w mi φe - φ (t - metro) (8)

El modelo tra FFI c en [95] vehículos considerados mueve en una dirección en una

42
 MANUSCRITO ACEPTADO

segmento de carretera recta. Dos variables aleatorias, V y T, se utilizan para caracterizar el movimiento de un

vehículo. V consiste en el nivel de velocidad de un vehículo. los

1020 nivel de velocidad contiene dos valores probables: alta velocidad ( V H) y baja velocidad ( V L).

Parámetro T condiciones el interruptor del nivel de velocidad en estos dos valores;

estos parámetros comprendidos una variable aleatoria exponencial con el parámetro distribuido φ. El

modelo presentado en este trabajo asume que un vehículo

muestra una posibilidad de mantener un nivel de velocidad V H ( V L) por una cierta cantidad

1025 de tiempo T antes de cambiar a V L ( V H).

Otro modelo macroscópico de libre flujo tra FFI c se describe en [96], que de fi ne los siguientes

DO
supuestos:

• Densidad de vehículos en un segmento de carretera puede ser baja o media.

TA
• Un proceso de Poisson independientes e idénticamente distribuidos representa la llegada de vehículos
EP

1030 entrantes.

• luces tra fi cientes c, señales de alto, y otros obstáculos no interrumpen el movimiento

AC

de vehículos en un segmento de carretera.

• Velocidad muestra la variación que se distribuye normalmente en el intervalo [ V metro INV metro hacha],
O

manteniendo la misma velocidad a lo largo del segmento de carretera.

T

1035 Estos supuestos son esenciales la hora de definir su modelo propuesto, el cual
RI

proporciona estimaciones útiles en el tiempo de residencia de un vehículo y el número

de vehículos en un segmento de carretera. Fórmula 9 se describe la densidad de vehículos, mientras que las
C

Fórmulas 10 y 11 definen el tiempo de residencia promedio aproximado y el número de vehículos, respectivamente.

US

R
R) norte mi - μ v ¯
PAG n = ( μ v ¯ (9)
AN

¡norte!
∫∞
R~ = r · F Timonel
R ( r) dr = m 1 (10)
0 μ 21
μ 1 + 1 - metro
M

Σ∞
N~ = · ~ n= μv~R
norte PAG (11)
n=0

43
 MANUSCRITO ACEPTADO

1040 El trabajo descrito en [57, 97, 98] propuso una división del modelo de corriente

en dos escenarios bien de fi nido de modo que cada parte del modelo puede proporcionar una

representación más realista del comportamiento del tra fi c. De libre flujo de tra fi c

y modelos c tra fi cientes de colas en marcha comprenden las dos situaciones típicas c tra fi cientes

modelado en este enfoque. A pesar de que ambos intento de representar el movimiento de vehículos en

1045 una abstracción corriente, que hacen uso de estocástico

modelado para definir el número de vehículos y su residencia tiempo en una carretera

segmento para una estimación más precisa de los recursos disponibles en una nube vehicular.

En el modelo de flujo Free-, la llegada del vehículo se modela como un proceso de Poisson. Este modelo

DO
considera que hay un fl de libre flujo de vehículos: no hay obstáculos o paradas condicionales mientras que los

1050 nodos están atravesando el segmento de carretera, y la

TA
vehículos pueden moverse a cualquier velocidad dentro del rango permitido. En consecuencia, la

corriente de vehículos presenta una baja a media densidad, así como el tiempo de residencia en el segmento de
EP

carretera. A través de este modelo, la Fórmula 12 se describe el promedio

o estimada número de vehículos dentro de un segmento de carretera [ DAKOTA DEL SUR] mientras Fórmula 13

proporciona la función de masa de probabilidad de los vehículos de números dentro de la misma

AC

1055

segmento de carretera.

) 2
∫∞ ∫∞ t-¯ √2
V

METRO · L Dakota del Sur

O

sum v

E (N) = E · (T) = μ tf T ( t) dt = μ √ 2 π correo - ( LSD dt (12)

tσ V
0 0
T
RI

PAG n = [ E · (T))] norte mi - E · (T) (13)

¡norte!
C

El modelo de cola en marcha los intentos de introducir una visión más realista de la
US

tra fi c escenario de grandes áreas urbanas, donde los segmentos de carretera se congestionan

con el aumento en el número de vehículos que pasan por los caminos, alcanzando su capacidad máxima. En
AN

1060 este modelo, los obstáculos son la causa de un cuello de botella que

estrecha el flujo de salida del segmento de carretera, el acondicionamiento de una salida de vehículos
M

evaluar menor que la tasa de llegada en la carretera. Fórmula 14 da el número estimado de vehículos en

la cola, mientras que la Fórmula 15 representa la función de densidad de probabilidad del tiempo de

espera en la cola, donde w = 0 significa que una

44
 MANUSCRITO ACEPTADO

1065 vehículo tiene tiempo de espera cero.

τ+ ρ2
E (N) = λE (W + τ) = ρ + λ 2 σ 2 (14)
2 (1 - ρ)

F W ( w) = ( 1 - ρ) δ (w) + rho (μ - λ) e - ( μ - λ) w w> 0 (15)

Un trabajo similar se ha desarrollado para modelar el movimiento de flujo de libre de vehículos

en una carretera [99] para apoyar las redes vehiculares. El estudio considera un multi-

carril escenario en el que hay un seguimiento de la movilidad de los vehículos. Una distribución conjunta

Poisson y una probabilidad condicional de residencia vehículo en un carril

se emplean para representar a la de flujo. Así, el modelo considera los vehículos que salen

DO
1070

desde y llegar a los carriles a lo largo de la carretera. Bajo la misma movilidad carril

escenario, otros trabajos [59, 99] han explorado la ocurrencia de cambios de carril tomando como base de la fl ow
TA
tra FFI c modelo de libre en [98], añadiendo el concepto de velocidad variable modelado intervalo-split.
EP

1075 6.3. Estocásticos fi c Modelos Tra

AC

Los modelos estocásticos tra fi cientes c se emplean habitualmente en las obras para representar a la sobre-

todos los aspectos de la movilidad a través de una forma más simple, que condicionan a adoptar supuestos

restrictivos y hacer que se desvían de la realidad. Dirección al azar

O

modelos de movilidad y Random Walk consisten en el mo- estocástico más popular

T

1080 modelos bilidad [100, 101]; la característica estándar importante en tanto implica la capacidad
RI

de nodos móviles para moverse libremente en cualquier dirección arbitraria, de acuerdo con la topología de

carreteras de una región. Los modelos descritos en esta sección adoptan di representaciones ff Erent para la
C

movilidad aleatoria de nodos en tra FFI c, y la Tabla 9 resume

US

su notación. Esta categoría de modelos también contiene otras características, que son brevemente aparece de la siguiente

1085 manera:
AN

• La organización de las carreteras sigue una topología de la red, y los vehículos

seguir un movimiento aleatorio dentro del escenario;

M

• Destinos se determinan al azar por los vehículos, que se mueven hacia ellos en velocidad

constante [102, 101]. En consecuencia, la topología de la red de

1090 constriñe las direcciones de movimiento a vertical y horizontal;

45
 MANUSCRITO ACEPTADO

Tabla 9: Notación de los modelos estocásticos tra FFI c

Variable Descripción

Multitud una( u) aceleración de una multitud de vehículos

u, w posiciones de partida

u ', w ' a partir de vectores de nodos móviles para el intervalo [0, Δ]

Δ variación en el tiempo

do constante

F 1 ( s) densidad estacionaria de S

v0y v1 velocidades de nodo

PAG pausa probabilidad de pausa

s norte nodo móvil nueva velocidad

DO
α parámetro de ajuste

s̄ velocidad media

s xn - 1 variable aleatoria de una distribución gaussiana

TA
re norte nodo móvil nueva dirección

re¯ dirección media

re xn - 1 variable aleatoria de una distribución gaussiana

EP

b (t) siguiente posición en el momento t

τ la variable aleatoria gaussiana con una varianza σ

PAG i + 1 nueva posición

AC

PAG yo posición de edad

una aceleración

v vector aleatorio
O

• No hay interacciones entre los vehículos; la densidad de vehículos, velocidad,

T

y velocidad de flujo, que consisten en los parámetros interrelacionados correlacionado comúnmente

RI

presente en modelos macroscópicos y modelos de transmisión en c tra FFI, no se consideran.

C
US

1095 En el trabajo descrito en [100], dos modelos de movilidad se definieron a considerar

situaciones Erent di ss. Un modelo, velocidad limitada modelo, se utiliza para representar la movilidad de los
AN

peatones en un escenario vehicular mientras que otro modelo, ace-

ación modelo acotada, se utiliza para modelar el comportamiento de movimiento de vehículos, como se describe
M

en la Fórmula 16, lo que limita la aceleración a un valor máximo. A través del análisis, el modelo intenta a de

1100 rutas persistentes fi ne, que se mantiene cuando

bordes sostienen por un lapso de tiempo Δ dado. Como resultado del análisis, el trabajo de-

46
 MANUSCRITO ACEPTADO

Rives partir de una ecuación que determina el alcance de transmisión de campo de golf para un intervalo de tiempo en el

contexto de vehiculares Networks, como se muestra en la Fórmula 17. More-

encima, una llave de la movilidad es también definido como un gráfico para representar los caminos que

1105 existir entre nodos u, w ∈ S para alguna constante do, como se describe en la Fórmula 18,

que muestra la posible conexión entre los nodos en un momento dado.

Multitud una( u) = {w ∈ S \ {u}: | u - w | 2 ≤ 1

2 una máx Δ 2 y | u ' - w '| 2 ≤ 1 2 una máx Δ}
(dieciséis)

| ( u, u '), ( w, w ') | a = max {| u - w | 2, | u - w + (u ' - w ') Δ | 2 + una máx Δ 2} (17)

DO
Σk
| pag yo - 1, pag i | ≤ do · | u, w | α
TA (18)
i=1

Se añadió una modelo basado en una distribución estacionaria para la manera- azar
EP

punto modelo de movilidad [103]. En este trabajo, los autores exploraron la posible

variaciones en función de las distribuciones estacionarias para tanto la velocidad y la ubicación. Se de fi ne un

AC

1110 parámetro pausa para estudiar las situaciones estacionarias, por lo que la

movimiento de nodos, o vehículos, está representado basa en la cantidad de pausa

se presentan en un movimiento dado, con un tiempo de parada igual a cero. Esta

O

modelo adopta una perspectiva 2D del medio ambiente, en la que X y y coordenadas de un nodo móvil
T

dado caracteriza el movimiento de nodos. Calculando el movimiento y estados pausa, el modelo de

RI

1115 movilidad waypoint se deriva al azar,

proporcionar una distribución uniforme entre v 0 y v 1 velocidades de nodo. Fórmula 19

C

especí fi ca la densidad de nodos en un momento dado.

US

F 1 ( s) = f 1 ( s | En pausa) P pausa + F 1 ( s | Notpaused) ( 1 - PAG pausa)

•
•• 0 s<0
••
••
AN

•• PAG pausa s<0

•• (19)
= 0 0 < s <v 0
••
••
M

1 - PAG pausa
••
•• slog (v una/ v 0) v0≤ s ≥ v1
••
0 s> v 1

47
 MANUSCRITO ACEPTADO

Un estudio [104] llevó a cabo una serie de análisis para evaluar un conjunto de modelos de movilidad hacia

sus características particulares. La fi cación trabajo ed los modelos

1120 en la entidad y movilidad grupo de categorías y luego se dio cuenta de un rendimiento anal-

Ysis para demostrar que las características de un modelo que sea más adecuado para una

determinada situación, en el contexto de las redes ad-hoc. Tal como se describe en las Fórmulas 20 y 21,

GaussMarkov modelo de movilidad sirvió como el elemento principal para la simulación de sistemas de

comunicaciones personales y redes ad hoc,

1125 y se destina principalmente para el ajuste de los niveles de di ff Erent de aleatoriedad a través

modi fi caciones en sus parámetros. En el contexto de modelos de movilidad de grupo, exponencial

DO
correlacionada modelo de movilidad aleatorio crea el movimiento de los nodos y vehículos, de fi nir la siguiente

posición de un grupo dado de nodos pero siendo limitados

TA
a los patrones de desplazamiento de los nodos, tal como se representa en la Fórmula 22. La Proseguir

1130 modelo de movilidad mejora en la limitación de los patrones de movimiento por de fi nir una

diana a la que la pista de nodos y seguir. Este modelo mejora aún más la
EP

anterior modelo de grupo mediante la adición de una actualización para la nueva posición de un móvil

nodo, como se muestra en la Fórmula 23, además de Fórmula 22.

AC

√
s n = aS norte - 1 + ( 1 - α) ¯ s+ (1 - α 2) s X norte - 1 (20)

√
O

re n = αd norte - 1 + ( 1 - α) ¯ d+ (1 - α 2) re X norte - 1 (21)

( √
)
T

2)
b (t + 1) = b (t) e - 1 τ+ σ 1-( mi - 1τ r (22)
RI

PAG i + 1 = PAG i + a - PAG yo) + v (23)

C
US

6.4. Resumen

Tabla 10 presenta un breve resumen de los modelos FFI c tra descritos. los
AN

1135

auto-siguiente modelo o ff ers un alto nivel de detalle e introduce aspectos de adaptabilidad

capacidad en el modelo. Este modelo es adecuado para entornos simulados a gran escala donde cada
M

entidad, nodo, o vehículo, actúa independientemente. Hay una directa

relación entre estos modelos y simulaciones basadas en agentes microscópicos, donde cada agente puede producir el

1140 comportamiento de un vehículo después de un comportamiento prede fi Ned

48
 MANUSCRITO ACEPTADO

Tabla 10: fortalezas y debilidades de C existente Modelos Tra FFI.

Tra fi c Modelo fortalezas debilidades

Car-siguiente modelo [86, 90] • Un gran número de params realistas • Costoso computacionalmente

• La interacción entre los vehículos • alta complejidad

• Relativamente alto grado de precisión • los resultados analíticos poco prácticas

Tra FFI c Corriente Modelo [95, • vehículo colectiva flujos • supuestos poco realistas

96] • Los resultados analíticos fácilmente obtenible

• tra fi comportamiento de alto nivel c

• Basado en la teoría estocástica • supuestos restrictivos

DO
estocástico Tra FFI c

Modelo [100, • Simplista • No realista

101]
• Pasar por alto sobre las características fundamentales
TA
EP

y los parámetros de instancia.

Sin embargo, los otros tipos de modelos se centran en la representación óptima movili-
AC

escenarios dad. Tratan de facilitar la tarea de identificar las situaciones min-max

para determinar o estimar los parámetros que pueden condicionar la programación de

1145 tareas y asignación de recursos para una nube de vehículos, tales como capacidades, la carga,
O

la disponibilidad, la residencia y la densidad, en un momento dado. Por ejemplo, la predicción

T

de oscilaciones de carga FFI c tra es esencial para la estimación de la cantidad de vehículos de tiempo
RI

están disponibles para acceder a un servicio o construir una nube, utilizando los mismos vehículos a

calcular una solución para un posible atasco de tra FFI c debido a las condiciones de carga actuales.
C
US

1150 7. discusión e investigación Direcciones

La arquitectura de tres capas de vehicular Cloud Computing permite una resolución pragmática para
AN

los subsistemas de apoyo, recursos físicos, conectividad,

y la gestión de la nube. Dado que los vehículos pueden servir en-loco recursos de la nube,
M

que pueden soportar servicios y aplicaciones como nubecillas, que luego implementar

1155 una estructura de tres niveles en el contexto de las tareas oading o ffl en un enfoque de MCC

donde hay dispositivos móviles, nubecillas, y la nube. Sin embargo, la situación

49
 MANUSCRITO ACEPTADO

de vehículos, que se pueden aparcar o en movimiento, condiciones nubecillas como ya sea estática o dinámica.

Además, VCC pueden parecerse mucho a un MAC cuando es dynam-

camente formado a través de las conexiones ad-hoc de los vehículos en un segmento de carretera

1160 para permitir más potencia de cálculo para llevar a cabo las tareas. Sin embargo, la ca-

rísticas del entorno y los vehículos condicionan el modelo de provisión de recursos y las estrategias o ffl

oading, lo que permite más oportunidades para la recolección de recursos a costa de hacer frente a una

mayor movilidad de los nodos de computación.

Los servicios de VCC descritos en este estudio se extienden desde la tradicional Nube

1165 servicios, la exploración de las necesidades de las aplicaciones existentes en el contexto de inteligentes

DO
los sistemas de transporte. Cómputo como servicio permite a los vehículos que luchan para ejecutar aplicaciones

complejas para extender sus capacidades de cálculo por O ffl oading

TA
su carga a los vehículos cercanos. Además de los vehículos, dispositivos móviles y la

Nube puede aprovechar los recursos de recolección. Red como un servicio trabaja para ampliar las capacidades
EP

1170 de comunicación de los vehículos mediante la reducción de la comuni-

cación a Internet a través de la virtualización de la red y el acceso a la

interfaz que permite la conectividad. La gestión de comunica- virtualizado

AC

ción en los recursos VCC hipotéticamente pueden simplificar la conectividad de los vehículos, la aplicación de pago por

you-go modelos de provisión de servicio. La construcción a gran escala

O

1175 centros de datos de almacenamiento a bordo del vehículo disponible permite el almacenamiento como un Ser-
T

vicio. El uso de las acciones de almacenamiento VCC los mismos bene fi cios como nubecillas en el MCC
RI

paradigma, lo que permite una reducción de los retrasos en la comunicación y el consumo de ancho de banda para la

transferencia de datos a través de Internet. La cooperación como Ser-

C

vice permite a los vehículos para colaborar entre sí para apoyar compleja
US

1180 aplicaciones o tareas de ejecución inherentemente distribuidos, tales como la coordinación

la recopilación de datos sobre el entorno urbano para el seguimiento de la carga tra fi c.

AN

De los servicios potenciales VCC, varias aplicaciones se han ideado

e implementado, cubriendo los propósitos fi ed diversi, tales como la construcción de los centros de datos, que permite la

gestión tra FFI c, apoyando una Internet de Vehículos, la realización de

M

1185 vigilancia urbana, lo que permite más e fi ciente de información y entretenimiento, y la promoción de la salud

servicios de atención. A partir de la descripción de estas aplicaciones existentes, la mayoría de ellos dependen de

escenarios estáticos o semi-estáticas, donde los vehículos están todavía en parque-

50
 MANUSCRITO ACEPTADO

ing lotes. Esta situación estática se ha explorado ampliamente en las obras idear centros de datos

VCC-apoyado, en los que la frecuencia con la que los vehículos se unen o

1190 dejar el VCC es relativamente baja. Otras aplicaciones hacen uso de VCC dinámico

escenarios, sino que utilizan la cooperación entre los vehículos para recopilar e intercambiar in-

formación, tal como en la vigilancia urbano. Todavía no existe ningún diseño que se aprovecha de los recursos

computacionales VCC a través de estrategias de programación en el trabajo fluye para o ffl oading tareas en los

vehículos VCC. escenarios estáticos permitirían

1195 las estrategias o ffl oading que se asemejan a los de MCC. Los escenarios dinámicos,

por el contrario, incurriría en sofisticadas estrategias de programación que dan cuenta de la movilidad de los

DO
vehículos, así como la disponibilidad de recursos.

Algunos aspectos fundamentales se acaba de asumir la hora de diseñar VCC aplicabilidad

TA
ciones: la participación de los vehículos y la seguridad. La colaboración voluntaria de

1200 vehículos y conductores permite la construcción de VCC. En consecuencia, el e ffi-

ciencia de aplicaciones debe dar cuenta de di ff grados de participación y Erent

EP

disponibilidad de vehículos. Además, el desarrollo de modelos de negocio directamente pro-

motas de colaboración y aumenta el número de vehículos participantes, haciendo

AC

uso de incentivos y sistemas de licitación. La seguridad se convierte en una preocupación importante cuando se intercambian

1205 datos temporalmente a recursos remotos, lo que requiere políticas de seguridad

O

y modelos de confianza para garantizar que la integridad de los datos y la privacidad de los usuarios
T

se mantienen y evitar la manipulación malintencionada de los recursos VCC.

RI

modelos de movilidad aparecen entonces como crucial para la gestión de VCC. Los modelos de predicción

pueden apoyar y potenciar la utilización e fi ciente de los recursos.

C

1210 modelos microscópicos y macroscópicos se han empleado ampliamente en tra FFI c

US

sistemas de gestión para determinar y predecir carga tra FFI c, así adaptados y versiones extendidas de estos

modelos pueden permitir la disponibilidad de recursos de vehículos en los segmentos de carretera que se
AN

determine. La disponibilidad consiste básicamente en resi-

dencia momento de vehículos en la carretera y los vehículos de números en la misma carretera. Estas métricas son

críticos para permitir una programación más precisa de las tareas de VCC.
M

1215

De las tres clases de tra fi cientes c flujo modelos, el tipo de modelo de libre flujo presenta la mejor relación

coste-beneficio en la crianza de estimaciones rápidas. Debido a la alta movilidad, estos modelos se

incorporarán más profundamente a lo largo de VCC con el

51
 MANUSCRITO ACEPTADO

propósito de estimar la tendencia general del movimiento de vehículos o el comportamiento individual de un solo

1220 vehículo de seguimiento de los recursos.

8. Conclusión

Nube vehicular se ha convertido en un área de fi significativa de la investigación debido a la pow-

roso a bordo de la informática y la detección de los recursos de los vehículos modernos. Estas

recursos infrautilizados se pueden recoger de todos los vehículos en la vecindad para construir una nube

1225 vehicular de forma autónoma. El VCC se considera complementaria a

La computación en nube en general y tiene más tra fi servicios relacionados con c-y aplicaciones

DO
tales como la vigilancia pública, tra fi c manejo y monitoreo ambiental.

En este trabajo, presentamos en primer lugar la revolución técnica vehicular de computación en la

TA
nube basado en una extensa revisión de la literatura. varias obras

1230 se han desarrollado en el pasado, la asistencia a los avances de la Vehicular

EP

Redes vehiculares a las nubes. Este trabajo también clasi fi ed, en la lista, y se discuten

una serie de servicios y aplicaciones que han sido, o compartido las características para ser, poner en práctica
AC

en las nubes vehiculares. Al final, se ofrece una descripción amplia

y clasificación de los modelos de los c tra FFI existentes, que son esenciales para el VC

1235 aplicación en el entorno dinámico.

O

En esta etapa, sin embargo, algunas áreas relacionadas a VCC permanecen sin explorar para los
T

investigadores como la alta movilidad, enlaces de comunicación inestables, la migración de tareas y los
RI

problemas de seguridad en la ejecución de VCC. Desde el vigente

resultados de la investigación, que se podría decir que VCC se encuentra todavía en su etapa inicial hacia la madurez
C

tecnológica. Sin embargo, creemos que VCC se espera que sea un posible
US

1240

solución para el sistema de c tra FFI muy inteligente.

AN

Expresiones de gratitud

Este trabajo es parcialmente apoyado por Canadá Investigación Programa de Cátedras, CRSNG,
M

y Redes DIVA estratégicas.

52
 MANUSCRITO ACEPTADO

1245 referencias

referencias

[1] Instituto Nacional de Estándares y Tecnología (NIST), Proyecto de nube

sinopsis de computación y recomendaciones Definición de la computación en nube, [en línea]

http://csrc.nist.gov/publications/drafts/800-146/Draft-

1250 NIST-SP800-146.pdf (2011).

[2] B. Hayes, Cloud computing, ACM Comunicaciones 51 (7) (2008) 9-11.

DO
[3] M. Armbrust, A. Fox, R. Gri FFI º, AD Joseph, R. Katz, A. Konwinski,

G. Lee, D. Patterson, A. Rabkin, I. Stoica, M. Zaharia, Una vista de computación en la nube,

ACM Comunicaciones 53 (4) (2010) 50-58.

TA
1255 [4] S. Olariu, I. Khalil, M. Abuelela, Tomando Vanet a las nubes, Internacional
EP

Journal of Pervasive Computing y Comunicaciones 7 (1) (2011) 7-21.

[5] D. bebé, RD Sabareesh, RAK Saravanaguru, A. Thangavelu, Vcr:

AC

nube vehicular para los escenarios lado de la carretera, en: Actas de la Segunda Conferencia

Internacional sobre Avances en Informática y Tecnología de la Información, 2013, pp 541-552..

O

1260
T

[6] S. Abdelhamid, R. Benkoczi, HS Hassanein, Clouds vehicular: Ubiqui-

RI

Computing tous on Wheels, 2017, pp. 435-452.

C

[7] Y. Ma, Y. Guo, X. Tian, ​M. Ghanem, Distributed ag- basada en la agrupación

gregation algoritmo para redes de sensores espaciales correlacionados, IEEE Sensors

US

1265 Diario 11 (3) (2011) 641-648.

AN

[8] P. Papadimitratos, A. La Fortelle, K. Evenssen, R. Brignolo, S. Cosenza,

Los sistemas vehiculares de comunicación: Las tecnologías de apoyo, aplicaciones,

y perspectivas futuras en el transporte inteligente, IEEE Communications Magazine 47 (11)

M

(2009) 84-95.

53
 MANUSCRITO ACEPTADO

1270 [9] M. Amadeo, C. Campolo, A. Molinaro, redes de información centrada

para los vehículos conectados: una encuesta y perspectivas futuras, IEEE Comu-

caciones Revista 54 (2) (2016) 98-104.

[10] FA Silva, A. Boukerche, TRMB Silva, LB Ruiz, E. Cerqueira,

AAF Loureiro, redes vehiculares: Un nuevo reto para contenido-

1275 aplicaciones basadas en la entrega, ACM Computer Surveys 49 (1) (2016) 11: 1-

11:29.

[11] C. Toh, Ad Hoc Redes Inalámbricas: protocolos y sistemas, 1ª Edición,

DO
2001.

[12] M. Watfa, Avances en redes ad-hoc vehiculares: Desarrollos y

1280 Retos, 1ª edición, 2010.

TA
[13] S. M Müller, T. van Roermund, M. Steigemann, la comunicación más allá
EP

Vehículos de carretera a Automatizado de conducción, 2016, pp. 55-64.

[14] SS Kaushik, revisión de los enfoques ff Erent di esquema de privacidad en VANETs,

AC

International Journal of Advanced Engineering Technology 5 (2013) 2231-

1285 1963.
O

[15] S. Al-Sultan, MM Al-Doori, AH Al-Bayatti, H. Zedan, A Comprehensive

siva encuesta sobre vehicular red ad hoc, Diario de Red y Com-

T

Aplicaciones puter 37 (2014) 380 - 392.

RI

[16] MN Mejri, J. Ben-Othman, M. Hamdi, Encuesta sobre fíos seguridad VANET

C

1290 lenges y las posibles soluciones criptográficas, vehiculares Comunicaciones

US

1 (2) (2014) 53-66.

[17] P. Ranjan, KK Ahirwar, Estudio comparativo de Vanet y manet enrutamiento

AN

protocolos, en: Actas de la Conferencia Internacional de Computación Avanzada y

Comunicaciones, 2011, pp 517-523..

M

1295 [18] M. Raya, P. Papadimitratos, V. Gligor, J.-P. Hubaux, En centrada en los datos

establecer confianza en las redes ad hoc efímeras, en: Actas de la

27ª Conferencia IEEE sobre comunicaciones por computadora, 2008.

54
 MANUSCRITO ACEPTADO

[19] A. Darehshoorzadeh, RE De Grande, A. Boukerche, Toward a Comprehensive

modelo hensive para análisis de rendimiento de encaminamiento oportunista en inalámbrica

1300 redes de malla, IEEE Transactions on Vehicular Technology 65 (7) (2016)

Desde 5424 hasta 5438.

[20] L. Miao, K. Djouani, BJ van Wyk, Y. Hamam, Evaluación y Realce

ción del estándar IEEE 802.11 p: Una encuesta, la informática móvil 1 (1) (2012) 15-30.

1305 [21] H. Vahdat-Nejad, A. Ramazani, T. Mohammadi, W. Mansoor, una encuesta

DO
en aplicaciones de redes vehiculares sensibles al contexto, vehicular Comunica-

ciones 3 (2016) 43-57.

TA
[22] W. Kim, Cloud computing: Hoy y mañana, Diario de tecno- objeto

gía 8 (1) (2009) 65-72.

EP

1310 [23] L. Badger, T. Grance, R. Patt-Corner, J. Voas, Proyecto de computación en la nube

sinopsis y recomendaciones, NIST Special Publication 800 (2011) 146.

AC

[24] G. Galante, LCE d. Bona, una encuesta sobre la elasticidad de la computación en la nube, en:

Actas de la Conferencia Internacional IEEE sobre Quinta Utilidad y Cloud Computing, 2012, pp.
O

263-270.
T

1315 [25] PM Mell, T. Grance, Sp 800-145. el NIST definición de la computación en nube,

RI

Tech. Rep., Instituto Nacional de Estándares y Tecnología (2011).

C

[26] VA Gandhi, C. Kumbharana, Estudio comparativo de Amazon EC2 y mi-

US

crosoft arquitectura de nube azul, International Journal of Advanced Networking y Aplicaciones

(2014) 117-123.
AN

1320 [27] G. Lu, WH Zeng, encuesta de computación en nube, Mecánica Aplicada y

Materiales 530 (2014) 650-661.

M

[28] R. Ghosh, F. Longo, VK Naik, KS Trivedi, Modelado y rendimiento

análisis de gran escala iaas nubes, futura generación de sistemas informáticos

29 (5) (2013) 1216-1234.

55
 MANUSCRITO ACEPTADO

1325 [29] X. Wen, G. Gu, Q. Li, Y. Gao, X. Zhang, la comparación de de código abierto

plataformas de gestión de la nube: Openstack y OpenNebula, en: procedi-

Ings de la 9ª Conferencia Internacional sobre Sistemas Difusos y Conocimiento

Descubrimiento, IEEE, 2012, pp. 2457-2461.

[30] B. Wilder, la nube de arquitectura: los patrones de uso de Azure de Microsoft, O'Reilly

1330 Media, Inc., 2012.

[31] A. Zahariev, motor de aplicación de Google, Universidad de Tecnología de Helsinki.

[32] T. Mäkilä, A. Järvi, M. Rönkkö, J. Nissilä, ¿Cómo de fi ne software-as-a-

DO
servicio - un estudio empírico de los proveedores de SaaS fi nnish, en: Software Busi-

ness, 2010, pp. 115-124. TA

1335 [33] P. Iannucci, M. Gupta, et al, IBM SmartCloud:. La construcción de una nube Habilitado

Data Center, IBM Redbooks, 2013.

EP

[34] Z. Sanaei, S. Abolfazli, A. Gani, R. Buyya, la heterogeneidad en la nube móvil

AC

informáticos: Taxonomía y desafíos abiertos, IEEE Communications Sur-

Veys tutoriales 16 (1) (2014) 369-392.

[35] HT Dinh, C. Lee, D. Niyato, P. Wang, Un estudio de computa- nube móvil

O

1340

ing: arquitectura, las aplicaciones y los enfoques, las comunicaciones inalámbricas

T

informática móvil y 13 (18) (2013) 1587-1611.

RI

[36] Foro de MCC, descubrir el mundo de la informática móvil nube, [en línea]
C

http: // http: //www.mobilecloudcomputingforum.com/ (2011).

US

1345 [37] S. Guan, RE De Grande, A. Boukerche, una novela energía e plataforma fi ciente

modelo basado en la nube para permitir que las aplicaciones móviles, en: Actas del Simposio IEEE
AN

sobre 21 computadoras y la comunicación, 2016, pp 914-.

919.
M

[38] S. Guan, RE De Grande, A. Boukerche, Una tarea centrada basado en cloudlet

1350 O ffl oading para permitir que las aplicaciones móviles de energía e fi cientes, en: Actas

56
 MANUSCRITO ACEPTADO

del Simposio IEEE sobre Computadoras y Comunicaciones, 2017, pp. 564-569.

[39] S. Guan, RE De Grande, A. Boukerche, Un simulador de nube basada en HLA

para entornos de nube móviles, en: Actas de la 20a IEEE / ACM

1355 Simposio Internacional sobre Simulación Distribuida y Tiempo real Ap-

complicaciones, 2016, pp. 128-135.

[40] P. Zou, C. Wang, Z. Liu, D. Bao, Fósforo: Un esquema de DRM basado en la nube

con la tarjeta SIM, en: Actas de la 12ª fi co Web Internacional de Asia y el Pacífico

DO
Conferencia de 2010, pp. 459-463.

1360 [41] P. Mach, Z. Becvar, borde de la computación móvil: Una encuesta sobre la arquitectura y la
TA
cálculo o ffl oading, IEEE Communications Surveys tutoriales 19 (3)

(2017) 1628-1656.
EP

[42] H. Zhijun, RE De Grande, A. Boukerche, Hacia e fi de acceso a datos ciente

en Mobile computing nube usando la búsqueda previa y almacenamiento en caché, en: Proceedings
AC

1365 Conferencia Internacional IEEE sobre Comunicaciones, 2017, pp. 1-6.

[43] A. Mtibaa, A. Fahim, KA Harras, MH Ammar, Hacia recurso

O

compartir en nubes de dispositivos móviles: Poder de equilibrio a través de dispositivos móviles,

T

SIGCOMM ordenador Comunicación sobre la revisión 43 (4) (2013) 51-56.

RI

[44] I. Yaqoob, E. Ahmed, A. Gani, S. Mokhtar, M. Imran, S. Guizani, Mobile

C

1370 ad hoc nube: Una encuesta, las comunicaciones inalámbricas y la informática móvil

16 (16) (2016) 2572-2589.

US

[45] M. Abuelela, S. Olariu, Tomando Vanet a las nubes, en: Actas de la

AN

ACM Conferencia Internacional sobre Avances en informática móvil y

Multimedia, 2010, pp. 6-13.

M

1375 [46] S. Olariu, T. Hristov, G. Yan, El siguiente cambio de paradigma: De vehicular

redes a las nubes de vehículos, en: Ad Hoc Redes Móviles: Corte

Llegar Edge, 2ª edición, John Wiley & Sons, Inc., 2013, Cap. 19.

57
 MANUSCRITO ACEPTADO

[47] RI Meneguette, A. Boukerche, RE De Grande, la SMART: una ciente e fi

Búsqueda de recursos y esquema de gestión de vehículos conectados nube-

1380 sistema, en: Actas de la Conferencia Global de Comunicaciones IEEE,

2016, pp. 1-6.

[48] ​RI Meneguette, A. Boukerche, DL Guidoni, RE De Grande, AAF

Loureiro, LA Villas, una arquitectura de gestión de la movilidad de flujo basado en IPv6 móvil

proxy para las redes vehiculares, en: Actas de la 21ª IEEE

1385 Simposio sobre Informática y Comunicación, 2016, pp. 732-737.

DO
[49] RI Meneguette, A. Boukerche, A cooperativa de los recursos y adaptativa

programación para la nube vehicular., en: Actas del Simposio IEEE sobre Computación y

Comunicaciones, 2017, pp 398-403.

TA
[50] A. Boukerche, RI Meneguette, red de la nube vehicular: Un nuevo reto
EP

1390 para sistemas basados ​en la gestión de recursos, en: Actas de la 13ª In-

ternacionales Comunicaciones Inalámbricas y conferencias informática móvil,

AC

2017, pp. 159-164.

[51] RE De Grande, A. Boukerche, S. Guan, N. Aljeri, A modular distribuida

O

arquitectura basada en la simulación de sistemas de transporte inteligente, Con-

1395 moneda y Cálculo: Practice and Experience 28 (12) (2016) 3409-

T

3426.
RI

[52] R. Hussain, J. Hijo, H. Eun, S. Kim, H. Oh, Rethinking comu- vehicular

C

caciones: Combinación de Vanet con la nube de computación, en: Actas de la

US

IEEE CloudCom, 2012, pp. 606-609.

1400 [53] T. Mekki, I. Jabri, A. Rachedi, M. Ben Jemaa, redes de nube vehicular:
AN

Retos, arquitecturas y las direcciones futuras, vehicular Comunicaciones 9 (2017) 268 - A280.
M

[54] A. Ashok, P. Steenkiste, F. Bai, permitiendo que las aplicaciones de vehículos utilizando

servicios en la nube a través de la computación adaptativa o ffl oading, en: Actas de

58
 MANUSCRITO ACEPTADO

1405 el sexto Taller Internacional sobre Mobile Cloud Computing y Servicios,

2015, pp. 1-7.

[55] L. Gu, D. Zeng, S. Guo, Vehicular computación en la nube: una encuesta, en: Pro-

ceedings del IEEE Globecom Talleres, 2013, pp. 403-407.

[56] S. Arif, S. Olariu, J. Wang, G. Yan, W. Yang, I. Khalil, Datacenter en el

1410 aeropuerto: Razonar sobre la ocupación del aparcamiento en función del tiempo, IEEE

Las transacciones en sistemas paralelos y distribuidos 23 (11) (2012) 2067-

2080.

DO
[57] T. Zhang, RE De Grande, A. Boukerche, Vehicular nube: Stochastic

análisis de los recursos informáticos en un segmento de carretera, en: Actas de la

TA
1415 12º Simposio ACM sobre Evaluación del rendimiento de la tecnología inalámbrica Ad Hoc,

Sensor, y ubicuas redes, 2015, pp. 9-16.

EP

[58] F. Zhang, RE De Grande, A. Boukerche, análisis de precisión de corto

plazo tra fi c fl ujo de modelos de predicción de nubes de vehículos, en: Actas del Simposio ACM
AC

13 sobre Evaluación del rendimiento de Ad inalámbrica

1420 Hoc, sensor, y ubicuas redes, 2016, pp. 19-26.

O

[59] F. Zhang, RE De Grande, A. Boukerche, macroscópica intervalo-split de libre

modelo de flujo vehicular de la computación en la nube, en: 21 de IEEE / ACM Inter-

T

Simposio cional de simulación distribuida y aplicaciones en tiempo real,

RI

2017, pp. 107-114.

C

1425 [60] G. Castignani, T. Derrmann, R. Frank, T. Engel, el comportamiento del controlador pro fi l-
US

ing usando los teléfonos inteligentes: Una plataforma de bajo costo para la vigilancia del conductor, IEEE

Intelligent Transportation Systems Magazine 7 (1) (2015) 91-102.

AN

[61] D. Garrett, D. Mann, evaluación de datos de sensores electrónicos para re-

Motely identificar un vehículo de motor y controlar el comportamiento del conductor, la patente de EE.UU.
M

1430 20150371465 (2015).

[62] P. Xu, R. Segupta, D. Jiang, D. Chrysler, Diseño y análisis de carretera

protocolo de comunicación de seguridad en 5,9 GHz dedicada comuni- corto alcance

59
 MANUSCRITO ACEPTADO

espectro de cationes, en: Actas de la Conferencia de Tecnología Vehicular del IEEE Semestral

57a, Vol. 4, 2003, pp. 2451-2455.

1435 [63] JB Kenney, dedicada comunicaciones de corto alcance estándares (DSRC) en

los estados unidos, Proceedings of the IEEE 99 (7) (2011) 1162-1182.

[64] D. Jiang, L. Delgrossi, IEEE 802.11 p: hacia un estándar internacional

para el acceso inalámbrico en entornos vehiculares, en: Actas de la Conferencia de Tecnología

Vehicular del IEEE, IEEE, 2008, pp 2036-2040..

1440 [65] A. Kajackas, A. Vindasius, S. Stanaitis, la comunicación entre vehículos:

DO
distribuciones de retardo de mensajes de emergencia, Elektronika ir Elektrotechnika

96 (8) (2015) 55-58. TA

[66] M. Whaiduzzaman, M. Sookhak, A. Gani, R. Buyya, una encuesta sobre ve-

hicular computación en la nube, Diario de Red y Aplicaciones Informáticas

EP

1445 40 (0) (2014) 325 - 344.

AC

[67] R. Yu, Y. Zhang, H. Wu, P. Chatzimisios, S. Xie, la máquina virtual en vivo

la migración de los servicios generalizados en las redes vehiculares asistida en la nube, en:

Actas de la 8ª Conferencia Internacional sobre ICST Comunicaciones y Redes en China, 2013,

O

pp. 540-545.
T

1450 [68] T. Refaat, B. Kantarci, H. Mouftah, la migración de la máquina virtual dinámico

RI

en una nube de vehículos, en: Actas del Simposio IEEE sobre Com-
C

ordenadores y Comunicación, 2014, pp. 1-6.

US

[69] V. Soto, RE De Grande, A. Boukerche, repro: datos de tiempo limitados

la recuperación de borde o ffl oading en nubes de vehículos, en: Actas de la

AN

1455 14o Simposio ACM sobre Evaluación del rendimiento de la tecnología inalámbrica Ad Hoc,

Sensor, y ubicuas redes, 2017, pp. 47-54.

M

[70] L. Gu, D. Zeng, S. Guo, B. Ye, estacionamiento de vehículos en un apalancamiento de datos de dos niveles

centro, en: Actas de las comunicaciones inalámbricas IEEE y Net-

Conferencia de trabajo, 2013, pp. 4.665-4.670.

60
 MANUSCRITO ACEPTADO

1460 [71] B. Chen, R. Curtmola, G. Ateniese, R. Burns, remoto, la comprobación de

sistemas basados ​en la codificación de red distribuida de almacenamiento, en: Actas de la

ACM Taller sobre Cloud Computing Security Workshop, 2010, pp 31-.

42.

[72] W. Kim, M. Gerla, Navopt: Navigator asistido optimizador de rutas de vehículos,

1465 En: Actas de la Conferencia Internacional sobre Innovative Mobile y

Servicios de Internet en la computación ubicua, 2011, pp. 450-455.

[73] M. Gerla, JT Weng, G. Pau, fotos sobre ruedas: Fotos en la vigilancia

DO
la nube de vehículos, en: Actas de la Conferencia Internacional de Computación, Redes y

Comunicaciones, 2013, pp 1123-1127..

1470
TA
[74] F. Dressler, P. manija, C. Sommer, Hacia una nube vehicular - usando

vehículos estacionados como una red temporal y la infraestructura de almacenamiento, en:

EP

Actas del Taller Internacional ACM sobre inalámbricas y móviles

Tecnologías para Smart Cities, 2014, pp. 11-18.

AC

[75] H. Yao, C. Bai, D. Zeng, Q. Liang, Y. Fan, migrar o no? explor-

1475 ing migración de máquinas virtuales en la nube en carretera de vehículos basados ​en cloudlet,

Concurrencia y Cálculo: Practice and Experience 27 (18) (2015) 5780-5792, cpe.3642.

T O
RI

[76] R. Kim, H. Lim, B. Krishnamachari, difusión de datos basada en Prefetching

en sistemas de nubes vehiculares, IEEE Transactions on Vehicular Technology 65 (1) (2016)

C

1480 292-306.
US

[77] M. Ma, Y. Huang, CH Chu, P. Wang, transporte nube impulsada por el usuario

Sistema para la conducción inteligente, en: Actas de la IEEE cuarta Internacional

AN

Conferencia sobre Cloud Computing Tecnología y Ciencia, 2012, pp. 658-

665.
M

1485 [78] V. Hahanov, W. Gharibi, BAA Abbas, S. Chumachenko, O. Guz,

E. Litvínova, Nube tra fi seguimiento y control c, en: Actas de la

61
 MANUSCRITO ACEPTADO

Conferencia Internacional IEEE sobre el séptimo Inteligente de Adquisición de Datos y Sistemas de

Computación Avanzada, vol. 01, 2013, pp. 244-248.

[79] J. Wan, D. Zhang, S. Zhao, L. Yang, J. Lloret, vehicular sensibles al contexto

1490 sistemas ciber-físicos con el apoyo de nubes: la arquitectura, los desafíos y

soluciones, IEEE Communications Revista 52 (8) (2014) 106-113.

[80] M. Gerla, E.-K. Lee, G. Pau, U. Lee, Internet de los vehículos: Desde inteligentes

rejilla para vehículo autónomo y nubes de vehículos, en: Actas del Foro Mundial de la IEEE sobre

Internet de las cosas, 2014, pp 241-246..

DO
1495 [81] M.-K. Jiau, S.-C. Huang, J.-N. Hwang, AV Vasilakos, ser- Multimedia

vicios en las redes vehiculares basados ​en la nube, IEEE Transporte Inteligente
TA
Sistemas Revista 7 (3) (2015) 62-79.

[82] WQ Wang, X. Zhang, J. Zhang, HB Lim, inteligente FFI tra c nube: Un

EP

infraestructura para aplicaciones c tra fi cientes, en: Actas de la 18ª IEEE

1500 Conferencia Internacional sobre Sistemas Distribuidos y Paralelos, 2012, pp.

AC

822-827.

[83] MH Eiza, P. Ni, P. Shi, seguro y respetuoso de la intimidad asistida por video en la nube
O

Servicio de informe de las redes vehiculares 5g habilitado, IEEE Transactions on Vehicular

Technology 65 (10) (2016) 7868-7881.

T
RI

1505 [84] N. Kumar, K. Kaur, SC Misra, R. Iqbal, An r fi au- inteligente d habilitado

thentication esquema para aplicaciones sanitarias en la nube móvil vehicular, las redes
C

Peer-to-Peer y Aplicaciones (2015) 1-17.

US

[85] M. Saini, KM Alam, H. Guo, A. Alelaiwi, A. El Saddik, Incloud: una

middleware basado en la nube para los sistemas de información y entretenimiento para vehículos, herramientas multimedia y
AN

1510 aplicaciones (2016) 1-29.

[86] Z.-zhi, Z. Ning, Revisión y nuevos puntos de vista del modelo de coche-siguiente
M

para el vehículo de carretera tra fi c fl ujo, en: Actas de la 6ª Conferencia Internacional de Asia en

Ingeniería Industrial y Gestión de la Innovación, 2016, pp 87-96..

62
 MANUSCRITO ACEPTADO

1515 [87] A. Kesting, M. Treiber, Calibración de modelos de coches de seguimiento mediante el uso de trayec-

toria de datos: Estudio metodológico, Transportation Research Record: distas

nal del Transportation Research Board (2088) (2008) 148-156.

[88] M. Treiber, A. Hennecke, D. Helbing, Congested tra FFI c estados en empírica

observaciones microscópicas y simulaciones, Revisión E física 62 (2000)

1520 1805-1824.

[89] R. Jiang, P. Wu, Z. Zhu, velocidad completa di ff modelo rencia de un coche-siguiente

teoría, Physical Review E 64 (2001) 017101.

DO
[90] R. Zhong, K. Fu, A. Sumalee, D. Ngoduy, W. Lam, A entropía cruzada

método y marco de análisis de sensibilidad probabilístico para calibrar

TA
1525 modelos c tra FFI microscópicas, Transportation Research Parte C: Emergentes

Tecnologías 63 (2016) 147 - 169 de la.

EP

[91] S. Panwai, H. Dia, Evaluación comparativa de microscópico coche-siguiente

comportamiento, IEEE Transactions on Intelligent Transportation Sistemas 6 (3) (2005) 314-325.

AC

1530 [92] P. Gipps, un modelo de coche-conductual para la siguiente simulación por ordenador,
O

Investigación de Transporte Parte B: metodológica 15 (2) (1981) 105-111.

T

[93] M. Gramaglia, P. Serrano, J. Hernandez, M. Calderon, CJ Bernardos,

RI

Nuevos conocimientos a partir del análisis del libre flujo vehicular tra fi c en las carreteras, en:

Actas del Simposio Internacional IEEE sobre un mundo inalámbrico, móvil y Redes Multimedia,
C

1535 2011, pp. 1-9.

US

[94] D. Chen, J. Zhang, S. Tang, J. Wang, Freeway tra FFI modelado corriente c

basado en principales curvas y su análisis, IEEE Transactions on Intelligent Sistemas de

AN

transporte 5 (4) (2004) 246-258.

[95] A. Abdrabou, W. Zhuang, control de retardo probabilístico y la unidad de lado de la carretera

M

1540 la colocación de las redes vehiculares especiales con conectividad interrumpido,

Diario del IEEE sobre áreas seleccionadas en Comunicaciones 29 (1) (2011) 129-

139.

63
 MANUSCRITO ACEPTADO

[96] M. Khabbaz, W. Fawaz, C. Assi, un simple de libre flujo tra FFI c modelo para vehic-

redes conectadas de forma intermitente Ular, IEEE Transactions on Intelligent

1545 Sistemas de transporte 13 (3) (2012) 1312-1326.

[97] T. Zhang, RE De Grande, A. Boukerche, Urban tra FFI c caracterización

ción para permitir que las nubes de vehículos, en: Actas de la IEEE Wireless

Comunicaciones y Networking Conference, 2016, pp. 1-6.

[98] T. Zhang, RE De Grande, A. Boukerche, Diseño y análisis de stochas-

1550 tic tra fi c fl ujo de modelos de nubes vehiculares, las redes ad hoc 52 (2016)

DO
39-49.

[99] M. Zarei, AM Rahmani, análisis de la movilidad vehicular en una dinámica

TA
de libre flujo carretera, vehiculares Comunicaciones 7 (2017) 51-57.

[100] C. Schindelhauer, T. Lukovszki, S. R uhrup, K. Volbert, peor de los casos mo-

EP

1555 bilidad en redes ad hoc, en: Proceedings de la Decimoquinta ACM Anual

Simposio sobre Algoritmos Paralelos y Arquitecturas, 2003, pp. 230-239.

AC

[101] AA Agashe, SK Bodhe, Evaluación del desempeño de los modelos de movilidad

para redes inalámbricas ad hoc, en: Actas de la Primera Internacional

O

Conferencia sobre nuevas tendencias en Ingeniería y Tecnología, 2008, pp.

T

1560 172-175.
RI

[102] H. Ramzan, A. Iqbal, rendimiento y conectividad usando restricción basa

C

modelo de movilidad para redes ad hoc móviles, en: Actas de la Conferencia Internacional IEEE

sobre múltiples temas, 2008, pp 249-254..

US

[103] W. Navidi, T. Camp, distribuciones estacionarias para el waypoint azar

AN

1565 modelo de movilidad, IEEE Transactions on Mobile Computing 3 (1) (2004)

99-108.
M

[104] T. Camp, J. Boleng, V. Davies, Un estudio de modelos de movilidad para ad hoc

la investigación de redes, comunicaciones inalámbricas y la informática móvil 2 (5)

(2002) 483-502.

64
 MANUSCRITO ACEPTADO

DO
1570 Azzedine Boukerche ( FIEEE, FEIC, FCAE,

FAAAS) es un profesor de tiempo completo y ocupa la posición Cátedra de Investigación en el aCanada

Universidad de Ottawa (Ottawa). Él es el director fundador del Laboratorio PARADISEResearch,

TA
Facultad de Ingeniería Eléctrica e Informática

(EECS), Ottawa. Antes de esto, él llevó a cabo afaculty posición en la universidad

EP

1575 del Norte de Texas, y Hewas un científico senior en los modelos de simulación Divi-

sión, Metron Corp., San Diego. También se empleó como afaculty miembro de la Facultad de Ciencias de la
AC

Computación, McGill, y enseñó en la Universidad Politécnica de

Montreal.He pasó un año en el Instituto de JPL / NASA en California, tecnologia,

O

donde contribuyó a un proyecto centrado en específico cationand la verificación de

El software utilizado para controlar la nave espacial interplanetaria operatedby JPL / NASA
T

1580

Laboratorio. Sus intereses de investigación incluyen sensores inalámbricas ad Hocand

RI

redes, redes inalámbricas, computación móvil y penetrante, wirelessmultime-

C

de diámetro, el aprovisionamiento de servicios de calidad de servicio, la evaluación del desempeño y el modelado o fi

US

argescale sistemas distribuidos, computación distribuida, a gran escala de simulación distributedinteractive, y la simulación

1585 de eventos discretos en paralelo. Él tiene publishedseveral

trabajos de investigación en estas áreas. Se desempeñó como editor invitado para el Journal of
AN

Computación Paralela y Distribuida (número especial para el encaminamiento para MobileAd hoc, número

especial para la comunicación inalámbrica y la informática móvil, emisión andspecial para móviles de redes ad
M

hoc y la informática), ACM / Kluwer WirelessNetworks,

1590 ACM / Kluwer las redes móviles de aplicaciones y Diario de WirelessCommu-

nicación y la informática móvil. Él ha estado sirviendo como Editor Asociado de

sesenta y cinco
 MANUSCRITO ACEPTADO

ACM Computing Surveys, IEEE Transactions on andDistributed sistemas paralelos, IEEE Transactions

on Vehicular Technology, Elsevier AdHoc Networks,

Wiley Revista Internacional de Comunicación inalámbrica andMobile computa-

1595 ING, Seguridad Wileys y la Red de Comunicación Diario, Elsevier generalizado

y Mobile Computing Journal, IEEE Wireless CommunicationMagazine, Elseviers Diario de la

computación paralela y distribuida, y Transacciones SCS en la simulación. Él era el recipiente del premio

al mejor ResearchPaper en

IEEE / ACM PADS 1997, ACM MobiWac 2006, ICC 2008, ICC 2009 andI-

1600 WCMC 2009, y el destinatario del Tercer Premio Nacional de Telecomuni-

DO
nicationSoftware en 1999 por su trabajo en unos sistemas de seguridad distribuidos en phoneoperations

móviles. Ha sido nominado para el premio al mejor artículo en el

TA
IEEE / ACMPADS 1999 y 2001. ACMMSWiM Él es un receptor de un Ontario

Premio de Investigación de Excelencia temprana (antes conocido como Premier del Premio a la Excelencia de
EP

1605 Investigación Ontario), Premio al Investigador OntarioDistinguished, Glinski Re-

buscar Excellence Award, Premio Núcleo de oro CS IEEE, IEEE Canadá Gotlieb

Premio medalla, premio al liderazgo expectional ComSoc IEEE, IEEE TCPP

AC

Excpetional liderazgo Award.He es un co-fundador de la Conferencia Internacional sobre QShine

ofService calidad para alámbrica / inalámbrica redes heterogéneas

O

1610 (QShine 2004). Sirvió silla asthe general para la Octava ACM / IEEE sim-

posium de modelado, análisis de andSimulation inalámbricos y sistemas móviles,

T

y el Noveno ACM / IEEE Symposiumon simulación distribuida y aplicación en tiempo real (DSRT), el
RI

programa chairfor el Taller ACM en QoS

C

y Seguridad de Redes Inalámbricas y Móviles, ACM / IFIPS Europar 2002 Con-

US

1615 ferencia, IEEE / SCS Simposio Anual de simulación (ANNS 2002), ACM WWW

2002, IEEE MWCN 2002, IEEE / ACM MASCOTAS 2002, IEEEWireless Redes Locales WLN 0304;
AN

IEEE 0405 WMAN, y ACM MSWiM 9899, ​y una TPC

Miembro de numerosas IEEE y ACM patrocinado conferencias. Sirvió asthe General Chair vice para la

computación distribuida Tercer IEEE para el sensor Net-

M

1620 obras (DCOSS) de la Conferencia en 2007, como el programa de co-presidente de GlobeCom

20072008Symposium en inalámbrica ad hoc y redes de sensores, y para el 14o Simposio IEEE

ISCC2009 en Informática y Comunicación Sympo-

66
 MANUSCRITO ACEPTADO

sio, y como el nancechair fi ACM Multimedia 2008. También sirve como un Comité Directivo chairfor la

ACM Modelado, Análisis y Simulación

1625 para inalámbricas y móviles SystemsConference, el Simposio ACM sobre Perfor-

Evaluación de Mance inalámbrica Ad Hoc, Sensor y ubicua redes, y

IEEE / ACM DSRT.

DO
Robson Eduardo De Grande Actualmente es Asistente Pro-

fesor en el Departamento de Ciencias de la Computación de la Universidad de Brock. Era para-

1630 Merly Network Manager de la DIVA CRSNG Red de Investigación Estratégica

TA
y un investigador asociado en la Facultad de Ingeniería Eléctrica y

Ciencias de la Computación de la Universidad de Ottawa, Canadá. Recibió su Ph.D. la licenciatura

EP

en la Universidad de Ottawa en 2012 y el título de M.Sc. y licenciatura grados en Com-

putadora Ciencias de la Universidad Federal de Sao Carlos, Brasil en 2006 y 2004, respectivamente. Se desempeñó
AC

1635 como Presidente del TPC IEEE / ACM DS-RT 2014. Su investigación

intereses incluyen los sistemas distribuidos y móviles a gran escala, el cloud computing,

computación de alto rendimiento, el modelado y simulación de rendimiento, ordenador

O

redes, las redes vehiculares, y sistemas de simulación distribuidos.

T
C RI
US
AN
M

67