To fully realize the potential of vehicular networks, several obstacles and challenges need to be addressed. Chief among the obstacles are strict QoS requirements of applications and differentiated service requirements in different situations. Although DSRC and WAVE have been adopted as the de facto standards, they do not address all the problems and there is room for improvements. In this study, we propose a generic prioritization and resource management algorithm that can be used to prioritize processing of received packets in vehicular networks. We formulate the generic severity-based prioritized packet processing problem as Penalized Multiple Knapsack Problem (PMKP) and prove that it is an NP-Hard problem. We thus develop a real-time heuristic that utilizes a relaxed version of the formulation. The relaxed formulation executes in polynomial time and guarantees a minimum delay per severity-level while respecting the processing rate constraint. To measure the performance of the proposed heuristic, real traffic data is used in a small-scale experiment. The proposed heuristic is tested against the PMKP solution and results show a small degradation of up to 4 percent in profit for the heuristic compared to the PMKP solution. Also, the proposed heuristic is tested against a non-prioritized processing algorithm that works using first come first served policy. Results show that the proposed heuristic gains 9 to 67 percent more profit than the non-prioritized processing algorithm in moderate and high congestion scenarios.

中文翻译：

---

基于严重性的优先级处理数据包在 VANET 中的应用

为了充分发挥车载网络的潜力，需要解决几个障碍和挑战。其中最主要的障碍是应用严格的QoS要求和不同情况下的差异化服务要求。虽然 DSRC 和 WAVE 已被采纳为事实上的标准，但它们并没有解决所有问题，还有改进的空间。在这项研究中，我们提出了一种通用的优先级和资源管理算法，可用于优先处理车载网络中接收到的数据包。我们将通用的基于严重性的优先分组处理问题表述为惩罚多背包问题 (PMKP)，并证明它是一个 NP-Hard 问题。因此，我们开发了一种实时启发式方法，它利用了该公式的宽松版本。宽松的公式在多项式时间内执行，并在遵守处理速率约束的同时保证每个严重性级别的最小延迟。为了衡量所提出的启发式算法的性能，在小规模实验中使用了真实交通数据。针对 PMKP 解决方案测试了建议的启发式方法，结果显示，与 PMKP 解决方案相比，启发式方法的利润小幅下降了 4%。此外，所提出的启发式算法针对使用先到先服务策略工作的非优先处理算法进行了测试。结果表明，在中度和高度拥塞场景中，所提出的启发式算法比非优先处理算法获得了 9% 到 67% 的利润。为了衡量所提出的启发式算法的性能，在小规模实验中使用了真实交通数据。针对 PMKP 解决方案测试了建议的启发式方法，结果显示，与 PMKP 解决方案相比，启发式方法的利润降低了 4%。此外，所提出的启发式算法针对使用先到先服务策略工作的非优先处理算法进行了测试。结果表明，在中度和高度拥塞场景中，所提出的启发式算法比非优先处理算法获得了 9% 到 67% 的利润。为了衡量所提出的启发式算法的性能，在小规模实验中使用了真实交通数据。针对 PMKP 解决方案测试了建议的启发式方法，结果显示，与 PMKP 解决方案相比，启发式方法的利润降低了 4%。此外，所提出的启发式算法针对使用先到先服务策略工作的非优先处理算法进行了测试。结果表明，在中度和高度拥塞场景中，所提出的启发式算法比非优先处理算法获得了 9% 到 67% 的利润。建议的启发式算法针对使用先到先服务策略工作的非优先处理算法进行了测试。结果表明，在中度和高度拥塞场景中，所提出的启发式算法比非优先处理算法获得了 9% 到 67% 的利润。建议的启发式算法针对使用先到先服务策略工作的非优先处理算法进行了测试。结果表明，在中度和高度拥塞场景中，所提出的启发式算法比非优先处理算法获得了 9% 到 67% 的利润。