Vehicular networks enable vehicles to generate and broadcast messages in order to improve traffic safety and efficiency. However, due to the nontrusted environments, it is difficult for vehicles to evaluate the credibilities of received messages. In this paper, we propose a decentralized trust management system in vehicular networks based on blockchain techniques. In this system, vehicles can validate the received messages from neighboring vehicles using Bayesian Inference Model. Based on the validation result, the vehicle will generate a rating for each message source vehicle. With the ratings uploaded from vehicles, roadside units (RSUs) calculate the trust value offsets of involved vehicles and pack these data into a “block.” Then, each RSU will try to add their “blocks” to the trust blockchain which is maintained by all the RSUs. By employing the joint proof-of-work (PoW) and proof-of-stake consensus mechanism, the more total value of offsets (stake) is in the block, the easier RSU can find the nonce for the hash function (PoW). In this way, all RSUs collaboratively maintain an updated, reliable, and consistent trust blockchain. Simulation results reveal that the proposed system is effective and feasible in collecting, calculating, and storing trust values in vehicular networks.

With the rapid development of the Intelligent Transportation System (ITS), vehicular communication networks have been widely studied in recent years. Dedicated Short Range Communication (DSRC) can provide efficient real-time information exchange among vehicles without the need of pervasive roadside communication infrastructure. Although mobile cellular networks are capable of providing wide coverage for vehicular users, the requirements of services that require stringent real-time safety cannot always be guaranteed by cellular networks. Therefore, the Heterogeneous Vehicular NETwork (HetVNET), which integrates cellular networks with DSRC, is a potential solution for meeting the communication requirements of the ITS. Although there are a plethora of reported studies on either DSRC or cellular networks, joint research of these two areas is still at its infancy. This paper provides a comprehensive survey on recent wireless networks techniques applied to HetVNETs. Firstly, the requirements and use cases of safety and non-safety services are summarized and compared. Consequently, a HetVNET framework that utilizes a variety of wireless networking techniques is presented, followed by the descriptions of various applications for some typical scenarios. Building such HetVNETs requires a deep understanding of heterogeneity and its associated challenges. Thus, major challenges and solutions that are related to both the Medium Access Control (MAC) and network layers in HetVNETs are studied and discussed in detail. Finally, we outline open issues that help to identify new research directions in HetVNETs.

Machine-to-machine (M2M) communications are expected to provide ubiquitous connectivity between machines without the need of human intervention. To support such a large number of autonomous devices, the M2M system architecture needs to be extremely power and spectrally efficient. This article thus briefly reviews the features of M2M services in the third generation (3G) long-term evolution and its advancement (LTE-Advanced) networks. Architectural enhancements are then presented for supporting M2M services in LTE-Advanced cellular networks. To increase spectral efficiency, the same spectrum is expected to be utilized for human-to- human (H2H) communications as well as M2M communications. We therefore present various radio resource allocation schemes and quantify their utility in LTE-Advanced cellular networks. System-level simulation results are provided to validate the performance effectiveness of M2M communications in LTE-Advanced cellular networks.

The escalating teletraffic growth imposed by the proliferation of smartphones and tablet computers outstrips the capacity increase of wireless communications networks. Furthermore, it results in substantially increased carbon dioxide emissions. As a powerful countermeasure, in the case of full-rank channel matrices, MIMO techniques are potentially capable of linearly increasing the capacity or decreasing the transmit power upon commensurately increasing the number of antennas. Hence, the recent concept of large-scale MIMO (LS-MIMO) systems has attracted substantial research attention and been regarded as a promising technique for next-generation wireless communications networks. Therefore, this paper surveys the state of the art of LS-MIMO systems. First, we discuss the measurement and modeling of LS-MIMO channels. Then, some typical application scenarios are classified and analyzed. Key techniques of both the physical and network layers are also detailed. Finally, we conclude with a range of challenges and future research topics.

Big data offers a plethora of opportunities to mobile network operators for improving quality of service. This article explores various means of integrating big data analytics with network optimization toward the objective of improving the user quality of experience. We first propose a framework of Big Data-Driven (BDD) mobile network optimization. We then present the characteristics of big data that are collected not only from user equipment but also from mobile networks. Moreover, several techniques in data collection and analytics are discussed from the viewpoint of network optimization. Certain user cases on the application of the proposed framework for improving network performance are also given in order to demonstrate the feasibility of the framework. With the integration of the emerging fifth generation (5G) mobile networks with big data analytics, the quality of our daily mobile life is expected to be tremendously enhanced.

Vehicular ad hoc networks are expected to significantly improve traffic safety and transportation efficiency while providing a comfortable driving experience. However, available communication, storage, and computation resources of the connected vehicles are not well utilized to meet the service requirements of intelligent transportation systems. Vehicular cloud computing (VCC) is a promising approach that makes use of the advantages of cloud computing and applies them to vehicular networks. In this paper, we propose an optimal computation resource allocation scheme to maximize the total long-term expected reward of the VCC system. The system reward is derived by taking into account both the income and cost of the VCC system as well as the variability feature of available resources. Then, the optimization problem is formulated as an infinite horizon semi-Markov decision process (SMDP) with the defined state space, action space, reward model, and transition probability distribution of the VCC system. We utilize the iteration algorithm to develop the optimal scheme that describes which action has to be taken under a certain state. Numerical results demonstrate that the significant performance gain can be obtained by the SMDP-based scheme within the acceptable complexity.

By leveraging mobile edge computing (MEC), a huge amount of data generated by Internet of Things (IoT) devices can be processed and analyzed at the network edge. However, the MEC system usually only has the limited virtual resources, which are shared and competed by IoT edge applications. Thus, we propose a resource allocation policy for the IoT edge computing system to improve the efficiency of resource utilization. The objective of the proposed policy is to minimize the long-term weighted sum of average completion time of jobs and average number of requested resources. The resource allocation problem in the MEC system is formulated as a Markov decision process (MDP). A deep reinforcement learning approach is applied to solve the problem. We also propose an improved deep Q-network (DQN) algorithm to learn the policy, where multiple replay memories are applied to separately store the experiences with small mutual influence. Simulation results show that the proposed algorithm has a better convergence performance than the original DQN algorithm, and the corresponding policy outperforms the other reference policies by lower completion time with fewer requested resources.

The Internet of Things (IoT) extends the Internet connectivity into billions of IoT devices around the world, where the IoT devices collect and share information to reflect status of the physical world. The Autonomous Control System (ACS), on the other hand, performs control functions on the physical systems without external intervention over an extended period of time. The integration of IoT and ACS results in a new concept - autonomous IoT (AIoT). The sensors collect information on the system status, based on which the intelligent agents in the IoT devices as well as the Edge/Fog/Cloud servers make control decisions for the actuators to react. In order to achieve autonomy, a promising method is for the intelligent agents to leverage the techniques in the field of artificial intelligence, especially reinforcement learning (RL) and deep reinforcement learning (DRL) for decision making. In this paper, we first provide a tutorial of DRL, and then propose a general model for the applications of RL/DRL in AIoT. Next, a comprehensive survey of the state-of-art research on DRL for AIoT is presented, where the existing works are classified and summarized under the umbrella of the proposed general DRL model. Finally, the challenges and open issues for future research are identified.

As one of the fastest growing technologies, machine-to-machine (M2M) communications are expected to provide ubiquitous connectivity. M2M devices can be used for a wide range of emerging applications that have various communications requirements. While M2M communications have been developed for many years, major challenges still remain with their efficient implementation from the perspective of low energy consumption and wide coverage. To address these challenges, low power wide area (LPWA) technology is investigated as one of the potential candidate solutions. In this article, we first introduce some typical LPWA M2M application scenarios. Given their requirements, we highlight key techniques and standards that are explicitly designed for LPWA M2M communications. Finally, we present an LPWA prototype system to evaluate its performance and demonstrate its potential in bridging a technological gap for future Internet-of-Things (IoT) applications.