随着物联网概念和5G等移动多媒体业务的迅猛发展,智慧城市、智能交通的需求也应运而生,上述需求的满足需无线网络的支持,未来的海量连接对通信速率提出了较高要求,传统的移动通信网络和WIFI等低频段的无线网络已经无法满足要求,随着学者对于毫米波波段的研究深入,学术界和工业界看到了未来无线网络的希望,毫米波波段相较于低频而言,其拥有丰富的频带资源,可以满足诸多有高通信速率需求的应用,比如AR、VR等。但目前拥有的802.11ad/ay标准,其波束赋形技术运用到某些特定场景中若不加以优化,则会导致很多不必要的开销。因此,本文基于高低频辅助的网络架构,就车联网场景如何减小波束训练开销及如何优化切换过程的两大问题,展开深入研究。首先论文分析了现有的相关标准技术,对802.11ad/ay中60GHz信道和802.11p中5.9GHz信道作了性能仿真分析,如SNR等。根据仿真结果,阐述了现有标准方案的不足,即在有规律的车联网场景中,如果利用这些规律,则可以减小波束训练时间。在实际场景中若车辆节点无法及时收到信息,会造成潜在危险,因此需要运用其他方法或算法对现有标准做出改进。基于此,本文提出了两种基于高低频网络架构的优化方案:一种是快速寻找通信链路的波束训练接入方案,另一种是利用机器学习算法减小波束训练开销的接入方案。经过仿真分析,两个方案均减小了接入时延,提升了网络性能。然后,论文研究了车辆节点在两个或多个网络覆盖范围间移动时产生的切换问题。在车联网场景中,当车辆节点在多个网络覆盖范围内移动时,若仅实施现有标准,则车辆节点容易发生频繁的网络切换现象,增加了因切换失败而导致网络中断的风险。为了减小该风险,本文提出了一种基于高低频网络架构的强化学习切换改进算法,经过仿真分析,本方案可以让系统基于效用函数,实现网络资源的优化,减小了不必要切换现象的发生,提高了系统的吞吐量等性能。