车联网频谱捷变机制研究

吴启晖，金珊珊，董 超，黄 洋，戚 楠

(南京航空航天大学 电磁频谱空间认知动态系统工业与信息化部重点实验室，南京210016)

车辆自组织网络简称车联网(Vehicular Ad Hoc Networks，VANETs)，是移动自组织网络的一种特殊形式，对于提升道路交通的信息化，减少交通事故，提高交通安全，均具有十分重要的意义，近年来已成为智能交通领域的研究热点[1].在车联网中，车辆可以通过车载单元(On-Board Unit，OBU)实现与其通信范围内车辆的V2V(Vehicular to Vehicular)通信，同时，车辆也可以通过道路两侧的路边单元(Road Side Unit，RSU)与其通信范围内的车辆实现V2R(Vehicular to RSU)通信.在未来，车辆还可以与路边行人以及路灯等路边交通设施进行通信，进一步为自动驾驶等应用提供有力的支持.

由于车辆具有高度的移动性，无线频谱资源就成为车联网的重要资源.1999年，美国联邦通信委员会(Federal Communications Commission，FCC)为智能交通系统(Intelligent Transport System，ITS)分配了5 850～5 925 MHz总共75 MHz的带宽，用于IEEE 802.11p技术标准[2].其中，5 850～5 855 MHz的5 MHz是预留的保护频段，余下的从5 855～5 925 MHz频段共划分了7个信道，每个信道的带宽为10 MHz.同时，FCC对每个信道的业务进行了定义，包括1个控制信道(Control CHannel，CCH)和6个服务信道(Service CHannel，SCH).可以看出，FCC固定了这些信道的使用方式，具体来说，控制信道用于传输安全控制类消息，而服务信道则用于传输用户的业务信息[3].

随着包括自动驾驶、道路安全通告以及车内娱乐等车联网业务的发展与普及，固定分配的频谱使用模式已经无法满足需求.1)车联网的拓扑是不停变化的，每一时刻都可能会有车辆加入或离开网络，网络拓扑随时间和位置的动态变化导致了频谱资源需求的动态性；2)不同地域中的车辆密度不同，比如，城区的车辆密度会远远大于郊区，对任何地域都采用固定的频谱分配方式就显得灵活性不足；3)车联网的网络环境十分复杂且在动态变化，物联网的兴起导致用频设备增多，这加剧了无线频谱环境的复杂性与动态性，车联网也不能幸免.因此，无论从车联网的动态用频需求还是车联网频谱资源本身的动态性来说，固定分配的频谱使用模式都会加剧车联网频谱资源的紧缺，从而频谱资源的动态灵活运用就成为了车联网发展的关键问题.

近些年，有许多研究都力求打破车联网频谱资源固定使用的模式.文献[4]解决WAVE系统频谱利用不足并且效率低下的问题，采用认知无线电的概念和增强型分布式协调接入(Enhanced Distributed Channel Access，EDCA)技术，提出了适用于VANETs的认知MAC协议，该协议在长期频谱接入中使用并发传输来增强MAC容量，在短期频谱接入中采用宽带频谱的方法，从而提高了信道利用率(Channel Utilization， CU)和安全消息的可靠性.文献[5]根据车辆节点的移动性，利用地理位置和感知的频谱信息，提出了一种允许车辆机会性地访问WiFi信道的协议，其中感知的信道信息和地理位置被用于执行发送分组的认知路由，该协议可以提高整体网络吞吐量.文献[6]提出了一种车载网络的认知MAC协议，该协议使用短期和长期无线电频谱接入来保证公平的频谱共享.此外，所提出的信道接入方案利用多用户的多样性来实现较高的网络吞吐量.文献[7]提出了适用于城市和郊区的高效多通道服务质量认知MAC协议，专用于车载环境的高效多信道QoS认知MAC.文献[8]基于一个包含多个时隙的时间窗设计了资源分配算法，分析了包含主基站和次级基站的小区中的频谱共享策略.以上工作对车联网频谱资源的动态利用进行了有益的探索，但并未很好地考虑车联网频谱资源的特征，比如，车辆有限的通信距离导致的频谱可重用性等.

本文作者对车联网频谱捷变机制进行研究，频谱捷变是智能、可靠、高效地使用频谱资源的有效技术.使用频谱捷变技术，可以根据实时频谱态势进行智能决策，及时地对频谱资源进行调整，从而有效地解决频谱拥塞和干扰等问题，极大地提高频谱利用效率.

1 车联网频谱捷变架构与协议

1.1 车联网频谱捷变架构

如图1所示，本文所提的车联网频谱捷变架构包含频谱感知、频谱决策以及频谱服务三层，具体描述如下.

图1 车联网频谱捷变架构Fig.1 Architecture of spectrum agility for VANETs

1)频谱感知层的主要作用是对车联网环境的频谱使用状况进行感知，为下一步的频谱决策提供依据.这一功能由图1中的频谱感知模块完成，常用的方法有能量检测法、匹配滤波器检测法和循环平稳特征频谱检测法等[9].除此之外，考虑到车辆的通信距离往往并不远这一特点，本文提出基于车辆的位置感知以及地理位置数据库等信息，对车辆进行分组，如图1中的车辆分组模块，其思想在于依据车辆的分布情况对车辆进行分组，实现对空闲频谱的粗粒度划分，即按照车辆的不同分组来接入相应的空闲频谱资源.

2)频谱决策层是车联网频谱捷变的关键一层，通过频谱感知层提供的信息，为每一辆车的每一类业务分配相应的频谱资源，从而保证车辆以及应用的服务质量(Quality of Service，QoS)要求，这一步是对空闲可用频谱的细粒度调度.

3)频谱服务层的主要功能是进行频谱的利用，主要包括频谱共享和频谱移动模块.它们会利用频谱决策的结果，解决多辆车之间的频谱共享以及车辆移动导致的频谱移动问题.

在上述所提的车联网频谱协作架构中，车联网动态分组模块与车联网频谱决策模块至关重要.

1.2 车联网动态分组协议

考虑到车辆有限的通信距离，相距比较远的车辆可以复用相同的频谱资源，同时，从车联网的应用出发，并不是网络中的所有车辆都需要建立通信连接，比如，相距很远的车辆并不需要相互之间通告安全信息等.因此，对车辆进行分组是节省频谱管理成本、提高车联网频谱管理效率的有效技术手段.本文考虑车辆驾驶员可能具有的沿某一特定路线和目的地行驶的特性，引入车辆的宏观社会行为这一概念，提出一种基于车辆社会行为的车辆动态分组协议，其流程如图2所示.

图2 车联网动态分组Fig.2 Dynamic networking of VANETs

1)整个网络被分成不同的子网络(对应社会学中的社区)，每个RSU(按照RSU位置分布的稀疏程度，每个RSU中可能包含1个或多个子网络)收集各自网络内车流的统计信息以及各个车辆的个体信息(包括速度、方向、位置等)，完善对各个车辆的宏观社会行为信息的收集，收集的结果将为后续车辆动态分组协议设计提供必要的数据信息.

2)RSU跟踪每个车辆并对其社会行为信息进行判定，对社会行为相似的车辆进行初步分组，使不同分组的车辆具有相同或相似的社会行为，从而在大时间跨度上，初步保持各个分组的稳定.

3)在初步分组的基础上，根据设计目标是否完成，借助库仑定律的思想，将车辆的宏观社会行为与 “虚拟库仑力”[10]的微观社会行为相结合进行进一步分组.比如，当两车辆靠近或以相同速度前行时，两车辆以较大概率划归于同一组中，车辆之间存在牵引力；反之，当两车辆间距随时间推移而增大时，两车辆在同一组中的可能性小，则车辆之间存在排斥力.具体实现时，各个车辆按照IEEE 802.11协议，以一定周期广播各自的信标信息，来通知周围车辆自己的存在，并告知临近车辆自己的位置坐标(通过车载GPS获取)、速度大小和方向信息.

1.3 频谱决策协议

利用地理频谱数据库，频谱决策协议可以根据业务的QoS要求以及链路层的接入等因素选择出最合适的通信频谱.车联网频谱决策协议应实现以下功能：通过观察确定每个可用频谱的特征，在确定端到端路由上为每一跳找到最佳的频点，从而满足端到端的QoS需求；同时，根据无线电环境和用户的QoS要求重新配置通信协议的参数以及通信硬件的设置[11-13].考虑到车辆的移动性，车联网的频谱决策对实时性、最优性要求更高.因此，本文认为，频谱决策协议设计过程应遵循以下所述多智能体决策问题求解架构:

1)从Markov决策过程理论、Q-learning的理论基础出发来设计频谱决策协议，使得整个数学规约表达满足Bellman方程，从而满足动态规划问题解最优性的必要条件，即可以确保面向长期目标，协议所获得的频谱是最优的.

2)基于强化学习理论设计适用于车联网的、以长期目标为优化导向的在线智能频谱协作决策协议的具体流程.需要注意的是，车联网的频谱决策不是单智能体的决策而是多智能体的协同决策，这样才能使得频谱决策协议更加合理化.

在本文的实现中，采用了链路的SINR、车辆的分组情况以及业务的QoS需求等作为频谱决策的主要依据，通过以上多智能体决策问题的求解架构来求解.

2 仿真评估及结果分析

为了对所提的车联网频谱捷变机制进行评估，本文使用道路交通软件SUMO，网络仿真软件EXata以及计算软件Matlab进行了联合仿真.

2.1 仿真系统架构

车联网频谱捷变仿真系统整体架构如图3所示.仿真大致分为两个部分，其中离线部分主要包括道路交通模拟与车联网动态分组模块，两者将车辆移动轨迹以及相应的车辆分簇结果发送给在线部分的对应模块后，仿真就进入在线部分的执行.其中，网络仿真模块与频谱决策模块会不停交互信道增益、换频命令以及分簇信息来推动仿真的进展，同时，两者还会将各自的结果实时发送给展示模块进行结果呈现.表1介绍了车联网网络仿真软件EXata的配置.

图3 车联网仿真架构Fig.3 Simulation architecture of VANETs

表1 仿真场景参数配置

2.2 仿真结果分析

网络仿真软件EXata中的场景如图4所示，本文选取的是位于南京建邺区奥体大街周围街道的百度卫星地图，其中不同分组的车辆有不同的标识.

图4 EXata仿真场景Fig.4 Simulation scenario of EXata

仿真运行过程中，通过实时显示终端可以展示各个信道以及整个系统的吞吐量和丢包率，如图5所示.图5(a)中,在实时显示终端上可以看到，仿真时间为75 s时，信道1显示红色并且传输速率为0 bps，表示信道1被完全干扰，此时丢包率明显上升.图5(b)中，仿真时间为80 s时，信道1仍然被干扰，但是在此过程中频谱决策模块根据信道状态决策出最合适的信道并将换频信息传给EXata后，节点切换到信道19上进行传输，相比75 s时，丢包率开始下降，说明了频谱捷变机制的有效性.

图5 仿真运行结果Fig.5 Simulation results

3 结论与展望

本文提出了一种车联网频谱捷变架构，讨论了其中两个重要的协议并利用仿真对所提机制的有效性进行了评估.在未来，车联网环境会更加复杂，车联网频谱捷变将面临巨大的挑战.为了应对这些挑战，可以结合如下技术来进一步完善频谱捷变机制.

1)深度强化学习技术：现有的频谱感知技术通常需要以检测用户信号的方式来获得授权信道的使用状况，在这个角度来看，频谱感知也可以看作是一种信号检测问题.面向复杂的电磁频谱环境，需要基于模型的深度学习技术来提升频谱检测性能，而强化学习可以通过试错来更好地适应实时环境的变化，因此可以将这两种技术结合起来形成深度强化学习来快速识别车辆所处情景、频谱环境、频谱资源状态、车辆行为等.

2)分层优化技术：传统协议栈的层与层之间都是独立设计和运行，并由动态接口来完成通信的.这些接口使得网络设计大大简化，并具有良好的扩展性能，但是这也会使得网络结构灵活性变差.分层优化技术可以使频谱感知层、频谱决策层、频谱服务层基于总体优化目标解耦实现各层优化.分层优化技术在车联网应用中，可以极大地提高频谱捷变的性能，满足各种业务服务质量(QoS)的要求，因此在研究车联网频谱捷变机制时，基于分层优化进行网络跨层设计是值得期待的.

3)快速决策技术：在频谱捷变中，频谱分配影响着频谱共享的合理性和有效性.现有的频谱分配算法大都存在目标优化方面收敛性不高、求解效率低下的问题，快速决策技术可以利用各种优化算法来有效解决频谱分配问题，达到在提高频谱利用率的同时，减少计算时间，增强对动态环境的适应能力.同时，快速决策也可以更好地应对未来车联网更加动态的网络环境.