V2X通信的资源管理及功率控制算法

蹇清平，张毅

(1.成都工业职业技术学院，四川 成都 610218; 2.西南石油大学，四川 成都 610500)

0 引 言

随着电子信息技术的快速发展，物联网技术和应用得到广泛关注。第三代伙伴项目(3rdGeneration Partnership Project, 3GPP)推出的长期演进(Long Term Evolution, LTE)是物联网的一个最主要技术标准，其旨在覆盖所有物联网应用[1]。

车至一切(Vehicle to Everything, V2X)通信是物联网的最重要应用区域[2]。近期，3GPP推出了基于LTE的V2X通信的第14个版本，其使车流量管理更有效率，道路行驶更安全。V2X涉及到车-车(Vehicle-to-Vehicle, V2V)、车-基础设施(Vehicle-to-Infrastructure, V2I)、车-行人(Vehicle-to-Pedestrian, V2P)和车-网络(Vehicle-to-Network, V2N)通信。近期，V2X研究受到广泛关注。但V2X的应用对数据传输的可靠性和时延具有严格要求。

车辆的高速移动是影响V2X服务质量的关键因素。在3GPP的12/13版标准中，近距离服务(Proximity Service, ProSe)，即设备至设备(Device-to-Device, D2D)通信能够提供近距离范围内两个或多个设备直接通信，而无需通过eNodeB转发。这种通信策略满足了车载网络要求[3]。因此，基于D2D通信的蜂窝网络是最有希望推进V2X通信的技术。

相比于下行链路(Downlink, DL)，上行链路(Uplink, UL)子帧未能得到充分利用。因此，可将UL资源重新分配至D2D通信。D2D通信资源分配有两Underlay和Overlay两种模式[4]。Underlay模式[5]允许蜂窝用户(Cellular Users, C-UEs)和车载用户(Vehicular Users, V-UEs)共享相同的资源块(Resources Block, RB)。

因此，Underlay模式能够获取最佳的频谱效率，但是C-UEs与V-UEs间存在干扰。相反, Overlay模式给V-UEs分配专门资源，就不存在V-UEs和C-UEs间的干扰问题，但其频谱利用率低[6]。

为此，考虑到频谱效率，采用Underlay模式，并提出有效的资源分配和功率控制(Resources Allocation and Power Control, RAPC)算法。RAPC算先依据最大化信道容量原则，给V2I用户分配资源，然后，在维持V2V用户的时延和可靠条件下，V2V用户与V2I用户共享资源。仿真结果表明，提出的RAPC算法在保证了数据包传递率的前提条件下，有效地提高了资源利用率。

1 系统模型

考虑一个基于D2D通信的车载网络环境，其由k条V2I和m条V2V通信链路组成。令κ={1,2,…,k}表示V2V链路集。令R={1,2,…,m}表示V2I链路集。对于总体UL带宽，总共有n个RBs。且令={1,2,…,n}表示RBs集，如图1所示。

图1 系统模型

V2I链路承载娱乐和交通管理数据(非安全数据)的传输，其对信道容量具有高的要求，但对传输时延要求并不高。因此，可将V2I用户看成蜂窝网络的C-UEs。而对安全数据的传输[7]，要求低时延。这就是为什么利用D2D链路完成车间通信原因。通过D2D链路，实现车辆间直接完成数据传输，降低时延。

考虑如图1所示的系统模型，V2V用户和V2I用户共享资源。其中V2V用户通过蜂窝链路完成数据传输，而V2V用户通过D2D链路完成数据传输。eNodeB将正交RBs分配给V2I链路同时，在满足Qos条件，将已分配给V2I链路的RBs也重新分配给V2V链路，进而实现V2V链路和V2I链路共享RBs。

然而，由于V2V用户与V2I用户共享RB，可能存在干扰。因此，必须在满足Qos条件，才能进行资源共享。为此，提出RAPC算法，对V2I用户和V2V用户资源进行有效分配，使V2I用户实现速率最大化、V2V用户的数据传输时延最低。

2 RAPC算法

图2 算法框架

提出RAPC算法的目的就是最大化V2I用户的信道容量，并维持V2V用户通信时延要求。RAPC算法的框架如图2所示。先分别给V2I用户、V2V用户定义指标。再依据指标给这些用户设定分配资源的优先级。前者主要考虑吞吐量和缓存尺寸；后者主要考虑数据包的传输时延。然后，再分配资源。V2I用户基于速率最大化原则分配RBs，而V2V用户在不形成干扰的条件下，与V2I用户共享RBs。

2.1 指标

依据V2I和V2V用户的要求，给它们设置不同的资源分配优先级指标。例如，V2V用户对时延要求严格，因此，优先给等待时延长的用户分配资源。

2.1.1V2I-用户指标

公平性是资源分配的关键性能。参照文献[8]的比例公平(Proportional Fairness, PF)算法，将用户的瞬时吞吐量与上一个时间段的平均吞吐量比例融入V2I用户的指标。同时，将数据缓存区尺寸纳入指标。

(1)

其中ri(t)表示第i个V2I用户的吞吐量，其定义如式(2)所示。Δc(t)表示所有V2I用户队列缓冲区的数据量之和，而Qi(t)表示第i个V2I用户队列缓冲区尺寸。

ri(t)=lg(1+SINRi)

(2)

而Ri(t-1)表示上一时刻的平均吞吐量，其定义如式(3)所示：

(3)

其中τ表示i个V2I用户的平均数据率。

2.1.2V2V用户指标

为了降低数据包传输时延，将数据包在缓存区内等待的时间纳入V2V用户指标。等待的时间越长，分配资源的优先级就越高，即优先分配资源。

(4)

V2I用户和V2V用户分别依据式(1)和式(4)进行排序，指标值越大，分配资源的优先率就越高。

2.2 资源分配

2.2.1V2I用户的资源分配

首先，依据最大信道容量原则给V2I用户分配RBs分配。依据Shannon公式，先计算V2I用户获取的数据率。假定第i个V2I用户在第h个RB上获取的数据率为C(i,h)：

(5)

每个V2I用户追求最大的数据率，因此，试图从RB上寻找某个RB资源，进而最大化数据率，如式(6)所示：

2018年上半年，中国国内生产总值(GDP)实际同比增长6.8%，延续了稳定增长的态势。在出口较快增长的带动下，制造业投资和民间投资保持着良好的发展势头，消费则继续成为支撑经济增长的主要动力。而在供给一侧，工业增加值同比增速也稳定在6.6%—6.9%之间，与实际GDP增速的走势基本一致。中国经济表现出相当的韧性。

(6)

具体而言，每个V2I用户先依据式(5)选择获取数据率。再从RBs中选择RB，选择能获取最大化数据率的RB，如式(7)所示：

Find(i,h)=maxC(i,h)

(7)

其中h表示第i个V2I用户能在第h个RB获取最大的数据率。

然后，将第h个RB资源分配给示第i个V2I用户。并重新更新RBs集，即将第h个RB资源从中删除，即=/{h}。同时，将已分配的RB资源组建成一个集Ψ←{h}。即Ψ表示已分配给V2I用户的RB资源。V2I用户资源分配过程如表1所示。

表1 V2I用户的资源分配

2.2.2V2V用户资源分配及功率控制

最初，给每个V2V用户的初始功率设置Pm，且Pm=Pinit。然后，计算第j个V2V用户在占第h个RB资源上SINR。且第h个RB资源已分配给第i个V2I-UE。

(8)

其中Pj,h、Pi,h分别表示第j个V2V用户、第i个V2I用户在第h个RB资源上的传输功率。而gm、gi,j分别表示第j个V2V用户信道功率增益、第i个V2I用户至第j个V2V用户的干扰信道功率增益。而σ2表示噪声功率。

(9)

若不满足式(9)，就依据式(10)调整传输功率Preq：

(10)

其中Ψ分别表示已分配给V2I用户的RBs资源集。并将第j个V2V用户的传输功率进行更新，即Pj,h=Preq。为了防止传输功率过大，对传输功率进行限制，即Preq≤Pmax。Pmax表示允许用户传输的最大功率。

然后，重新计算式(8)获取新的δj,h。再继续判断是否满足式(9)。如果满足，第j个V2V用户就与第i个V2I用户共享第h个RB。若不满足，就依据式(10)调整传输功率，如图3所示。

图3 V2V用户功率控制及资源分配流程

3 性能分析

3.1 仿真环境

引用Matlab仿真器建立仿真平台，分析RAPC算法性能。考虑一个简单的蜂窝模型：蜂窝区半径为1.5km，系统带宽5 MHz和载波频率为2 GHz。V2I用户和V2V用户数在50～500变化。eNodeB依据从用户所接收信道质量指标(Channel Quality Indicator, CQI)进行资源分配决策，且每隔传输时间间隔(Transmission Time Interval，TTI)就进行资源分配一次。具体的仿真参数如表2所示。

表2 仿真参数

此外，为了更好地分析RAPC算法性能，选择基于位置的资源分配(Position-based Resource Allocation, PRA)[9]和基于定位的资源分配(Location Dependent Resource Allocation, LDRA)[10]算法作为参照，并分析对比分析它们的吞吐量、数据包丢失率、数据传输时延等性能。

3.2 数据分析

3.2.1实验一

首先，分析系统吞吐量随用户数的变化情况。系统吞吐量是指在仿真时间内所有用户(V2V和V2I用户)传输的数据量。如图4所示。

图4 系统吞吐量

从图4可知，相比于PRA和LDAR算法，RAPC算法获取最高的吞吐量。原因在于：RAPC算法以最大信道率原则给V2I用户分配资源，并在维护SINR前提下给V2V用户分配资源，进而提高网络效率和蜂窝性能。因此，RAPC算法提高了资源使用率，提高了吞吐量。

3.3 实验二

本次实验分析RBs资源利用率。从图5可知，相比于PRA和LDRA算法，RAPC算法的资源利用率最高。RAPC算法和LDAR算法的RBs利用率超过100%，这主要因为V2I用户和V2V用户间能够共享RBs。此外，RAPC算法的资源利用率高于LDAR算法，且当用户数为100时，RAPC算法的资源利用率超过LDAR算法40%。这主要因为：RAPC算法依据车辆位置进行资源分配，这容易引入资源匮乏。

图5 RBs利用率

3.4 实验三

本次实验分析V2V用户和V2I用户的平均队列时延，如图6所示。从图6可知，相比于PRA和LDAR算法，RAPC算法的能够有效地控制队列时延。

对于V2I用户而言，RAPC算法依据式(1)定义了指标，其考虑了队列尺寸，使有具有多个数据包的用户优先分配资源，这就降低了数据包在队列中的时延。

从图6(b)可知，相比于LDAR算法，RAPC算法使V2V用户拥有更少的队列时延。例如，当V2V用户数为500时，RAPC算法的平均队列时延比LDAR算法下降了20ms。

图6 平均队列时延

3.5 实验三

最后，通过实验三分析数据包丢失率，如图7所示，其中图7(a)显示V2I用户的数据包丢失率；图7(b)显示了V2V用户的数据包丢失率。

图7 数据包丢失率

从图7可知，RAPC算法有效地降低了数据包丢失率，其数据包丢失率低于PRA和LDRA算法。而PRA算法的V2I用户的数据包丢失率最高，原因在于：它并没有考虑缓存区尺寸。例如，当V2I用户数为500时，PRA算法的数据包丢失率达到0.8。

4 结 语

本文针对基于D2D通信的V2X服务的资源分配者了研究，并提出RAPC算法。RAPC算法先给V2V和V2I用户定义指标，并依据这些指标设备资源分配的优先级。然后，依据最大信道容量原则，给V2V用户分配资源，并使V2I用户与V2V用户共享资源，提高资源利用率。最后，通过仿真实验分析了RAPC算法性能。