5G蜂窝车联网(C-V2X) 资源分配优化与性能评估

洪莹 沙宇晨 丁飞 陈竺 张登银

关键词：智慧交通；蜂窝车联网（C-V2X）；V2X通信；车对车通讯（V2V）；资源分配；吞吐量

第5代移动通信系统（5thgenerationmobilecommunicationsystem，5G）的迅猛发展给车联网带来了重大发展机遇，5G与车联网的融合推动了城市道路基础设施的升级部署以及智能网联车路云协同系统的建设[1]。蜂窝车联网（cellularvehicle-to-everything，C-V2X）通信技术从长期演进（longtermevolution，LTE）平滑演进到5G，利用5G网络的高速率和低时延优势可显著提高智能网联车辆的通信与服务性能[2]。一方面，基于C-V2X技术，智能网联车辆具备与周围车辆以及道路相互通信的能力，这一能力使得智能网联车辆在跟驰和换道等过程中获得更多信息，有助于生成更加灵活、智能的决策[3]；另一方面，车到车（vehicletovehicle，V2V）、车到路（路侧设施）（vehicles-toinfrastructure，V2I）、车到人（vehicletopedestrian，V2P）和车到云（vehicletocloud，V-C）多种组网模式的混合运用，有益补充了智能网联交通下人、车、路、云的服务场景[4]。

然而，智能网联车辆大数量并发连接并入网运行，车辆高速移动和V2X组网加剧网络拓扑和信道动态变化，造成车联网组网性能无法获得保证[5]。在大规模5G蜂窝车联网中，传统的蜂窝网络资源管理手段已难以满足动态变化的车联网用户需求[6]。研究如何在高速变化的车联网拓扑网络中进行高效的车联网资源分配管理，对于保障车联网通信与服务质量，以及为后期车联网实际部署与管理奠定坚实基础且具有实际意义[7-8]。

为了缓解蜂窝车联网有限频谱资源与海量用户业务匹配需求的紧张矛盾，已有众多研究者致力于资源分配优化方面研究。针对高移动性车辆环境导致车联网网络拓扑和信道快速变化，使得蜂窝网络无法收集准确的瞬时信道状态信息用于集中资源管理。文献[9]构建了基于车辆运动特征的时变模型，以支撑评估交叉口车辆排队通信的动态连接性能。文献[10]提出了一种基于多任务强化学习算法来优化资源分配和频谱共享问题，将资源共享建模为多智能体强化学习问题，通过适当的奖励设计和训练机制更新Q网络以学习改善频谱和功率分配，有效提高V2V链路的有效载荷交付率和V2I链路的总容量。为满足智能网联车辆对数据流量日益增长的需求，文献[11]提出了一种基于混沌—灰狼优化算法的V2X功率控制和无线信道分配策略，综合考虑V2V链路的时延约束和V2I链路的公平性约束等服务质量（qualityofservice，QoS）指标，在实现蜂窝车联网资源分配的同时，提升了系统吞吐量。

文献[12]将最大功率分配和最佳功率分配机制用于V2V链路的传输节点的功率分配环节，通过深度优先搜索树算法建立最优功率策略，可以最大限度的提高整体网络资源的利用率。针对大量车联网业务造成的数据拥塞问题，文献[13]构建了V2X协同缓存与资源分配架构，引入了拉格朗日乘子法对V2X系统的功率与计算资源进行联合优化。在进行V2X资源分配时，如果不能充分考虑蜂窝车联网动态复杂环境下的信道衰落影响，会造成无线资源分配的不合理，为此文献[14]评估和对比分析了蜂窝车联网系统中无线信道受到的大尺度和小尺度衰落对资源分配造成的不同影响。当多个用户共用同一时频资源进行数据传输时会产生一定的相互干扰，设计有效的功率分配策略可缓解信道传输效能。文献[15]基于最大化用户的可达速率，设计了2种非正交多址（non-orthogonalmultipleaccess，NOMA）中繼辅助传输方案，但由于系统遍历等问题，造成该方法的计算复杂度较高。文献[16]在车辆边缘计算（vehicularedgecomputing，VEC）架构下，纳入了随机任务到达与信道变化等车载动态环境因素，通过构建的分离式深度强化学习（deepreinforcementlearning，DRL）框架来生成功率分配优化策略，相比传统集中式DRL框架具有更好的功耗和延迟服务性能。上述研究主要采用模型驱动方法对蜂窝车联网资源进行优化并取得了较好的研究进展，但在模型设计时通常需要自定义学习率和损失函数等参数，且需要找出不同训练条件下的迭代运算优化值，当蜂窝车联网车辆规模和并发业务量增加时，为满足蜂窝车联网网络资源细粒度精确配置需求时，对应模型的待优化变量呈指数级增长，从而影响到系统的执行效率。

本文研究5G蜂窝车联网V2X资源分配优化问题，在实时感知信道状态条件下应用启发式图优化方法设计蜂窝车联网资源分配算法，满足V2I下行吞吐量最大化并保证V2V链路的连接性要求。在蜂窝车联网V2X组网环境下，算法综合考虑V2I链路的吞吐率和V2V链路的可靠连接性需求，以提出满足V2X系统中V2I下行链路的吞吐量和V2V链路可靠性的优化模型，通过动态的功率分配以提高蜂窝车联网V2X通信系统的组网服务性能。优化目标是在最大发射功率、中断概率等约束条件下使系统下行的吞吐量最大化，通过KM（KuhnMunkras）算法对链路功率进行优化分配，最大限度地保障V2V链路的可靠性用检验仿真结果检验该算法的性能。

1系统模型

1.1网络模型

蜂窝车联网C-V2X组网模型如图1所示。

路侧单元（roadsideunit，RSU）、信号灯控制器、道路视频录像机等路侧设施部署于区域边缘云服务器。V2I链路旨在支持蜂窝下行V2I数据服务，V2V链路负责传输可靠的周期性安全消息，上述信息会根据车辆的移动性以不同的周期频率生成，应用于高级驾驶服务。

路侧单元（RSU）负责收集车辆终端设备和V2X交互信息，从全局视野感知V2X组网过程中的通信状态信息。假设RSU覆盖范围为200m，该C-V2X网络系统存在K个V2V链路和M个V2I链路，将V2V链路的集合记作K={1，2，…，k}，V2I链路的集合记作M={1，2，…，m}，每个V2X组网链路的收发端均配置一根全向天线。

为了提高频谱利用率，V2I正交分配的下行频谱被V2V复用。第m个V2I链路和RSU之间的信道功率增益表示为

其中：hm，R为频率相关的小尺度衰落成分，其服从单位均值的指数分布；αm，R为大尺度衰落成分，由路径损耗和阴影衰落叠加组成[13]。

1.2基于直连通信的信道模型

第3代合作伙伴计划（3rdgenerationpartnershipproject，3GPP）协议为V2V信道模型定义了3类传播场景[17-18]，分别是视距（lineofsight，LOS）、非视距（notlineofsight，NLOS）以及车辆间非视距（notlineofsightduetovehicles，NLOSv），如图2所示。

视距LOS条件下，无线信号无遮挡地在发射机与接收机之间直线传播；NLOS为发射机和接收机之间受到障碍物的遮挡，发射机传输的信号需通过折射、反射、散射以及衍射，从而到达接收机。根据智能网联车辆在高速公路和城区等不同交通场景下的行驶环境，分别构建V2V信道模型对信号发生的衰减与干扰进行模拟，以准确评估智能网联车辆V2X资源分配算法的可行性。

根据3GPPTR37.885[19]标准，高速公路场景LOS、NLOSv条件下的基于PC5接口的V2V通信的路径损耗模型为：

考虑到智能网联车辆的实际行驶过程中存在交叉路口、楼宇建筑物等非视距链路环境，信号不能直接到达接收方，定义NLOS条件下的路径损耗模型为：

1.3基于Uu接口的信道模型

智能网联车辆装配的车载单元（onboardunit，OBU）与路侧单元RSU之间的通信服务模型如图3所示，其中hBS表示RSU天线的高度，hUT表示车辆OBU配置天线的高度，d3D表示OBU天线与RSU天线之间的3D距离。

1.3.1LOS信道模型

城区交通场景中，LOS条件下的路径损耗模型为：

1.3.2NLOS信道模型

NLOS条件下，城区交通场景中，当10m≤d2D≤5km时，路径损耗模型为：

其中：Pm、Pk分别表示V2I和V2V链路的发射功率，gk表示在第k个V2V信道和干扰信道之间的信道增益，σ2表示噪声功率，Im为V2I链路接收信道受到的干扰功率，Ik为V2V链路接收信道受到的干扰功率。

2优化问题描述与算法

2.1优化问题描述

蜂窝车联网V2X资源分配的目标是在动态、时变的C-V2X信道环境下，考虑源节点的最大发射功率限制和目的节点的QoS约束，在每个传输时隙对系统下行吞吐量和V2V链路的连接性进行联合优化。设计的目标函数如式（17）所示，最大限度地保证每个V2V链路可靠组网的前提下，以最大化C-V2X系统的下行链路的吞吐量。

其中：约束（17a）表示M个V2I链路的发射功率都不能大于V2I链路的最大发射功率Pmax。约束（17b）表示每个V2I信道容量需要大于链路的最小限定吞吐量C0。约束（17c）表示K个V2V链路的发射功率需要小于或等于V2V链路的最大发射功率Pmax。p0表示链路可容忍的中断概率，约束（17d）表示K个V2V链路的传输速率需小于或等于可容忍的中断概率，即保证V2V链路的连接可靠性。

最大化系统下行的吞吐量ΣCm的优化问题是离散变量和连续变量并存的混合整数规划问题，优化目标和约束条件是连續优化变量的非凸函数。为了在满足蜂窝车联网中不同链路的多样化需求，即系统下行的吞吐量需求大、V2V连接可靠性需求高的要求，本文引入二分图最佳匹配KM算法对上述优化问题进行求解，将V2I链路总容量的优化问题转化为求带权二分图的链路信道资源的最佳匹配问题。

2.2算法描述

基于带权二分图KM算法以加权二分图为基础，通过寻找增广路径得到最大权值的最佳匹配[20]。V2X链路资源带权二分图匹配框架如图4所示，将V2I链路和V2V链路的接收用户分别列入二分图中两个互不相交的顶点集合X和Y，其中V2I链路用户为集合X，V2V链路用户为集合Y。顶点集合X和Y之间的边赋予权重wij，集合X的结点标杆值为L（xi），集合Y的结点标杆值为L（yj）。

KM算法求的是完备匹配下的最大权匹配：在一个二分图内，对于集合X和集合Y，现对于每组集合连接xiyj有权wij，求一种匹配使得所有wij的和最大。在KM算法执行过程中的任一时刻，对于任一条边xiyj，L（xi）+L（yj）≥wij恒成立，因此初始化时，令集合X的结点标杆值L（xi）为xi所有路径权值中的最大值，集合Y的所有结点标杆值L（yj）均为0。KM算法成立基于定理：若由二分图中所有满足L（xi）+L（yj）=wij的边xiyj构成的子图（称做相等子图）有完备匹配，那么这个完备匹配就是二分图的最大权匹配。其中，基于带权二分图KM算法的核心是匈牙利算法。

KM算法步骤：

步骤1：初始化集合可行顶标的值；

步骤2：用匈牙利算法寻找完备匹配；

步骤3：若未找到完备匹配则修改可行顶标的值；

步骤4：重复步骤2、步骤3直至找到相等子图的完备匹配为止。

匈牙利算法的思想是利用增广路径求最大匹配。对增广路径有定义：M为无向图的一个匹配，若路径P是无向图中一条连通两个未匹配顶点的路径，并且属于M的边和不属于M的边（即已匹配和待匹配的边）在P上交替出现，则称P为相对于M的一条增广路径。匈牙利算法的原理来源于由增广路径定义所推导的3个结论：1）增广路径P的第一条边和最后一条边都不属于匹配M；2）将匹配M和增广路径P进行取反操作可以得到一个更大的匹配M；3）匹配M为二分图发最大匹配当且仅当不存在匹配M的增广路径。

匈牙利算法步骤：

步骤1：初始化匹配M为空；

步骤2：找到一条增广路径P，通过异或操作获得更大的匹配M替代匹配M；

步骤3：重复步骤2直到找不到增广路径，即可得

到二分图的最大匹配。

在链路信道资源的匹配过程中，通过寻找二分图的增广路径得到二分图的最佳匹配，即实现5G网络资源在不同V2X链路的最佳指派。在增广路径的搜索时，利用匈牙利算法对二分图的指派路径进行优化求解，从而快速找出m个V2I和k个V2V链路功率的指派生成路径，即获得蜂窝车联网V2X链路的最佳资源分配策略。基于带权二分图匹配的资源分配搜索流程如图5所示。

带权二分图将V2I链路和V2V链路的接收信道功率划入2个互不相交的顶点集合，V2I链路和V2V的信道容量为连接边权重，求解出满足约束条件下的V2V和系统下行链路分配最优功率，分别表示为Pk和Pm。

基于KM的资源分配算法为：

1）form=1：Mdo

2）初始化V2I链路集合和V2V链路集合的标杆值

3）利用Cm构建二分图对应边的权重

4）使用匈牙利算法寻找增广路径得到最佳路径生成方案

5）返回最优功率分配（Pk，Pm）和V2I、V2V链路匹配策略

3仿真结果与分析

本节通过Matlab仿真平台对高速公路和城区交通场景下的基于KM的资源分配算法进行验证，道路上的智能网联车辆遵循泊松分布原则，从不同交通场景与不同链路数方面评估蜂窝车联网V2X系统的信道容量性能，并与贪婪算法[21]进行优化性能对比。蜂窝车联网V2X通信环境的仿真参数设置如表1所示。

由图6可知：当SINR不断增大时，CDF趋近于1。其中，当可容忍中断概率p0=10-3时，V2V链路满足最大容忍中断概率的约束条件，即蜂窝车联网的V2V链路的连接性达到99.9%。因此，针对不同场景、不同车速等资源分配方案的性能对比时，本文实验将可容忍中断概率配置为10-3。

车辆速度作为影响蜂窝车联网V2X通信的关键因素之一[22]，下面将评估不同车辆速度对V2I链路吞吐量性能的影响。图7和图8分别评估在高速公路和城区交通等不同交通道路场景下基于KM算法进行链路资源分配时的系统下行的吞吐量ΣCm性能。由图7和图8可知，V2I链路的信道容量随着信道反馈时延T的增大而减小；当车辆速度V分别为50、100和150时，随着信道反馈时延T的增加，车辆速度为50时的V2I信道容量相对稳定，车辆速度为100时的V2I信道容量出现较快速的下降，当车辆速度为150时的V2I信道容量产生了急速的降低趋势，主要原因在于多普勒频移与多径效应影响了V2I链路的稳定性，在确保V2V链路的连接性条件时，从而制约了V2I链路的整体容量性能。同时可以看出，高速公路场景下的V2I链路的吞吐量性能优于城区场景，主要原因在于高速公路场景中的遮挡物相对较少且车辆密度一般低于城区交通场景，因此信道环境更优，即通信损耗相较于城区交通场景会更小。

图9给出了蜂窝车联网中V2V链路数对V2I链路性能的影响。假设V2I链路数M设为10时，随着V2V链路的增加，V2X系统的V2I下行链路的信道容量呈现明显的下降趋势。同时，蜂窝车联网V2X通信的发射功率也会影响到V2I链路的吞吐量性能，从图中可看出，发射功率设为23dB时产生V2I链路的信道容量明显优于18dB时，这是因为随着系统V2I链路的增加，V2I的下行链路通信需要与V2V链路共享带宽资源，然而为了保证V2V链路的可靠性，需要减少来自V2I链路的干扰，即限制V2I链路的发射功率，因此导致V2I链路的信道容量下降；而且，V2I链路受到更多干扰时，会导致对应链路的接收SINR的降低。

为了评估蜂窝车联网V2X系统中V2V和V2I链路的发射功率和吞吐量之间的演变关系，在满足约束条件的情况下，基于KM算法对蜂窝车联网的功率进行动态分配，产生的链路功率分配结果如图10所示。图11显示了KM算法与贪婪算法对频谱效率性能的影响。

由图10可知：本文提出的KM算法可以较好地实现V2X通信系统的发射功率和吞吐量之间的平衡，即所提算法可高效的管理网络资源，在保证V2V可靠连接的同时，可动态调节V2I链路的信道容量，保障网络资源的充分利用。

由图11可知：随着迭代次数的增加，两种算法获得的V2I链路的频谱效率均呈现上升趋势。相比于KM算法，贪婪算法可较快收敛到局部最优解。当迭代次数超过3次时，KM算法获得V2I链路的吞吐性能优于贪婪算法；随时迭代次数的增加，KM算法和贪婪算法在迭代次数为7及之后的V2X链路的频谱效率均基本保持为平缓趋势，且KM算法获得的全局最优解性能明显优于贪婪算法。因此与贪婪算法相比，迭代次数设为7次或之后的KM算法可以获得更优的吞吐性能。

4结论

5G蜂窝车联网实现信道资源的动态调度对优化5G-V2X通信具有非常重要意义，本文提出了一种面向系统下行吞吐量最大化并保证V2V链路连接性的资源分配算法，该算法采用实时感知信道状态信息，利用KM算法将资源分配优化问题转化为二分图最大权值的匹配问题，满足V2I下行吞吐量最大化并保证V2V链路的连接性要求。仿真验证结果表明：所提出的KM算法在多次迭代后（本文选为7次）的下行吞吐量性能优于传统貪婪算法；在中断概率、最大发射功率等约束条件下，所提KM算法可适应城区和高速公路等不同蜂窝车联网环境以实现网络资源的优化分配，为下一步部署基于5G-V2X网络的车路云协同系统提供理论基础与技术支撑。