米勝凱，王紅江
（中通服咨詢設計研究院有限公司，江蘇 南京 210019）
0 引 言
車聯網是構成交通體系的關鍵一環，通過將車與網絡連接，可以為車內的部分物體提供全方位的信息。在車聯網中，車與車（Vehicle-to-Vehicle，V2V）之間的通信承擔著監測車輛位置、移動速度、周邊環境等任務。日益復雜的車聯網環境和不斷增長的動態業務需求給車用車輛鏈路中重要信息的安全傳輸帶來了新的挑戰，如何在車聯網中對車用通信鏈路中的關鍵信息進行高效、可靠的傳遞，是目前亟待解決的問題[1]。為提高車聯網無線通信的可靠性，相關領域研究人員進行了深入的研究，并提出一種基于蜂窩車聯網技術的新型下行無線通信資源分配方法。雖然該方法在一定程度上提升了通信傳輸鏈路的總速率、降低了時延，但無法滿足復雜的動態服務需要，且成本較高，不適用于實時變化的車聯網場景[2]。針對這一問題，文章從資源的合理分配角度出發，結合5G 網絡技術，開展車聯網下行無線通信資源分配方法的研究，提出一種基于5G 網絡技術的車聯網下行無線通信資源分配方法，以提升通信資源的利用價值和利用率。
1 基于5G 網絡技術構建車聯網下行無線通信資源感知模型
車聯網下行無線通信資源感知模型的構建基于5G 網絡技術。5G 網絡技術具有數據傳輸速度快、覆蓋面廣等優勢[3]。同時，5G 網絡技術時延低，對車輛和終端的響應迅速，是實現車聯網服務快速、高效、可靠的關鍵。在車聯網下行無線通信資源感知中應用5G 網絡技術，可以根據帶寬資源估計距離感知精度。車輛用戶終端的距離感知精度和分配的感知資源計算公式為
式中：Δlk(W1)表示車輛用戶終端的距離感知精度；c表示光速，取值為表示車聯網下行無線通信基站的感知信號信噪比；W1表示頻譜資源分配比例。
通信模式分為直接通信模式與中繼通信模式。其中，直接通信模式是基站通過車輛到網絡（Vehicleto-Network，V2N）鏈路進行數據傳輸[4]。針對車載設備的運動特點，假設車輛用戶終端和基站只能獲取較大范圍的信道增益信息，在進行數據傳輸時，需要確定資源分配速率。中繼通信模式指數據先通過中繼傳輸，然后通過V2N 鏈路直接傳輸到終端，且V2V鏈路可以對資源進行復用。
2 車聯網車輛分簇
由于車輛的移動特性，由V2V、V2N 等鏈路構建的網絡穩定性較差，影響后續鏈路資源配置策略的性能。為解決這一問題，文章擬采用5G 網絡技術獲取車輛位置信息和運行速度，預測車輛在某一時刻的移動情況并進行分組，分析車輛的移動特性。根據分析的移動特性選擇通信方式，從而構建一條穩定的通信鏈[5]。根據基于5G 網絡技術的車聯網下行無線通信資源感知模型估計的位置信息，計算當前時刻的估計速度，公式為
式中：v表示當前時刻的估計速度；lk表示當前時刻具有一定誤差的車輛用戶終端位置信息；lk-1表示前一時刻車輛用戶終端位置信息；Δt表示時間差。根據估計速度v和前一時刻的位置信息lk-1，計算出當前時刻的位置信息和群集時間間隔。群集時間間隔是指將車輛用戶終端的位置信息視為一系列離散的點，這些點之間的時間間隔就是群集時間間隔，因此可以通過計算集群時間間隔，預測車輛終端的位置信息。根據獲取的車輛定位信息結果集，對車輛進行群組劃分，并確定群組中的車鏈。在t時刻，車輛分簇結果可表示為
式中：C表示分簇結果；Cluster表示分簇函數；L表示車輛終端位置信息；P表示車輛用戶設備（Vehicle User Equipment，VUE）到基站的接收功率。
現有的車聯網車輛分簇方法有2 種。一種是基于距離的聚類算法，根據車輛間的距離將車輛聚類成一定數目的聚類。但該方法很難解決散點成簇、聚類不穩定等問題。另一種是針對城市區域內車輛的聚類方法，根據網絡非視距（Non Line of Sight，NLOS）網絡中的車輛分布情況進行分組，能夠有效解決車輛分組散亂、不均勻等問題。但是沒有考慮到車與車之間的鏈接效應，致使更多的NLOS 通信車輛聚集在一起。因此，文章擬采用Delaunay 三角化思想將2 種方法進行有機結合，提出一種新的基于Delaunay 三角化的多目標優化算法。第一步，用Delaunay 三角化算法對已知車輛進行處理，找出與當前車輛有直接視距關系的其他車輛。該方法充分利用了Delaunay三角形的可擴展性，將點P 添加到Delaunay 三角形中，只需去除含有P 點的全部三角形，將P 與全部可視點連接起來，并按照順序進行插值。這樣就可以在每一次插值之后，將已經確定好的Delaunay 三角移除，并減少對外接圓中含有該點的三角形的檢索次數。第二步，選取直聯車輛數目最多且接收功率最大的車輛作為簇首。第三步，將與該簇首直接相連且兩者曼哈頓距離（Manhattan Distance）小于閾值的車輛歸為一簇。第四步，重復第二步和第三步，直至完成所有車輛的分簇，輸出車輛分簇結果。
3 設置下行無線通信鏈路信干噪比約束條件與資源分配
結合復雜度較低的圖著色問題（Graph Coloring Problem，GCP），全面分析車輛聚類結果和所需的調度因素。為確保V2V 鏈路的可靠性，需要設置下行無線通信鏈路信干噪比（Signal-to-Interference and Noise Ratio，SINR）約束條件，以判定是否存在不能容忍的干涉。約束條件定義為
式中：γ表示下行無線通信鏈路信噪比約束函數；Pg(di)表示信干噪比；Pg(di,j)表示i點與j點的邊信干噪比；σ表示調度因子；γth表示信干噪比閾值。當約束條件不成立時，需要從干擾集合中去除最大的干擾鏈路，并構建節點i和節點j的邊，直到滿足約束條件。
GCP 的思路是先對邊數最多的節點進行著色，再對邊數最多的節點進行著色，以此類推。其目標是確保2 個相鄰的節點被著上不同的顏色，使相連接的節點盡可能都被著色。在著色過程中，隨著分配到車輛上的資源區塊的增大，各影響因素會減小，從而確保分配給車輛的資源區塊符合傳輸要求。
4 對比實驗
結合5G 網絡技術，提出了一種基于計算控制通信融合的資源分配方法。為驗證該方法是否能夠解決現有分配方法在實際應用中存在的問題，開展對比實驗。設置基于多智能體協作學習的分配方法為對照A組，基于計算控制通信融合的分配方法為對照B 組，文章提出的基于5G 網絡技術的分配方法設置為實驗組。分別將3 組分配方法應用于相同的實驗環境，分配車聯網下行物聯通信資源。在實驗環境中，車輛的發射端與接收端均采用單天線，通過空間泊松過程隨機部署車輛的初始位置，實驗參數見表1。
表1 實驗參數
為驗證3 種分配方法的分配合理性，將下行無線通信吞吐量作為衡量分配是否合理的指標。下行吞吐量的計算公式為
式中：χ表示下行吞吐量；s表示車聯網下行無線通信鏈路長度；t表示車聯網下行無線通信平均響應時間。χ值越高，說明下行無線通信傳輸數據量越多，通信資源利用率越高，分配越合理；χ值越低，說明下行無線通信傳輸數據量越少，通信資源利用率越低，分配越不合理。根據上述邏輯，分別記錄在10輛、20 輛、30 輛、40 輛以及50 輛汽車的情況下，3組分配方法對應的車聯網下行吞吐量，測試結果如表2 所示。
表2 車聯網下行吞吐量記錄表
由表2 可知，實驗組下行吞吐量最高，其次為對照A 組，對照B 組最低。采用實驗組的分配方法時，下行無線通信傳輸數據量最多，通信資源的利用率最高，并且分配最合理。因此，基于5G 網絡技術的分配方法能夠實現對車聯網下行無線通信資源的合理分配，能夠提升資源利用價值。
5 結 論
以車聯網下行無線通信資源分配問題為研究重點，結合5G 網絡技術，提出了一種全新的分配方法。開展對比實驗，將該方法與現有的基于多智能體協作學習的分配方法和基于計算控制通信融合的分配方法進行對比。結果表明文章所提方法的傳輸數據量更多，通信資源的利用率更高，分配更合理，可以實現最優的車聯網下行通信性能增益。
