米胜凯，王红江

（中通服咨询设计研究院有限公司，江苏 南京 210019）

0 引 言

车联网是构成交通体系的关键一环，通过将车与网络连接，可以为车内的部分物体提供全方位的信息。在车联网中，车与车（Vehicle-to-Vehicle，V2V）之间的通信承担着监测车辆位置、移动速度、周边环境等任务。日益复杂的车联网环境和不断增长的动态业务需求给车用车辆链路中重要信息的安全传输带来了新的挑战，如何在车联网中对车用通信链路中的关键信息进行高效、可靠的传递，是目前亟待解决的问题[1]。为提高车联网无线通信的可靠性，相关领域研究人员进行了深入的研究，并提出一种基于蜂窝车联网技术的新型下行无线通信资源分配方法。虽然该方法在一定程度上提升了通信传输链路的总速率、降低了时延，但无法满足复杂的动态服务需要，且成本较高，不适用于实时变化的车联网场景[2]。针对这一问题，文章从资源的合理分配角度出发，结合5G 网络技术，开展车联网下行无线通信资源分配方法的研究，提出一种基于5G 网络技术的车联网下行无线通信资源分配方法，以提升通信资源的利用价值和利用率。

1 基于5G 网络技术构建车联网下行无线通信资源感知模型

车联网下行无线通信资源感知模型的构建基于5G 网络技术。5G 网络技术具有数据传输速度快、覆盖面广等优势[3]。同时，5G 网络技术时延低，对车辆和终端的响应迅速，是实现车联网服务快速、高效、可靠的关键。在车联网下行无线通信资源感知中应用5G 网络技术，可以根据带宽资源估计距离感知精度。车辆用户终端的距离感知精度和分配的感知资源计算公式为

式中：Δlk(W1)表示车辆用户终端的距离感知精度；c表示光速，取值为表示车联网下行无线通信基站的感知信号信噪比；W1表示频谱资源分配比例。

通信模式分为直接通信模式与中继通信模式。其中，直接通信模式是基站通过车辆到网络（Vehicleto-Network，V2N）链路进行数据传输[4]。针对车载设备的运动特点，假设车辆用户终端和基站只能获取较大范围的信道增益信息，在进行数据传输时，需要确定资源分配速率。中继通信模式指数据先通过中继传输，然后通过V2N 链路直接传输到终端，且V2V链路可以对资源进行复用。

2 车联网车辆分簇

由于车辆的移动特性，由V2V、V2N 等链路构建的网络稳定性较差，影响后续链路资源配置策略的性能。为解决这一问题，文章拟采用5G 网络技术获取车辆位置信息和运行速度，预测车辆在某一时刻的移动情况并进行分组，分析车辆的移动特性。根据分析的移动特性选择通信方式，从而构建一条稳定的通信链[5]。根据基于5G 网络技术的车联网下行无线通信资源感知模型估计的位置信息，计算当前时刻的估计速度，公式为

式中：v表示当前时刻的估计速度；lk表示当前时刻具有一定误差的车辆用户终端位置信息；lk-1表示前一时刻车辆用户终端位置信息；Δt表示时间差。根据估计速度v和前一时刻的位置信息lk-1，计算出当前时刻的位置信息和群集时间间隔。群集时间间隔是指将车辆用户终端的位置信息视为一系列离散的点，这些点之间的时间间隔就是群集时间间隔，因此可以通过计算集群时间间隔，预测车辆终端的位置信息。根据获取的车辆定位信息结果集，对车辆进行群组划分，并确定群组中的车链。在t时刻，车辆分簇结果可表示为

式中：C表示分簇结果；Cluster表示分簇函数；L表示车辆终端位置信息；P表示车辆用户设备（Vehicle User Equipment，VUE）到基站的接收功率。

现有的车联网车辆分簇方法有2 种。一种是基于距离的聚类算法，根据车辆间的距离将车辆聚类成一定数目的聚类。但该方法很难解决散点成簇、聚类不稳定等问题。另一种是针对城市区域内车辆的聚类方法，根据网络非视距（Non Line of Sight，NLOS）网络中的车辆分布情况进行分组，能够有效解决车辆分组散乱、不均匀等问题。但是没有考虑到车与车之间的链接效应，致使更多的NLOS 通信车辆聚集在一起。因此，文章拟采用Delaunay 三角化思想将2 种方法进行有机结合，提出一种新的基于Delaunay 三角化的多目标优化算法。第一步，用Delaunay 三角化算法对已知车辆进行处理，找出与当前车辆有直接视距关系的其他车辆。该方法充分利用了Delaunay三角形的可扩展性，将点P 添加到Delaunay 三角形中，只需去除含有P 点的全部三角形，将P 与全部可视点连接起来，并按照顺序进行插值。这样就可以在每一次插值之后，将已经确定好的Delaunay 三角移除，并减少对外接圆中含有该点的三角形的检索次数。第二步，选取直联车辆数目最多且接收功率最大的车辆作为簇首。第三步，将与该簇首直接相连且两者曼哈顿距离（Manhattan Distance）小于阈值的车辆归为一簇。第四步，重复第二步和第三步，直至完成所有车辆的分簇，输出车辆分簇结果。

3 设置下行无线通信链路信干噪比约束条件与资源分配

结合复杂度较低的图着色问题（Graph Coloring Problem，GCP），全面分析车辆聚类结果和所需的调度因素。为确保V2V 链路的可靠性，需要设置下行无线通信链路信干噪比（Signal-to-Interference and Noise Ratio，SINR）约束条件，以判定是否存在不能容忍的干涉。约束条件定义为

式中：γ表示下行无线通信链路信噪比约束函数；Pg(di)表示信干噪比；Pg(di,j)表示i点与j点的边信干噪比；σ表示调度因子；γth表示信干噪比阈值。当约束条件不成立时，需要从干扰集合中去除最大的干扰链路，并构建节点i和节点j的边，直到满足约束条件。

GCP 的思路是先对边数最多的节点进行着色，再对边数最多的节点进行着色，以此类推。其目标是确保2 个相邻的节点被着上不同的颜色，使相连接的节点尽可能都被着色。在着色过程中，随着分配到车辆上的资源区块的增大，各影响因素会减小，从而确保分配给车辆的资源区块符合传输要求。

4 对比实验

结合5G 网络技术，提出了一种基于计算控制通信融合的资源分配方法。为验证该方法是否能够解决现有分配方法在实际应用中存在的问题，开展对比实验。设置基于多智能体协作学习的分配方法为对照A组，基于计算控制通信融合的分配方法为对照B 组，文章提出的基于5G 网络技术的分配方法设置为实验组。分别将3 组分配方法应用于相同的实验环境，分配车联网下行物联通信资源。在实验环境中，车辆的发射端与接收端均采用单天线，通过空间泊松过程随机部署车辆的初始位置，实验参数见表1。

表1 实验参数

为验证3 种分配方法的分配合理性，将下行无线通信吞吐量作为衡量分配是否合理的指标。下行吞吐量的计算公式为

式中：χ表示下行吞吐量；s表示车联网下行无线通信链路长度；t表示车联网下行无线通信平均响应时间。χ值越高，说明下行无线通信传输数据量越多，通信资源利用率越高，分配越合理；χ值越低，说明下行无线通信传输数据量越少，通信资源利用率越低，分配越不合理。根据上述逻辑，分别记录在10辆、20 辆、30 辆、40 辆以及50 辆汽车的情况下，3组分配方法对应的车联网下行吞吐量，测试结果如表2 所示。

表2 车联网下行吞吐量记录表

由表2 可知，实验组下行吞吐量最高，其次为对照A 组，对照B 组最低。采用实验组的分配方法时，下行无线通信传输数据量最多，通信资源的利用率最高，并且分配最合理。因此，基于5G 网络技术的分配方法能够实现对车联网下行无线通信资源的合理分配，能够提升资源利用价值。

5 结 论

以车联网下行无线通信资源分配问题为研究重点，结合5G 网络技术，提出了一种全新的分配方法。开展对比实验，将该方法与现有的基于多智能体协作学习的分配方法和基于计算控制通信融合的分配方法进行对比。结果表明文章所提方法的传输数据量更多，通信资源的利用率更高，分配更合理，可以实现最优的车联网下行通信性能增益。