基于5G网络切片的车联网资源分配优化方法

雷 鹤,赵杰卫,杨 嬛,王祉晴

(中国移动通信集团四川有限公司,四川 成都 610000)

0 引言

随着互联网的增长和5G技术的发展,为了提供更好的服务,网络运营平台需要对有限的物理资源进行比较,并为用户提供定制化的基于5G的项目。网络切片技术应运而生。但由于传统的网络切片方式存在一些不足,在客户数量突然增加时,会影响服务质量。因此,物联网通信一直在不懈地追求更多的输出量、减少延长时间、更安全的可靠性以及更广阔的覆盖范围[1]。除设计更有效的编码、调制、信道估计、均衡和解码方案外,还可通过优化资源分配来充分利用可用的带宽、功率和频谱资源。但存在2大限制:一是部分方法应用的启发式算法求得的解为局部最优解,这些方法的计算复杂性可能很高,难以实时更新。二是资源分配方法对于精确的系统模型高度依赖。在建立数学模型时,为处理方便,往往会忽略现实中存在的缺陷,导致模型参数的不确定性,影响其性能。众多学者针对此展开研究,并已经得到一定成果。肖瑶等[2]提出了一种基于灰狼优化和匈牙利算法的D2D资源分配策略。该方法先利用灰狼优化获得每个D2D用户的最佳发射功率,后利用匈牙利算法实现D2D用户与蜂窝用户的最佳信道匹配,从而最大化D2D用户的总容量。唐伦等[3]提出了一种基于云雾混合计算的车联网联合资源分配算法。该方法先将云计算与雾计算结合,以最大时延作为约束条件,建立资源优化模型,旨在最小化系统能耗和资源成本;再针对海量设备计算卸载引起的网络拥塞问题,提出了一种基于在线测量的雾节点时频资源配置算法;最后,借助分式规划理论和拉格朗日对偶分解方法得到迭代的带宽和功率分配策略。尽管以上2种方法都具有一定的优势,但均存在资源分配时间较长的问题。因此,本次研究开展基于5G网络切片的物联网资源分配优化方法研究,以解决上述问题。

1 基于5G网络切片的物联网资源分配优化方法设计

1.1 建立物联网资源分配模型

本文提出的基于5G网络切片的物联网资源分配模型,如图1所示。

为了满足新型电力系统对高可靠性、低延迟的要求,本文在最大限度减少端到端延迟的同时,尽可能提升资源利用率。为进一步简化计算复杂度,在资源、安全和延迟约束的条件下,本研究将原始优化问题转化为混合整数线性规划问题,其具体可表示为:

(1)

式(1)中,VS为切片节点集;VF为切片节点之间的链路集;xiu代表的是资源分配后各部分占比,i为每一切片节,u为用户;c(Vi)为计算容量、安全级别为s1(Vu)。为实现其目标的最小化,需要将请求分配给使用最少的服务器,故其约束条件如下:

(2)

通过式(2),确保每个物理节点只能管理来自相同切片请求的网络切片节点。

基于5G网络切片模型中的模型要素包括状态、动作和奖励。其中,状态指actor能够感知当前的切片状态;动作指各切片RB的增加、保持和减少等动作;奖励指切片控制器对actor发出的反馈,以告知一个动作对于一个状态是好还是坏[4],则每次从回放记忆中抽取批量样本来训练网络参数。网络参数更新后,回放记忆会更新样本的优先级。在强化训练过程中,可以根据优先级定期更新操作值。当播放内存已满时,无法擦除的旧体验将被删除。在每个N步之后,参与者从预测网络中复制经过训练的参数,并将其更新为最新版本。本文通过5G网络切片法,构建基于智能actor的切片资源控制架构,以分布式actor协作方式,从各切片上的actor同步学习经验,从而实现高效的目的。

1.2 基于5G网络切片建立资源分配算法

基于已经构建的联网资源分配模型,建立资源分配算法。5G网络切片作为典型的多元属性资源分配算法,基于正负理想边界条件完成,可先对真实值和理想值之间的偏差程度进行排序,再通过妥协解的方式实现资源的最优分配[5],其运算流程如下:

首先进行切片排序,即对分配占比进行定义,则基于资源分配模型可知:

(3)

基于切片分配比进行匹配的物理节点,其取值为:

xiusr(Vi)≤s1(Vu),∀u∈VF,i∈VS

(4)

式(4)中,安全需求为Sr(Vi)。基于公式(3)和(4)的条件得出基于5G网络切片建立资源分配算法为:

xiusr(Vi)=s1(Vu)+VF,i∈VS

(5)

基于已经计算出的物理节点分配算法进行调用模块和网络连接。文中在假设物理节点资源配置中,首先,基于5G网络切片技术计算每个网络切片和网络节点的Q值,并从小到大进行排序;其次,选择合适的网络切片与物理节点进行一一映射,并进行网络传输时延约束条件限定查找;最后,完成分配算法的成功执行,具体流程如图2所示。

图2 基于5G网络切片的资源分配算法

在切片链路配置阶段,使用最短路径算法获得切片链路的物理路径。考虑到切片链路的时延,提出了一种路径选择策略,如表1所示。

表1 最短路径算法上的切片链路配置算法

1.3 实现物联网资源分配

基于已经构建的资源分配算法,进行对边缘服务器资源的分配机制。首先,设置指定路段上每一个路侧单元的属性信息为{rn,θk},并将这N个属性信息汇聚在一张状态表格当中,采用表格来制作。基于5G网络切片的车联网资源分配优化方法采用的是RSU表格。RSU表格较为清晰明了,更能清楚地观察到表格信息,并进行汇总。信息加入表格后,在状态表中定时定期地更新特定信息。在车辆行驶路段的新间隔开始时刻,车辆进入区间,资源开始更新。基于上述算法出现选择,主要决定当前车载任务是否要取消,以及对路边概况的预判。判断条件根据公式(6)所示。

(6)

式(6)中,Dm代表车辆进入区间的实际任务分配效率,fvm代表车辆进入区间获得最佳分配服务效率,γm代表设定阈值。

一旦满足了上述条件,该任务就在本地开始处理;否则,便向离其最近的RSU请求网络上的RSU状态表。对于进行任务卸载的时延估算,具体分为以下几步:

首先,需要考虑任务传输终端与车端之间的时延问题。在本文中的卸载模式下,任务信息可以通过IEEE从车辆直接传输到REU端。假设发电机工厂中的所有信号源块都相互正交,就可以忽略发电机工厂的信道问题。其次,通过模拟大尺度衰减和小尺寸衰减来对传播路径进行建模。最后,建立良好的任务处理机制,即对任务处理进行梳理划分。基于上述流程得到一个小时间隙内指定路段上边缘云资源分配机制。

2 对比实验

2.1 实验准备

本实验采取3GPP TR36.885标准中的城市公路场景来设置仿真环境,并采用空间泊松过程随机部署车辆初始位置。V2V和V2I链路从生成的车辆中随机选择。RSU覆盖范围测试中,在T形路口处利用支架固定部署路侧设备,车载设备固定于电动车前置筐内。实际测试过程中设备由移动电源供电,并由便携式PC依据AT指令发送控制命令,路侧设备不间断广播消息,车载设备以一定速度分别以东西方向和南北方向移动,向东行驶距离约400 m,向南行驶距离约300 m(包含转弯路口后的距离)。车载设备性能测试中,固定其中一个车载设备静止不动,另一个设备沿着东西方向进行移动。车载设备测试主要面向低密度场景,从实际的测试中获得PRR、通信时延,分析通信性能与距离的关系。为验证基于5G网络切片的车联网资源分配优化方法,对高密度通信场景中的车载设备联网性能进行总结。

在实际的测试环境中,无论是东西行驶还是南北行驶,除了近距离下的无障碍传输,在较远距离时无线信号都会受到建筑物、树木等障碍物的遮挡。车载设备在移动过程中,根据有无障碍物的遮挡,传输信道有所不同,测试场景为非视距传输。测试设备包括OBU、RSU、移动电源和支架等。测试参数信道带宽设置为固定值,测试变量主要包括消息大小、设备移动速度以及天线位置,具体如表2所示。

表2 测试设备

2.2 实验结果

选取基于灰狼优化和匈牙利算法的D2D资源分配策略[2]和基于云雾混合计算的车联网联合资源分配算法[3]作为对比方法,开展对比实验,获得对比结果如表3所示。

表3 3种方法的资源分配时间结果 单位:s

由表3可知,所提方法在车辆识别模块资源分配时间、信息通信模块资源分配时间和路边设备模块资源分配时间都低于对比方法。其中,识别模块资源分配时间最短为2 s;路边设备模块资源分配时间最长为4 s。因此,可以证明基于5G网络切片的物联网资源分配优化方法具有高效性。

3 结语

本文针对新型车电力系统的特点,提出了一种基于5G网络切片的启发式算法。该方法根据切片节点的拓扑特性、资源利用率和延迟时间,利用5G网络切片方法对其重要性进行排序,在切片链路配置阶段,使用最短路径算法获得切片链路的物理路径。仿真结果表明,本文提出的方案能够在保证业务端到端时延要求的同时实现较高的切片配置成功率,可满足新型电力系统5G网络切片的安全要求。