基于资源预选的车联网分布式调度方案

李亚, 刘瑞鹏

(河南理工大学物理与电子信息学院, 焦作 454000)

随着科技进步和生活水平的提高,车辆成为当今和未来必不可少的交通工具,交通拥堵、事故频发等问题也日益严重。车联网通信是下一代智能交通系统(intelligent transportation systems, ITS)一项至关重要的技术,它不仅具有减少交通事故和提高交通管理效率的潜力,而且为交通、行人提供了一个共享信息的框架,以寻求更经济、更高效、更安全的行车环境。LTE-V(long term evolution-vehicle)具有系统容量大、覆盖范围广、通信延迟低等优势[1],且满足绝大部分的车载业务需求,被广泛认为是提升道路安全和交通效率的关键技术[2]。

LTE-V模式3和模式4区别在于资源分配方式不同。在模式3中,车辆由基站集中分配通信资源,在模式4中,车辆可以自主选择无线资源进行通信,LTE-V的业务可以通过Uu接口或PC5接口传输数据。由于模式4采用分布式资源调度方案,邻近车辆可能会选择相同的资源传输信息,如果多辆车选择相同的资源就会导致资源碰撞。干扰车辆对接收车辆的干扰会阻碍接收车辆正确接收数据包[3],即接收车辆的信噪比(signal to interference plus noise ratio, SINR)不足。如果数据包丢失,相关车辆可能在一段时间内无法确定其他车辆的位置、速度等信息,从而威胁道路安全。

目前,国内外对车联网安全的研究已取得众多进展,文献[4]提出了一种基于态势感知的车联网安全风险评估办法,能够全面、准确地评估车联网所遇到的安全风险。车联网通信的安全性很大程度上取决于合理的资源分配,优化资源分配算法是当前热门的研究课题,并且已有众多文献改进了模式4的资源分配方式。文献[5]将资源池划分为基于行车方向的2个子资源池,以降低车辆间的干扰。文献[6]提出了一种自适应资源保留概率方案,车辆根据信道状态灵活地调整资源保留概率,但效果并不明显。文献[7]利用接收信号的自适应功率阈值,提出了一种信道拥塞控制算法,以缓解资源冲突和车辆间干扰。文献[8]提出了一种基于强化学习的SPS算法,通过建立Q学习模型,确定最佳资源保留概率和重选计数器的值,有效提高系统的整体性能。文献[9]设计了一种自适应调制和冲突检测机制相结合的算法,根据信道负载和资源保留概率改变调制顺序,有效提高了资源重选的可靠性。文献[10]将重选计数器的值和偏移信息告知其他车辆,以选择最佳的重选计数器的值,缓解多辆车选择窗口重叠的问题,提高了系统的整体性能。文献[11]通过在控制信息中添加1 bit表示是否重选资源,一定程度上能够降低资源碰撞概率,但仍然不确定重选资源位置。

现提出一种基于资源预选的半持续调度方案,提前确定重选资源位置,在最后一次传输数据包时,以广播的形式告知其他车辆该预选资源的位置信息,并在感知过程中,根据信道负载情况调整感知时间和参考信号接收功率强度的加权方式,缓解多辆车选择窗口重叠的问题,充分利用其他车辆释放的资源,降低资源碰撞概率。

1 LTE-V系统模型

1.1 LTE-V时频资源池

LTE-V的资源池可以划分为时域资源和频域资源。每个子帧1 ms,时域上1个0.5 ms时隙和频域上12个连续子载波构成一个资源块(resource block, RB)。一个RB的带宽为180 kHz。同一子帧中的一组RB构成LTE-V的子信道(sub-channel, SC),子信道传输数据和控制信息。数据通过传输块(transport blocks, TB)在物理侧链路共享信道(physical sidelink share channel, PSSCH)中传输,侧链路控制信息(sidelink control information, SCI)在物理侧链路控制信道(physical sidelink control channel, PSCCH)中传输,SCI占用2个RB且和TB在同一子帧中传输。LTE-V时频资源池如图1所示。

SCI所携带信息及其占用数据量[12]如表1所示,其中频率资源位置占用的数据量X随子信道数量变化。

表1 SCI信息对应bit数Table 1 Number of bits corresponding to SCI information

1.2 模式4资源分配算法

在LTE-V模式4中,规定使用基于感知的SPS算法进行资源分配,当车辆V在T时刻选择资源时,首先对信道感知,T时刻前1 s定义为感知窗口,感知窗口由10个100 ms的感知间隔构成,车辆V通过感知信道,筛选出可用资源,并排除同时满足以下两个条件的单帧资源[13](candidate single-subframe resource, CSR)。

(1)车辆V正确接收另一辆车的SCI,并在该CSR成功解码SCI。

(2)该CSR上的参考信号接收功率(reference signal receiving power, RSRP)高于接收功率阈值γ。

排除同时满足两个条件的CSR后,筛选出的CSR至少为选择窗口中所有CSR的20%,如果小于20%,则γ增加3 dB[14],直到筛选出的CSR达到选择窗口中所有CSR的20%。

车辆V根据接收信号强度指示[15](received signal strength indicator, RSSI)的大小将筛选出的CSR排序,并把平均RSSI较低的CSR列为候选资源。平均RSSI越低,其他车辆使用该CSR的概率就越低。RSSI的线性平均值计算公式为

(1)

式(1)中:Elin为在感知窗口内(10个感知间隔)单帧资源(TCSR-100j)RSSI的线性平均值;j为感知间隔,j∈N且1≤j≤10。

候选资源确定后,车辆V在候选资源列表中随机选择CSR,每发送一次数据包重选计数器(reselection counter, RC)的值减一。当RC的值到达0时,车辆V根据资源保留概率P判断是否重选资源,若不重选资源,则继续使用当前资源传输,否则改变发射子信道,释放当前资源,当资源预留间隔为100 ms时,车辆V在5～15选择一个随机数更新RC。SPS算法资源调度过程如图2所示,其中T1∈[1,4] ms,T2∈[20,100] ms。

图2 SPS算法过程Fig.2 SPS algorithm process

1.3 问题描述

模式4资源分配方案虽然已经引入了感知过程,可以通过感知确定资源的使用情况,但仍不确定重选资源的位置。当多辆车的选择窗口重叠,它们可能拥有相同的候选资源,如果多辆车选择相同资源就可能发生资源冲突。在车流密度较高的场景中,资源冲突将更加严重,由于SPS的特性,两辆车一旦发生资源碰撞,碰撞事件将持续多个时间间隔。

半持续调度算法还可能导致车辆对最佳候选资源的误判,例如,车辆A在T时刻重选资源,在长达1 s感知过程中,车辆B改变发射子信道,释放了CSR,因为该CSR被使用时的RSSI过高,RSSI的平均值将会很大,那么车辆A误以为其他车辆正在使用该资源,因此不会将车辆B释放的资源列为候选。类似地,在感知窗口内未被任何车辆使用的CSR,恰好在T之前已被其他车辆选择,因为该CSR未被使用时的RSSI过低,RSSI的平均值将会很低,车辆A选择该CSR作为候选资源。

这些示例说明了在较长的感知窗口使用RSSI线性平均可能导致资源碰撞等问题。

2 资源预选方案系统模型

为了降低多辆车选择相同资源的概率,缓解RSSI被大幅评估等问题,设计了一种资源预选方案,包含以下两个步骤。

步骤1车辆在RC=1时根据资源保留概率P判断是否重选,若需要重选,提前确定预选资源,并在RC=0的传输中将预选资源与当前使用资源的时间间隔信息添加到SCI中。

步骤2在感知过程中,根据信道繁忙比(channel busy ratio, CBR)调整感知窗口大小和RSSI的加权方式。CBR[16]定义为资源池中RSSI测量值超过配置阈值的子信道占比。

提出的资源预选方案步骤1在车辆RC=1时判断是否需要重选,若重选,提前确定预选资源位置。车辆完成一次传输后RC到达0,将车辆在RC等于0时传输所使用的CSR与预选CSR的时间间隔添加到SCI。考虑到车辆最大选择窗口为100 ms,SCI中至少有7位未使用[17],因此选取SCI中未使用字段指示预选资源位置。

步骤1需要将CSR按照时间顺序添加索引。例如,车辆RC=0使用CSR10传输,那么与预选资源CSR90时间间隔为80 ms,转换为二进制“1 010 000”,即将此7 bit表示的时间间隔添加到SCI中,以指示预选资源的相对位置。如果其他车辆成功接收到RC=0车辆的数据包,根据添加在SCI中的时间间隔信息,可以判断RC=0车辆预选资源位置,则其他车辆在重选资源时不会将该预选资源列为候选。因此,降低了多辆车选择相同资源的概率。步骤一示意图如图3所示。

图3 步骤1示意图Fig.3 Schematic diagram of step 1

步骤1虽然已经确定了重选资源位置,但在车辆密度较高时,大部分资源已经被占用。因此,RC=0的车辆在选择资源前需检测预选资源是否被其他车辆占用,若其他车辆占用该预选资源,则RC=0的车辆需要重新对信道感知再次重选资源。

为了进一步提高消息传输的可靠性,降低对最佳CSR的错误估计。步骤2根据当前车辆感知到的CBR调整感知窗口大小和RSSI的加权方式。当车辆感知到当前信道拥塞程度较小时,对感知窗口内最近感知的RSSI分配更大的权值,而对较早感知的RSSI分配更小的权值,即对RSSI指数加权平均。当车辆感知到当前信道拥塞程度较大时,信道负载较高,占用了更多的CSR,在这种情况下,附近车辆会产生更多的干扰,必须尽可能地排除附近车辆使用的CSR,因此缩短感知窗口,避免多辆车的选择窗口重叠,并对感知间隔靠后的功率样本采用指数加权平均。

感知过程中RSSI最新的值与子信道选择更相关,因为它们代表了当前和短期的利用模式,对最近感知间隔的RSSI分配更大的权值,可以充分利用其他车辆已经释放CSR,有效降低车辆对最佳CSR错误估计的概率。对过去10个感知间隔的RSSI采用指数加权公式计算,表达式为

(2)

式(2)中:α为指数加权因子,当α=1时,计算标准中的线性平均值,感知窗口的大小取决于j的值。资源预选方案步骤2根据CBR采取相应措施如表2所示。

表2 信道拥塞等级划分对应措施Table 2 Corresponding measures for channel congestion classification

设置指数加权因子α=0.4。资源预选方案流程图如图4所示,当车辆RC到达1且需要重选资源时执行以下步骤。

图4 资源预选方案流程图Fig.4 Flow chart of resource preselection scheme

资源预选方案步骤2可以避免资源的RSSI被大幅评估的情况,一定程度上缓解多辆车选择窗口重叠的问题,并能够有效利用释放的资源。j=6时,取后5个感知间隔的指数加权平均RSSI的示意图如图5所示。

图5 取后5个感知间隔的指数加权平均RSSI Fig.5 The exponential weighted average RSSI of the last five perceptual intervals

本文方案可有效降低SPS算法中资源碰撞概率。车辆A在RC=1时通过资源保留概率P判断是否需要重选资源,若需要,提前进入预选,并在RC=0的传输中,将当前资源与预选资源的时间间隔添加到SCI。其他车辆接收到车辆A发送的数据包并成功解码SCI,就可以获取SCI中的时间间隔信息,确定该预选资源位置,这些车辆在重选时不会将车辆A预选的资源列为候选。

若其他车辆占用了该预选资源,车辆A需要对信道重新感知,根据信道拥塞程度调整感知窗口大小和RSSI的加权方式,充分利用其他车辆释放的资源,降低对最佳资源错误估计的概率,有效缓解在车辆密度较大时的资源碰撞问题。

3 仿真结果分析

通过MATLAB对所提出的方案进行仿真,本文方案(步骤1和步骤2)将与标准中基于感知的SPS算法、RSSI指数加权算法、资源随机分配算法和本文方案仅执行步骤1的仿真结果进行对比。交通环境选取双向六车道、车流密度较大的公路场景,路长2 km,车辆的平均行驶速度为75 km/h。LTE-V业务选取基本安全信息[18](basic safety message, BSM),车辆以广播的形式将车速、车辆加速度、位置、车间距离和路况等基本的安全信息周期性地发送给其他车辆。仿真参数如表3所示。

表3 仿真参数Table 3 Simulation parameter

选取数据包接收率、更新时延的累积分布函数和数据生存时间的累积分布函数(cumulative distribution function, CDF)作为主要评价指标。

(1)数据包接收率[20](packet reception ratio, PRR),定义为成功接收的数据包数量与全部数据包数量的比值,计算公式为

(3)

式(3)中:Nsuccess为成功接收的数据包数量;Ntotal为全部数据包数量。

(2)更新时延(update delay, UD),定义为成功接收2个数据包的时间间隔,计算公式为

tu=tn+1-tn

(4)

式(4)中:tn+1为第n+1次接收数据包的时刻;tn为第n次接收数据包的时刻。UD描述如图6所示。

图6 更新时延、端到端时延和数据生存时间示意图Fig.6 Schematic diagram of update delay, end to end delay and data age

(3)数据生存时间(data age, DA),定义为接收车辆成功接收数据包时,与上一次成功接收的数据包的生成时间的时间间隔,计算公式为

td=tu+te

(5)

式(5)中:te为端到端时延,即数据包生成到数据包被成功接收的时间间隔。DA描述如图6所示。

5种资源分配方案的PRR仿真结果如图7、图8所示。PRR随车间距离增大而降低,这是因为干扰和噪声变大,接收车辆的信噪比不足,导致无法正常接收数据包。由于车流密度较大,资源重选引起的资源碰撞问题更加严重,PRR下降趋势更快。图7中车辆发送数据包大小为300 Bytes,图8中车辆发送数据包大小为190 Bytes。与标准中半持续调度算法相比,本文方案在车间距离200 m发送300 Bytes数据包时,PRR可提升12%;车间距离300 m发送190 Bytes时,PRR可提升15%,RSSI指数加权算法的PRR提升9%。资源随机分配算法PRR始终最差,车辆随机选择资源,很容易造成资源冲突。

图7 5种方案的PRR对比(300 Bytes)Fig.7 PRR comparison of five schemes(300 Bytes)

图8 5种方案的PRR对比(190 Bytes)Fig.8 PRR comparison of five schemes(190 Bytes)

需要注意的是,仅执行本文方案步骤1,PRR提升并不明显,因为在车流密度较高时,资源池中大部分资源已被其他车辆占用,即使确定了预选资源位置,预选资源很可能已经被其他车辆使用,则需要重新对信道感知选择资源,但是当车辆选择资源前成功解码SCI,获取到其他车辆预选资源位置,则不会将该资源作为候选,这在一定程度上降低资源碰撞概率。

本文方案步骤2恰好弥补步骤1的不足,步骤2采取的措施降低了对最佳资源的错误估计,有效避免多辆车的选择窗口重叠,提升资源利用率,在选择资源时为车辆提供相对充足且最佳的候选资源。与其他4种方案相比,本文方案的PRR得到明显提升。

资源随机分配算法更新时延在0.15 s内仅达到67.2%,性能始终最差,因此本文方案在时延指标上不再与其对比。数据包大小为300 Bytes,车间距离200 m时,4种分配方案的更新时延和数据生存时间的累积分布函数如图9、图10所示。更新时延反应接收车辆获取信息的准确程度,更新时延收敛越快,获取邻居信息的准确度越高。数据生存时间包括更新时延和端到端时延。

图9 4种方案更新时延的累积分布函数对比Fig.9 Comparison of cumulative distribution function of update delay of four schemes

图10 4种方案数据生存时间的累积分布函数对比Fig.10 Comparison of cumulative distribution function of data age of four schemes

由图9可知,本文方案更新时延在0.15 s内达到98.2%,0.2 s内达到99.2%,SPS方案更新时延在0.15 s内达到97.7%,0.2 s内达到98.5%。由图10可知,本文方案数据生存时间在0.2 s内达到98.9%,SPS方案数据生存时间在0.2 s内达到98.3%,本文方案的时延指标收敛速度更快,时延更低,且与PRR性能有关,本文方案的PRR性能均优于其他方案,因此更新时延和数据生存时间性能也最好。与其他3种方案相比,本文方案保证更低的通信时延,提高了传输的有效性。

4 结论

(1)建立LTE-V系统资源分配模型,分析并指出了标准中半持续调度方案存在的问题,即资源重选的不确定性和最佳候选资源的错误估计。

(2)提出了资源预选方案,通过在SCI中添加信令,指示预选资源的相对位置,并在感知过程中,根据信道拥塞程度调整感知窗口大小和参考信号接收功率强度的加权方式,降低资源碰撞概率,提升了资源利用率和通信的可靠性。

(3)通过仿真验证,资源预选方案具有更低的通信延迟和更高的数据包接收率,性能明显优于半持续调度方案,在车流密度较高的场景下为车辆提供合理的资源分配方式,适用于动态环境下高可靠低时延的车联网应用,可以为LTE-V资源分配提供参考,具有一定的应用价值。