D2D通信技术是3GPP R14中对于V2X的主要推动技术。在这种情况下，UE既可以直接与基础设施通信也可以通过中介节点连接基础设施，UE还可以直接与设备进行通讯，无论基础设施支持与否。由于车辆的快速移动，蜂窝UE与车载UE对服务质量的要求不同，而资源分配就是根据不同的QoS为UE分配合适的资源。本文介绍了共享上行资源的用户的UE的三种类型：两种车辆UE和手持移动电话类型的UE。根据三种类型UE的QoS需求差异，计算出最优功率，并应用三维图匹配和基于超图的资源块分配方法

概要

本文从D2D的角度出发，在前面说了很多关于D2D的分类（带内/外，under/overlay）与资源分配方法（博弈论、图论、启发式）等。最主要的特点是将CUE（蜂窝用户设备）也考虑进了架构内。研究了指定子载波后V2V/V2I和CUE的功率分配和RB分配的问题，其中前者通过优化方法解决，后者通过图论解决。

本文以V2V的中断概率和CUE的SINR为限制条件，最大化V2I的容量。

CODE;A

结论

本文以基于D2D技术的V2V资源分配，以三种不同QoS要求的用户的网络场景为基础。提出了一个优化问题，目标是增加V2I链路的容量。在考虑蜂窝用户所需的最低QoS的情况下，对于V2V和V2I链路的最优功率进行了计算。在RB资源分配方面，使用基于超图的着色算法进行解决。此外，还研究了CUE的SINR对V2I容量的影响，以及增加V2V用户对V2I容量的影响。在基于D2D的V2V通信中，超出覆盖范围的场景和中继可能会在资源分配方面带来全新的挑战。

介绍

车载通信在过去一段时间里收到了研究领域的广泛关注。基于DSRC的 Vehicular Adhoc+82网络（VANETs）已经得到了深入的研究。随着LTE R12的问师，研究的重点已经转向了基于LTE的车载通信，即LTE V2X。LTE V2X是基于的D2D的近邻服务，是建立ITS和促进未来自动驾驶技术的基石。

D2D通信是V2X的支撑，在频谱效率、小区卸载、紧急通信、IoT增强方面都有很大应用。它不依赖基础设施，允许彼此接近的设备直接通信。D2D的工作模式分为带内（Inband）和带外（Outband）两种：其中Inband允许设备在授权的频谱中通信，但是蜂窝UE将作为主要用户而D2D UE是次要用户，因为Inband比较方便控制授权的频谱，它的应用比较广泛；Outband允许UE在未经许可的频谱中通信。此外，D2D的模式分类还可分为underlay和overlay两种，在Underlay通信中，D2D和蜂窝UE共同分享整个频谱，而Overlay通信中D2D和蜂窝的 UE各自单独占用信道的一部分。因此说Underlay比Overlay具有更好的频谱利用率。

对于基于D2D的V2X，根据不同的场景其应用会有不同。V2V主要用于安全服务，V2I和V2N分别用于娱乐服务和基于云的存储服务，V2P用于确保车辆附近的人的安全。对于D2D的研究，主要集中在资源分配、功率控制、干扰管理、安全性和peer发现上。虽然目前对于D2D资源分配的论文不少见，但基于车辆网络的D2D资源分配的论文还不多。由于车辆UE和蜂窝UE的QoS的不同，在资源分配的解决方案上会有诸多限制，其中车辆的移动性是主要问题，因为车辆移动行使BS跟踪CSI变得困难。

本文主要贡献如下：

提出了对于CUE（蜂窝用户）、V2V、V2I三者的资源分配方案，使用三位图论匹配的方法进行信道容量的计算。
使用基于超图着色的邻接矩阵，进行了RB的分配。

对于D2D资源管理的研究并不少见，[1]从优化的角度对D2D的资源管理技术进行了深入的回顾，并提出一种方法，首先识别问题和约束然后使用相应的优化技术加以解决，其提出了三种解决资源分配的主要方法：博弈论、图论、启发式方法（heuristic aproaches）;[2]着眼于选择D2D和CUE之间的模式，提出一种多摩市的资源管理方法。

图论被应用于D2D的资源分配，[3、4]提出了干扰感知图；[5]利用图轮方法研究了功率和RB分配的问题。但是在传统的图论中，只能用边来表征联系，而边只能连接两个主题，因此不能对多用户之间的关系进行建模；[6]中提出一种基于超图的资源分配方法；[7]对基于D2D的V2V中无线资源管理进行了详细的分析。

[8]提出了基于D2D的具有延迟和可靠性约束的V2V通信，作者强调了车辆UE的需求，并提出一种独立的RB分配和功率控制的算法。[9]延续了8的工作，将延迟和可靠性的需求转化为优化问题的约束并使用SOLEN（独立RB与功率分配）算法加以解决。[10]根据车辆UE服务需求的不同，通过优化问题对D2D车辆通信的最优功率分配进行建模，它仅考虑缓慢变化的大尺度衰落；[11]在一个场景中引入了三种UE，分别用于单个CUE、安全性V2V通信、非安全性V2V通信中，其实用了基于超图和贪婪算法的三位匹配模型，提出一种基于局部搜索的V2X通信资源分配的三位匹配算法。[12]中给出了最大化遍历容量的功率与用户对联合优化算法。

近期结合图论的资源分配方法也不少见，超图是这些文章共有的重要工具据，大多数对于超图的研究还局限于二维问题，也就是网络中只有两种不同类型的UE。

本文将[10]中的功率分配算法扩展到三种用户类型的情况，并将[6]中的工作扩展到RB分配上，对于2-3种UE使用不同的SIR阈值。使用基于邻接矩阵的着色方案进行图着色。

网络架构和系统模型

网络架构

考虑基于LTE的V2X场景，其中VUE（车辆UE）与CUE（蜂窝UE）一起出现在网络中，并且共享可用的上行资源，假设VUE与CUE在需求和应用方面是不同的，因此需要对CUE有不同的配置。VUE分为V2V和V2I，分别用于安全类和非安全类应用。用j = {1,..., J}表示CUE的集合，k={1,..., K}表示VUE中V2I链路的集合，l={1, ... , L}表示VUE中V2V链路的集合。所有通信同时发生，发送端和接收端都为单天线，用X={1, ... , X}表示可用的上行RB集合。

【网络架构】

以单个eNB覆盖范围内的区域为研究对象，网络由一个基于D2D的V2V和一个传统蜂窝UE和一个V2I链路组成，如图1所示。三个用户在上行链路上互相干扰，虽然目前的工作大多数将CUE和V2I链路归为一类但本文不那样做，原因是V2I链路的移动性导致其遇到的大尺度衰落和CSI是延迟到达BS的，而CUE大多是在一个相对固定的位置并且移动非常缓慢，因此其主要受到小尺度衰落的影响。

图2展示了cell内UE的分布情况，CUE用红色表示，其散布在半斤500m的cell内，VUE穿越cell中心的在高速路上移动（用蓝、黑、紫表示）。

不同种类UE的需求

V2I链路的优化目标是高信道容量，因为从信息娱乐服务到交通相关服务都需要高的传输速率；V2V因为主要用于安全信息，因此其优化目标是可靠性。对于CUE，设置一个语音通话的最小SINR需求。此外，瞬时CSI对于CUE是可获得的，但在VUE的情况下，由于车辆的高移动性使CSI不可得，因此对于VUE的信道跟踪是比较困难的。信道的功率增益由大尺度和小尺度衰落参数决定，分别用g和\alpha表示。表一展示了不同UE的需求，对于V2V，高可靠性意味着中断概率需要低于某个阈值；对于V2I，高速率代表着需要最大化其信道容量；对于CUE，需要SINR高于阈值以提供良好的语音服务。

系统和信道模型

BS来自CUE、V2V、V2I的接收SINR用式(1)~(3)表示，用x表示两个链路是否分配到同一个RB上。

表2展示了不同信道的功率增益。假设所有UE共用一个对数正态阴影分布。[16]中提出了车辆通信的信道模型。表3展示了三个种类UE的PL模型，其为具有不同阴影标准差的瑞利衰落信道。VUE中a和b的信道增益由4a表示，信道功率增益由PL和阴影决定（4b），其中 $\Upsilon$ 为对数正态的阴影成分，l为发送端和接收端的距离， $\gamma$ 为延迟成分。

RB分配方案

最大化信道容量的第一步是计算最优的功率分配。[10]中对V2I V2V用户的最优功率进行了评估，这里将其扩展为适用于三种UE的情况，这里假设CUE的最小需求SINR已知，并且将AWGN从SINR公式中去掉（这是因为已经推导出干扰比AWGN大得多）。

最优功率分配

首先找到单V2V\V2I\CUE下的重用子载波的最优功率分配方法，即l号V2V链路与k号V2I链路和j号CUE共享频谱。为简单起见，去掉子载波的指数，重写公式如下：

上式的 $\gamma_k$ 表示的是V2I链路的SINR，(5)式的Max正体现了对V2I链路的容量最大化的期望，(5d)体现了将V2V中断概率作为限制条件，(5e)体现了将CUE的SINR作为限制条件。

这里假设CUE所得到的SINR是其下限，因此可将(5e)改作：（5f）并且（5g）

起初，将(5g)中的Pk和Pl设置为Pk_max和Pl_max，进而得到P_j的数值。应用方程(5e)得到(6)式：

为简化对功率表达式的推导，假设干扰比加性噪声大得多，因此我们将 $\sigma^2$ 从计算中省略，所以得到：

因此(6)式成为：

下面使用公式(7)和文献[10]中提出的引理1（对于两种UE的情况），将其扩展到三种UE的情况。

在过零点上，Pl >= 0，式(9)为：

式8的图示如下，未找到Pk和Pl的最优解，使用Newton-Raphson算法，图上红点表示最优点，当得到Pk和Pl的最优值后，这些值会被插入到(5g)中，整个过程不断重复知道得到所有三次幂的稳定值。

基于超图的匹配与RB分配

【使用超图进行匹配】

图G用G=(V, E)表示，其中V是顶点集，E是边集。在表征干扰的超图中，顶点表示UE，边表示UE之间的干扰。这里存在两种类型的干扰：独立干扰与积累干扰。独立干扰用普通图中的边表示，说明此边所连接的两个UE互相干扰，而积累干扰时由超边连接。当超图构建好以后，用不同的颜色对其着色，每种颜色标识一个RB。若CUE满足表4中的等式，则形成一条连接V2V和V2I的边。

为了分别找到独立和积累干扰，首先定义SIR（信干比），表4总结了用于构建一个图的所有等式。选择SIR阈值是为了去欸的那个eNB受到的干扰的严重程度。超边中的组的大小可能不同，举个例子如图4所示，在一个超边中考虑由三个节点构成的组。

第二步是对顶点进行着色，由于优化问题中的约束条件，所以该问题是非凸的，即np-hard问题。这里使用贪心着色算法，将RB分配给UE。

[11]中，提出了一种基于局部搜索的三维匹配方法，该方法利用超冲突图和基于k-claw的局部搜索的方法。[15]提出了一种基于图形的车载通信资源共享方法。针对高干扰的V2V用户提出了三位匹配的方案。瓷娃娃i，作者还考虑了慢衰信道状态信息（CSI）。比较了贪婪图、随机图、baseline的资源分配，但其仅考虑RB和两种UE。

本文对三种不同类型的UE使用三维匹配法，首先创建一个邻接矩阵，这个矩阵是一个用于在三种UE中寻找共享资源块的加权三维矩阵，其中每个RB不会分配给相同类型UE第二次。图5a是邻接矩阵的可视化，黑色放个表示相同种类的UE不能占用一个RB。我们将这个邻接矩阵为指标矩阵W。这个矩阵将会和速率矩阵R相乘。与[11]不同，我们已经在上一节得到了最优功率，并用它来计算速率矩阵R。R与W的相乘将得到所有可能的速率。

【通过给图着色分配RB】

本节使用邻接矩阵对图着色。图5显示了邻接矩阵即独立干扰。全黑区域表示相同类型的UE对彼此造成的独立干扰，黑白区域表示用户可以是另一种类型用户的独立干扰源，也可以对另一种用户不造成干扰。作为独立干扰源的用户通过一条边相互连接，并分配不同颜色，如图5b所示。这确保了用户永远部分共享相同的颜色（RB）。图的构建是动态的，这说明他在每次迭代中都随着车辆的移动而变化。

仿真结果

本文目标是调查V2I在不同条件集下的容量。仿真通过MATLAB。首先考虑车辆的速度和容量，然后增加V2V用户数并记录信道荣拉你个。最后检查最优功率分配是否会得到最优的信道容量。表5给出了仿真参数。起初每个类别有20个用户，后来添加了V2V用户的数量。

【不同CUR的SINR下车辆速度对信道容量的影响】

如上图，当CUE的SINR阈值不同时，V2I信道容量不同，阈值越大V2I容量越小，这是因为CUE对V2I的干扰变大了。

如上图是CUE数量不同时V2I信道容量的变化，如图可见CUE数量的增加对V2I容量几乎没变化，这是因为CUE用户随机分布在蜂窝中，其中靠近高速公路的用户对V2I的干扰大。

如上图，是V2V用户不同时对V2I容量的影响，其影响很大。这是因为V2V与V2I的通信发生在同一高速公路上，因此当V2V数量增多时，V2I的容量将降低。该影响在速度块时更加明显，这是由于车辆高速行驶时信道增益变化造成的。

如上图，速度变化时，V2I发射功率和信道容量的关系。增加发射功率可以增大信噪比，进而获得更大的信道容量，但是来自其他用户的干扰也会更大，上图可以看到23dB和20dB信道容量的差别不大。因此功率和干扰之间需要权衡

展望

基于D2D的V2V通信中的资源分配受多个因素影响，网络的拓扑结构、网络中的用户类型、用于解决该问题的优化技术。

目前大多数研究是在一个BS覆盖范围内进行的，因此不同BS覆盖范围之间的切换还有待研究。网络的拓扑结构和用户的QoS需求导致优化问题的约束条件不同，对于优化问题的解法从匹配理论[18]到基于机器学习的算法[19，20]都有很多，[21]提出了一个混合资源分配的结构，其中C-V2X和IEEE 802.11P的协同时未来研究的一个点。

[论文笔记]Three-Dimensional Resource Allocation in D2D-Based V2V Communication相关推荐

论文笔记（八）：360 VR Based Robot Teleoperation Interface for Virtual Tour
360 VR Based Robot Teleoperation Interface for Virtual Tour 文章概括摘要 1. 介绍 2. 方法和系统设计 2.1 系统结构 2.2 远程 ...
论文笔记 NAACL findings 2022|Zero-Shot Event Detection Based on Ordered Contrastive Learning and Prompt-
文章目录 1 简介 1.1 动机 1.2 创新 2 方法 2.1 Contrastive sample generator 2.2 Event encoder 2.3 Ordered contrast ...
论文笔记：联邦学习——Federated Learning: Strategies for Improving Communication Efficiency
Federated Learning: Strategies for Improving Communication Efficiency 文章目录 Federated Learning: Strat ...
【论文笔记】Heterogeneous Transfer Learning for HSIC Based on CNN
X. He, Y. Chen and P. Ghamisi, "Heterogeneous Transfer Learning for Hyperspectral Image Classif ...
论文笔记目录（ver2.0）
1 时间序列 1.1 时间序列预测论文名称来源主要内容论文笔记:DCRNN (Diffusion Convolutional Recurrent Neural Network: Data-Dr ...
论文笔记——Fair Resource Allocation in Federated Learning
论文笔记--Fair Resource Allocation in Federated Learning 原文论文链接--http://www.360doc.com/content/20/0501/1 ...
论文代码解读 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation
论文解读论文笔记 Hierarchical Reinforcement Learning for Scarce Medical Resource Allocation_UQI-LIUWJ的博客-CS ...
论文阅读：On Dynamic Resource Allocation for Blockchain Assisted Federated Learning over Wireless Channel
论文阅读:On Dynamic Resource Allocation for Blockchain Assisted Federated Learning over Wireless Channel ...
论文阅读--Risk-Resistant Resource Allocation for eMBB and URLLC coexistence under M/G/1 Queueing Model
阅读目的:学习eMBB和URLLC共存下的资源分配/调度等问题 point: 和m/g/1模型关系?-考虑队列时延 risk概念?-考虑了对URLLC delay的细粒度描述,刻画了tailed di ...

[论文笔记]Three-Dimensional Resource Allocation in D2D-Based V2V Communication

概要

结论

介绍