笔触狂放9

这个屌丝很懒，什么也没留下！

热门标签

[文献提炼] 车联网中资源分配的问题建模三篇_车辆通信计算资源分配问题

作者：笔触狂放9 | 2024-04-18 07:23:17

踩

车辆通信计算资源分配问题

前言

摘录和分析看过的论文中 SYSTEM MODEL / PROBLEM FORMULATION 的部分，关注论文的关键词为 UUDN V2X RL。

Spectrum Sharing in Vehicular Networks Based on Multi-Agent Reinforcement Learning

本文是19年使用RL解决V2X资源分配问题的经典开源论文

链路的表示：考虑蜂窝车联网如上，在单一基站覆盖下存在 M 个 V2I 和 K 个 V2V，传输高数据率的娱乐数据和高可靠性的周期性安全数据，来自 3GPP Release 15 for cellular V2X enhancement [4]。V2I 用 Uu 接口，V2V用 PC5 接口进行 D2D 通信。假设均为单天线。V2I链路集记作记作 $\mathcal{M}$ ={1, ..., M}，V2V链路的集合记作 $\mathcal{K}$ = {1, ..., K}。

[4] Technical Specification Group Radio Access Network; Study enhance- ment 3GPP Support for 5G V2X Services; (Release 15), document 3GPP TR 22.886 V15.1.0, 3rd Generation Partnership Project, Mar. 2017.

V2V与V2V在资源分配中的关系：使用蜂窝V2X架构下的 Mode 4，车辆共享资源池以同时进行V2V通信，该资源池与V2I的重叠。假设M个V2I（上行）以固定的功率各占用一个正交的频谱子带。

使用OFDM，假设信道衰落在一个频谱子带内大致相同，不同子带间相互独立。在一个相干时段内，k 号V2V链路在 m号子带上的增益为： $g_k[m] = \alpha_kh_k[m]$ 。 $h$ 为频率相关的小尺度衰落成分（假设其服从单位均值的指数分布）， $\alpha$ 为大尺度衰落成分（包括路损和阴影）

k‘ 号 V2V 对 k 号 V2V 的干扰为（在 m 号子带上）： $g_{k',k}[m]$
k 号 V2V 对 BS 的干扰为（在 m 号子带上）： $g_{k,B}[m]$
m 号 V2I 对 BS 的干扰为（在 m 号子带上）： $\hat{g}_{m, B}[m]$
m 号 V2I 对 k 号 V2V 的干扰为（在 m 号子带上）： $\hat{g}_{m,k}[m]$

以上参量如何得到？

首先要提到这部分的计算过程在代码中 Environment_marl.py - Compute_Performance_Reward_Train 方法里，是用发射功率、大尺小尺算出来的，计算上述参量的时候

已知 V2V链路 (或者说V) 的发射功率 (由动作决定)、V2I损耗（包含大尺小尺和快衰） -> 可算 V2I 受到的干扰
已知 V2I发射功率(据前规定，是定值)、V2I损耗（包含大尺小尺和快衰） -> 可算 V2I 的信号功率
已知 V2V发射功率(由动作决定) 、V2V损耗（包含大尺小尺和快衰） -> 可算 V2V 的信号功率
已知V2I发射功率、V2V发射功率、V2V损耗（包含大尺小尺和快衰）、V2I损耗（包含大尺小尺和快衰） -> 可算V2V受到的干扰

SINR的表示：

m号V2I （在m号子带上）的SINR为 $\gamma_{m}^{c}[m]=\frac{P_{m}^{c} \hat{g}_{m, B}[m]}{\sigma^{2}+\sum_{k} \rho_{k}[m] P_{k}^{d}[m] g_{k, B}[m]}$

k号V2V（在m号子带上）的SINR为 $\gamma_{k}^{d}[m]=\frac{P_{k}^{d}[m] g_{k}[m]}{\sigma^{2}+I_{k}[m]}$

其中 $P_m^c$ 和 $P_k^d[m]$ 分别是 m号V2I发射端和 k 号V2V发射端的发射功率， $\sigma^2$ 表示噪声功率，I 为干扰功率，如下： $I_{k}[m]=P_{m}^{c} \hat{g}_{m, k}[m]+\sum_{k^{\prime} \neq k} \rho_{k^{\prime}}[m] P_{k^{\prime}}^{d}[m] g_{k^{\prime}, k}[m]$

用户连接的表示：干扰中的 $\rho_k[m]$ 表示 k号V2V对m号子带的占用情况，假设单个V2V进展用一个子带，因此 $\sum_{m} \rho_{k}[m] \leq 1$

信道容量的表示（W为频谱子带的带宽）：

$C_{m}^{c}[m]=W \log \left(1+\gamma_{m}^{c}[m]\right)$ 表示m号V2I的容量（假设m号V2I链路必占用m号子带）
$C_{k}^{d}[m]=W \log \left(1+\gamma_{k}^{d}[m]\right)$ 表示k号V2V的容量（若其占用m号子带的话）

优化目标：

V2I链路的目标是优化总的V2I信道容量： $\sum_mC_m^c[m]$

V2V链路的目标是优化其可靠性： $\operatorname{Pr}\left\{\sum_{t=1}^{T} \sum_{m=1}^{M} \rho_{k}[m] C_{k}^{d}[m, t] \geq B / \Delta_{T}\right\}, \quad k \in \mathcal{K}$

（把大于号左边的和右边的分母互换位置可以看出其是在 $\Delta _T$ 成功传输B的包的概率）

其中B表示周期性V2V包的大小， $\Delta _T$ 为信道相干时间，C 是关于 t 的函数。

Eco-Vehicular Edge Networks for Connected Transportation: A Distributed Multi-Agent Reinforcement Learning Approach

本论文被 VTC2020-Fall接收，在UUDN架构下研究V2X资源分配

链路的表示：根据3GPP[14]的高速公路案例，考虑一个单向三车道的模型。VU ( vehicle users ) 集合为 $\mathcal{U} = \{u_1, u_2, ..., u_U\}$ ，AP的集合为 $\mathcal{A} = \{a_1, a_2, ..., a_A\}$ ，沿路侧部署。边缘节点用 $b_l$ 表示，由 AN ( Anchor Node ) 管理。AP通过有线连接到边缘服务器，其无线资源有限，为 $W_l$ Hz。假设AN处由完美的CSI，AN可调整波束赋形的权重。

[14] “3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Study on LTE-based V2X Services,” 3GPP TR 36.885 V14.0.0, Release 14, Jun. 2016.

目标是提升网络的可靠性下限。

用户连接的表示： $a_{i}^{j}(t)$ 表示 j 号AP是否与 i 号VU 相连； $u_{i}^{j}(t)$ 表示 i号VU 是否与 j号AP相连。所以 $\mathcal{A}_i(t)$ 表示与i号VU相连的所有AP的集合， $\mathcal{U}_j(t)$ 表示为 j号VU 所在的虚拟小区。

信道模型的表示：考虑多入单出的通信模型，VU单天线，AP有 $N_j$ 个天线。无线信道在一个基础 time block 服从 quasi-static flat fading (准静态平稳衰落)，i号VU 和 AP 的信道为： $\textbf{h}_i(t) = [\textbf{h}_{a_1^i}, \textbf{h}_{a_2^i}, ..., \textbf{h}_{a_A^i}]=D_i(t)\rho_i(t)\xi _i(t)\in\mathbb{C}^{N\times1}$ ，其中方括号中的每个元素表示一个AP，具体来讲是 $\mathbf{h}_{a_{j}^{i}}(t)=\left[h_{i j_{1}}(t), h_{i j_{2}}(t), \ldots, h_{i j_{N_{j}}}(t)\right]^{T}$ 表示一个AP的多天线的信道，其他符号 $D_i(t),\rho_i(t), \xi_i(t)\sim CN(0, I_N)$ 分别表示大尺度衰落、log-Normal阴影和快衰落。

i号VU的波束赋形向量表示为 $\mathbf{w}_{i}(t) \triangleq\left[\mathbf{w}_{a_{1}^{i}}^{T}(t), \ldots, \mathbf{w}_{a_{A}^{i}}^{T}(t)\right]^{T}$ ，其中 $\mathbf{w}_{a_{j}^{i}}(t)$ 表示 j号AP和i号VU的波束赋形权重。到这里，终于可以得到j号AP的发送信号功率： $\mathbf{s}_{j}(t)=\sum_{i=1}^{U} \mathbf{w}_{a_{j}^{i}}(t) x_{i}(t)$ ，x是单位功率信号。下行接收信号为：

其中 $\eta$ 是接收信号噪声，设其是0均值 $\sigma^2$ 方差的高斯圆对称复高斯分布。

车辆网络工作在时分双工模式，i号VU的可达吞吐量为

其中 $\kappa$ 为AP的信号带来的频谱效率损失， $\left|\mathbf{h}_{i}^{H}(t) \mathbf{w}_{i}(t)\right|^{2} /\left(\sigma^{2}+\sum_{u_{i} ; \epsilon \mathscr{U} \backslash u_{i}}\left|\mathbf{h}_{i}^{H}(t) \mathbf{w}_{i^{\prime}}(t)\right|^{2}\right)=\gamma^t_i(W(t))$ 为SINR。此外，因为有多个AP连接一个VU，因此 backhaul link consumption 为 $\mathrm{C}_{i}(t)=\left\|\left[\left\|\mathbf{w}_{a_{1}^{i}}(t)\right\|_{2}, \ldots,\left\|\mathbf{w}_{a_{A}^{i}}(t)\right\|_{2}\right]\right\|_{0} R_{i}^{t}(\mathbf{W}(t))$ ，||0表示非零元素的个数。当在 time slot 中调度了用户时，对于该VU所连接的所有AP的预编码向量（j比如权重 $w_i(t)$ ）非零，所以可达数据率也非零。

手段：找到最优的用户连接和波束赋形权重。目标：最大化网络的最大吞吐量，为保证用户公平性，我们定义EE如下

其含义为，用户总速率 / 网络的总功耗。

问题建模

约束于：7b：确保每个VC内的AP数大于一； 7c：确保SINR大于阈值；7d：总功率有限; 7e：用户连接是bool量。

目前而言，对于每个AP有 $2^U-1$ 种V2I连接方式，对每种连接方式还需要计算其功率分配。

简化：将AP的传输功率分成 K 个离散数值。

波束赋形向量表示为：

其中h是j号AP到i号VU的信道信息，P是其功率分配。

Age of Information Aware Radio Resource Management in Vehicular Networks: A Proactive Deep Reinforcement Learning Perspective

2020，本文来自于IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS，结合 AoI 进行资源分配

链路表示：选取曼哈顿网格模型中的V2V链路研究，如上图所示，车密度恒定，被单个RSU覆盖。V2V链路集合： $\kappa = \{1, ..., K\}$ ，正交频谱子带集合表示为： $\mathcal{B} = \{1, ..., B\}$ ，每个时隙长 $\tau$ ，V2V的两辆车的曼哈顿距离恒定，其坐标分别表示为 $\mathbf{y}_{k,(v T x)}^{j}=\left(y_{k,(v T x)}^{j, 1}, y_{k,(v T x)}^{j, 2}\right)$ 和 $\mathbf{y}_{k,(v R x)}^{j}=\left(y_{k,(v R x)}^{j, 1}, y_{k,(v R x)}^{j, 2}\right)$ 。

V2V链路分为三类：LOS，WLOS（两车在临近交叉口l内的垂直道上），NLOS。

用 $H_{k}^{j}=\psi \cdot h\left(\mathbf{y}_{k,(v T x)}^{j}, \mathbf{y}_{k,(v R x)}^{j}\right)$ 表示信道状态， $\psi$ 表示快衰落成分，h表示路损，由坐标可计算（如下图所示）。

城镇模型中载波一般选用5.9GHz。

V2V传递时间敏感的信息，假设一个V2V只占用一个频谱子带，子带分配向量表示为 $f_{k, b}^j$ ( b号子带在 slot j 分配给 k号V2V )，因此， $F_{k}^{j}=\sum_{b \in \mathcal{B}} f_{k, b}^{j}$ 表示在 j号slot 内 k号V2V对是否分配到子带 (是个布尔量) 。

数据包表示：假设其在每个slot的开端生成，生成时间独立于V2V对并均匀分布在slot上（以 $\lambda$ 为均值）。每个在slot内未完成传递的包，会被丢弃。 $X_k^j$ 表示 slot j 内 k号V2V 生成的包的数量，其期望为 $\lambda$ 。

VUE对调度 $R_k^j$ 个数据包的功率消耗为：

C为其他V2V对的干扰，W为频带带宽， $\mu$ 为包的尺寸。由上式可得：

因为时间限制丢失数据包的个数为：

AoI表示：在j号slot的开端 or j-1号slot 的末尾，用 $A^k_j$ 表示k号VUE对的AoI：

若当前时隙无数据包传输，则将VUE对的AoI在下一个时隙设置为 $\tau$ 。

V2V对聚簇：为减轻传输中 V2V对间的干扰，根据地理位置将其聚簇，共有G簇。将B个频带在不同簇中的VUE复用。频带分配需服从以下约束（表征一簇中，一个频带上最多有一个链路）：

聚簇的依据是V2V对的位置，使用基于距离的高斯相似度矩阵 $\mathbf{D}^{j}=\left[d_{k, k^{\prime}}^{j}\right]_{k \in \mathcal{K}, k^{\prime} \in \mathcal{K}}$ 来表示位置信息 $d_{k, k'}^j$

其中的 $\xi$ 和 $\varrho$ 时表示簇尺寸的参数，分别表示簇大小和簇大小的影响。

（4）式的发送功率现在可写为：

整理一下到目前为止的状态量： $\mathbf{S}_{k}^{j}=\left(\left(\mathbf{y}_{k,(v T x)}^{j}, \mathbf{y}_{k,(v R x)}^{j}\right)\right,\left.H_{k}^{j}, X_{k}^{j}, A_{k}^{j}\right) \in \mathcal{S} \triangleq \mathcal{Y} \times \mathcal{H} \times \mathcal{X} \times \mathcal{A}$ ，其中y是发射端接收端的坐标，H为信道状态，X为包到达数，A为信息年龄。用 $\pi = (\pi_{(F)}, \pi_{(R)})$ 表示稳态策略，其中成员分别是频带分配policy和包调度policy。

k号 V2V对在slot j 的效用函数为（其中三项分别为发送功率损耗、丢包率、AoI）：

$\begin{aligned} U_{k}\left(\mathbf{S}^{j}, F_{k}^{j}, R_{k}^{j}\right) &=\exp \left(-P_{k}^{j}\right)+\vartheta \cdot \exp \left(-L_{k}^{j}\right) \\ &+\xi \cdot \exp \left(-A_{k}^{j}\right) \end{aligned}$

总结

论文	论文1	论文2	论文3
资源分配的对象	V2V发射功率 V2V链路的频谱子带分配	用户与AP的连接方案 AP与用户的连接方案 AP与多个VU的波束赋形权重	频带分配 $f$ 包调度 $R$
优化目标	V2I链路的目标是优化总的V2I信道容量： $\sum_mC_m^c[m]$ V2V链路的目标是优化其可靠性： $\operatorname{Pr}\left\{\sum_{t=1}^{T} \sum_{m=1}^{M} \rho_{k}[m] C_{k}^{d}[m, t] \geq B / \Delta_{T}\right\}, \quad k \in \mathcal{K}$	EE： $E E(t)=\frac{\sum \mathrm{C}_{i}(t)} {\sum \sum\left\\|\mathbf{w}_{a_{j}^{i}}(t)\right\\|_{2}^{2}}$	一个结合功率、丢包率、AoI的效用函数： $\begin{aligned} U_{k}\left(\mathbf{S}^{j}, F_{k}^{j}, R_{k}^{j}\right) &=\exp \left(-P_{k}^{j}\right)+\vartheta \cdot \exp \left(-L_{k}^{j}\right) \\ &+\xi \cdot \exp \left(-A_{k}^{j}\right) \end{aligned}$
信道容量	$C_{k}^{d}[m]=W \log \left(1+\frac{P_{k}^{d}[m] g_{k}[m]}{\sigma^{2}+P_{m}^{c} \hat{g}_{m, k}[m]+\sum_{k^{\prime} \neq k} \rho_{k^{\prime}}[m] P_{k^{\prime}}^{d}[m] g_{k^{\prime}, k}[m]}\right)$	$R_{i}^{t}(\mathbf{W}(\mathbf{t}))=(1-\kappa) \log_2(1+\frac{\|\mathbf{h}_{i}^{H}(t) \mathbf{w}_{i}(t)\|^2}{\sigma^{2}+\sum\|\mathbf{h}_{i}^{H}(t) \mathbf{w}_{i'}(t)\|^2 } )$	$P_{k}^{j}=\sum_{b \in \mathcal{B}} f_{k, b}^{j} \cdot \frac{C_{k, b}^{j}+W \cdot \sigma^{2}}{H_{k}^{j}} \cdot\left(2^{\frac{\mu \cdot R_{k}^{j}}{W \cdot \tau}}-1\right)$
约束		7b：确保每个VC内的AP数大于一； 7c：确保SINR大于阈值； 7d：总功率有限; 7e：用户连接是bool量。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/笔触狂放9/article/detail/444670

[文献提炼] 车联网中资源分配的问题建模 三篇_车辆通信计算资源分配问题

前言

Spectrum Sharing in Vehicular Networks Based on Multi-Agent Reinforcement Learning

Eco-Vehicular Edge Networks for Connected Transportation: A Distributed Multi-Agent Reinforcement Learning Approach

Age of Information Aware Radio Resource Management in Vehicular Networks: A Proactive Deep Reinforcement Learning Perspective

总结

[文献提炼] 车联网中资源分配的问题建模三篇_车辆通信计算资源分配问题