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），其中为对数正态的阴影成分，l为发送端和接收端的距离，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V2VV2ICUE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。

最后

以上就是玩命中心为你收集整理的[论文笔记]Three-Dimensional Resource Allocation in D2D-Based V2V Communication概要结论介绍网络架构和系统模型RB分配方案仿真结果展望的全部内容，希望文章能够帮你解决[论文笔记]Three-Dimensional Resource Allocation in D2D-Based V2V Communication概要结论介绍网络架构和系统模型RB分配方案仿真结果展望所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。