基于LTE-V城市道路場景的資源分配算法改進

延凱悅（中國聯通網絡技術研究院，北京100048）

1 概述

車聯網是現代智能交通系統的重要基礎設施。基于LTE技術實現的車聯網方案——LTE-V可以通過傳統的LTE網絡實現V2V、V2I和V2X通信，保證車輛安全數據的可靠傳輸，實現整個交通系統高效智能化管理。LTE-V技術由我國提出，2010年開始對其進行研究，2016年9月，3GPP完成了LTE V2V標準核心部分的制定。2017年3月完成了LTE V2X標準的制定。但是，LTE-V技術還面臨一些挑戰，例如，為了保證行車安全，通常任務安全型數據傳輸在車載通信中需要得到優先保證。因此，如何對任務安全型數據進行更優化的資源分配，保證此類應用的服務質量，需要進一步研究，需要針對復雜多變的車輛通信環境，研究更加有效的無線資源調度技術。

城市道路通信場景通常車輛擁擠，用戶密度很高，業務需求也大。由于系統容量的限制，有特定QoS要求的關鍵型數據傳輸可能無法得到保障。與此同時，在城市道路通信場景中，當物理資源緊張時，資源分配算法有必要考慮業務的優先級問題，使得車聯網任務關鍵型業務優先被分配資源，保證車聯網任務關鍵型數據傳輸的可靠性。

2 基本原理

2.1 城市道路通信場景

城市道路通信場景的典型特征是車輛密度相對比較大、運行速度相對較低，為簡化分析，選擇十字路口場景作為典型場景進行分析，如圖1所示。

圖1 城市道路通信場景

對圖1所示的城市道路場景進行建模，提出以下假設。

a）單個基站小區的覆蓋范圍是以路口為中心，半徑200 m，所有車輛與路側設施均在其覆蓋范圍內。車輛與車輛之間、車輛與路側設施之間都通過基站進行通信。

b）車輛的行駛速度設置為10～30 km/h。在十字路口處，車輛節點選擇前行、左轉和右轉的概率分別為0.5，0.25，0.25。

c）車輛到達率服從泊松分布，車輛的到達頻率為120輛/min。設定車輛數目的取值范圍為0～100輛。泊松分布的表達式如式（1）所示。λ表示車輛的平均到達率（輛/s），t表示仿真時間間隔，Pk表示仿真時間間隔t內到達k輛車的概率。

在城市道路環境中，高密度的車載用戶會給資源受限條件下的LTE車聯網資源分配帶來新的問題。具體體現在以下2點。

a）有限的系統容量無法保證所有用戶傳輸速率的要求。

b）高密度車聯網業務的可靠接入問題和優先級保證。

2.2 下行無線資源分配過程

下行無線資源分配主要涉及物理層和MAC層，物理層進行時頻資源塊的劃分，MAC層資源調度的實現一般由分組調度器和相關的無線資源管理進程完成，基本原理如圖2所示。在每個TTI中，車載終端首先會計算并反饋CQI給其相關聯的eNodeB。分組調度器根據CQI和QoS等業務信息為UE指定RB資源分配方案，自適應調制編碼模塊為UE選擇最優調制編碼策略。eNodeB將終端的資源分配信息如RB、MCS等通過PDCCH信道上的DCI信息發送給UE。eNodeB根據下行無線資源分配方案把需要傳輸的數據分組填充在PDSCH信道上，進行傳輸。UE獲取PDCCH上的DCI信息后，在PDSCH上獲得無線資源，開始接收eNodeB發送的數據，完成整個下行資源分配。

圖2 基于LTE車聯網的資源分配過程

2.3 下行無線資源分配算法

現有的下行無線資源分配算法可以總結為3類：信道無感知算法、信道感知/QoS無感知算法、信道感知/QoS感知算法。

a）信道無感知算法。假定信道質量不發生變化，根據具體計算方法不同可進一步分為輪詢算法、盲吞吐量公平算法（BET）。

b）信道感知算法。需要考慮信道質量的影響，通過合理資源分配使系統獲得較大吞吐量，包括最大載干比算法（Max C/I）和比例公平算法（PF）。

c）QoS感知資源分配算法。該類算法同時考慮信道質量變化和QoS參數的要求，以滿足關鍵型數據傳輸的性能需求。目前比較常用的算法包括修正最大權重時延優先算法（M-LWDF——the Modified Largest Weighted Delay First）和指數比例公平算法（EXP/PF——Exponent Proportional Fair）。前者主要考慮了具有不同傳輸時延要求業務的優先級；后者主要考慮數據傳輸緩沖隊列時延與業務優先級之間的映射為指數關系，相對傳統的線性映射關系，其優越性在于：用戶數比較大的情況下，時延敏感類業務能夠優先得到保證。

3 傳統的EXP/PF算法

車聯網業務對時延比較敏感，信道有感知/QoS有感知類算法既考慮了用戶業務的無線信道質量變化，也考慮了用戶業務的QoS要求，因此多采用EXP/PF算法。該算法根據無線信道的質量和分組數據緩沖隊列的時延對用戶進行優先級排序，然后按照優先級順序為UE分配資源。EXP/PF算法也區分實時類業務和非實時類業務。實時業務度量的大小與緩沖隊列時延成指數增長關系，如式（2）和（3）所示。

式中：

ai——時延敏感度

mPFi,k——用戶i的信道質量參數

DHOL,i——緩沖隊列的時延

x——N個用戶的時延優化參數的平均值

EXP/PF算法的優點是考慮了無線信道的質量變化，并且該算法的實時業務度量的大小與緩沖隊列時延成指數增長關系，所以非常適合為時延敏感的實時業務分配資源。缺點是EXP/PF算法中引入了吞吐量公平的公平機制，這種機制將導致用戶間的吞吐量近似相等，無法滿足不同用戶業務對傳輸速率的QoS要求。車聯網業務類型眾多，在眾多業務并發的情況下，車聯網任務關鍵型業務與其他業務構成競爭關系，基于LTE車聯網的物理資源可能比較緊張，關鍵型業務對QoS的要求嚴苛，必須保證車聯網任務關鍵型業務優先分配資源，并且兼顧其他車聯網業務的調度公平。EXP/PF算法公平對待所有用戶業務，沒有對業務做進一步的區分，所以EXP/PF算法還存在一定缺陷。

4 下行無線資源分配改進算法

基于EXP/PF算法的缺點，本文提出了一種基于差異化函數的指數比例公平算法（EXP/PF-DF-V2I——Exponent Proportional Fair based on Differentiation Function for Vehicle to Infrastructure）。該算法在EXP/PF算法的基礎上，首先根據業務分類函數將業務分為實時業務和非實時業務，并賦予實時業務高的調度優先級，保證實時業務的可靠傳輸。然后利用差異化函數對實時業務中的車聯網任務關鍵型業務與非任務關鍵型業務進行差異化處理，保證實時業務中的車聯網任務關鍵型業務優先被調度，同時滿足非任務關鍵型業務的調度要求。最后對剩下的非實時業務采用PF算法進行資源分配。

EXP/PF-DF-V2I算法具體實現步驟如下：

步驟1：待分配的業務分組進入eNodeB，等待分配下行無線資源。

步驟2：未分類業務分組進入業務分類器，根據QCI指示信息和業務類型對業務進行分類。業務分類器主要是根據業務分組的QCI信息對業務分組進行分類。業務分類器的分類函數表達式如式（4）所示。

式中：

xQCI——業務分組的QCI參數

α，β——用戶業務QCI參數的可能取值

{an，bn，cn}和{an+1，bn+1，cn+1}——不同業務取得的不同可調參數

業務分類函數根據QCI參數將車聯網業務分為車聯網任務關鍵型業務、語音業務、視頻業務和網絡數據業務。實時業務包括車聯網任務關鍵型業務、語音業務和視頻業務；非實時業務包括網絡數據業務。

實時類業務分組添加實時差異化函數參數組，進入實時類業務緩沖隊列。差異化函數公式如式（5）所示。

式中：

an，bn，cn——區分車聯網不同業務類型的可調參數

DHOL，i——緩沖隊列時延（HOL：head-of-line）

根據業務的可調參數可以計算其差異化函數值。例如，與車聯網關鍵型業務相關的可調參數可以設置為a=1，b=0.5，c=0.1；與視頻相關業務的可調參數可以設置為a=1，b=1，c=1；與語音相關業務的可調參數可以設置為a=1，b=10，c=1。這樣通過改變差異化函數可調參數組的值，不同的車聯網業務可以獲得不同的差異化函數值。

步驟3：在實時業務的資源分配過程中，分組調度器優先將RB分配給實時業務中的車聯網任務關鍵型業務，保證該類業務的可靠傳輸。實時業務資源分配的具體過程如圖3所示。

圖3 實時業務資源分配流程圖

步驟3.1：從實時業務緩沖隊列中選擇N個分組，P1，P2，P3，…，PN插入到調度隊列q中。

步驟3.2：根據式（5）計算不同業務的差異化函數值。

步驟3.3：計算車聯網任務關鍵型業務和非行車安全相關實時業務的時延優化參數：

式中：

ai——時延敏感度

DHOL,i——緩沖隊列的時延

x——N個用戶的時延優化參數的平均值

P（DHOL，i）——業務分組在緩沖隊列中等待的時間距離時延閾值越近，該業務分組被分配RB的概率就應該越大。該參數可以保證車聯網用戶實時業務的實時性。

步驟3.4：eNodeB根據用戶的信道質量反饋報告，計算每個用戶的瞬時傳輸速率 r1，r2，r3，…，rN和歷史平均傳輸速率。根據用戶的瞬時傳輸速率和歷史平均傳輸速率計算車聯網任務關鍵型業務和非行車安全相關實時業務的信道質量參數。

步驟3.5：綜合步驟3.2到步驟3.4中的公式得到實時業務資源分配的度量值如式（7）所示。

式中：

Mi，k——實時類業務的量化值，i表示第i個用戶，k表示第k個RB

步驟3.6：在所有UE中找到最大的RB，將該RB預分配給第i個用戶。判斷已經分配的RB是否能夠滿足一次調度傳輸數據量需求，如果滿足傳輸需求，就將該RB分配給UE，并且將調度隊列q清空，完成實時業務的資源分配。

步驟3.7：如果分配RB后仍無法滿足業務的傳輸數據需求，那么檢查RB是否還有剩余。如果存在剩余那么重復步驟3.2到3.6，直至滿足車聯網任務關鍵型業務和非行車安全相關實時業務的數據傳輸需求，結束實時業務的資源分配。若RB無剩余，那么等待下一個時隙，完成下一個輪次的資源分配。

步驟4：若完成實時業務的資源分配之后RB還有剩余，則轉入非實時業務資源資源分配；若RB無剩余，則等待下一個時隙。非實時業務資源分配的具體流程如圖4所示。

步驟4.1：從非實時類業務緩沖隊列中選擇N個分組，P1，P2，P3，…，PN插入到隊列q中。

圖4 非實時業務資源分配的流程圖

步驟4.2：eNodeB根據用戶的信道質量反饋報告，計算每個用戶的瞬時傳輸速率 r1，r2，r3，…，rN和用戶的歷史平均傳輸速率。根據用戶的瞬時傳輸速率和歷史平均傳輸速率計算非實時業務的信道質量參數。

步驟4.4：如果分配該RB后仍無法滿足傳輸數據需求，那么檢查RB數量是否還有剩余。如果存在剩余，那么重復步驟4.2到步驟4.3，直至滿足隊列q中非實時業務的傳輸數據需求，結束非實時業務的無線資源分配。如果RB數量無剩余，那么結束該輪次調度，等待下一個時隙。

5 仿真結果

5.1 車聯網任務關鍵型業務系統性能仿真對比

圖5～圖7給出了城市道路通信場景下，EXP/PFDF-V2I算法、PF算法、EXP/PF算法與M-LWDF算法的車聯網任務關鍵型業務系統吞吐量曲線、時延、丟包率的對比曲線。表1給出了以EXP/PF-DF-V2I算法為基準，不同算法在時延、系統吞吐量和丟包率性能方面的結果。可以清楚地看到，EXP/PF-DF-V2I算法對車聯網任務關鍵型業務的調度性能從系統吞吐量、時延、傳輸速率和丟包率方面都全面優于EXP/PF算法、M-LWDF算法和PF算法，因此EXP/PF-DF-V2I算法更適合為車聯網任務關鍵型業務分配資源。

5.2 其他業務調度性能的仿真對比

視頻業務、音頻業務和盡力而為業務調度性能仿真結果如表2～表4所示。表2～表4以EXP/PF-DFV2I算法為基準，不同算法在時延、系統吞吐量和丟包率性能方面的結果。

圖5 EXP/PF-DF-V2I算法與其他算法的系統吞吐量對比

圖6 EXP/PF-DF-V2I算法與其他算法的時延對比

圖7 EXP/PF-DF-V2I算法與其他算法的丟包率對比

表1 車聯網任務關鍵型業務調度性能對比

5.3 算法公平性的仿真對比

圖8為城市道路交通通信場景下，EXP/PF-DFV2I算法與EXP/PF算法的公平指數對比曲線圖。EXP/PF-DF-V2I算法盡管在業務分類中引入了差異化函數，并制定業務優先級資源分配規則，但是差異化函數的曲線是凹曲線的特征減輕了業務之間不公平性。因此，EXP/PF-DF-V2I算法與EXP/PF算法的公平指數基本一致。

表2 視頻業務調度性能對比

表3 音頻業務調度性能對比

表4 盡力而為業務調度性能對比

圖8 EXP/PF-DF-V2I與EXP/PF算法的公平指數對比曲線圖

在城市道路通信場景中，EXP/PF-DF-V2I算法對車聯網任務關鍵型業務的調度性能在系統吞吐量、時延和丟包率方面都全面優于EXP/PF算法、M-LWDF算法和PF算法，因此EXP/PF-DF-V2I算法更適合為車聯網任務關鍵型業務分配資源。

EXP/PF-DF-V2I算法對視頻業務的調度性能表現與同是QoS保證算法的EXP/PF算法和M-LWDF算法的調度性能基本一致，因此EXP/PF-TR-V2I算法適合為視頻業務分配資源。

EXP/PF-DF-V2I算法對音頻業務的調度性能表現低于同是QoS保證算法的EXP/PF算法和M-LWDF算法，但在可以接受的范圍之內。因此EXP/PF-DFV2I算法仍可以保證音頻業務數據傳輸的可靠性。

EXP/PF-DF-V2I算法對盡力而為業務的調度性能表現低于EXP/PF算法、M-LWDF算法和PF算法，因此EXP/PF-TR-V2I算法對盡力而為業務的調度性能表現較差，這是為了保證車聯網特定業務QoS要求必須付出的代價。

綜上所述，針對城市道路場景提出的EXP/PFDF-V2I算法在業務密集的城市道路環境下可以保證車聯網任務關鍵型數據的可靠傳輸。

6 結論

本文提出了一種EXP/PF-DF-V2I的資源分配算法。該算法首先利用業務分類函數將業務分為實時業務和非實時業務，并賦予實時業務高的調度優先級，保證實時業務的可靠傳輸。然后利用差異化函數對實時業務中的車聯網任務關鍵型業務與非任務關鍵型業務進行差異化處理，保證實時業務中的車聯網任務關鍵型業務優先被調度，同時滿足非任務關鍵型業務的調度要求。最后對剩下的非實時業務采用PF算法進行資源分配。同樣，為了驗證EXP/PF-DF-V2I算法的優越性，本文對EXP/PF-DF-V2I算法和典型的資源分配算法進行了仿真對比，分析了EXP/PF-DFV2I算法在調度性能上的優勢，驗證了EXP/PF-DFV2I算法可以在保證系統吞吐量和用戶公平的條件下，能夠滿足任務關鍵型數據的可靠傳輸。