超可靠车联网中面向不完美CSI的资源分配方法及系统与流程

本发明属于车联网技术领域，尤其涉及一种超可靠车联网中面向不完美CSI的资源分配方法及系统。

背景技术

目前，智能交通系统在提高交通效率、道路安全以及提供丰富的驾驶娱乐等方面有着巨大的潜力。车辆对一切(V2X)通信是智能交通系统中不可缺少的技术之一，它通过车辆对基础设施(V2I)和车辆对车辆(V2V)链路实现自动驾驶。具体而言，非安全相关业务，如娱乐服务和高清地图信息等，涉及实时数据交互，需要通过高容量的V2I连接访问互联网或远程服务器。相比之下，可靠性是安全想关应用的关键指标，例如，通过V2V链路在周围车辆之间共享协作感知消息(CAM)和分散环境通知消息(DENM)。此外，由于V2I通信资源有限，当需要上传大量数据时，会对V2I无线链路造成很大的压力。幸运的是，随着车辆技术的发展，车辆配备了一定的计算设备。因此，车辆本地计算单元可以压缩部分数据，这进一步减小了V2I通信的时延。因此，一个合理的资源分配方案是联合优化无线资源和车辆本地计算比例。

与传统通信网络不同，在车联网资源分配面临特殊的挑战。首先车辆的高移动特性导致无线信道状态(CSI)快速变化。因此，在如此短的时间尺度上跟踪信道变化时不切实际的。其次为了实现高的频谱效率，V2V和V2V链路复用频谱，从而引入了复杂的干扰问题。另一方面，V2X网络中的资源分配方案需要具备低复杂度低时延特性。因此，考虑到迭代需要不可忽略的时延，具有高复杂度的传统迭代算法不再适用。

通过上述分析，现有技术存在的问题及缺陷为：

(1)现有车辆的高移动特性导致无线信道状态(CSI)快速变化，因此在如此短的时间尺度上跟踪信道变化时不切实际的。

(2)为了实现高的频谱效率，V2V和V2I链路复用频谱，从而引入复杂的干扰问题，V2X网络中的资源分配方案需要具备低复杂度低时延特性。

(3)在车联网资源分配中，由于迭代需要不可忽略的时延，因此具有高复杂度的传统迭代算法不再适用。

综上所述，现有的技术问题是：现有的车联网资源分配方法大多基于准确的网络状态信息，无法保证高速移动车辆的高可靠传输需求。

解决上述技术问题的难度：解决上述技术问题，需要建立可以刻画高速移动车联网异构服务需求的网络模型，并且处理网络信息状态的不确定性。此外，V2V和V2I链路复用，导致复杂的干扰问题，且传统的基于迭代的算法无法使用于低时延需求的车联网。因此，如何建立一个可以刻画异构服务需求的车联网通信模式且提出低计算复杂度的资源分配算法成为解决上述技术问题的最大难点。

解决以上问题及缺陷的意义为：解决上述急速问题，可以克服由于车辆高速移动使得信道状态无法准确获取的困难，设计低计算复杂度的算法，从而更好地完成车联网的资源分配。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种超可靠车联网中面向不完美CSI的资源分配方法及系统。

本发明是这样实现的，一种超可靠车联网中面向不完美CSI的资源分配方法，所述超可靠车联网中面向不完美CSI的资源分配方法包括：

首先，利用V2I和V2V链路对应异构的服务需求；然后，利用鲁棒的方法把V2V可靠性约束和V2I吞吐量转化成可以计算的模式；其次，利用基于反馈控制的方法训练并行的DNN架构，得到功率控制和本地计算分配决策；最后，基于匈牙利算法推出最优的频谱分配决策。

进一步，所述超可靠车联网中面向不完美CSI的资源分配方法包括以下步骤：

步骤一，建模过程，构建多样化服务的车联网模型；建立适用于车联网异构服务的模型：V2I(低时延)V2V(高可靠)

步骤二，利用可行域转化的方法将V2V可靠性约束转化为可计算的形式，利用鲁棒SINR修正方法获得V2I吞吐量的可计算表达式；用于处理车联网中因为高速移动引起的信道状态无法获取。

步骤三，设计并行的DNN网络结构，构建DNN的损失函数；提出基于学习的适用于本项目的DNN结构。

步骤四，训练DNN参数；根据提出的反馈控制方法，训练DNN网络参数。

步骤五，DNN推理，根据训练好的DNN获取V2I和V2V的发射功率和本地计算比例λm；基于训练好的DNN，执行DNN推理。

步骤六，根据匈牙利算法，获取最优的频谱匹配决策xm，k。解决整数规划带来的困难。

进一步，步骤一中，所述构建多样化服务的车联网模型，包括：

(1)不完美信道的描述；

(2)将V2V可靠性约束进行表征；

(3)建立V2I时延表达式。

进一步，步骤二中，所述利用可行域转化的方法将V2V可靠性约束转化为可计算的形式，利用鲁棒SINR修正方法获得V2I吞吐量的可计算表达式，包括：

(1)基于积分的可行域转化方法将V2V可靠性约束转化为可计算形式；

(2)将V2I表达式利用鲁棒SINR修正的方法转化成可以计算的模式。

进一步，步骤三中，所述设计并行的DNN网络结构，构建DNN的损失函数，包括：

(1)考虑到V2I、V2V发射功率以及车辆本地计算比例λm，设计一个并行的可同时决策多个变量的DNN架构；

(2)根据拉格朗日定理，引入对偶变量，推导拉格朗日表达式，并将其作为训练DNN的损失函数。

进一步，步骤四中，所述训练DNN参数，包括：

(1)初始化DNN参数，对偶变量；

(2)采用小批量梯度的方法更新对偶变量和神经网络参数。

进一步，步骤六中，所述根据匈牙利算法，获取最优的频谱匹配决策xm，k，包括：

(1)获取每个可能的V2I-V2V对的最有解；

(2)将每个可能的解进行排序，推出最优的频谱分配决策。

本发明的另一目的在于提供一种应用所述的超可靠车联网中面向不完美CSI的资源分配方法的超可靠车联网中面向不完美CSI的资源分配系统，所述超可靠车联网中面向不完美CSI的资源分配系统包括：

车联网模型构建模块，用于构建多样化服务的车联网模型；

可计算表达式获取模块，用于利用可行域转化的方法将V2V可靠性约束转化为可计算的形式，利用鲁棒SINR修正方法获得V2I吞吐量的可计算表达式；

DNN网络结构构建模块，用于设计并行的DNN网络结构，构建DNN的损失函数；

DNN参数训练模块，用于训练DNN参数；

DNN推理模块，用于根据训练好的DNN获取V2I和V2V的发射功率和本地计算比例λm；

频谱匹配决策获取模块，用于根据匈牙利算法获取最优频谱匹配决策xm，k。

本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如下步骤：

首先，利用V2I和V2V链路对应异构的服务需求；然后，利用鲁棒的方法把V2V可靠性约束和V2I吞吐量转化成可以计算的模式；其次，利用基于反馈控制的方法训练并行的DNN架构，得到功率控制和本地计算分配决策；最后，基于匈牙利算法推出最优的频谱分配决策。

本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的超可靠车联网中面向不完美CSI的资源分配系统。

结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的超可靠车联网中面向不完美CSI的资源分配方法，具体涉及不完美CSI系统通信技术，是一种基于学习的资源分配方法。本发明能够用于解决高速移动车辆环境中车辆发射功率和本地计算比例分配问题。本发明适用于具有不完美CSI的高速移动网络，克服了准确信道状态无法获取带来的困难；基于训练好的DNN进行资源分配决策，相较于传统迭代算法更符合车联网实时性要求。

传统的车联网资源分配算法假设BS可以获得准确的CSI，这在高速移动的车联网场景中是不切实际的。本发明提出了一种基于不完美CSI的车联网资源分配算法，通过积分和鲁棒的方法，将不确定的约束转化为可以计算的表达。此外，提出了基于学习的低计算复杂度的资源分配算法，用于解决高计算复杂度的干扰问题。

本发明的基本思路是在保证V2V链路的可靠性前提下，最小化V2I链路的时延，同时车辆计算部分感知数据；首先建立异构服务对应的车联网模型，其次利用鲁棒的方法，克服由于不完美CSI带来的V2V可靠性和V2I吞吐量表达困难；然后设计并行的DNN架构用于同时输出多个资源分配决策；之后设计无监督的DNN训练方法，获取最优DNN参数，并得到V2I、V2V发射功率，和车辆本地计算比例分配决策；最后基于匈牙利算法，获得最优的频谱分配决策。

本发明与现有技术相比，还具有以下优点：

第一，本发明通过可行域转化方法和鲁棒SINR修正方法，克服了现有技术中无法准确获取完美CSI导致的V2V可靠性和V2I吞吐量闭式表达的困难。此外，本发明只依靠大时间尺度的CSI，使得本发明具有了网络开销小的有点。

第二，本发明设计了一个并行的DNN架构，一个是传输功率控制单元，另一个是本地计算比例分配单元。使得本发明有了一次性决策多个资源分配决策的有点。

第三，本发明通过基于反馈控制的无监督DNN训练方法，保证了DNN网络的可靠性。本发明只需要使用训练好的DNN推理获得最优决策，相比于传统的基于迭代的算法，使得本发明具有了低时延的特点，更符合车联网实时性要求。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的超可靠车联网中面向不完美CSI的资源分配方法流程图。

图2是本发明实施例提供的超可靠车联网中面向不完美CSI的资源分配方法原理图。

图3是本发明实施例提供的超可靠车联网中面向不完美CSI的资源分配系统结构框图；

图中：1、车联网模型构建模块；2、可计算表达式获取模块；3、DNN网络结构构建模块；4、DNN参数训练模块；5、DNN推理模块；6、频谱匹配决策获取模块。

图4是本发明实施例提供的车联网系统图。

图5是本发明实施例提供的并行的DNN架构图。

图6是本发明实施例提供的最大V2V发射功率增加时的平均数据上传延迟示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

针对现有技术存在的问题，本发明提供了一种超可靠车联网中面向不完美信道信息状态(CSI)的资源分配方法及系统，下面结合附图对本发明作详细的描述。

针对现有的资源分配算法大多基于准确的CSI，无法保证资源分配决策满足网络服务质量(QoS)需求。本发明从实际大时间尺度缓慢变化，小时间尺度不可获取的角度出发，基于积分和鲁棒方法克服不完美CSI无法显示表达的困难。并提出并行的基于反馈控制的DNN算法，有效的减少了算法的计算复杂度，使其适用于高速移动的车联网环境。

如图1所示，本发明实施例提供的超可靠车联网中面向不完美CSI的资源分配方法包括以下步骤：

S101，建模过程，构建多样化服务的车联网模型；

S102，利用可行域转化的方法将V2V可靠性约束转化为可计算的形式，利用鲁棒SINR修正方法获得V2I吞吐量的可计算表达式；

S103，设计并行的深度神经网络(DNN)网络结构，构建DNN的损失函数；

S104，训练DNN参数；

S105，DNN推理，根据训练好的DNN获取V2I和V2V的发射功率和本地计算比例；

S106，根据匈牙利算法，获取最优的频谱匹配决策。

本发明实施例提供的超可靠车联网中面向不完美CSI的资源分配方法原理图如图2所示。

如图3所示，本发明实施例提供的超可靠车联网中面向不完美CSI的资源分配系统包括：

车联网模型构建模块1，用于构建多样化服务的车联网模型；

可计算表达式获取模块2，用于利用可行域转化的方法将V2V可靠性约束转化为可计算的形式，利用鲁棒SINR修正方法获得V2I吞吐量的可计算表达式；

DNN网络结构构建模块3，用于设计并行的DNN网络结构，构建DNN的损失函数；

DNN参数训练模块4，用于训练DNN参数；

DNN推理模块5，用于根据训练好的DNN获取V2I和V2V的发射功率和本地计算比例λm；

频谱匹配决策获取模块6，用于根据匈牙利算法获取最优频谱匹配决策xm，k。

本发明实施例提供的车联网系统图如图4所示。

下面结合具体实施例对本发明的技术方案作进一步描述。

步骤一.构建多样化服务的车联网模型，包括以下步骤：

本发明假设一个V2V只复用一个V2I的链路，同时，一个V2I链路也只能和一个V2V链路共享。所以，可以先求解每一个可能的V2I-V2V对的功率和本地计算比例，再根据匈牙利算法，获取最优的频谱分配决策。

(1)不完美信道的描述。

定义m-thV2I链路的CSI可以表示为hm,B＝gm,Bαm,B，其中gm,B表示CSI中的小时间尺度部分，αm,B为大时间尺度参数。因为快速移动的车辆无法获取准确的CSI，我们假设小时间尺度参数gm,B满足单位均值的指数分布。同时，V2V链路的信道状态，m-thV2I链路对k-thV2V链路的干扰、k-th V2V链路对m-thV2I链路的干扰定义相同，分别表示为hk，hm,k，hk,B。

(2)将V2V可靠性约束进行表征。

对于安全相关业务，V2V可靠性约束用概率的形式表示，其中表示通信中断的概率，1-p0表示可可靠性要求。

(3)建立V2I时延表达式。

m-thV2I用户的SINR可以表示为所以，V2I容量可以表示为对于非安全相关业务，部分原始数据可以经过本地压缩减小数据量，从而减轻传输负担，减少时延。Dm表示数据的大小，λm表示本地计算比例，fl为车辆本地CPU计算频率，β表示本地计算后的原始数据压缩比例。本地计算时延可以表示为直接传输原始数据的时延为本地数据压缩后上传时延是当Tlocal＞Traw时，m-thV2I链路的时延为Tlocal Tcompressed，否则为Traw Tcompressed。通过上述分析，m-thV2I链路的时延可以表示为

此外，V2I和V2V链路有最大发射功率约束，分别表示为

2.利用可行域转化的方法将V2V可靠性约束转化为可计算的形式，利用鲁棒SINR修正方法获得V2I吞吐量的可计算表达式。

(1)基于积分的可行域转化方法将V2V可靠性约束转化为可计算形式。

由于gk和gm,k满足独立的单位指数分布，所以通过积分可以转化可靠性约束，即：

(2)将V2I表达式利用鲁棒SINR修正的方法转化成可以计算的模式。

与V2V可靠性约束不同，V2I表达式中的log函数使得积分无法获得闭式。所以本发明提出了一种鲁棒的方法。

引入辅助变量γ^c，V2I表达式可以通过求解下面的问题获得：

Rm＝max E[log2(1 γ^c)]

其中，ε表示V2I链路允许的中断概率。推导出V2I的可计算表达式为：

3.设计并行的DNN网络结构，构建DNN的损失函数，包括以下步骤：

(1)考虑到V2I、V2V发射功率以及车辆本地计算比例λm，设计一个并行的可以同时决策多个变量的DNN架构。

并行的DNN架构如图5所示，包含一个功率决策单元用于输出一个本地计算比例决策单元用于计算λm。

(2)根据拉格朗日定理，引入对偶变量，推导拉格朗日表达式。并将其作为训练DNN的损失函数。

求解原问题(拉格朗日函数)的对偶问题，获得对偶变量(乘子)的迭代表达式。并将乘子反馈给DNN网络参数(原变量)。

4.训练DNN参数包括以下步骤：

(1)初始化DNN参数，对偶变量。

样本数量为100000，其中训练样本为70000，验证样本为30000。

利用Xavier初始化DNN参数，对偶变量初始值设置为0。

(2)采用小批量梯度的方法更新对偶变量和神经网络参数。

使用带有Tensorflow 1.7.1的Python 3.6执行DNN的训过程。学习率设为0.001，假设DNN有4个隐藏层，每个隐藏层含有200个单元，mini-bath的大小为100。采用Adam的训练方法，更新参数。同时，由于对偶变量的反馈，损失函数动态更新。

5.DNN推理，根据训练好的DNN获取V2I和V2V的发射功率和本地计算比例λm。

6.根据匈牙利算法，获取最优的频谱匹配决策xm，k。

(1)获取每个可能的V2I-V2V对的最有解。

(2)将每个可能的解进行排序，推出最优的频谱分配决策。

当任意V2I-V2V对的发射功率和本地计算比例λm已知。问题就变成了一个二部图问题，可以用匈牙利算法高效求解。

为了说明所提的基于学习的资源分配算法的有效性，本发明给出如下的比较算法。

基于大时间尺度的资源分配算法(Resource allocation under large-scale channel(RALS)):在这个算法中，假设忽略快速变化的小时间尺度信道状态，即，信道状态只取决于缓慢变化的大时间尺度信道信息状态。

车辆没有配置计算单元的资源分配算法(Resource allocation for vehicle with no computing unit):假设车辆没有配置计算单元，即，车辆之间将原始的感知数据传送给基站。

图6给出了出了最大V2V发射功率增加时的平均数据上传延迟。观察到当V2V最大发射功率相对较小时，所有方案的平均延迟都非常大。这是因为V2V通信可以接受来自V2I链路的较少干扰。随着最大V2V发射功率的增加，由于V2V可靠性得到了满足，平均延迟缓慢降低，主要影响取决于V2I吞吐量的性能。此外，还发现，在不同的最大V2V发射功率下，该算法在时延方面比RALS和RANC有更好的性能。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。