车联网信道特性综述

信道建模是设计无线通信系统的基础,为设计智慧交通系统,必须对车联网(vehicle to everything,V2X)信道进行深入研究.文中首先总结了 V2X标准化信道的特点,讨论了天线设置、非平稳特性以及毫米波对V2X信道的影响;然后对车与车(vehicle to vehicle,V2V)信道参数进行了描述,并分析...     

多接入边缘计算技术与车联网的融合应用

多接入边缘计算是5G网络架构中非常重要的一个环节,主要面向需要更低时延和更高带宽业务的场景.车联网是对时延和可靠性要求都非常高的典型业务场景,将C-V2X业务部署在MEC平台上,应用数据的时延将显著降低,同时可以缓解边缘侧的计算和存储压力,避免大量数据通过网络回传带来的拥塞,提供本地的高质量服务.对MEC在车联网中的典...     

离散时间系统中的噪声辅助信号传输

 基于一种平均信噪比讨论了离散时间系统中的三种典型噪声辅助信号传输的问题.仿真得到:当输入周期信号在阈下时,噪声能辅助信号的传输,随机谐振现象存在.存在一个噪声强度范围,其间系统的输出平均信噪比大于其输入平均信噪比,即输出输入平均信噪比增益大于1.随机谐振的功效随着系统阈值的增加,或噪声概率密度函数的拖尾变厚、零均值周边脉冲变窄而降低.这些结果同样说明了离散时间系统中随机谐振的复杂性,它的存在和功效也依赖于系统性能的测度和噪声类型.这些结果拓广了随机谐振在数字信号处理中的应用.     

基于车路协同的车联网体系架构及关键技术分析

梳理车联网的发展,单车智能的不足映衬出车路协同的必然性.比较国内外车联网发展的两条技术路线:DSRC(专用短程通信)与C-V2X(蜂窝车联网),得出C-V2X更具有优势.剖析基于车路协同的C-V2X的"端边云用"四层架构,分析每层的构成及功能.归纳基于车路协同的车联网的关键技术,包括交通状况的全面感知、亚米级甚至厘米级...     

基于射线跟踪的车联网毫米波信道准平稳区间研究

针对28 GHz车联网中车对基础设施（Vehicle-to-Infrastructure,V2I）毫米波信道,开展了准平稳区间的研究.首先,分析了信道准平稳区间的理论基础和计算方法.其次,利用功率相关（Correlation of Power,CP）算法和谱散度（Spectral Divergence,SD）算法进行准平稳区间的计算.结果表明,CP算法复杂度低且精度较高,更适合用于计算V2I通信场景下的准平稳区间.最后,利用CP算法计算出的准平稳区间作为新的采样间隔,从而减少了射线跟踪仿真器的采样点数.通过原始采样和减少采样点后的信道特性的比较,在合理的门限值下,利用信道准平稳区间的方法加速了射线跟踪仿真器,并且不会造成信道参数的失真.另外,对于信道特性的分析结果也对车联网在毫米波频段的仿真和设计具有重要意义.     

一种基于网络切片的车联网联合资源分配算法

针对V2I下行链路不同文件传输的差异化服务质量需求问题,提出了一种基于网络切片的联合资源分配算法。该算法以优化系统车辆下载文件平均时延为目标,通过将优化问题拆解为通信资源分配优化子问题和缓存资源分配与文件放置选择优化子问题进行单独求解,再结合两步迭代算法获得一个较好的次优解。仿真结果表明,该算法在满足文件最低性能要求下有效地降低系统车辆下载文件的平均时延。     

面向C-V2I的基于边缘计算的智能信道估计

车联网对于超高可靠与低时延通信(Ultra-Reliable and Low Latency Communications,URLLC)具有严格的要求,特别对于车到基础设施(Vehicle to Infrastructure,V2I)场景,URLLC对传输管理交通状况至关重要.3GPP Cel-lular-V2X(C-...     

车联网V2I场景下基于GNN的SC-FDMA智能信道估计

随着车联网的迅猛发展,车对路基础设施(Vehicle to Infrastructure,V2I)通信对车联网的可靠性和时延提出了更高的要求,而信道估计是接收机高可靠低时延通信的重要保障.为解决传统信道插值算法不能有效拟合V2I信道快时变特性、自适应多普勒频移能力弱和传统神经网络可解释性不强的问题,本文提出基于图神经网络(Graph Neural Network,GNN)的单载波频分多址(Single Carrier-Frequency Division Multiple Access,SC-FDMA)智能信道估计算法.该算法将信道频率响应中的数据点作为图的节点、符号间时域相关性作为边,将图化后的数据送入GraphSAGE信道插值器(GraphSAGE Channel Interpolator,GCI)中,通过边更新、聚合操作、节点更新三大模块进行网络训练,同时采用多普勒频移矢量作为节点特征控制网络拟合不同多普勒条件的信道,使得网络具备可解释性.最后,系统仿真验证了在不同速度环境下算法的有效性和鲁棒性,较线性插值、样条插值以及全连接网络,本文所提GCI在低、中和高速移动环境下具有最优的误码率(Bit Error Rate,BER)和归一化均方误差(Normalized Mean Square Error,NMSE)性能,特别地,在200 km/h高速移动条件下GCI的优势更为明显.     

两种隧道场景下车对车无线信道衰落特性的测量与分析

针对车-车(vehicle to rechicle,V2V)通信系统对无线电信道衰落特性和模型的需求,分别在两种隧道场景中5.9 GHz和5.2 GHz频段下进行了 V2V无线电信道测量活动,并对隧道外、隧道内和两者之间的连接部分场景进行了小尺度衰落特性分析.基于近距离(close-in,CI)对数模型和ABG(α-β...     

I2C总线分割技术在高速串行传输中的应用

本文提出了一种基于I^C总线及其分割技术的串行传输方法,可有效解决高速串行传输系统中的数据延迟问题。     

车联网中可证安全的分布式匿名高效边缘认证协议

针对当前车联网(IoV)中的分布式认证协议直接依赖于半可信路边单元(RSU)的问题,该文提出一种新的分布式认证模型。该模型中的RSU通过3阶段广播自发建立边缘认证区,利用区域内的RSU同步保存车辆的认证记录,RSU可以通过校验节点同步保存的认证记录来防止恶意RSU的异常认证行为。然后,利用切比雪夫混沌映射设计了IoV中的分布式匿名认证协议,通过车辆发送消息不直接携带身份信息的方式来避免假名机制所带来的存储负担。最后,利用随机预言机对协议安全性进行了证明。仿真结果表明所提方案具有更低的认证时延和通信成本。     

双因子更新的车联网双层异步联邦学习研究

针对车联网(IoV)中节点资源异构、拓扑结构动态变化等特点,该文建立了一个双因子更新的双层异步联邦学习(TTAFL)框架.考虑到模型版本差和车辆参与联邦学习(FL)次数对局部模型更新的影响,提出基于陈旧因子和贡献因子的模型更新方案.同时,为了避免训练过程中,车辆移动带来路侧单元切换的问题,给出考虑驻留时间的节点选择方案.最后,为了减少精度损失与系统能耗,利用强化学习方法优化联邦学习的本地迭代次数与路侧单元局部模型更新次数.仿真结果表明,所提算法有效提高了联邦学习的训练效率和训练精度,降低了系统能耗.     

基于GRU和LSTM组合模型的车联网信道分配方法

针对车联网中高通信需求和高移动性造成的车对车链路(Vehicle to Vehicle,V2V)间的信道冲突及网络效用低下的问题,提出了一种基于并联门控循环单元(Gated Recurrent Unit,GRU)和长短期记忆网络(Long Short-Term Memory,LSTM)的组合模型的车联网信道分配算法.算法以降低V2V链路信道碰撞率和空闲率为目标,将信道分配问题建模为分布式深度强化学习问题,使每条V2V链路作为单个智能体,并通过最大化每回合平均奖励的方式进行集中训练、分布式执行.在训练过程中借助GRU训练周期短和LSTM拟合精度高的组合优势去拟合深度双重 Q学习中Q函数,使V2V链路能快速地学习优化信道分配策略,合理地复用车对基础设施(Vehicle to Infrastructure,V2I)链路的信道资源,实现网络效用最大化.仿真结果表明,与单纯使用GRU或者LSTM网络模型的分配算法相比,该算法在收敛速度方面加快了 5 个训练回合,V2V链路间的信道碰撞率和空闲率降低了约27%,平均成功率提升了约10%.     

车联网场景下基于内容中心网络的优化缓存策略

车联网中,如何有效选择缓存位置和缓存内容对于提高整体网络性能至关重要。针对上述问题,引入了内容中心网络技术,提出了一种新的优化缓存策略——缓存位置和缓存内容的选择取决于车辆节点值和内容流行度(Vehicle Node Value and Content Popularity,VNVCP)。首先,定义了连通性、中间中心性和特征向量中心性3个车辆节点属性用来评估车辆节点的值,具有不同值的车辆节点缓存具有不同流行度的内容,内容的重要性由其受欢迎程度决定。其次,该策略利用不同类型内容受欢迎程度的差异确保缓存内容分布均匀,同时评估来自多个属性的车辆节点的值以提高车辆节点利用率。仿真结果表明,VNVCP在缓存命中率、平均跳数和传输延迟方面明显优于传统的LCE(Leave Copy Every where)、Prob(0.5)和MPC(Most Popular Content)。     

车联网中基于NOMA-MEC的卸载策略研究

随着车联网(IoV)的迅猛发展,请求进行任务卸载的汽车终端用户也逐渐增长,而基于移动边缘计算(MEC)的通信网络能够有效地解决任务卸载在上行传输时延较高的挑战,但是该网络模型同时也面临着信道资源不足的问题。该文引入的非正交多址(NOMA)技术相较于正交多址(OMA)能够在相同的信道资源条件下为更多的用户提供任务卸载,同时考虑到任务卸载过程中多方面的影响因子,提出了混合NOMA-MEC卸载策略。该文设计了一种基于深度学习网络(DQN)的博弈算法,帮助车辆用户进行信道选择,并通过神经网络多次迭代学习,为用户提供最优的功率分配策略。仿真结果表明,该文所提出的混合NOMA-MEC卸载策略能够有效地优化多用户卸载的时延以及能耗,最大限度保证用户效益。     

车联网中基于NOMA-MEC的卸载策略研究

随着车联网(IoV)的迅猛发展,请求进行任务卸载的汽车终端用户也逐渐增长,而基于移动边缘计算(MEC)的通信网络能够有效地解决任务卸载在上行传输时延较高的挑战,但是该网络模型同时也面临着信道资源不足的问题。该文引入的非正交多址(NOMA)技术相较于正交多址(OMA)能够在相同的信道资源条件下为更多的用户提供任务卸载,同...     

车联网中基于BP神经网络的智能协同频谱感知算法

针对传统信噪比加权频谱感知方法在车联网(Internet of Vehicles,IoV)环境中受噪声影响较大、感知准确率较低的问题,提出了一种基于反向传播(Back Propagation,BP)神经网络的IoV协同频谱感知(Cooperative Spectrum Sensing based on BP Neura...     

可重构智能表面辅助的V2I通信系统联合波束赋形算法

为解决基于信道先验知识的联合波束赋形方法受限于多变的车辆与交通基础设施(V2I)通信场景且信道估计开销过大等问题,该文结合环境态势感知,提出一种基于无线传播链路预测的联合波束赋形方法.该方法首先利用射线追踪模拟器构建了可重构智能表面(RIS)辅助的V2I毫米波通信系统模型,通过改变环境态势以获取多样的无线传播链路数据来构建数据集.其次,使用该数据集训练基于机器学习的无线传播链路预测模型.最后,在最大发射功率约束条件下,构建了联合波束赋形问题模型,并基于预测结果采用交替迭代优化方法(AIOA)优化基站波束赋形矩阵和RIS相移矩阵,以实现同步通信车辆用户最小信干噪比(SINR)的最大化.仿真结果验证了该方法的有效性,通过引入非信道先验知识驱动,降低了信道探测开销,提高了该方法在V2I场景中的可行性.