基于車輛行為分析的車聯網超可靠低時延通信關鍵技術

（山東大學，山東 濟南 250061）

(Shandong University, Jinan 250061, China)

隨著計算機技術、傳感技術以及信息技術的發展，車輛正在逐漸走向智能化和無人化。基于單個車輛的自動駕駛技術，僅依靠自身所獲取的傳感數據和道路信息做出駕駛決策，缺乏對非視距信息及整個網絡動態變化的感知；因此在車輛密集、障礙物阻擋等復雜交通環境下極易發生交通事故，難以保證高效、安全的駕駛體驗。車聯網為解決這一問題提供了新的思路，按照約定的通信協議和數據交互標準，在車與X（X代表車、路、人、云等）之間，進行無線通信和信息交換的大系統網絡（如圖1所示）。依靠與系統網絡間的信息交互，車輛能夠獲得非視距信息及網絡動態變化信息，以此增大車輛感知范圍，保障車輛安全行駛。其中，超可靠低時延通信（URLLC）能夠為車輛提供實時通信服務，減少車輛制動與車控反應時間，對保障車輛安全，尤其是緊急事件、突發事故等情況下的行車安全具有重要意義。然而由于車輛自身的高速移動性，一方面導致車輛通信信道變差，車輛在網絡間和小區間頻繁接入和切換，車載通信可靠性下降，通信頻繁中斷；另一方面，車輛與核心網物理距離較遠，車輛在高速移動中請求的同一業務經由若干路邊單元等基礎設施轉發，導致網絡資源重復配置，引發網絡擁塞等嚴重問題，造成通信時延變大。此外，在車聯網開放式系統網絡中，車輛容易遭受信息竊取、惡意攻擊、身份冒充等威脅，嚴重影響車聯網通信安全。因此，選擇和攻關核心技術搭建保障URLLC車聯網通信具有重要意義。

圖1 車聯網系統模型

在現有車聯網URLLC研究中，全球學者主要進行了移動管理技術、資源分配技術和信息安全技術等方面的研究。在移動管理技術方面，文獻[1]中，作者研究了車輛自組織網絡（VANET）中城市及郊區道路下的路側單元（RSU）部署問題，引入社交網絡中心性的概念，以在給定部署預算約束下最大化RSU部署的中心性為優化目標，將該問題等價為“0-1”背包問題，提高了RSU部署的可靠性。文獻[2]中，作者探索了車輛通信用戶越區切換的問題，考慮到現有長期演進（LTE）系統無法滿車用無線通信（V2X）技術切換的要求，提出了一種基于雙資源分配切換方案，為車輛提供足夠大的區域進行交接，避免越區切換時鏈路中斷。文獻[3]中，為解決車輛移動性帶來的頻繁越區切換問題，作者將一群車輛用戶分成主領導者、次領導者和追隨者，提出了基于感知的隱式資源分配算法和聯合/半切換設備到設備（D2D）通信機制，同時為保持V2X群的穩定性，設計了次領導者選擇和交換機制，提高了車輛切換時通信鏈路的可靠性。在資源分配技術方面，文獻[4]中，作者針對車聯網安全類關鍵信息業務的低時延需求，以在保證車到車（V2V）通信鏈路的時延違反概率（LVP）條件下最大化車到基礎設施（V2I）通信鏈路的總容量為優化目標，基于有效容量理論，通過引入延時指數建立時延約束，利用分步求解方法進行資源分配和功率控制。文獻[5]中，作者研究了云架構下聯合車輛和RSU緩存的緩存放置策略，考慮到V2V通信、V2I通信、車與云通信不同的內容檢索時延，將緩存放置問題建模為優化問題，以滿足車輛平均延遲需求，并通過凸優化和模擬退火方法有效地解決了該問題。文獻[6]中，作者研究了車輛任務卸載的動態不確定導致的時延過大問題，以最小化平均卸載延時為優化目標，提出了基于多臂賭博機（MAB）理論的自適應學習任務卸載算法，進一步降低了時延。在信息安全技術方面，文獻[7]的作者研究了基于懷疑和決策的車輛貪婪行為檢測策略，利用線性回歸和模糊邏輯等算法制訂合理的檢測方案，可以有效提高檢測車輛貪婪行為的準確性。文獻[8]中，作者提出了一種基于社交的移動女巫攻擊檢測方案，首先根據攻擊者能力高低劃分4個不同威脅等級，然后利用移動用戶異常聯系人及假名更改行為區分女巫攻擊者和普通用戶，并利用隱馬爾可夫半監督學習檢測串通的移動用戶，以此高精度地檢測女巫攻擊者。當消息發送者的位置公開時，往往會增加隱私泄露的風險，針對此問題，文獻[9]的作者提出了一種在車輛社交網絡中位置隱私保護的方法，其核心思想是利用消息發送區內可信賴的用戶混淆原始發件人的位置，保護發件人的位置隱私，在此基礎上，為鼓勵自私用戶加入位置混淆，進一步提出了基于車輛合作或不合作增加或減少社交聯系的激勵機制，有效保障了車輛隱私安全。

上述研究有效提高了車聯網URLLC性能，卻忽略了車聯網中的海量異構數據及其背后的潛在價值。實際上，當前信息化手段和智能設備在城市中的應用，使得網絡內積累了大量的車輛行為數據。通過分析這些數據，我們可以預測到車輛在未來時刻的行為信息，這一信息可以作為指導或者先驗信息進行相應的移動管理、資源分配和安全傳輸，對車聯網URLLC性能提升具有重要意義。

1 車輛行為分析技術

車輛的高移動性導致傳統的被動式通信模式難以保證車聯網超可靠低時延的信息傳輸。深入挖掘車聯網內海量異構數據背后的潛在價值，可實現車輛行為空時特性的精準預測，進而實現車輛移動性管理以及整個網絡資源的預分配，保障超可靠、低時延的信息傳輸。對于車聯網，車輛行為不僅包含車輛移動行為（如全球定位系統坐標、速度、加速度、時空交通流分布等），還須考慮車輛通信行為（如信號強度、服務類型、接入點、通信業務流量時空分布等），兩者互相影響、密不可分。一方面，車輛的移動行為影響著車輛通信行為的時空分布特性，車輛多的地方通常通信行為也會增多；另一方面，車輛通信行為可以改變車輛的移動行為，如前方發生交通事故或道路擁擠，車輛間通過整個網絡互傳信息后，后續車輛改變行駛軌跡。因此，如何同時考慮車輛移動行為和通信行為，進而精確刻畫車輛行為的時空特性，成為車聯網研究最為關鍵的技術之一，也是其他關鍵技術的基礎。

圖2 車輛行為分析技術路線圖

在車聯網中，車輛行為分析包含多源異構數據獲取、多源異構數據傳輸、多源異構數據統一表征、車輛行為建模4個主要步驟（如圖2所示）。

（1）多源異構數據獲取。

車聯網中車輛具有高速移動性，致使整個網絡拓撲處于實時變化當中，多源異構數據間的同步獲取成為難點。為解決上述問題，可采用分布式協同調度的數據獲取、面向特定環境的數據接入等技術，實現整體網絡同種數據在不同地域上的同步獲取。同時，還通過對網絡實體各特性的統一刻畫，實現在物理空間、網絡空間的異構數據同步獲取。

（2）多源異構數據傳輸。

車輛的快速移動性、業務需求的差異性導致業務空時分布不均，多源異構數據傳輸過程中存在并發性、區域密集性等特征，極易引發網絡擁塞甚至網絡癱瘓等嚴重后果，造成數據傳輸頻繁中斷。為進行高效的多源異構數據傳輸，可利用車輛認知能力收集網絡（V-CCHN）技術，將行駛的車輛作為數據載體，把數據從發送端轉移到接收端，并利用認知無線電（CR）技術感知網絡空閑頻譜進行通信，以此緩解網絡擁塞，增加頻譜利用效率，提高數據成功傳輸率[10]。

（3）多源異構數據統一表征。

車聯網中不僅包含數量眾多的車輛，還有如基站、路邊單元、傳感器以及各種邊緣智能設備等多種實體，這導致網絡中存在大量不同格式的多源異構數據，極大增加了刻畫車輛行為特征的難度。為有效處理海量異構數據，可采用主成分分析（PCA）等技術對多源異構數據進行降維，降低數據量。同時，采用不同的特征學習技術，如word2vec、卷積神經網絡（CNN）、循環神經網絡（RNN），對數據進行特征學習。在此基礎上，考慮特征映射的非線性模型，并基于多層感知機構建棧式降噪自動編碼機，對所有特征進行智能選擇以及維數變化；基于實體間、數據間的關聯關系，實現多源數據的本地融合，進而得到多源數據的統一特征表示，最終實現多模態數據的有效融合，減少所需處理的數據量，提高模型構建效率。

（4）車輛行為建模。

車聯網中須從整體和個體2方面對車輛行為進行同時建模。整體上，可以刻畫網絡車輛行為的時空特性，進而指導網絡的宏觀預部署；個體上，可對單個車輛行為進行精準刻畫，最大地滿足單個車輛的實時通信需求。為此，首先利用關聯分析、刻畫車輛移動行為與通信行為間的數學表達，在此基礎上，針對個體，構建車輛的用戶畫像，包括其速度、加速度、信號強度、業務請求等，并通過長短記憶網絡（LSTM）神經網絡構建個體行為時間的動態模型[11]，刻畫個體車輛的空時特性；針對整體，利用歷史數據，刻畫車輛行為在時間上的周期性和近鄰性，以及在空間上的相關性。通過將車輛行為變化映射為二維圖像，采用卷積長短記憶網絡（ConvLSTM）捕捉流量變化的空間相關性和時間上的周期性和近鄰性[12]，構建整體車輛行為的空時動態變化模型，最終可實現對整體車輛行為、個體車輛行為精準預測。

2 移動管理技術

車聯網系統中存在蜂窩網絡、專用短程通信（DSRC）網絡、藍牙、無線局域網（WLAN）等多種復雜異構網絡[13]。車輛的高速移動特性會導致車輛通信在網絡內和網絡間頻繁的接入和切換，需要進行有效的移動性管理，以免造成通信業務服務中斷等嚴重后果。移動管理技術主要包括組網、接入和切換3個方面。圖3為車聯網移動管理技術路線。

（1）組網技術。

路網的錯雜交織性以及車輛集群性往往會導致車輛節點在地理空間中呈現強烈的不均勻分布特性，網絡中存在大量的節點稀疏區域和少部分節點密集區域。組網技術的核心思想是：在考慮網絡通信業務動態變化的基礎上，合理地部署基站（BS）、RSU等基礎設施，為車載終端提供無縫接入的網絡布局，保證通信的服務質量[14]。在車輛低密度區域，選擇合適位置部署少量BS，即可保證網絡連通性；而在車輛高密度的“熱點”區域，僅依靠BS無法滿足車輛用戶海量業務需求，須額外部署成本較低并具備一定通信能力的RSU等基礎設施，增加網絡容量，增強網絡覆蓋以維持區域正常通信。

（2）接入技術。

無線通信的媒體接入控制（MAC）子層向網絡中的節點提供了物理尋址和信道接入控制，為上層提供快速、可靠的數據傳輸支持[15]。由于車聯網特殊的復雜通信環境，傳統WLAN的MAC協議無法很好地應用于車聯網，需要設計專門的MAC協議以保障車輛通信可靠性。其核心思想是：在車輛行為預測模型的基礎上，預測車輛未來時刻的業務請求與接入網絡。當車輛申請接入時，MAC層能夠根據不同的業務特性和未來可能的網絡擁塞狀態，選擇是否接受這一請求；對于在網用戶，MAC層時刻分析每個通信節點的信道狀態，并根據車輛行為變化，為其選擇最佳的調制編碼方案。以此有效地減少節點接入沖突，降低消息傳輸碰撞概率，保證通信可靠性。

圖3 車聯網移動管理技術路線

（3）切換技術。

切換技術是實現移動性管理的重要環節。切換技術要確保車載移動終端從網絡中的一個連接點移動到另一個連接點時無縫且無損地與X連接[16]。這個連接點在蜂窩網絡中被稱為BS，在WLAN網絡中被稱為接入點（AP）。產生切換的原因大致可分為3類：信號鏈路質量引起的切換、車輛移動終端與網絡連接點距離引起的切換以及負載均衡引起的切換。車聯網中，切換有多種分類方式，依據切換網絡的不同，分為水平切換和垂直切換；依據鏈路建立和切換次序不同，分為軟切換和硬切換[17]。

水平切換是指在相同鏈路層技術下的不同接入點間的切換，如從一個BS到另一個BS的連接轉移或從一個AP到另一個AP的連接轉移；垂直切換是指在不同鏈路層技術下的接入網絡間的切換，如從一個BS到另一個AP的連接轉移。軟切換即車輛從源小區轉移到目的小區，會保持與源小區的連接，同時嘗試與目的小區的連接；硬切換則指先斷開當前連接，緊接著新建一個連接。

基于車輛行為分析的移動管理技術優勢之一就是在提高通信可靠性的同時，滿足用戶差異化的服務請求，保證車輛在多網共存的環境下始終保持最佳連接。具體來說，首先對車輛歷史行為數據進行分析，在宏觀層面根據車流量密度及通信業務密度將區域劃分為不同的等級，以此指導BS和RSU的部署。然后對車輛請求和網絡狀態進行實時分析，在綜合考慮業務類型、車輛位置變化、網絡擁擠狀況的條件下，制定合理的信道接入策略，保障通信的可靠性。最后，在車輛移動過程中，實時監測和測量當前信道狀況，若當前信道難以保障車輛需求，則進行合理的切換。

3 資源分配技術

車輛的高速移動性以及對時延的苛刻要求，給車聯網中的資源管理帶來巨大挑戰。如何合理分配有限的無線通信資源、存儲資源及計算資源以滿足車輛超低時延通信需求是車聯網中所要解決的關鍵問題之一。下面我們將重點介紹車聯網中的無線通信資源分配技術（圖4為車聯網資源分配技術路線）、緩存技術以及邊緣計算技術。

（1）無線通信資源分配技術。

車聯網中車輛通信既包括通過Uu（基站與終端間的通信）接口建立的遠距離通信，又包括基于PC5（直連通信）接口建立的車輛間近距離通信。其中，PC5接口可支持調度式資源分配方式（模式3）和終端自主式資源分配方式（模式4）。基于車輛行為分析的URLLC技術重點在于解決V2I通信與模式3 V2V通信共存情況下的無線通信資源分配問題。在給定干擾（I）、車輛行為數據（D）后，系統可為車輛智能分配時間（t）、空間（s）、頻率（f）、功率（p）和碼域（c）等多維度無線通信資源，最大化車輛通信時延服務質量（QoS）需求,如公式（1）所示：

其中，Btotal表示系統總帶寬，Pi，max表示用戶的最大功率約束，τi,max表示用戶的最大時延約束。解決上述無線通信資源分配的核心問題通常分為無線通信資源預分配、無線通信資源實時動態分配2步。在無線通信資源預分配中，借助車輛行為相關數據，利用自動編碼機、隨機森林算法以及深度神經網絡等學習技術，提取車輛對業務請求的空時特征，對車聯網中的用戶應用業務和車輛軌跡等數據進行分析，實現對某一區域無線通信資源的精準預分配。預分配資源很難滿足用戶時延QoS需求，因此需進一步執行資源實時動態分配，利用強化學習，分析歷史數據中該區域其他車輛用戶所使用的頻譜、功率等無線通信資源對該車輛用戶以及系統效益的影響，指導無線通信資源細粒度實時動態分配。

圖4 車聯網資源分配技術路線

（2）緩存技術。

緩存技術是車聯網系統實現低時延通信的重要手段。其核心思想是：在分析車輛行為的基礎上，將車輛請求量高的內容從中央服務器復制到近車輛的基礎設施（如基站、路邊單元等）中，拉近車輛與請求內容的距離[18]。當車輛請求文件時，只須從距離近的基礎設施中獲取，而不經過核心網，極大減少了文件傳輸時延。根據緩存機制的不同，緩存可分為主動緩存、被動緩存和自適應緩存3種方式。主動緩存是指在分析車輛行為的基礎上，預測車輛未來可能的路徑，將車輛請求內容提前放置在概率最高路徑的基礎設施上，當車輛到達下一基礎設施時，可直接獲得請求文件，通過這一方式可實現內容實時化、定制化配置；被動緩存則指當車輛到達基礎設施覆蓋范圍內后，基礎設施根據車輛實際請求，從核心網獲取文件；自適應緩存則涉及到緩存內容的更新，由于基礎設施存儲容量有限，為提高緩存效率，可根據內容請求的實時變化，用請求量高的文件替代請求量低的文件。主動緩存和自適應緩存對車輛行為預測有較高的要求：對于主動緩存，車輛行為預測的準確性直接決定了系統性能，如果緩存命中，則可極大地降低通信時延；反之，不僅會因請求重傳而導致通信時延增加，而且造成較高的資源配置成本。對于自適應緩存，最典型的應用場景為車輛用戶請求內容具有較強的周期性和規律性，路邊基礎設施在分析車輛請求規律的基礎上，根據車輛用戶現有請求內容變化，提前更新緩存內容。

（3）移動邊緣計算（MEC）技術。

MEC技術是車聯網系統降低任務處理時延的重要途徑。相較于傳統云計算網絡，MEC把具有計算、存儲、通信功能的服務器部署在網絡邊緣，使邊緣接入網絡具有任務處理本地化能力[19]，拉近車輛與云平臺的距離，極大減少車輛任務處理時延。對于車聯網而言，MEC技術的關鍵在于任務分割及卸載決策。隨著光學雷達、高清攝像頭在車聯網領域的廣泛應用，車輛不僅產生的業務類型多，而且單個業務的數據量大。龐大繁多的任務加重了單個服務器的工作負荷，往往會導致任務擁塞、任務卸載中斷，再加上車輛固有的高速移動性縮短了車輛在單個服務器的滯留時間，對服務器計算能力以及任務處理時間提出了更加嚴格的要求，進一步增加了任務卸載中斷概率；因此任務分割與卸載決策在車聯網中就顯得尤為重要：任務分割是指根據任務屬性，將任務分割成可以在不同設備上獨立執行的子任務；卸載決策則包括了車輛決定是否卸載，卸載什么及卸載多少。在預測車輛行為的基礎上，根據邊緣服務器的實際處理能力，建立公式（2）所示的最小化時延相關優化問題。

鑒于車聯網中通信、緩存和計算資源的相互耦合性，在車輛行為分析的基礎上，量化這3種資源的折中關系，從而聯合優化通信資源、存儲資源與計算資源，達到動態適配車輛用戶不同時延服務質量需求，將是未來重要研究方向。

4 信息安全技術

車聯網是一個開放式的通信網絡，車輛的身份信息、行駛路線及安全密鑰等隱私數據容易遭受非法者的惡意竊取，增加了車輛通信的安全隱患；因此，確保網絡信息安全是保證車輛超可靠低時延通信的基礎和前提。信息安全技術主要包括車輛信任評估技術、密鑰管理技術及身份認證技術等，具體如圖5所示。

一般來說，信任是指“根據他人預期的行為而選擇接受風險的意愿”，在車輛社交網絡（VSN）中，信任度越高的車輛，其傳輸消息的可靠性越高[20]；信任度低的車輛則存在潛在的消息竊取、惡意攻擊等風險。因此，信任度評估體系對信息安全傳輸有著至關重要的作用。為刻畫VSN的車輛信任度，可在分析車輛行為的基礎上，從車輛間的直接信任度和間接信任度2個方面建立車輛信任評估體系：利用圖論將網絡中的所有車輛映射為圖的頂點，并引入大數據分析技術，挖掘車輛的興趣相似度、移動路徑相似度及信息交互頻率等行為特性，以此賦予邊不同的權重。車輛的直接信任度即對應頂點之間邊的權重，車輛的間接信任度即頂點連線權重的乘積累加和。在信任度評估體系的基礎上，可進行合理的密鑰管理和身份認證等操作。密鑰管理主要體現在密鑰分配和密鑰撤銷2個方面。密鑰分配將密鑰優先分發給VSN中信任度高的車輛；密鑰撤銷則涉及到檢測惡意篡改信息、偽造虛假消息、女巫攻擊等降低車輛信任度的行為，然后撤銷其證書。身份認證是指當新的車輛加入網絡進行通信時，首先需要核實該車輛的身份，一個車輛的系統認證是已有通信網絡內的車輛對它信任的結果，只有當該車輛的系統認證高于某一閾值時才能加入通信。

圖5 車聯網信息安全技術路線

5 結束語

在互聯網信息的背景下，實現智能駕駛與網絡互聯的“車聯網”應運而生。本文中，我們著重分析了保障車聯網超可靠低時延通信的車輛行為分析技術、移動管理技術、資源分配技術與信息安全技術，為車聯網的部署提供了理論借鑒。