交通應急通信中信道自適應的業務接入機制

王嬌，邱恭安，張士兵

研究與開發

交通應急通信中信道自適應的業務接入機制

王嬌，邱恭安，張士兵

（南通大學信息科學技術學院，江蘇 南通 226019）

在高密度蜂窩車聯網（cellular vehicle-to-everything，C-V2X）中，群集通信終端的有效陣列接入方法是多業務性能保障和有限頻譜效率提升的前提。利用蜂窩車聯網中終端計算能力，提出了信道自適應的業務接入機制。該機制由基站估計當前區域通信密度，生成通信密度關聯的接入類別限制（access class barring，ACB）因子，并在通信區域內廣播；隨后，車載通信終端根據接收基站廣播信號的信干噪比（signal to interference plus noise ratio，SINR）和ACB因子計算自適應信道狀態的接入概率，并比較接入概率和ACB因子。當接入概率大于ACB因子時，通信終端以最小接入概率從前導碼池中隨機選擇一個前導碼上傳到基站，以獲得與信道狀態匹配的接入機會。仿真結果表明，在高密度通信狀態下，與S-ALOHA協議和M2M-OSA方案相比，所提方案平均接入碰撞概率降低了約5%～20%，有效地減小了平均接入時延。

車聯網；群集通信；信道狀態感知；陣列接入

0 引言

蜂窩車聯網（cellular vehicle-to-everything，C-V2X）應用新興通信技術在廣覆蓋、高容量、高移動支持的蜂窩網絡中實現車聯網應用，是移動互聯網應用的新場景和業務增長點，是5G中最受關注的物聯網應用[1-2]。5G網絡是多種新型無線接入技術與移動互聯網的融合，具有信號穩定、傳輸速率高、時延低等特征，能夠承擔交通狀態信息業務與交通網絡應用的通信紐帶作用。

車聯網通信具有和傳統的人際（human-to- human，H2H）通信不同的一些特點：車聯網的應用場景更加豐富，包括車輛對行人（vehicle-to- people，V2P）、車輛對車輛（vehicle-to-vehicle，V2V）、車輛對基礎設施（vehicular-to- infrastructure，V2I）和車輛對網絡（vehicular-to- network，V2N）通信；車聯網應用需要車輛可以實時與周圍環境進行信息交換，這對通信的時延要求更高；在堵車等小范圍聚集大量節點場景下，并發、頻繁的實時數據交互容易對空口信道造成壓力，這需要比傳輸傳統H2H通信更有效的接入方式。在正常交通運輸狀態下，路網中行駛車輛一般呈稀疏分布，5G網絡頻譜資源能夠同時滿足車聯網應用和H2H通信等多種業務需求。當某路段發生交通異常導致相關路段上聚集大量的車輛時，在有限區域和有限時間范圍內形成高密度群集（cluster）通信場景。群集通信終端需要競爭接入區域基站的有限頻譜資源，潛在的業務擁塞導致短暫的業務失效和臨時性網絡性能降級，其根本原因是蜂窩網絡接入機制主要為服務H2H通信而設計優化，在面對短時局部突發的大規模車聯網應用消息時，會存在頻譜資源效率低下和接入擁塞問題[3]。

在解決突發短數據業務接入蜂窩網絡過程中的擁塞問題上，接入類別限制（access class barring，ACB）方法是最有效的多業務接入機制[4]。在各種優化的ACB算法中，第一類方法是建立突發數據流到達過程的數學模型[5-8]，根據請求接入終端數和成功接入終端數，應用最大似然估計方法預測請求接入終端數，并計算優化的ACB因子值，通過調節允許接入終端數以避免接入過程中產生擁塞，但該類方法性能受限于業務流模型的準確性。第二類方法是通過區分優先級為不同類終端賦予差異化接入機會[9-10]，分配與優先級關聯的ACB因子門限，則終端獲得前導碼資源的概率不同，但該類方法需要為不同等級終端設置差異化的檢測門限，改變了蜂窩網絡隨機接入機制，且優先級的區分存在行業差異性。第三類方法是通過隨機接入控制與上行鏈路資源分配聯合優化過程[11-13]，根據上行鏈路既有資源和前導碼池資源推導出優化的ACB因子值，實現業務接入與業務傳輸的一致性，但該類方法通常以最大化靜態機器類通信（machine-type communication，MTC）的系統吞吐量為優化目標，默認無線鏈路為慢變信道，不適合具有強動態性的車聯網通信場景。

針對蜂窩車聯網中高密度群集多業務通信場景下隨機接入控制問題，借助5G基站和通信終端的計算能力，在不改變既有蜂窩網絡接入過程的基礎上，本文提出了一種信道自適應的業務接入機制——信道自適應接入類別限制（adaptive channel status access class barring，ACS-ACB）機制。在該方案中，將允許接入基站的概率定義為信道狀態和車聯網通信密度的函數，減小通信終端隨機接入的盲目性，降低接入過程中的碰撞概率。隨后，關聯信道狀態與選擇前導碼的機會概率，使信道狀態好的通信終端具有更高的接入概率，提高接入信道中數據傳輸的可靠性，從而提高頻譜資源效率。

1 系統模型

在5G蜂窩車聯網中，設某基站通信覆蓋的區域路段上，H2H業務和車聯網應用等多種業務共享有限無線頻譜資源。當該路段交通異常導致車輛聚集時，車聯網終端通過競爭接入蜂窩網絡頻譜資源進行通信，以向基站上傳周期性交通狀態消息、實時傳播時延敏感的突發性交通安全預警消息和H2H業務消息，蜂窩車聯網中群集通信模型如圖1所示。車輛的高速移動和車流量分布的不均勻性會帶來短時局部網絡接入終端數量過多，接入沖突概率增加，增大了接入時延，降低了系統吞吐量。

圖1 蜂窩車聯網中群集通信模型

在蜂窩多業務通信競爭接入過程中，通信終端共享有限數量的前導碼資源，并通過物理隨機接入信道（physical random access channel，PRACH）向基站上傳選擇的前導碼。設某時隙s內基站廣播的ACB因子為，請求接入基站的通信終端數為，終端生成隨機數為,。當<時，設有p個終端接入請求被允許在時隙s內開始接入進程，隨后p個終端從前導碼池中隨機選擇一個前導碼通過PRACH信道上傳至基站。當p個終端中有超過一個終端選擇相同前導碼時，將發生接入碰撞并導致接入失敗。因此，成功通過基站接入網絡的通信終端數為s，ACB陣列接入原理如圖2所示[14]。

圖2 ACB陣列接入原理

在車聯網中，車載通信終端的高動態性使得無線信道具有強時變性，而隨機數獨立于終端的通信狀態，使得業務通信的信道接入具有一定的盲目性，因此，需要提高群集通信陣列接入方法的有效性和業務接入的成功率。

2 信道自適應的業務接入機制

在交通路網中，當有限區間道路上車輛聚集形成密集交通場景時，群集車輛平均車速低于道路正常通行下限速度或不能滿足交通安全規定的車間間距，車輛的高速移動性導致車載通信無線信道具有強時頻衰落特性，通信信道質量與車輛相對位置間具有緊密相關性，因此，車載通信終端使用所接收基站廣播信號的信干噪比值估計無線信道狀態。

在基站通信投影路段上，設車輛接收基站廣播信號的信干噪比值為SINR，且SINR如式（1）所示[15]。

其中，P為車輛通信終端的發射功率，G為車輛通信終端和基站間的信道增益，0為信道中平均噪聲功率，為對車輛通信信道產生干擾的干擾源總數，P為第個干擾源的發射功率（≠），G為車輛通信終端與干擾源間的信道增益。該接收信干噪比值反映了車輛與基站間相對位置上的信道狀態。

根據蜂窩網絡陣列接入過程，基站可以根據車載通信終端前期通信消息的標識符，估計當前時隙請求接入網絡的通信終端數量。在經過前一時隙陣列接入的時頻資源分配后，基站可獲得前導碼池中剩余前導碼數量，則基站計算當前時隙ACB因子如式（2）所示，并在通信覆蓋區域內廣播該因子。

其中，，該ACB因子反映了基站通信范圍內的通信業務密度。

在車聯網中，設以最大數據傳輸速率傳輸時能夠成功解碼的通信信號信干噪比值為SINRmax，若車輛接收到基站廣播信號的信干噪比值為SINR，定義車輛通信信道狀態關聯的接入概率r如式（3）所示。

在當前時隙中，比較車輛i接入概率ri和ACB因子p。當ri>p時，車輛i以概率ri*=min{1,ri}從前導碼池中隨機選擇一個前導碼，并通過PRACH信道上傳到基站，否則該時隙內不選擇前導碼，進入退避過程。信道狀態自適應的業務接入流程如圖3所示。

由圖3可知，ACS-ACB機制通過基站計算當前通信密度，尋找信道狀態好的車載通信終端，并以信道狀態關聯的概率選擇前導碼請求接入通信網絡。隨后，通過蜂窩網絡多業務競爭接入的4次“握手”過程完成接入請求過程或退避[16]。

由此，ACS-ACB機制的重要步驟可以總結為以下4個。

步驟1 當車載通信終端的接入概率大于接收到的ACB因子時，以概率r*=min{1,r}隨機選擇一個前導碼，并通過PRACH上傳到基站。

步驟2 基站通過物理下行控制信道（physical downlink control channel，PDCCH）返回隨機接入響應（random access response，RAR）消息，該消息包括時間同步（timing alignment，TA）、蜂窩無線網絡臨時標識符（cell-radio network temporary identifier，C-RNTI）等信息。

步驟3 車載通信終端通過物理上行共享信道（physical uplink shared channel，PUSCH）將步驟（2）中接收的C-RNTI上傳到基站。

步驟4 基站通過物理下行共享信道（physical downlink shared channel，PDSCH）為成功接入的車載通信業務分配請求的時頻資源。

在密集群集通信場景中，當兩個及以上車載通信終端的步驟（1）中同時選擇相同前導碼時，步驟（2）中通信終端都會收到相同的RAR消息，則步驟（3）中這些終端會使用相同的PUSCH時頻資源向基站上傳C-RNTI，并產生競爭接入碰撞，導致接入失敗。

3 接入碰撞概率分析

在第時隙中，設同時選擇第前導碼的終端數量為N，則第時隙內沒有終端選擇第前導碼的概率為：

在第時隙中，有且僅有一個終端選擇第前導碼的概率為：

在第時隙中，當有超過一個終端同時選擇第前導碼時發生接入碰撞，則碰撞概率為：

由式（7）可知，碰撞概率與前導碼被選擇的概率呈正向變化關系，且前導碼被選擇概率可由式（4）確定。

4 仿真與分析

在基站通信范圍為2 km的雙向四車道上，由于某單向兩車道上的交通異常事件形成高密度交通流狀態，車速為0～10 km/h，車間間距為5～10 m，反向兩車道處于正常交通密度狀態，車速為20～40 km/h，車間間距為20～40 m，平均車載通信終端數為3臺，則基站通信范圍內陣列接入終端數約為1 500～3 000臺，無線通信信道為對數距離多徑衰落模型（log-distance path loss model），在密集通信狀態下，車輛通信終端通過蜂窩網絡陣列接入，可用前導數量設置為54，每個隨機接入前導占用對應于兩幀結構的6個連續資源塊的帶寬，即PRACH配置參數設置為6，請求接入周期為10 ms，退避指數為20 ms，在MATLAB軟件下進行仿真，主要仿真參數設置見表1。

表1 主要仿真參數設置

分別與時隙ALOHA協議（S-ALOHA）、M2M-OSA[7]對比了平均接入碰撞率和平均接入時延性能指標，平均接入碰撞率如圖4所示，平均接入時延如圖5所示。平均接入碰撞率統計為時隙內接入失敗終端數，理論統計計算為（ps），平均接入時延統計為分組生成時間至分組離開通信終端時間。當接入碰撞次數達到16個接入周期數時，認為終端不可達，接入失敗。

圖4 平均接入碰撞率

圖4顯示在密集狀態下，每個接入周期中新生分組和重傳分組構成的混合到達業務多，時隙開始時刻接入碰撞機會增大，使得時隙ALOHA協議平均接入碰撞率大。M2M-OSA方法中使用了偽Bayes算法估計請求接入業務分組數，并據此動態調整接入限制因子，一定程度上控制了時隙開始時刻的請求接入分組數，減小了碰撞概率。ACS-ACB方法的平均接入碰撞率性能依賴于前導碼選擇概率，受接收信號的SINR和終端密度指數影響，能極大地限制信道狀態差的接入終端業務分組數，減小了信道狀態好的終端業務接入碰撞率。

圖5 平均接入時延

當車聯網處于密集狀態時，平均接入時延構成中碰撞接入周期時延一般遠大于分組傳輸時延，因此，統計平均時隙數作為平均時延標準值。由圖5可知，隨著通信終端密集度增加，時隙ALOHA協議接入碰撞概率增大，業務平均碰撞時隙數增多，平均時延呈顯著性增大。M2M-OSA方法的平均接入時延直到高密度狀態后增加較快，此時大量重傳分組對接入業務分組數估計值的影響增大，使得接入碰撞概率增大。ACS-ACB方法中業務對前導碼的選擇概率與業務密度呈非線性關系，一定程度上抑制了業務量的快速增加對接入碰撞概率的影響，使得其平均接入時延平緩增加。

5 結束語

車聯網作為5G蜂窩網絡中典型的物聯網應用是移動通信潛在業務增長點。在密集交通狀態下，車聯網短數據業務通信的強突發性極大地增加了H2H業務通信阻塞率，因此，本文利用基站和車載終端的計算能力分別估計通信終端密度和通信信道狀態，定義了接入限制因子，提出了自適應信道狀態的多業務接入方法，通過控制處于信道狀態差的通信終端接入概率減小陣列接入過程中的終端數，從而減小接入碰撞機會。理論證明接入碰撞概率僅與選擇前導碼的概率相關，間接地取決于通信終端密度和信道狀態。相較于時隙ALOHA協議和M2M-OSA陣列接入算法，實驗結果顯示平均接入碰撞率性能得到改善，并降低了由接入碰撞帶來的平均接入時延性能。

[1] KIM J, DUGUMA D G, ASTILLO P V, et al. A formally verified security scheme for inter-gNB-DU handover in 5G vehicle-to-everything[J]. IEEE Access, 2021(9): 119100-119117.

[2] 董振江, 古永承, 梁健, 等. C-V2X車聯網關鍵技術與方案概述[J]. 電信科學, 2020, 36(4): 3-14.

DONG Z J, GU Y C, LIANG J, et al. Overview on key technology and solution of C-V2X for internet of vehicles[J]. Telecommunications Science, 2020, 36(4): 3-14.

[3] ZHOU L J, LI Q Q, TU W. An efficient access model of massive spatiotemporal vehicle trajectory data in smart city[J]. IEEE Access, 2020(8): 52452-52465.

[4] TURAN A L, KOSEOGLU M, SEZER E A. Reinforcement learning based adaptive access class barring for RAN slicing[C]//Proceedings of 2021 IEEE International Conference on Communications Workshops. Piscataway: IEEE Press, 2021: 1-6.

[5] 段紅光, 盧松品, 王利飛, 等. 機器類通信中基于負載反饋的擁塞控制方法[J]. 電信科學, 2016, 32(11): 26-31.

DUAN H G, LU S P, WANG L F, et al. A congestion control method based on loading-feedback in MTC[J]. Telecommunications Science, 2016, 32(11): 26-31.

[6] JANG H S, JIN H, JUNG B C, et al. Resource-optimized recursive access class barring for bursty traffic in cellular IoT networks[J]. IEEE Internet of Things Journal, 2021, 8(14): 11640-11654.

[7] EL TANAB M, HAMOUDA W. Machine-to-machine communications with massive access: congestion control[J]. IEEE Internet of Things Journal, 2019, 6(2): 3545-3557.

[8] 簡鑫, 曾孝平. 機器類通信流量建模與接入控制研究進展[J]. 電信科學, 2015, 31(8): 133-145.

JIAN X, ZENG X P. Traffic modeling and access control for machine type communications: a comprehensive survey[J]. Telecommunications Science, 2015, 31(8): 133-145.

[9] KIM T, JANG H S, BANG I, et al. Access priority provisioning based on random access parallelization for prioritized cellular IoT[J]. IEEE Access, 2021(9): 111814-111822.

[10] FIRDAUS K F, WIBOWO S A, ANWAR K. Multiple access technique for IoT networks serving prioritized emergency applications[C]//Proceedings of 2019 IEEE 89th Vehicular Technology Conference. Piscataway: IEEE Press, 2019: 1-5.

[11] MIUCCIO L, PANNO D, RIOLO S. Joint control of random access and dynamic uplink resource dimensioning for massive MTC in 5G NR based on SCMA[J]. IEEE Internet of Things Journal, 2020, 7(6): 5042-5063.

[12] AL KHANSA R, ARTAIL H A, ASSAAD M, et al. A Hybrid Scheduled and group-based random access solution for massive MTC networks[J]. Computer Networks, 2020(176): 107253.

[13] 楊桉楠, 李波, 楊懋, 等. 下一代WLAN中一種基于分組的上行OFDMA隨機接入方法[J]. 西北工業大學學報, 2020, 38(1): 155-161.

YANG A N, LI B, YANG M, et al. Group-based uplink OFDMA random access algorithm for next-generation WLAN[J]. Journal of Northwestern Polytechnical University, 2020, 38(1): 155-161.

[14] HE H L, DU Q H, SONG H B, et al. Traffic-aware ACB scheme for massive access in machine-to-machine networks[C]// Proceedings of 2015 IEEE International Conference on Communications. Piscataway: IEEE Press, 2015: 617-622.

[15] IDE C, DUSZA B, WIETFELD C. Client-based control of the interdependence between LTE MTC and human data traffic in vehicular environments[J]. IEEE Transactions on Vehicular Technology, 2015, 64(5): 1856-1871.

[16] TELLO-OQUENDO L, VIDAL J R, PLA V, et al. Dynamic access class barring parameter tuning in LTE-A networks with massive M2M traffic[C]//Proceedings of 2018 17th Annual Mediterranean Ad Hoc Networking Workshop (Med-Hoc-Net). Piscataway: IEEE Press, 2018: 1-8.

Adaptive channel status based access class barring scheme for traffic emergency communication

WANG Jiao, QIU Gongan, ZHANG Shibing

School of Information Science and Technology, Nantong University, Nantong 226019, China

In high-density cellular vehicle-to-everything (C-V2X), effective massive access method of cluster communications is the basis to assure the performance index for different services and enhance the spectrum efficiency under limited resource. An improved access class barring (ACB) scheme was proposed using channel status information based on computing power of communication terminal in C-V2X. The base station estimated the communication density within its cover range, generated the ACB factor using the communication density, and broadcasted the ACB. According to signal to interference plus noise ratio (SINR) and ACB factor of the received broadcast signal, the vehicular communication terminal computed the access probability, and compared with ACB factor. When the access probability was more than the ACB factor, the terminal selected a preamble randomly from the preamble pool with the probability which equal to the access probability or one. The terminal transmited the selected preamble to the base station for finishing the access program. The simulation results show that the scheme proposed has 5%～20% advantage over S-Aloha and machine to machine opportunistic splitting algorithm (M2M-OSA) schemes in average access collision probability. It reduces the average access delay effectively.

internet of vehicles, cluster communication, channel status awareness, massive access

TN929.5

A

10.11959/j.issn.1000?0801.2022009

2021?09?07；

2022?01?09

王嬌（1996? ），女，南通大學信息科學技術學院碩士生，主要研究方向為車聯網通信。

邱恭安（1973? ），男，南通大學信息科學技術學院副教授、碩士生導師，主要研究方向為計算通信理論、車聯網通信理論與技術等。

張士兵（1962? ），男，南通大學信息科學技術學院教授、博士生導師，主要研究方向為寬帶數字通信、智能信號處理、認知無線電等。