軟件定義車聯網中緩存輔助的NOMA功率分配方案研究

摘要：由于對豐富多媒體服務的需求日益增長，車聯網需要提供海量的設備連接以滿足高頻譜效率和低延遲的需求。軟件定義網絡（SDN）、緩存和非正交多址接入（NOMA）被認為是有效解決這些關鍵挑戰的潛在技術。針對軟件定義車聯網，提出了一種緩存輔助的NOMA功率分配方案。首先，針對車聯網中車輛總是處于高速運動狀態的特點，提出了一種新的簇頭選擇算法，到達的道路交通將借助SDN進行預測，實現自適應車輛分簇。其次，引入了緩存輔助的NOMA方案，每個車輛在文件緩存階段使用NOMA原理緩存和請求文件。再次，針對雙Nakagami-m衰落條件下的兩個簇頭車輛通信場景，提出了一種最優功率分配策略，將優化問題公式轉換為找到每輛車的最佳功率曲線，從而最大化地在每輛車上成功解碼目標文件的概率。最后，數值仿真和理論分析表明，所提緩存輔助NOMA功率分配方案的性能明顯優于傳統的NOMA和緩存輔助的OMA。

關鍵詞：車聯網； 非正交多址接入； 緩存； 軟件定義網絡

中圖分類號：TN929文獻標志碼：A

文章編號：1001-3695（2022）08-037-2459-06

doi：10.19734/j.issn.1001-3695.2022.01.0008

Research on cache aided NOMA power allocation scheme in software defined vehicular network

Gu Jinyuan1，2， Zhang Guo’an2， Zhang Honglai1

（1.Kangda College of Nanjing Medical University， Lianyungang Jiangsu 222000， China; 2.School of Information Science amp; Technology， Nantong University， Nantong Jiangsu 226019， China）

Abstract：Due to the increasing demand for rich multimedia services， Internet of Vehicles needs to provide massive equipment connections to meet the needs of high spectrum efficiency and low delay. SDN， caching and NOMA technologies are considered as potential solutions to effectively solve these key challenges. Therefore， this paper proposed a cache aided NOMA power allocation scheme for software defined vehicular network. Firstly， according to the characteristics of vehicles always moving at high speed in Internet of Vehicles， the scheme proposed a new cluster head selection algorithm. The arriving road traffic would be predicted with the help of SDN to realize adaptive vehicle clustering. Secondly， the scheme introduced a cache aided NOMA strategy. Each vehicle used NOMA principle to cache and request files in the file cache stage. Thirdly， for the two cluster head vehicle communication scenarios under the condition of double Nakagami-m fading， the scheme proposed an optimal power allocation strategy. The optimization problem was formulated as finding the optimal power curve of each vehicle， so as to maximize the probability of successfully decoding the target file on each vehicle. Finally， numerical simulation and theoretical analysis show that the performance of the proposed cache aided NOMA power allocation scheme is significantly better than the conventional NOMA and cache aided OMA.

Key words：Internet of Vehicles; non-orthogonal multiple access（NOMA）; cache; software defined network（SDN）

0引言

隨著信息和計算機技術的爆炸式發展，5G無線通信引入了新的技術和應用，如小蜂窩網絡、可靠的車聯網和毫米波通信，這包括了前所未有的超密集和異構網絡環境［1，2］。車聯網在5G無線系統中起著舉足輕重的作用，保證了車輛的可靠性和安全性。車聯網的潛在應用是多樣和普遍的，例如可以通過道路和交通信息的快速傳播以及在關鍵點（如高速公路入口和其他十字路口）協調車輛來改善交通。此外，可以實現許多令人感興趣并具有挑戰性的新應用，例如高速互聯網接入、合作下載、相鄰車輛乘客之間的網絡游戲以及不同車輛中同事之間的虛擬視頻會議。

DSRC作為一種專用的短距離通信技術［3］，用于車輛環境的無線接入。 DSRC由物理層標準 IEEE 802.11p 和網絡層標準 IEEE 1609構成。盡管DSRC技術具有可靠性高、傳輸實時性強等特點，但由于DSRC的物理層技術主要基于Wi-Fi技術，覆蓋范圍小，實際應用中需要針對路邊設施進行大規模改造和投入。針對這一問題， 最近3GPP發布了基于LTE作為底層技術的V2X規范。然而，在最近提出的車聯網生態系統中，車輛被設想為從云中快速共享和訪問大量數據，并被期望能夠以高性能和邊際開銷處理它們。此外，由于高移動性場景，網絡拓撲可能快速改變，并且不同基站和車輛之間的切換變得更加頻繁。這對在基于廣域網和長期演進的車聯網中有效實現低延遲的可靠通信提出了一些挑戰。因此，5G移動通信網絡將融合大規模天線陣列（massive MIMO）、超密集組網、終端直通、SDN等先進技術［4］，以更加靈活的體系結構解決多樣化應用場景中差異化性能指標帶來的挑戰。

隨著車載應用和物聯網的快速發展，開發處理車聯網大數據的高效架構已成為未來智慧城市關注的重要問題。然而，當前車載網架構復雜且欠缺靈活，面臨高移動性、間歇性連接、應用程序的異構性等挑戰。在此背景下，SDN可編程和靈活的網絡架構，在有線網絡管理和異構無線通信中受到學術界和工業界的廣泛關注。在車聯網中應用SDN可以提高靈活性、可靠性和可擴展性，增強車聯網提供應用和服務的能力，提高用戶服務質量。文獻［5～8］針對車載網動態變化的拓撲結構、通信鏈路間歇性連接和應用程序的異構性等特點，設計了深度可編程的集中式軟件定義車載網架構。然而，由于車載網絡的車輛和基礎設施節點在地理上分布稀疏和廣泛，尤其當網絡規模增加時，集中式的單個SDN 控制器管理動態變化的控制層請求將變得十分困難。文獻［9，10］設計了分布式軟件定義車載網架構。其中，文獻［9］將車載自組織網絡（vehicular Ad hoc network，VANET）進行分區管理，并在每個區域內部署支持SDN的控制器，以有效管理高速公路場景中的大規模車輛流量，并利用軟件定義車載網的控制中心平面將網絡智能分發到各個小區，以提高網絡的可伸縮性，降低網絡控制開銷。文獻［10］利用聚類算法設計了一種新的路由協議（稱為HSDV），選擇簇頭和簇首分別作為本地SDN 控制器對中央SDN 控制器進行分層訪問，當中央SDN控制器無法訪問或者無響應時，本地SDN 控制器可以暫時控制本地網絡，避免網絡癱瘓。

與上述方案相關的一個主要挑戰是，這些技術需要大量的回程開銷。最近已經表明，緩存技術已經可以減少回程流量，通過將流行的文件先驗地存儲在車輛上來實現。緩存的基本思想是在非高峰時間將熱門內容存儲在不同的地理位置。這種本地存儲布置使得流行文件的復制傳輸成為可能，從而增加了車輛網絡的頻譜效率，并隨后減少了等待時間。此外，在最近的文獻中已經廣泛研究了緩存對于蜂窩系統的優勢和應用。文獻［11］強調與增加回程開銷相比，在用戶端安裝內存單元具有顯著的成本效益。在此基礎上，對幾種緩存技術的集成進行了大量研究，例如異構網絡［12～14］、端到端通信［15，16］以及車—邊—云協同架構［17］等技術。在這種情況下，相關文獻已經提出了用幾個度量來表征緩存算法的性能，例如命中率［18］、中斷/覆蓋概率［19］、區域頻譜效率［20］和平均吞吐量［15］。類似地，文獻［21］討論了車輛自組織網絡中的協作緩存，認為車輛自組織網絡中的協作緩存依賴于發現、管理和一致性三個主要組件。發現組件中的主要任務是搜索網絡中車輛請求的文件的存在，使用廣播技術來實現，如分割緩存［22］和共享緩存［23］。下一個任務是通過管理組件來執行的，該組件決定是否緩存所請求的文件以及在哪里緩存它，以實現更平滑的復制傳輸。最后，一致性組件驅動的任務是決定緩存的內容應該在網絡中保留多長時間。

然而，將大量的車載通信鏈路引入到超密集和異構的5G車聯網中是一個挑戰。隨著現有OMA網絡中頻譜資源的日益稀缺，近年來人們對車聯網中的NOMA進行了研究，以提高頻譜利用率。與OMA不同，NOMA允許多個用戶同時占用一個頻率信道，這在頻譜效率和蜂窩覆蓋方面都顯示出優勢［24，25］。因此，可以預見，NOMA使能的V2X通信將是未來的一個趨勢，因為它具有提高頻譜效率和改善用戶接入的潛在能力［26］。值得注意的是，可以通過根據不同用戶的信道條件將不同的功率水平分配給不同的用戶來實現NOMA。這種功率分配方案能夠有效實現SIC，這通常被認為能消除多用戶檢測系統中的多用戶干擾。在這種情況下，在具有最佳信道條件的用戶處執行SIC，并且以信道的降序執行SIC。此外，由于NOMA技術與其他技術的融合，如多輸入多輸出通信［27，28］、毫米波通信和空間調制［27］，車輛網絡的性能得到了顯著提高。NOMA已經被證實是5G無線網絡滿足低延遲、高可靠性、大規模連接和高吞吐量等異構需求的一項重要支持技術［29，30］。然而，NOMA在車輛網絡中的使用直到最近才受到關注，在車輛網絡中，它被證明明顯優于傳統的基于正交多址的系統［31］。基于此，基于NOMA的V2X系統的頻譜效率和資源分配已經在文獻［32］中進行了研究。文獻［33］討論了用于基于NOMA的V2X通信系統中基于圖論的編碼器和使用置信傳播算法的可靠解碼器，以及相應的中斷容量分析。文獻［34］在分析用于加權和速率最大化的小區關聯和功率控制的聯合優化的背景下，研究了構成車與基礎設施（vehicle to infrastructure，V2I）的特殊情況的支持車輛到小型基地臺的性能。NOMA效應和空間調制技術被用于車與車（vehicle to vehicle，V2V）多輸入多輸出通信，并給出了可實現的吞吐量和相應的最優功率分配策略［27］。

以上研究表明，車輛可以利用自己的高速緩存內容來減少來自其他車輛信號的干擾。也就是說，對于特定的車輛，如果一個文件出現在它自己的高速緩存中并被另一個車輛請求，那么可以在請求階段利用它來減少接收的疊加NOMA信號中的干擾。因此，高速緩存輔助的NOMA系統的性能可通過利用其高速緩存內容來提高。此外，緩存帶來的干擾降低也有助于降低SIC的計算復雜度。在文獻［35，36］中，盡管蜂窩網絡的緩存輔助NOMA受到關注，但是可用的框架并不直接適用于車輛網絡。由于車輛的高移動性和天線的低仰角，本文考慮級聯（雙）Nakagami-m衰落信道模型，該模型提供了車輛間信道的現實描述［37］。與流行的瑞利/Nakagami-m衰落假設相比，雙Nakagami-m衰落模型有助于從整體上研究由于衰落引起的現像。

綜上，本文針對上述問題提出了一種緩存輔助的NOMA功率分配方案，主要貢獻總結如下：

a）提出的基于SDN自適應分簇方案中，到達的道路交通將借助SDN進行預測，實現自適應車輛分簇。針對車聯網中車輛總是處于動態運動狀態的特點，提出了一種新的簇頭選擇算法。

b）為了解決支持5G的車載網絡中的頻譜效率要求，提出了高速緩存輔助的NOMA方案。根據每輛車成功解碼文件的概率，分析描述了所提出的緩存輔助的NOMA系統在真實雙Nakagami-m衰落條件下的性能。

c）本文考慮了文件緩存的情況，在緩存階段，每輛車都可以緩存請求的文件。將優化問題公式轉換為找到每輛車的最佳功率曲線，從而最大化地在每輛車上成功解碼目標文件的概率。在雙Nakagami-m衰落條件下，本文進一步證明了這個優化問題的代價函數是凹的。

d）與傳統的NOMA和緩存輔助的OMA相比，所提緩存輔助的NOMA性能大大提升，還給出了雙Nakagami-m分布衰落效應對性能的影響。

1系統模型

1.1網絡架構

車輛分簇已被用于降低V2X通信的復雜性，從而最終提高道路交通效率。圖1是本文提出的一種基于分簇的軟件定義異構車載網架構，一方面，利用聚類方法建立了車輛網絡的層次拓撲結構；另一方面，簇頭車輛作為一個本地控制器，支持簇成員和簇之間的數據傳播，降低了車載網絡端到端通信的復雜性，從而降低了車輛網絡拓撲結構的通信復雜度。通過整合大規模部署的蜂窩網絡和豐富的云計算資源和功能來擴展傳統的車載網；通過聚類技術實現網絡分區來減少干擾和開銷，同時增強網絡的可伸縮性和流動性；通過使用新興的SDN概念與分層分布式部署的控制器管理異構網絡，提高網絡的靈活性和可擴展性；采用聚類算法構建網絡拓撲，在簇頭車輛上部署本地SDN控制器，在蜂窩基站上部署區域SDN控制器，在C-RAN部署全局SDN控制器，實現網絡控制功能的分層分布式部署，各級SDN控制器協作管理整個系統，如圖2所示。

如圖3所示，不失一般性，假設一個BS分別服務于由CHV1和CHV2表示的兩個簇頭車輛（cluster head vehicles， CHV）。兩個簇頭車輛模式不僅代表了用戶之間的權限域差異，而且有助于協同NOMA分析和部署。因此，兩輛CHV的功率分配足以說明車輛之間功率分配的關鍵方面，同時避免了不必要的復雜化。雖然研究限制在兩個CHV之間，但是所提出的方案可以擴展到多個CHV。

1.2緩存輔助的NOMA模型

假設CHV1和CHV2配備了大小為k的有限容量緩存，F{F1，F2，…，FT}表示基站可用的有限文件集。然后用流行的Zipf分布［11］建模F上的受歡迎程度，并帶有偏斜度控制參數λgt;0。特別是，文件Ft∈F的受歡迎程度由概率給出

Dt=1tλ∑Ti=11iλt=1，2，…，T（1）

其中：D1gt;D2gt;…gt;DTgt;0；∑Tt=1Dt=1。在緩存階段，CHV1和CHV2在非高峰時間從F中獲取并存儲一組文件，表示為FCHV1F， FCHV2F。考慮到上面的流行度配置文件，最佳緩存策略是從最流行的文件緩存到最不流行的文件。在請求階段，不失一般性，假設CHV1和CHV2分別請求文件F1∈F和F2∈F。此外，假設基站完全了解FCHV1和FCHV2，CHV1和CHV2了解基站的功率分配方案。對于前一個假設，信息可以在請求階段在基站獲得，即當CHV1和CHV2共享它們的緩存狀態時。對于后者，基站可以在傳送文件之前將信息廣播給CHV1和CHV2。

假設x1和x2對應于F1和F2的信號。該基站使用NOMA向CHV1和CHV2發送疊加信號，即

S=a1PBx1+a2PBx2（2）

其中：PB是基站的平均發射功率；ai ，i∈{1，2}是功率分配系數，滿足a1+a2=1并且a1gt;0，a2gt;0；xi表示在BS處傳輸的NOMA信息滿足E［|xi|2］ =1。同時使用SIC技術解碼各自的信號。設s1和s2分別是在CHV1和CHV2處的接收信號，給出如下：

s1=hB1S+n1（3）

s2=hB2S+n2（4）

假設hB1和hB2分別表示BS和CHV1、BS和CHV2之間的復信道系數。在車聯網中，信道增益|hB1|和|hB2|由兩個獨立的級聯Nakagami-m分布的乘積精確建模，例如，|hB1|～Ν2（（m（1）1，Ω（1）1），（m（1）2，Ω（1）2）），|hB2|～Ν2（（m（2）1，Ω（2）1），（m（2）2，Ω（2）2））［37］。

雙Nakagami-m分布是一個級聯衰落模型，它是雙瑞利分布的推廣，是一種特殊情況［38］。n1和n2分別為在CHV1和CHV2處獨立的圓對稱復高斯分布，均值為0，方差為σ2B1和σ2B2。

值得注意的是，在車聯網中考慮的基于緩存的NOMA中，每個用戶可以使用在緩存期間獲得的內容，通過減少或消除由于另一用戶的信號引起的干擾來解碼自己的信號，這增加了成功解碼每個用戶信號的概率。假設當接收的信噪比滿足SINRgt;γ1gt;0，SINRgt;γ2gt;0時，文件F1和F2可以被CHV1或 CHV2成功解碼。那么CHV1和CHV2在緩存階段緩存文件成功的情況可以描述如下：CHV1緩存了F2，CHV2也緩存了F1。從數學上講，上述場景可以表示為F2∈FCHV1和F1∈FCHV2。為此，本文打算找到最優功率分配策略，使得它們在CHV1和CHV2處各自成功解碼文件F1和F2的概率最大化。

2基于SDN的車聯網自適應分簇

由于車輛的高移動性和有限的運動范圍，車輛分簇被認為是一種很有前途的解決方案，可以減少蜂窩網絡開銷，在較低的相對速度下提供更好的通信質量。本章首先利用車輛間距離來聚集道路上的車輛。然后，結合車輛相對速度、CHV與BS之間的信道質量來選擇CHV。針對車聯網中車輛總是處于動態運動狀態的特點，提出了一種新的簇頭選擇算法。

在車聯網中應用SDN，控制器對全局視圖和道路交通拓撲的及時更新為應對上述挑戰提供了一個可行的解決方案。由于車輛通常移動速度很快，且BS的覆蓋范圍有限，本文認為BS只提供相關車輛的最新信息，簇成員車輛將通過選定的車輛（即簇頭（CHV））與BS通信。具體方案流程如下：

a）基站初始化分組。

由于移動速度和行駛車輛方向的一致性，SDN控制器能夠使用不同的定位和數據分析技術來監測和預測到達車輛的位置，然后提前通知相關BS，以保證自適應和高效的分簇。由于SDN控制器能提供道路交通拓撲，BS知道到達的交通并提前做好準備直到小區過載并滿足簇條件。

b）車輛簇的形成。

移動網關候選在接收到基站的車輛分組列表后，利用車輛間距離對分組進行細化，形成最終的簇。假設有n（i=1，2，…，n）輛車在一個單車道上靠近BS。車輛聚類的準則是相鄰車輛之間的距離不超過最小安全距離，車輛聚類的覆蓋范圍在通信半徑內（例如，IEEE 802.11p的傳輸范圍約為250 m）。

由于BS測量或預測的車輛位置信息可能不準確，移動網關候選者使用類似于AODV中的路由請求（RREQ）廣播消息來驗證相鄰車輛并更新組成員列表。

c）簇頭選擇。

簇形成后，在每個簇中選擇一個CHV，以有效地將車輛相關業務中繼到蜂窩網絡。CHV選擇可以由線性優化問題定義［39］。CHV選擇的目的是在車輛的信道質量和移動速度的約束下最大限度地提高主干鏈路的吞吐率。

具體來說，車輛速度越接近平均簇速度，該CHV候選者在該簇中停留的時間越長，其作為CHV的性能越好。同樣，CHV和BS之間的信道質量越好，鏈接的平均生存時間越長，中繼鏈路傳輸越可靠。

為了定量評價，本文提出了一個鏈路穩定系數（CV）來評價不同車輛鏈路的穩定性。CV的公式如下所示：式（5）（6）考慮了鏈路的相對速度和節點數；式（7）引用數學中的方差系數，確保不同節點數的不同路段的CV可以立即進行比較。

av=∑ni=1Vin（5）

sd=1n∑ni=1（Vi－av）2（6）

CV=sdav×100%（7）

其中：n是源、目的車輛之間鏈路的跳數；sd是鏈路上車速的標準方差；av是簇中所有車輛的平均速度；Vi是車輛i的速度。

車輛之間的鏈路生存時間定義為兩個車輛保持通信以傳輸數據包的最短持續時間。為了避免頻繁的網絡分裂，采用CV估計車速差。由于車輛的高速移動性，邊界車輛在轉發過程中駛出通信范圍的概率較高，所以考慮了車輛的行駛速度。簇中的車輛存儲在一個列表中，該列表根據它們與源車輛的速度差進行排序，頂部的速度差較小。然后，車輛Vi和BS之間的鏈路有效時間為

LVi，BS（t）=R－（xVi－xBS）2+（yVi－yBS）2CV（8）

其中：R是通信范圍。

在一個簇內的車輛 Vi={V1， V2，…}過CHV與BS通信，對于每個Vi，計算鏈路壽命值LVi，BS（t），并選擇具有次最佳鏈路壽命的Vi，記錄為備份CHV。如果CHV離開，備份CHV作為新的CHV工作。

3最佳功率分配方案

在簇頭車輛確定好后，本章提供了上述在1.2節緩存階段緩存文件成功情況下a1的最佳值的數學細節，使得它們在CHV1和CHV2處各自成功解碼文件F1和F2的概率最大化。為此，本章首先推導出該情況下成功解碼文件的概率表達式。

3.1成功解碼的概率

當CHV1和CHV2的緩存中都有彼此的文件時，不管a1的值是多少，CHV1和CHV2都能夠通過分別抵消F2和F1的信號來解碼F1和F2。

因此，在CHV1和CHV2處成功解碼F1和F2的概率分別由式（9）（10）給出。

P（A）V1=Pa1PB|hB1|2σ2B1gt;γ1（9）

P（A）V2=Pa2PB|hB2|2σ2B2gt;γ2（10）

其中：γ1和γ2分別表示在CHV1和CHV2處成功解碼F1和F2的SINR閾值。

3.2功率分配

如前所述，成功解碼F1和F2的概率是個體成功概率的乘積，即成功解碼的概率取決于a1。因此，上述情況的優化問題是

optimizeA：maxP（A）V1P（A）V2（11）

subject to0≤a1≤ 1（12）

接下來，通過以下命題證明上式中的代價函數在0≤a1≤ 1時是凹的。

引理1函數P（A）P（A）V1P（A）V2在0≤a1≤ 1時是凹的。

證明要證明P（A）相對于a1的二階導數在0 ≤ a1≤1時是負的，首先，它們的概率密度函數f|hB1|（|hB1|） 和f|hB2|（|hB2|）［37］可以表示為

f|hBi|（|hBi|）=2G2.00，2m（i）1m（i）2|hBi|2Ω（i）1Ω（i）2m（i）1，m（i）2|hBi|Γ （m（i）1）Γ （m（i）2）（13）

其中：i=1，2；Γ（·）和Gp，qm，n（·） 分別表示Euler’s gamma 和 Meijer-G 函數。此外，雙Nakagami-m分布式隨機變量，也就是說，|hB1|2和|hB2|2具有雙gamma分布，它們各自的密度由隨機變量的標準變換給出。

f|hBi|2（|hBi|）=2|hBi|m（i）1-m（i）22-1Γ （m（i）1）Γ （m（i）2）Ω（i）1Ω（i）2m（i）1m（i）2m（i）1+m（i）22×

κm（i）1-m（i）22m（i）1m（i）2|hBi|Ω（i）1Ω（i）2（14）

其中：i=1，2；κn（·）是第二類修正的Bessel函數，具有n∈Euclid ExtraaBp階［40］。基于此，相應的CDF由式（15）給出。

f|hBi|2（|hBi|）=G2，11，3m（i）1m（i）2|hBi|Ω（i）1Ω（i）21m（i）1，m（i）2，0Γ （m（i）1）Γ （m（i）2）（15）

其中：i=1，2。

對于|hB1|=γ1σ2B1a1PB 和|hB2|=γ2σ2B2a2PB，P（A）V1和P（A）V2由式（14）給出，同時

dudzuGm，np，q1zj1，…，jn，jn+1，…，jpk1，…，km，km+1，…，kq=

（-1）uzuGm，n+1p+1，q+11z1-u，j1，…，jn，jn+1，…，jpk1，…，km，1，km+1，…，kq u=1，2，…（16）

基于此，P（A）V1的一階導數可以表示為

dda1G2，11，3m（1）1m（1）2γ1σ2B1a1PBΩ（1）1Ω（1）21m（1）1，m（1）2，0Γ （m（1）1）Γ （m（1）2）=

-Ω（1）1Ω（1）2a1PBm（1）1m（1）2γ1σ2B1Γ （m（1）1）Γ （m（1）2）×G2，22，4m（1）1m（1）2γ1σ2B1a1PBΩ（1）1Ω（1）20，1m（1）1，m（1）2，1，0（17）

接下來，定義

β1m（1）1m（1）2γ1σ2B1PBΩ（1）1Ω（1）2gt;0（18）

同時，由于m1gt;0，m2gt;0，它遵循

G2，22，4β1a10，1m（1）1，m（1）2，1，0=2β1a1m（1）1+m（1）22×κm（1）2-m（1）12β1a1（19）

顯然，通過簡化式（17），代入式（19）并求二階導數，可以得到一個可以簡化的項，如下所示。

d2da21a1G2，22，4β1a10，1m（1）1，m（1），1，02=

κm（1）2-m（1）12β1a1×

2β1a1m（1）1+m（1）22-β1（m（1）1+m（1）2）a1×

β1a1m（1）1+m（1）22-1-

β1a1m（1）1+m（1）22-1-κm（1）2-m（1）1-12β1a1-

κm（1）2-m（1）1+12β1a1

（20）

P（A）V2的一階和二階導數也可以得到類似的表達式。此外，利用Bessel函數恒等式：

κ－v（x）=κv（x）v=0，1，…（21）

有助于簡化κm（1）2-m（1）1（ · ），無論m（1）1是大于還是小于m（1）2。還要注意的是，式（22）成立。

κu（x）≥κv（x）u，v=0，1，…x∈Euclid ExtraaBp+（22）

使用上述結果簡化P（A）V1和P（A）V2兩者的一階和二階導數，可以證明P（A）的二階導數是負的，在極限情況下a1→0和a1→1時，它們各自的一階導數可以顯示為具有正值和負值。在此基礎上，通過一些代數運算，即可證明P（A）在0 ≤a1≤1時是凹的。

4仿真結果與分析

本章使用 MATLAB 仿真軟件驗證了所提基于SDN的車聯網中緩存輔助NOMA的性能，并將其性能與傳統的NOMA和緩存輔助OMA系統進行了比較。仿真參數如表1所示。其中，m（1）1=m（1）2=m（2）1=m（2）2=1，Ω（1）1=Ω（1）2=Ω（2）1=Ω（2）2=2，噪聲方差σ2B1=σ2B2=1，SINR門限γ1=γ2=1，Zipf參數λ=0.5。因為受歡迎文件由Zipf分步建模，最佳緩存策略是緩存最受歡迎的文件，具體取決于CHV1和CHV2的緩存大小。

從圖4中可以看出，將SDN使能的自適應分簇與現有機制進行比較，并在仿真中考慮了三種情況：SDN使能的方案，使用車輛之間的鏈路生存時間來選擇CHV；傳統方法，選擇中心車輛作為CHV；沒有分簇的場景（車輛通過自己的鏈接與BS通信）。圖4顯示了三種不同場景下吞吐量性能的仿真結果。可以看出，通常分簇為車輛提供更好的通信質量，這是合理的，因為車輛分簇方案使用IEEE 802.11p網絡來減輕蜂窩網絡的負擔，從而保證蜂窩無線鏈路連接質量。同樣，從圖中還可以看出，當車輛數量達到100輛時，其他兩種場景的吞吐量均達到最大值，而隨著道路上車輛數量的增加，這兩種場景的吞吐量就呈下降趨勢，這是因為所提出的簇頭選擇方案在選擇簇頭時同時考慮了車輛的信道質量和移動速度，所以最終得到具有更好的無線鏈路質量并且在簇中服務更長時間（更少的信道切換）的最佳信道，其他兩種場景在網絡重負載情況下會受到簇間和簇內的同頻干擾。

顯而易見，SDN使能的車載網在滿足5G中的關鍵技術要求方面具有更好的性能，同時保持了SDN對于5G網絡的靈活性、可編程性。

圖5比較了緩存輔助的NOMA系統和緩存輔助的OMA系統在Nakagami-m和雙Nakagami-m衰落條件下的性能，它們被認為適用于車對車通信。為此，考慮了不同的λ值，信噪比為10 dB。在這兩種情況下，NOMA的性能都優于OMA。盡管對于NOMA和OMA來說，在雙Nakagami-m衰落條件下的性能比在Nakagami-m衰落下差一點，這是可以預期的，是由于Nakagami-m模型的級聯特性造成的。然而，與NOMA相比，OMA的退化程度是嚴重的，特別是在λ→0的區域，這具有實際意義。

圖6比較了緩存輔助的NOMA和緩存輔助的OMA系統對于不同λ值和可在CHV1和CHV2獲得的緩存大小的性能。接收信噪比固定在10 dB，觀察到隨著CHV1和CHV2的緩存增大提高了NOMA和OMA的性能，因為緩存另一輛車請求的文件的概率隨著緩存大小而增加。同樣，對于較低的λ值，觀察到與OMA對應系統相比，NOMA系統提供了顯著的性能增益，而隨著λ的增加，它也表現出較慢的性能下降。

圖7描述了所提方案的性能，并針對不同的Zipf參數λ值將其與緩存輔助OMA進行了比較。如預期的那樣，所提緩存輔助NOMA為所有λ值提供了更好的性能。此外，由于較高的λ值使得流行度曲線更偏向第一個文件，所以NOMA和OMA的性能都隨著λ的增大而提升。這是因為緩存文件成功發生的概率隨著λ而增加，λ支配著平均性能。與OMA相比，高速緩存輔助NOMA對低λ值的性能提升非常顯著。

圖8比較了緩存輔助的NOMA和傳統的NOMA對于在CHV1和CHV2的不同數量的高速緩存文件的性能。同樣，緩存輔助的NOMA實現的性能優于傳統的NOMA，并且如預期的那樣，隨著緩存文件數量的增加而提升，緩存輔助的NOMA雙Nakagami-m而獲得的性能優于傳統NOMA Nakagami-m的性能。

圖9顯示了由于緩存引起的干擾消除對所提出的NOMA系統的影響。可以看出，與傳統的NOMA系統相比，所提緩存輔助的NOMA系統隨著CHV1和CHV2處的高速緩存大小的增加而提供了更好的性能。此外，對于基站可用的總文件T的較低值，性能也有所提高。這是因為較小的總文件數T和較大的緩存大小提高了在緩存階段緩存所請求文件的概率。此外，當CHV1和CHV2的緩存大小為零時，即當CHV1和CHV2在緩存階段不緩存任何文件時，傳統NOMA和緩存輔助NOMA的性能是相等的。

5結束語

針對車聯網中頻譜資源稀缺、海量數據傳輸產生的大量回程開銷以及使用NOMA技術引起的SIC計算復雜度高等問題，在已有研究工作的基礎上，本文提出了一種軟件定義車聯網緩存輔助的NOMA功率分配方案。首先，在車聯網中借助SDN進行預測到達的道路交通，實現自適應車輛分簇。其次，引入了緩存輔助的NOMA方案，考慮了文件緩存的情況，每個車輛緩存并請求整個文件。針對在雙Nakagami-m衰落信道上兩簇頭車輛無線傳輸的情況下實現的提出了一種最佳功率分配策略，使每輛車成功解碼文件的總體概率最大化。同時，證明了相關的代價函數在功率分配變量中是凹的。最后，數值仿真和理論分析表明，與傳統的NOMA和緩存輔助的OMA相比，所提緩存輔助的NOMA性能大大提升。作為未來工作的一部分，將進一步研究分割文件的緩存情況。例如，可以考慮將每個文件分割成兩部分，研究車輛和緩存的分割文件之間的聯合功率分配優化問題。

參考文獻：

［1］Guo Shengjie， Zhou Xiangwei. Robust resource allocation with imperfect channel estimation in noma-based heterogeneous vehicular networks［J］. IEEE Trans on Communications， 2019， 67（3）： 2321-2332.

［2］Sepulcre M， Gozalvez J. Heterogeneous V2V communications in multi-link and multi-rat vehicular networks［J］. IEEE Trans on Mobile Computing， 2021， 20（1）： 162-173.

［3］Vinel A. 3GPP LTE versus IEEE 802. 11p/WAVE： which technology is able to support cooperative vehicular safety applications？［J］. IEEE Wireless Communications Letters， 2012， 1（2）： 125-128.

［4］Wang Chengxiang， Haider F， Gao Xiqi， et al. Cellular architecture and key technologies for 5G wireless communication networks［J］. IEEE Communications Magazine， 2014， 52（2）： 122-130.

［5］Salahuddin M A， Alfuqaha A， Guizani M. Software-defined networking for RSU clouds in support of the Internet of Vehicles［J］. IEEE Internet of Things Journal， 2015， 2（2）： 133-144.

［6］He Zongjian， Cao Jiannong， Liu Xuefeng. SDVN： enabling rapid network innovation for heterogeneous vehicular communication［J］. IEEE Network， 2016， 30（4）： 10-15.

［7］Nkenyereye L， Nkenyereye L， Islam S M R， et al. Software defined network-based multi-access edge framework for vehicular networks［J］. IEEE Access， 2020， 8： 4220-4234.

［8］Ge Xiaohu， Li Zipeng， Li Shikuan. 5G software defined vehicular networks［J］. IEEE Communications Magazine， 2017， 55（7）： 87-93.

［9］Kazmi A， Khan M A， Akram M U. DevaNet： decentralized software-defined VANET architecture ［C］// Proc of IEEE International Conference on Cloud Engineering Workshop. Piscataway， NJ： IEEE Press， 2016： 42-47.

［10］Correia S， Boukerche A， Meneguette R I. An architecture for hierarchical software-defined vehicular networks［J］. IEEE Communications Magazine， 2017， 55（7）： 80-86.

［11］Li Liying， Zhao Guodong， Blum R S. A survey of caching techniques in cellular networks： research issues and challenges in content placement and delivery strategies［J］. IEEE Communications Surveys amp; Tutorials， 2018， 20（3）： 1710-1732.

［12］Maddah-Ali M A， Niesen U. Coding for caching： fundamental limits and practical challenges［J］. IEEE Communications Magazine， 2016， 54（8）： 23-29.

［13］Yang Chenchen， Yao Yao， Chen Zhiyong， et al. Analysis on cache-enabled wireless heterogeneous networks［J］. IEEE Trans Wireless Communications， 2016， 15（1）： 131-145.

［14］Cui Ying， Jiang Dongdong. Analysis and optimization of caching and multicasting in large-scale cache-enabled heterogeneous wireless networks ［J］. IEEE Trans on Wireless Communications， 2017， 16（1）： 250-264.

［15］Ji Mingyue， Caire G， Molisch A F. Fundamental limits of caching in wireless D2D networks ［J］. IEEE Trans on Information Theory， 2016， 62（2）： 849-869.

［16］Gregori M， Gómez-Vilardeb J， Matamoros J， et al. Wireless content caching for small cell and D2D networks［J］. IEEE Journal on Selected Areas in Communications， 2016， 34（5）： 1222-1234.

［17］劉可欣， 陳桂芬. 基于移動邊緣計算的車聯網緩存策略研究［J］. 計算機應用研究， 2021， 38（3）： 851-854. （Liu Kexin， Chen Guifen. Research on caching strategy of Internet of Vehicles based on mobile edge computing［J］. Application Research of Computers， 2021， 38（3）： 851-854.）

［18］Zaidi S A R， Ghogho M， McLernon D C， et al. Information centric modeling for two-tier cache enabled cellular networks ［C］// Proc of IEEE International Conference on Communication Workshop. Pisca-taway，NJ：IEEE Press，2015： 80-86.

［19］Bastug E， Bennis M， Debbah M. Cache-enabled small cell net-works： modeling and tradeoffs［C］// Proc of the 11th International Symposium on Wireless Communication Systems. 2014： 649-653.

［20］Zhang Lei， Yang Hongchuan， Hasna M O. Generalized area spectral efficiency： an effective performance metric for green wireless communications［J］. IEEE Trans on Communications， 2014， 62（2）： 747-757.

［21］Glass S， Mahgoub I， Rathod M. Leveraging MANET-based cooperative cache discovery techniques in VANETs： a survey and analysis［J］. IEEE Communications Surveys amp; Tutorials， 2017， 19（4）： 2640-2661.

［22］Majd N E， Misra S， Tourani R. Split-cache： a holistic caching framework for improved network performance in wireless Ad hoc networks［C］// Proc of IEEE Global Communications Conference. Piscataway，NJ：IEEE Press，2014： 137-142.

［23］Zhang Xi， Wang Jingqing. Heterogeneous statistical QoS-driven power allocation for collaborative D2D caching over edge-computing networks［C］// Proc of the 39th International Conference on Distributed Computing Systems. 2019： 944-953.

［24］Mounchili S， Hamouda S. Pairing Distance resolution and power control for massive connectivity improvement in NOMA systems［J］. IEEE Trans on Vehicular Technology， 2020， 69（4）： 4080-4090.

［25］Ji Yancheng， Duan Wei， Wen Miaowen， et al. Spectral efficiency enhanced cooperative device-to-device systems with NOMA［J］. IEEE Trans on Intelligent Transportation Systems， 2021， 2（7）： 4040-4050.

［26］Liu Yuanwei， Qin Zhijin， Elkashlan M， et al. Non-orthogonal multiple access in large-scale heterogeneous networks［J］. IEEE Journal on Selected Areas in Communications， 2017， 35（12）： 2667-2680.

［27］Chen Yingyang， Wang Li， Ai Yutong， et al. Performance analysis of NOMA-SM in vehicle-to-vehicle massive MIMO channels［J］. IEEE Journal on Selected Areas in Communications， 2017， 35（12）： 2653-2666.

［28］Zeng Ming， Yadav A， Dobre O A， et al. On the sum rate of MIMO-NOMA and MIMO-OMA systems［J］. IEEE Wireless Communications Letters， 2017， 6（4）： 534-537.

［29］Dai Linglong， Wang Bichai， Yuan Yifei， et al. Non-orthogonal multiple access for 5G： solutions， challenges， opportunities， and future research trends［J］. IEEE Communications Magazine， 2015， 53（9）： 74-81.

［30］Han Tao， Gong Jie， Liu Xiong， et al. On downlink NOMA in heterogeneous networks with non-uniform small cell deployment［J］. IEEE Access， 2018， 6： 31099-31109.

［31］Di Boya， Song Lingyang， Li Yonghui， et al. NOMA-based low-latency and high-reliable broadcast communications for 5G V2X services［C］// Proc of IEEE Global Communications Conference. Piscataway，NJ：IEEE Press，2017： 1-6.

［32］Tanwar S， Tyagi S， Budhiraja I， et al. Tactile Internet for Autonomous Vehicles： latency and reliability analysis［J］. IEEE Wireless Communications， 2019， 26（4）： 66-72.

［33］Khoueiry B W， Soleymani M R. An efficient NOMA V2X communication scheme in the Internet of Vehicles［C］// Proc of the 85th Vehicular Technology Conference. 2017： 1-7.

［34］Qian Liping， Wu Yuan， Zhou Haibo， et al. Dynamic cell association for non-orthogonal multiple-access V2S networks ［J］. IEEE Journal on Selected Areas in Communications， 2017， 35（10）： 2342-2356.

［35］Doan K N， Shin W， Vaezi M， et al. Optimal power allocation in cache-aided non-orthogonal multiple access systems［C］// Proc of IEEE International Conference on Communications Workshops. Piscataway，NJ：IEEE Press，2018： 1-6.

［36］Ding Zhiguo， Fan Pingzhi， Karagiannidis G K， et al. NOMA assisted wireless caching： strategies and performance analysis［J］. IEEE Trans on Communications， 2018， 66（10）： 4854-4876.

［37］Karagiannidis G K， Sagias N C， Mathiopoulos P T. N*Nakagami： a novel stochastic model for cascaded fading channels ［J］. IEEE Trans on Communications， 2007， 55（8）： 1453-1458.

［38］Salo J， El-Sallabi H M， Vainikainen P. The distribution of the pro-duct of independent Rayleigh random variables［J］. IEEE Trans on Antennas and Propagation， 2006， 54（2）： 639-643.

［39］Duan Xiaoyu， Wang Xianbin， Liu Yanan. SDN enabled dual cluster head selection and adaptive clustering in 5G-VANET［C］// Proc of the 84th Vehicular Technology Conference. 2016： 6-12.

［40］Gradshteyn I， Ryzhik I. Tables of integrals， series and products［M］. ［S.l.］： Academic Press， 2007.

收稿日期：2022-01-17；修回日期：2022-03-01基金項目：國家自然科學基金資助項目（61971245）；江蘇省第十六批“六大人才高峰”高層次人才選拔培養資助項目（XYDXX-245）；連云港市第六期“521高層次人才培養工程”培養對象資助項目；江蘇高校哲學社會科學研究資助項目（2021SJA2492）；教育部產學合作協同育人項目（202102311004）；南京醫科大學康達學院科研人才培養計劃資助項目

作者簡介：顧金媛（1986-），女，江蘇連云港人，副教授，博士，主要研究方向為車聯網通信技術；章國安（1965-），男，江蘇如皋人，教授，博導，博士，主要研究方向為無線通信網絡、車聯網等；張鴻來（1972-），男（通信作者），江蘇連云港人，副研究員，碩士，主要研究方向為計算機技術（kdntdbtg@163.com）.