IRS-D2D混合通信車聯網場景下的資源優化策略

摘 要：針對城市道路車聯網存在視距鏈路阻塞和資源有限等問題，提出一種基于混合通信車聯網場景下的智能反射面（IRS）輔助的資源優化策略。該方案構建了IRS輔助的車聯網系統，并在該系統中使用D2D技術增加距離基站較遠車輛的數據傳輸能力。為了提升系統的頻譜效率，在該系統中引入認知無線電技術（CR），將D2D用戶下墊式地接入基站用戶信道，在不超過基站用戶預設干擾門限的情況下傳輸數據。針對所構建的IRS-D2D混合通信車聯網系統模型，提出基于系統和速率最大化的有限資源優化分配問題。在滿足用戶通信服務質量的條件下，通過聯合優化功率分配、IRS相移和頻譜資源分配的方法，實現系統和速率的最大化。由于提出的優化問題是一個多變量的混合整數非凸問題，難以在多項式時間內求得最優值，故采用兩階段聯合分配方案。具體地，在第一階段，聯合優化功率分配和IRS相移，通過松弛變量法得到局部最優解。在第二階段，使用交替優化算法進行頻譜資源分配。仿真結果表明，IRS輔助車聯網的資源優化策略提升了系統的和速率和頻譜效率，所提資源分配方案優于現有方案。由此IRS-D2D的通信技術可以應用在車聯網中。

關鍵詞： 智能反射面； 車聯網； D2D； 認知無線電； 資源分配

中圖分類號： TN929.5 文獻標志碼： A 文章編號： 1001-3695（2025）02-033-0560-06

doi：10.19734/j.issn.1001-3695.2024.06.0223

Resource optimisation strategies for IRS-D2D hybrid

communication in Internet of Vehicles scenarios

Wu Wei， Xu Wanping^’

（College of Information Engineering， Shanghai Maritime University， Shanghai 201306， China）

Abstract：To solve the problems of line-of-sight link blocking and limited resources in urban road IoV，this paper proposed a resource optimization strategy based on intelligent reflecting surface（IRS）in hybrid communication IoV scenarios，which constructed an IRS-assisted IoV system，and used D2D technology to increase the data transmission capacity of vehicles that were far away from the base station（BS）in this system.In order to improve the spectral efficiency of the system，this system introduced CR technology，allowing D2D users to underlay into the BS user channel and transmit data without exceeding the preset interference threshold for BS users.For the constructed IRS-D2D hybrid communication IoV system model，this paper proposed a finite resource optimization allocation problem based on maximization of system sum rate.To achieve system sum rate maximization，this problem jointly optimized the power allocation，IRS phase shift and spectrum resource allocation under the condition of satisfying the user’s communication quality of service（QoS）.Since the optimization problem was a multivariate mixed integer non-convex problem，which was difficult to find the optimal value in polynomial time，the optimization problem adopted a two-stage joint allocation scheme.Specifically，in the first stage，optimize power allocation and IRS phase shifted by using the slack variable method to obtain a local optimal solution.In the second stage，it employed an alternating optimization algorithm for spectrum resource allocation.Simulation results show that the IRS assisted resource optimization strategy improves system sum rate and spectral efficiency，outperforming existing schemes.Consequently，IRS-D2D communication technology proves to be a viable solution for IoV.

Key words：intelligent reflecting surface（IRS）; Internet of Vehicles（IoV）; device to device（D2D）; cognitive radio（CR）; resource allocation

0 引言

隨著信息技術和通信技術的快速發展，車聯網（IoV）逐漸成為智慧交通系統的核心組成部分，為汽車之間（vehicle-to-vehicle，V2V）以及汽車與基礎設施（vehicle-to-infrastructure，V2I）之間的智能化通信提供了新的可能性^［1］。近年來，隨著自動駕駛、車輛感知、精確定位^［2～4］等業務通信需求的提升，車聯網通信對大規模數據傳輸，擴展通信覆蓋范圍和通信連接穩定提出了更高的需求。然而，在實際的城市車聯網環境中，建筑物和植被等的遮擋會導致基站與車輛用戶之間視距鏈路的阻塞，影響基站與車輛間的信號傳輸。

為改善視距鏈路阻塞對車聯網通信造成的影響，協作傳輸技術常被用于解決鏈路阻塞問題，例如中繼技術和智能反射面（IRS）技術。文獻［5，6］通過在網絡中使用多個中繼節點，使數據以更多的路徑傳輸，從而減少鏈路阻塞問題的影響。中繼本身能耗高并且成本高昂，部署較為麻煩。相比較而言，IRS是一種綠色經濟、低能耗低成本的輔助通信設備。IRS可通過對無源反射元件平面陣列的相移控制，為存在遮擋的通信鏈路構建新的傳播路徑^［7］，或克服由多徑效應和陰影衰落帶來的影響，改善原本鏈路質量、擴大信號傳輸距離^［8］。目前，針對IRS輔助無線通信的應用已經得到了廣泛的研究。文獻［9～11］采用IRS改善無線通信鏈路情況，通過優化反射相移矩陣和發射功率，提升系統容量和資源分配效率。文獻［12］提出在認知無線電（cognitive radio，CR）中引入IRS可以顯著提高系統的頻譜效率和能量效率。以上文獻主要集中于IRS在一般無線通信系統中的應用，但對于IRS在環境復雜的車聯網場景中的具體性能提升和資源優化策略的研究相對有限。

為滿足車聯網對高數據速率服務的需求，學術界已經提出了許多新技術。其中，D2D通信技術被認為是最有前途的解決方案之一，D2D通信可以直接通信，不依賴基站（base station，BS），從而減少通信路徑中的傳輸損耗和延遲。通過D2D通信，車輛可以較快地傳遞信息，尤其在緊急情況下，能夠提高車輛的響應速度^［13］。文獻［14］針對車聯網蜂窩D2D通信資源分配問題，提出了一種最大化頻譜資源利用率分配算法。雖然文獻［14］提出的資源分配算法提升了車聯網蜂窩D2D通信的頻譜利用率，但它主要針對無遮擋的直連傳播環境，不能直接適用于存在遮擋的傳播環境。

近期，學術界和工業界逐漸開始關注IRS在車聯網中的應用可能。文獻［15，16］指出，IRS在非視距（NLOS）環境中，能夠顯著改善信道條件，增強信號覆蓋和傳輸可靠性。盡管IRS技術的引入帶來了諸多好處，但在車聯網復雜多變的環境中易受到反射路徑不穩定的影響，從而導致頻譜效率不如傳統的有源基站增強方案^［17］。另一方面，在需要快速反應的車聯網中，D2D通信可以提高頻譜利用率和降低延遲，但在復雜環境中易受干擾影響^［18］。盡管IRS和D2D各自存在優勢，但單獨使用時也面臨一定的局限性，將IRS與D2D通信相結合，可以綜合利用兩者的優點，進一步提升車聯網的整體性能。最近的研究試圖將IRS集成到D2D通信中，文獻［19］通過調整IRS的位置和相移，最大化D2D通信和蜂窩網絡的速率之和。文獻［20］使用了塊坐標下降法和半正定松弛法來優化功率和相移矩陣。與傳統的D2D系統相比，IRS輔助D2D通信可以實現更高的和率。文獻［21］提出了聯合資源分配優化算法，在滿足具有社會信任車輛的前提下，提高V2I鏈路的容量。文獻［22］提出了一種計算任務分配、子信道分配、功率控制和相移調整的聯合優化算法。文獻［23］專注于通過聯合優化IRS和傳輸功率的波束成形來最大限度地提高能源效率。

以上的工作都提升了系統和率，但主要考慮了功率控制和相移調整的優化算法及車聯網中一條通信鏈路容量的問題，在資源分配時，沒有考慮到車聯網中多條鏈路的頻譜分配以及頻譜效率的問題。基于以上問題，本文通過引入IRS來解決城市車聯網中通信鏈路阻塞問題，構建新型的IRS-D2D混合通信車聯網系統模型，在滿足用戶通信服務質量的條件下，通過聯合優化功率分配、IRS相移和頻譜資源分配，實現系統鏈路總和率的最大化，同時提升系統的頻譜效率。本文的主要研究工作如下：

a）考慮到基站與車輛用戶視距鏈路受阻的通信場景，本文構建了IRS輔助的車聯網下行傳輸系統模型，并在該系統中使用D2D技術增加距離基站較遠車輛的數據傳輸能力。為提升頻譜效率，使用CR技術將D2D用戶下墊式地接入基站用戶信道，在基站用戶的預設干擾門限約束下傳輸數據。

b）根據構建的IRS-D2D混合通信車聯網系統模型，在保證BS-IRS-CV鏈路的服務質量需求（quality of service，QoS）的條件下，本文提出了BS-IRS-CV鏈路和D2D鏈路系統和速率最大化的問題，其中D2D鏈路通過CR復用BS-IRS-CV鏈路。該問題通過聯合優化功率分配、IRS相移和頻譜資源分配，以實現系統和速率的最大化。

c）根據提出的問題，本文研究基于系統和速率最大化的有限資源分配策略。由于提出的優化問題是一個多變量的混合整數非凸問題，難以求解。本文采用兩階段聯合優化方案，將優化問題分為兩個階段求解：首先在第一階段，聯合優化功率分配和IRS相移，然后在第二階段對BS-IRS-CV和D2D鏈路進行頻譜分配。

1 系統模型和問題提出

1.1 系統模型

本文構建了IRS輔助城市交叉路口場景下C-V2X車載網絡的下行傳輸系統模型。

2.4 AO算法的復雜度分析與討論

AO算法的復雜度主要源于2.3節中（c）（d）兩個階段。具體來說，第一階段通過引入松弛變量和松弛目標函數，將問題轉換為一個凸優化問題。采用CVX工具箱進行求解，獲得最優的功率分配和IRS反射相移矩陣，其算法復雜度為O（（MLK）³）。第二階段通過松弛變量和一階泰勒展開近似將問題轉換為凸優化問題。使用優化工具求解的復雜度同樣為多項式時間，其算法復雜度為O（（MLK）³）。AO算法的迭代次數為r，該算法的總復雜度為O（r（MLK）³）。

3 仿真結果與分析

本章給出仿真結果來驗證兩階段交替優化資源分配方案的可行性，實驗環境為Intel Core i9處理器，使用MATLAB R2022a進行仿真和數據處理，并用蒙特卡羅^［26］進行仿真迭代。主要仿真研究了車聯網中IRS反射單元數，車輛速度和車輛數對系統和速率的影響以及使用IRS-CR技術對系統頻譜效率的影響。本文建模一個四車道的城市交叉路口，每條車道寬3 m，車輛根據空間泊松過程分布在道路上，其中，車輛的平均距離為2.5v，v為車輛速度，設為60 km/h。h_r，m（v）=ρd^-α_r，mv_r，m，車速會導致信道變化，從而影響系統和率。BS位于路口中心，覆蓋半徑為500 m，BS坐標為（0，0，20），IRS坐標為（40，0，20），其他相關系統參數的設置如表1所示。

參數參數意義數值BS基站天線1NIRS元件數50v車輛速度60∶120（km/h）d平均車輛距離2.5v（v=60 km/h）α_b，r基站到IRS路徑損耗指數2.2α_r，mIRS到CV路徑損耗指數2.5ζ萊斯因子3 dBM，LCV、DV的車輛數20σ²噪聲功率-114 dBmρ基準電壓源處的路徑損耗-20 dBγ^req車輛需要的最小信噪比5 dBP^budget_m，P^budget_l車輛最大發射功率23 dBm

本文進行算法仿真比較的幾種方案如下：a）RP無功率控制算法，在保證車輛QoS要求下，給定一定的功率約束，最大化鏈路傳輸速率；b）Random隨機相移算法，IRS反射系數矩陣元素在Θ_n，n∈（0，1］隨機設定;c）Greedy貪婪算法^［27］，將該算法結合功率和相移優化，貪婪算法可以通過在每一步中選擇局部最優的路徑來解決問題。

圖2表示IRS反射單元數與系統和率變化的關系，從圖2中可以看出，系統和率隨著IRS反射元件數量的增加而增加。當IRS反射元件數為20～30時，四種算法得到的系統和率相差不大。當IRS反射元件數為40時，AO算法獲得的系統和率顯著大于其他算法，AO算法較RP算法得到的系統和率提高了5.14%，較Greedy算法得到的系統和率提高了5.31%，較Random算法得到的系統和率提高了17.53%。這是因為AO算法采用局部搜索的方式更快地達到局部最優解，在獲得系統和率上優于其他算法。更多的IRS無源反射元件能夠反射從BS接收信號的更大功率，從而產生更多的功率增益，當IRS反射元件數為70～80時，獲得的系統率增長緩慢，這是因為IRS增加了干擾路徑的數量。從仿真結果看適當增加IRS反射元件數可以提高車載通信的系統和速率。

蜂窩車輛的車速與BS-IRS-CV鏈路和率的關系如圖3所示。從圖3中可以看出，隨著CV車速的增加，BS-IRS-CV鏈路的和率趨于減少。本文使用AO算法獲得的和速率仍優于其他三種算法，當車速相同且算法相同時，CV車輛獲得的和率會隨著功率的增大而增大。當CV車速為60 km/h且CV的最大發射功率從13 dBm增加到25 dBm時，AO算法獲得的和率增加了19.65%，RP算法獲得的和率增加了19.35%，Greedy算法獲得的和率增加了19.55%，Random算法獲得的和率增加了19.49%，最大發射功率的增加對四種算法獲得的BS-IRS-CV鏈路的和率變化趨勢相似。

在比較BS-IRS-CV鏈路和率時，AO算法獲得的和率顯著高于其他兩種算法。當CV車輛的最大功率為25 dBm且車速從60 km/h增加到120 km/h時，AO算法獲得的BS-IRS-CV鏈路和率下降了8.61%，相較于其他三種算法，RP獲得的BS-IRS-CV鏈路和率下降了14.79%，Greedy算法獲得的和率下降了19.35%，Random算法獲得的和率下降了23.53%，下降更明顯。這是因為較高的車速會導致交通稀疏，交通量減少，車輛之間的距離增加，為了保證D2D鏈路的信噪比，需要增加D2D發送器的發射功率，來補償D2D的路徑損耗，導致同信道中BS-IRS-CV鏈路受到更高水平的干擾，從而限制了BS-IRS-CV鏈路的總容量。

圖4表示DV車輛數與系統和率變化的關系。從圖4中可以看出，系統和率會隨著DV車輛數的增加而增加，所有的算法整體為上升趨勢，但AO算法獲得的系統和率顯著高于其他算法。當DV車輛數為10時，AO較RP算法得到的系統和率提升了7.43%，較Greedy算法得到的系統和率提升了11.54%，較Random算法得到的系統和率提升了19.87%。這是因為隨著車輛數的增加，CV車輛可以通過IRS進行信號增強，D2D鏈路通信距離和質量得到提高，由此可見，采用IRS-D2D混合通信進行資源優化可以提升系統和速率。

系統頻譜效率反映了車聯網在有限頻譜資源下傳輸數據的能力，系統頻譜效率變化與L/M的關系如圖5所示，L/M為DV與CV車輛數的比值，顯示了D2D鏈路復用從基站經過IRS反射到CV的下行鏈路對系統頻譜效率的影響。從圖5中可以看出，隨著L/M增加，使用IRS方案的頻譜效率先升高后降低，當L/M大于1時，頻譜效率有所降低。這是因為D2D鏈路復用從基站經過IRS反射到CV的鏈路增多會使得D2D鏈路的干擾增加，影響到系統的頻譜效率。而沒有IRS方案的頻譜效率變化不大，頻譜的利用率沒有使用IRS方案的高。在城市車聯網通信中，頻譜資源是有限的，當車輛數達到系統可容納的最佳值時，信道容量會受到限制，無法再進一步提高頻譜效率。從圖5中可以證明，在存在通信鏈路阻塞的城市道路場景中使用IRS并優化其反射元件，可以提高系統的頻譜效率。

4 結束語

本文研究了存在通信鏈路阻塞的城市車聯網道路場景中IRS輔助車聯網資源分配的問題。在系統模型中引入IRS并結合CR技術，同時保證車輛用戶QoS條件，通過聯合優化功率分配、IRS反射系數和頻譜資源分配，實現系統和速率的最大化。對于這個混合整數非凸問題，本文采用兩階段交替優化算法，并將該算法與其他兩種算法進行比較。仿真結果表明，在有限資源的車聯網中，本文提出的IRS-D2D混合通信的資源分配策略能夠提升車聯網的頻譜效率。適當增加IRS反射元件數和車輛數可以提升車聯網的系統和速率，車速的變化會影響系統的和速率，與沒有IRS的情況相比，系統的頻譜效率得到了提高。IRS輔助的車聯網通信為未來進一步研究車聯網提供了參考。

參考文獻：

［1］易林森，賀玉成，張煜，等.部分CSI下C-V2X資源分配算法研究［J］.計算機應用研究，2023，40（1）：234-238，243.（Yi Linsen，He Yucheng，Zhang Yu，et al.Research on C-V2X resource allocation algorithm under partial CSI［J］.Application Research of Compu-ters，2023，40（1）：234-238，243.）

［2］馬忠貴，李卓，梁彥鵬.自動駕駛車聯網中感通算融合研究綜述展望［J］.工程科學學報，2023，45（1）：137-149.（Ma Zhonggui，Li Zhuo，Liang Yanpeng.Overview and prospect of communication-sensing-computing integration for autonomous driving in the Internet of Vehicles［J］.Chinese Journal of Engineering，2023，45（1）：137-149.）

［3］Naus K.Accuracy assessment of the positioning of a swarm of underwater vehicles in relation to four surface vehicles using the TDOA method［J］.Remote Sensing，2023，15（8）：1987.

［4］Chen Qiping，Xie Yinfei，Guo Shifeng，et al.Sensing system of environmental perception technologies for driverless vehicle：a review of state of the art and challenges［J］.Sensors and Actuators A：Phy-sical，2021，319：112566.

［5］Li Zipeng，Lin Xiang，Ge Xiaohu，et al.Latency and reliability of mmWave multi-hop V2V communications under relay selections［J］.IEEE Trans on Vehicular Technology，2020，69（9）：9807-9821.

［6］張茜，仇潤鶴.解碼轉發全雙工中繼網絡的能效譜效均衡［J］.計算機應用，2023，43（10）：3188-3194.（Zhang Qian，Qiu Runhe.Trade-off between energy efficiency and spectrum efficiency for decode-and-forward full-duplex relay network［J］.Journal of Computer Applications，2023，43（10）：3188-3194.）

［7］Wu Qingqing，Zhang Shuowen，Zheng Beixiong，et al.Intelligent reflecting surface-aided wireless communications：a tutorial［J］.IEEE Trans on Communications，2021，69（5）：3313-3351.

［8］Zhu Yishi，Mao Bomin，Kato N.Intelligent reflecting surface in 6G vehicular communications：a survey［J］.IEEE Open Journal of Vehi-cular Technology，2022，3：266-277.

［9］Yang Yifei，Zheng Beixiong，Zhang Shuowen，et al.Intelligent reflecting surface meets OFDM：protocol design and rate maximization［J］.IEEE Trans on Communications，2020，68（7）：4522-4535.

［10］Yang Yifei，Zhang Shuowen，Zhang Rui.IRS-enhanced OFDMA：joint resource allocation and passive beamforming optimization［J］.IEEE Wireless Communications Letters，2020，9（6）：760-764.

［11］Cao Huanqing，Li Zhendong，Chen Wen.Resource allocation for IRS-assisted wireless powered communication networks［J］.IEEE Wireless Communications Letters，2021，10（11）：2450-2454.

［12］Van Quyet P，Kha H H.Energy efficiency optimization for IRS-aided multiuser MIMO SWIPT cognitive radio systems with imperfect CSI［C］//Proc of International Symposium on Electrical and Electronics Engineering.Piscataway，NJ：IEEE Press，2023：85-90.

［13］Alghamdi S A.Cellular V2X with D2D communications for emergency message dissemination and QoS assured routing in 5G environment［J］.IEEE Access，2021，9：56049-56065.

［14］趙季紅，董志海，曲樺，等.車聯網D2D通信中最大化頻譜資源利用率分配算法［J］.計算機應用研究，2021，38（7）：2144-2148.（Zhao Jihong，Dong Zhihai，Qu Hua，et al.Allocation algorithm for maximizing spectrum resource utilization on D2D communication in Internet of Vehicles［J］.Application Research of Computers，2021，38（7）：2144-2148.）

［15］Chen Yuanbin，Wang Ying，Zhang Jiayi，et al.Resource allocation for intelligent reflecting surface aided vehicular communications［J］.IEEE Trans on Vehicular Technology，2020，69（10）：12321-12326.

［16］Wu Qingqing，Zhang Rui.Towards smart and reconfigurable environment：intelligent reflecting surface aided wireless network［J］.IEEE Communications Magazine，2019，58（1）：106-112.

［17］Al-Ghafri Y，Asif H M，Tarhuni N，et al.Advancing non-line-of-sight communication：a comprehensive review of state-of-the-art technologies and the role of energy harvesting［J］.Sensors，2024，24（14）：4671.

［18］肖瑤，劉會衡，程曉紅，等.基于灰狼優化和匈牙利算法的D2D資源分配策［J］.計算機應用研究，2022，39（5）：1529-1533.（Xiao Yao，Liu Huiheng，Cheng Xiaohong，et al.D2D resource allocation strategy based on gray wolf optimizer and Hungarian algorithm［J］.Application Research of Computers，2022，39（5）：1529-1533.）

［19］Ji Zelin，Qin Zhijin，Parini C G.Reconfigurable intelligent surface aided cellular networks with device-to-device users［J］.IEEE Trans on Communications，2022，70（3）：1808-1819.

［20］Zhang Chiya，Chen Wenyu，He Chunlong，et al.Throughput maximization for intelligent reflecting surface-aided device-to-device communications system［J］.Journal of Communications and Information Networks，2020，5（4）：403-410.

［21］Gu Xiaohui，Duan Wei，Zhang Guo’an，et al.Socially aware V2X networks with RIS：joint resource optimization［J］.IEEE Trans on Vehicular Technology，2022，71（6）：6732-6737.

［22］Mao Sun，Chu Xiaoli，Wu Qingqing，et al.Intelligent reflecting surface enhanced D2D cooperative computing［J］.IEEE Wireless Communications Letters，2021，10（7）：1419-1423.

［23］Jia Shuaiqi，Yuan Xiaojun，Liang Yingchang.Reconfigurable intelligent surfaces for energy efficiency in D2D communication network［J］.IEEE Wireless Communications Letters，2020，10（3）：683-687.

［24］陳發堂，張若凡.可重構智能反射面輔助的車聯網資源分配算法研究［J］.通信學報，2023，44（9）：70-78.（Chen Fatang，Zhang Ruofan.Research on IoV resource allocation algorithm assisted by reconfigurable intelligent surface［J］.Journal on Communications，2023，44（9）：70-78.）

［25］Tran L N，Hanif M F，Tolli A，et al.Fast converging algorithm for weighted sum rate maximization in multicell MISO downlink［J］.IEEE Signal Processing Letters，2012，19（12）：872-875.

［26］Li Xinzhou，Chen Guifen.D2D cooperative communication network resource allocation algorithm based on improved Monte Carlo tree search［J］.IEEE Access，2023，11：72689-72703.

［27］Xu Fangmin，Ye Zhijian，Cao Haiyan，et al.Sum-rate optimization for IRS-aided D2D communication underlaying cellular networks［J］.IEEE Access，2022，10：48499-48509.