基于網絡切片技術的智聯車網信道資源分配研究

1.智聯車網絡切片技術的應用

1.1網絡切片技術

網絡切片是一種新型的網絡虛擬化技術[2-3]，通過在共享的物理基礎設施上虛擬出多個隔離且獨立的邏輯網絡切片，每個切片可獨立配置資源和服務質量參數，為不同業(yè)務場景或行業(yè)用戶提供專屬的虛擬網絡服務，讓運營商實現在統(tǒng)一的基礎設施上分離出多個虛擬的端到端網絡4]。每個切片可根據需求自定義網絡拓撲、安全等級和可靠性指標，實現從“一張網絡”到“按需定制”的跨越。

1.3智聯車網架構

基于上述不同切片對應的業(yè)務需求，本研究設計了一種改進的智聯車網組網架構，如圖2所示，重點優(yōu)化網絡接人和資源管理機制，以實現不同優(yōu)先級業(yè)務的高效傳輸，提高用戶的體驗感。

2.5G網絡切片技術支持下的信道資源分配策略研究

引言

近年來，電動汽車數量急劇增加，人們對生活品質的要求也在逐步提高，在安全行車之余，駕駛員還需要享受娛樂生活，緩解駕駛疲勞，而智聯車網是滿足駕駛體驗的關鍵之一。

隨著5G和云計算的快速發(fā)展，多樣化業(yè)務場景對網絡性能提出了差異化需求，移動通信、智能家居等物聯網應用需要支持海量連接和小數據包高頻傳輸，網絡直播、遠程醫(yī)療等業(yè)務依賴高帶寬保障，而智聯車網、工業(yè)控制等場景則要求毫秒級時延和超高可靠性[1]。為滿足這些多元需求，5G網絡通過創(chuàng)新的網絡切片技術，為不同行業(yè)提供定制化的網絡服務能力。本文充分結合5G網絡切片技術，根據智聯車網中的多業(yè)務需求進行分片處理，以滿足智聯車網信道資源的合理分配。

1.2基于網絡切片的業(yè)務分類

自動駕駛技術的普及和智聯車網應用場景的拓展，使5G時代的智聯車業(yè)務需求呈現明顯的分級特征5：關系到行車安全的安全類業(yè)務，優(yōu)先級最高，設置為切片1；與交通效率類相關的業(yè)務優(yōu)先級第二，設置為切片2；與生活娛樂體驗相關的服務類業(yè)務優(yōu)先級最低，設置為切片3，如圖1所示。

珍 安全類業(yè)務 優(yōu)先級最高切片 交通效率類業(yè)務優(yōu)先級中等S 生活娛樂類業(yè)務 優(yōu)先級最低

針對不同級別的業(yè)務，在進行信道接入時，優(yōu)先滿足高級別信道資源的需求，在有剩余資源前提下，再滿足其他類型的信道資源需求。

以高速率及用戶體驗感為目標，開展信道資源的分配策略分析，從5G智聯車網架構可知，在控制層有若干個宏基站MBS，處理層有N個小基站SBS。根據業(yè)務需求，研究以3個切片，即以 m∈ {1，2，3分別表示三類不同優(yōu)先等級的業(yè)務，現假定網絡可容最大用戶量為I，系統(tǒng)帶寬可分成I個SRB（資源塊），每個SRB帶寬為B，每個SBS最大發(fā)射功率為 。

根據前面設定的車輛分布信息，預測每個小基站服務范圍內的車輛數量，再依據預測結果進行自適應的資源分配，以提高整體的資源滿意度[6-7]。整個資源動態(tài)分配策略將分兩步完成，接下來對具體的策略進行分析。

2.1從用戶體驗感出發(fā)的切片間資源初始分配策略

因智聯車網的特殊性質，通信中每條鏈路的連接時間比較短，在鏈路連接時，為了解決一些突發(fā)事件，在資源分配過程中將會根據需求優(yōu)先級處理，首先解決優(yōu)先級最高的安全類需求，即切片1的資源需求量，這部分資源需要提前預留，稱之為靜態(tài)資源。資源分配時，需要提前分析各SBS總資源需求量，資源需求量將隨著車輛用戶數的增加而線性增加，然后根據資源需求量完成各切片的資源分配]。各切片資源分配好后，再在各切片內部完成資源二次分配，這里將SRB作為分配基礎。區(qū)域內的SRB需求量將根據用戶數的上升而提高，但不會無限量的提高，提高頻率會變緩，因此將資源需求函數設為冪函數。假設資源需求量為 ：R_req ，區(qū)域內車輛數量為x，則需求量可表示為：

R_req=bx^a（0

通過調整b和a的值可以使得在相同用戶數的情況下，不同切片對資源需求量不同，從而滿足不同切片的優(yōu)先級，這里用 User 表示小基站n服務區(qū)域內切片m 中用戶車輛數目。

設資源總量為 ?R_m ，則靜態(tài)資源數表示為 R_s ，動態(tài)資源表示為 R_d ，則：

R_s=eR_a

R_d=（1-e）R_m

式中， e 是靜態(tài)資源比例調節(jié)因子，表示分配給切片1中的靜態(tài)資源比例，其取值范圍為[0，1]。

研究中根據切片資源需求可將用戶滿意度可表示為：

其中， R_s 是獲取到的已分配資源數。

為確保切片1的高優(yōu)先級，其所分配的靜態(tài)資源是固定分配的，不參與動態(tài)分配，而切片2優(yōu)先級高于切片3，切片2的資源需求高于切片3，故資源的分配采用動態(tài)分配。在此前提下，為達到高用戶滿意度來完成資源分配，則有切片1～3分別分配的動態(tài)資源為：

2.2切片內資源再分配策略分析

前文已完成各切片的資源分配，但是切片內每個用戶所獲得的資源是不確定的，而且在切片內部，因用戶的級別相同，資源分配問題將以傳統(tǒng)的資源分配為基礎考慮。接下來進行切片內的資源分配，這里主要采用基于啟發(fā)式的迭代算法。

經過前面的切片間資源分配后，假設在一個分配周期內，切片 所分配到的資源總數為 K ，所分配到的功率總數為 P_tal ， p_nk^ai 為分配給基站 上資源塊k 對應的用戶（ χ_m，i） 的功率。假設 g_nk^mi 為信道增益，則切片 m 上的用戶i的速率估算為：

研究中使用

作為SRB分配標識矩陣，表示在基站 的切片 Φ_m 上，切片所分得的資源塊SRB k 是否分配給用戶i，則 時標識矩陣需滿足：

當 m=2 、3時，該標識矩陣需滿足：

則求最優(yōu)解的問題可以寫為

使用 p=[p_nk^ai]_K×I 作為功率分配矩陣，由于前面分配給切片的總功率是有限且非負的，所以功率分配矩陣滿足約束條件：

這里將通過啟發(fā)式迭代搜索算法將最優(yōu)解問題進行分解，即載波分配問題A*和功率分配問題 P^* ，先找出最優(yōu)的A^* ，然后根據 ?A^? 求解最優(yōu)P*。

3.仿真及結果分析

為驗證策略的有效性，研究中結合設定的參數要求，在Windows中安裝MATLAB仿真軟件以搭建仿真測試環(huán)境。以下將從切片間的資源初始分配、切片內的資源再分配對不同資源分配策略的性能進行比較分析。

3.1不同切片間的資源初始分配策略性能分析

為了適應智聯車網網絡拓撲快速變化、車輛速度及位置的變化等問題，前文提出了從用戶滿意度出發(fā)的資源分配策略，該策略根據車輛速度、位置等信息實時判斷每個切片的資源需求量，然后根據優(yōu)先級完成資源的動態(tài)分配。這里將研究所提動態(tài)資源分配策略與傳統(tǒng)的靜態(tài)平均分配策略[做了比較。

針對兩種不同的資源分配策略對用

戶滿意度的影響比較如圖3所示。按照智聯車網的服務需求，3個不同切片的優(yōu)先級不同，對于用戶滿意度會有一定的差異性，但是整體不同切片的滿意度應該相差不大。從圖3可以看出，動態(tài)資源分配策略針對不同優(yōu)先級的切片滿意度有一定的差異，切片1的用戶滿意度最高，其資源需求量也是最高的；切片2的滿意度其次，切片3的滿意度最低，但是整體不同切片的滿意度相差不大，這正符合實際應用中用戶對不同切片的滿意度趨勢；而靜態(tài)平均分配策略滿意度趨勢恰好相反，優(yōu)先級最高的切片1的滿意度最低，而優(yōu)先級最低的切片3滿意度最高，說明在資源的分配中，安全類需求相關的切片1所分配的資源完全不能滿足服務所需資源需求量，娛樂類相關的切片3會因為資源分配量過大而造成資源浪費，整體資源利用率低，不利于現有智聯車網的資源分配情況，可能增加交通事故的發(fā)生，從而降低行車安全。

圖3不同優(yōu)先權切片兩種策略滿意度比較

圖4切片內資源再分配不同算法比較

3.2切片內資源再分配策略性能分析

資源分配的第二步是切片內資源再分配，切片內資源再分配研究中采用的是基于啟發(fā)式的迭代算法，針對基于啟發(fā)式的迭代算法的性能分析將結合傳統(tǒng)的載波隨機分配算法和功率平均分配算法做比較。這里因涉及子載波的分配，所以性能分析將從系統(tǒng)總傳輸速率出發(fā)，比較結果如圖4所示。在切片資源已經分配好的前提下，從圖中可以看到，針對切片內資源再分配的策略，基于啟發(fā)式的迭代算法相比其他算法而言，系統(tǒng)的總傳輸速率更高。

結語

從5G大環(huán)境出發(fā)，結合現實需求，本文針對智能網聯汽車的通信需求特性，從不同業(yè)務需求展開分析，提出了一種基于5G網絡切片技術的動態(tài)資源分配方案，實現了不同優(yōu)先級業(yè)務的差異化服務保障。驗證表明，本資源分配策略在滿足5G網絡高速率要求的前提下，亦可提高用戶的滿意度體驗，為進一步提升智聯車網性能提供參考，當然，針對多場景下的復雜資源沖突問題還有待研究。 N

參考文獻：

[1]宋曉勤，張文靜，雷磊，等.多目標聯合優(yōu)化的車聯網動態(tài)資源分配算法[].東南大學學報（自然科學版），2025，55（1）：266-274.

[2]劉經綸.5G無線網絡切片承載電力業(yè)務研究[D].長沙：湖南大學，2023.

[3]雷鶴，趙杰衛(wèi)，楊嬛，等.基于5G網絡切片的車聯網資源分配優(yōu)化方法[].無線互聯科技，2023，20（19）：10-13.

[4]李悅，任春莉，章國安.車聯網中網絡切片資源分配方案[J].電訊技術，2023，63（1）：85-92.

[5]李曉輝，周媛媛，呂思婷，等.面向車聯網的動態(tài)網絡切片資源部署算法[].北京郵電大學學報，2024，47（4）：124-129.

[6]杜漸.基于定位分區(qū)及用戶滿意度的V2V通信資源分配算法研究[D].長春：吉林大學，2021.

[7]劉玉佩.面向車聯網的高效無線資源管理研究[D].北京：北京科技大學，2022.

[8]高志躍.基于NOMA的車聯網系統(tǒng)資源分配算法研究[D].蘭州：西北師范大學，2023.

[9]賀智敏，林育哲，程宇杰，等.基于無線感知輔助的車聯網下行無線資源分配方法[].電信科學，2022，38（9）：60-70.

[10]蔡玉，官錚，王增文，等.基于多智能體深度強化學習的車聯網區(qū)分業(yè)務資源分配算法[J].計算機工程與科學，2024，46（10）：1757-1764.

作者簡介：謝于晨，碩士研究生，副教授，高級工程師，xieyuchen_811@163.com，研究方向：通信系統(tǒng)、車聯網技術等。

基金項目：2021年度江西省教育廳科學技術研究項目——5G環(huán)境下車聯網信道資源自適應分配策略研究（編號：GJJ212014）。