本发明属于移动通信领域,涉及一种基于能效的noma蜂窝车联网动态资源调度方法。
背景技术:
近年来,智能交通系统(its)不断受到广泛关注,蜂窝车联网通信(c-v2x),作为一种车联网主流技术,利用现有蜂窝通信技术,实现车与基础设施通信(c-v2i)以及车与车直接通信(c-v2v),不仅提高交通效率,更有潜力满足未来自动驾驶等超高可靠低时延需求。
在密集城区海量车辆的通信,频谱资源非常短缺,一方面,充分利用有限的频谱资源,设计有效的资源优化算法可以提高系统的吞吐量、满足不同用户qos等需求。另一方面,通过引入noma技术,更多的蜂窝用户可以同时接入到网络,对于密集场景有明显的性能优势,更适合未来城区的系统部署,可以提升频谱效率和系统吞吐量。
为了满足车辆高速移动下通信的高可靠和低时延需求,3gpp(3rdgenerationpartnershipproject)在d2d通信基础上提出面向车辆通信的增强v2v通信技术,不仅缓解了基站负载过重现状,也减小了传输时延。同时在实际中,数据到达量是随机和未知的,当数据到达量超过网络允许接入数据量时,需要控制可接入数据量以避免网络拥塞。
在对现有技术的研究过程中发现其存在如下缺点:
首先,前期研究主要在ofdma系统下考虑v2v通信的资源分配问题,限制了允许接入网络的蜂窝用户数。在支持v2v通信的noma蜂窝网络场景下,大量工作集中在最大化频谱效率和吞吐量,未考虑在保证v2v用户时延及可靠性的同时最大化系统能量效率的资源分配问题。并且,在实际中,数据到达量超过网络容量的门限值容易造成网络拥塞,而大多数研究未将拥塞控制结合到资源优化模型中。最后,现有文献在支持v2v通信的noma场景下,大多考虑建立静态的优化模型,不能根据网络负载状态实时动态地进行资源调度。
因此,本发明在支持v2v通信的noma蜂窝网络场景下,充分考虑v2v用户的时延及可靠性、noma用户的速率需求、队列稳定、接入数据量控制及用户功率控制等限制条件,针对v2v用户与noma用户的共道干扰及noma准则内的功率分配问题,构建以最大化系统能效为目标的优化问题,最后提出一种联合子信道调度、功率控制和拥塞控制的动态资源分配算法。
技术实现要素:
有鉴于此,本发明的目的在于提供一种基于能效的noma蜂窝车联网动态资源调度方法,在保证系统稳定性前提下最大化系统能效。
为达到上述目的,本发明提供如下技术方案:
一种基于能效的noma蜂窝车联网动态资源调度方法,其特征在于,该方法为:在支持v2v通信的noma蜂窝网络场景下,根据v2v用户的可靠性、v2v用户时延、noma用户速率需求及用户的功率限制为约束条件,以最大化系统能效的长时平均能效为优化目标,并针对v2v用户与蜂窝用户之间的干扰以及noma准则下的功率分配问题,建立联合noma用户的子信道分配、v2v用户的频谱分配和拥塞控制需求的随机优化模型,为noma用户和v2v用户制定功率分配和子信道调度策略。
进一步,满足所述v2v用户的可靠性需求为:v2v用户在共享noma用户子信道引起的干扰将降低v2v用户的通信质量,通过采用误比特率(biterrorrate,ber)约束保证v2v用户的通信质量,减轻由干扰等引起的信号中断和丢包;
满足所述v2v用户时延需求为:v2v通信承载时延敏感业务,通常传输车辆行驶和道路交通相关的安全信息,时延需求约束用以避免用户传输过程由于干扰等因素引起不必要的丢包或发送延迟;
满足所述noma用户的速率需求为:为了控制v2v在用户共享频谱时造成的干扰对noma用户的通信链路质量的影响;
noma用户及v2v用户的功率需求为:共享同一子信道的noma用户的功率和不超过其阈值,与noma用户共享同一子信道的v2v用户功率和也不超过其阈值。
进一步,所述noma用户的子信道分配需求为:蜂窝用户使用noma技术共享子信道时,为保证通信质量,不得超过最大复用次数m;
所述v2v用户的频谱分配需求为:尽管多个用户复用同一蜂窝用户频谱可以提高频谱效率,但v2v用户共享频谱时会对noma用户造成干扰,通常假设v2v用户至多共享一个noma用户子信道;
所述拥塞控制需求为:当数据包到达量超过网络允许接入数据量时,通过控制接入网络的数据量并提高数据传输速率以避免网络拥塞保证队列稳定。
进一步,所述noma蜂窝网络中的noma用户在每个时隙上的缓存队列更新过程为:
qi(t+1)=max{qi(t)-ri(t),0}+γi(t)
其中,qi(t+1)表示第i个noma用户在下一个时隙开始时的队列长度;qi(t)表示第i个noma用户在当前时隙开始时的队列长度;γi(t)表示第i个noma用户在当前时隙上允许接入的数据量;ri(t)表示第i个蜂窝用户在当前时隙上离开的数据包个数。
进一步,每个noma用户的队列稳定性为:
其中,
进一步,lyapunov函数表征了系统的队列拥塞程度,函数值越大,队列越长,用户传输数据需要等待的时间也越长。本文中t时隙系统的队列向量表示为q(t)=[qi(t),qk(t),hi(t)],优化问题可以看作最大化速率和最小化功率的时间平均,因此可以用李雅普诺夫偏移与加权代价函数之和的上界来进行控制策略的选择,从而获得最优的功率分配,达到了在保证队列稳定的同时,最大化网络时间平均下的用户速率的目的。定义lyapunov函数为:
其中,qi(t)为当前时刻的noma用户业务队列,hi(t)为当前时刻noma用户的虚拟队列,qk(t)为当前时刻的v2v用户虚拟队列。
进一步,所述优化目标将分为三步分别得到拥塞控制、子信道调度和功率分配优化解,由于拥塞控制问题为线性问题,可以直接求解得到,接着设计一种次优化子信道匹配算法得到子信道调度方案,具体的子信道匹配算法步骤为:在每个调度时隙上,为每个noma用户和v2v用户动态分配子信道,以满足各约束条件,具体步骤为:
在每个调度时隙,通过信道模型估计出所有noma用户及v2v用户当前时隙的无线信道状态信息,所述用户的信道模型中,蜂窝用户采用瑞利信道快衰落模型,考虑v2v用户的快速移动性,3d几何空间信道模型更能准确模拟实际的信道模型,采用winnerii城区信道模型。并观察各用户的队列缓存信息和虚拟队列状态信息;
根据用户的信道偏好矩阵将用户与子信道匹配,以便最大化系统能效,由于在同一个子信道上可复用的最大用户数小于m,因此用穷举搜索法求得全局最优解,但其复杂度相对用户数呈指数增加,因此提出一种降低复杂度的次优用户调度方案。首先初始化用户功率,假设每个用户分配相同的平均功率
最后剩余功率优化问题,由于该问题为非凸优化问题难以直接求解,本发明中利用连续凸逼近理论对优化问题进行转化,并借助拉格朗日分解方案得到功率分配策略,具体功率分配方案求解步骤为:
初始化近似向量值,初始化拉格朗日乘子,初始所述noma用户的队列长度和v2v用户的虚拟队列长度根据初始化的用户资源量,根据连续凸逼近算法进行多次迭代直到满足收敛条件为止,得到功率的优化解以及优化后的近似向量值,原非凸优化问题转化为凸优化问题;将得到的功率作为算法3的初始化功率,多次迭代更新拉格朗日乘子以及连续凸优化转化后的功率策略。经过数次迭代,判断是否满足收敛条件,若前后两次迭代的所述松弛后的目标函数值之差的绝对值小于等于给定的最大允许误差,或已达到最大迭代次数,则终止迭代过程并取最后一次迭代所得的功率分配结果作为当前时隙的最优功率分配策略,如果连续凸逼近算法和功率分配算法均满足收敛条件,则将所述功率分配策略分配给所有用户;按照资源分配策略,所有用户按照缓存队列及虚拟队列更新公式更新队列长度,等待下一个调度时隙。
本发明的有益效果在于:
本发明在支持v2v通信的noma蜂窝网络场景下,针对v2v用户与蜂窝用户之间的干扰以及noma准则下的功率分配问题,建立联合子信道调度、功率分配和拥塞控制的随机优化模型,在保证v2v用户时延、可靠性以及蜂窝用户速率需求的同时最大化系统能效。利用李雅普诺夫随机优化方法,根据当前网络的负载状态进行动态资源调度,将随机优化模型转化并分解为单时隙求解的三个子问题,通过控制可接入数据量保证队列稳定性以避免网络拥塞,进一步设计一种次优化用户与子信道匹配算法得到子信道调度方案。最后,利用连续凸逼近理论将功率分配子问题转化为凸优化问题,并采用拉格朗日对偶方法得到功率分配策略。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为密集城区蜂窝车联网下的车辆通信场景图;
图2为次优化子信道调度算法流程图;
图3为基于连续凸逼近和拉格朗日对偶分解的迭代功率分配算法流程图;
图4为基于能效的noma联合资源调度全局算法流程图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
参见图1所示,图1为本发明采用的密集城区蜂窝车联网下的车辆通信场景图。在本发明实例中,考虑包括v2i下行和v2v侧行两种通信方式的传输场景。下行v2i通信中,通过引入noma技术增加接入网络的设备数,v2v侧行直接通信则减轻了基站的负担,且具有较低的端到端传输时延。城区道路呈曼哈顿网格状,车辆分布服从一维泊松点分布模型
参见图2所示,次优化子信道调度算法流程图,目标是通过该子信道匹配算法得到用户的信道调度策略。步骤如下:
步骤201:初始化用户功率,观察用户业务队列状态及虚拟队列状态。
步骤202:分别构造noma用户和v2v用户的信道增益矩阵ηi和ηk。
步骤203:从信道矩阵ηi中搜索最大信道增益并进行相应的信道调度。
步骤204:判断是否满足循环终止条件,即
步骤205:进一步分别从信道矩阵ηi和ηk中搜索最大信道增益并比较得到最大者,进行相应的信道调度。
步骤206:根据公式计算得到用户的调度解并更新用户调度集
步骤207:判断是否满足循环终止条件,即
参见图3所示,图3为基于连续凸逼近和拉格朗日对偶分解的迭代功率分配算法流程图,步骤如下:
步骤301:初始化迭代次数n1和最大允许误差δ1,初始化可行点,即noma用户和v2v用户功率,初始化迭代次数索引。
步骤302:将初始化的功率代入计算式得到近似向量。
步骤303:判断是否满足循环收敛条件,若不满足,则终止算法,输出引入凸优化理论后的最优功率解。若满足则继续步骤304。
步骤304:将更新的功率分别代入计算式求得更新后近似向量。
步骤305:判断是否满足循环收敛条件,若不满足,则终止算法,输出引入凸优化理论后的最优功率解。若满足则继续步骤304。
步骤306:将更新近似向量代入优化问题进行求解,更新当前最优功率解,并逐次增加迭代次数。
步骤307:初始化近似值向量、拉格朗日乘子ν0,λ0,u0,η0、最大迭代次数n2、收敛条件以及迭代索引等。
步骤308:在当前时隙,观察该时隙的用户的业务队列状态、虚拟队列以及估计该时隙的信道状态信息。
步骤309:判断是否满足循环收敛条件,若不满足,终止循环条件,输出功率分配方案。
步骤310:若满足,通过kkt条件将前一次迭代功率和拉格朗日乘子代入求导公式,求得本次迭代的功率分配最优策略。
步骤311:根据次梯度算法更新拉格朗日乘子νm,λm,um,ηm和迭代次数。
步骤312:判断是否满足循环收敛条件。若不满足,终止循环条件,输出优化后的功率分配方案。
参见图4所示,为基于能效的noma联合资源调度全局算法流程图,步骤如下:
步骤401:初始化控制参数v、noma用户队列长度及虚拟队列长度,设置时隙长度。
步骤402:判断当前时隙是否在设置时隙范围内,若在时隙范围内,则执行步骤403;否则算法结束。
步骤403:观察该时隙的noma队列状态、虚拟队列长度并估计出该时隙的信道状态信息,通过计算得到拥塞控制的线性解。
步骤404:执行次优化子信道分配算法得到noma用户和v2v用户的信道调度策略。
步骤405:执行基于连续凸逼近和拉格朗日对偶分解的迭代功率分配算法得到优化的功率分配方案。
步骤406:根据队列更新公式更新下一时隙noma用户队列状态及虚拟队列长度。
步骤407:转至下一个时隙继续以上步骤。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。