范怡敏，羅云飛，沈克永

1.南昌理工學院 計算機信息工程學院，南昌 330044

2.華為技術有限公司，廣東 深圳 518129

1 引言

車載網絡作為當前智能交通系統(tǒng)的重要成員，通過車與其他單元間相互交流信息，為高效、舒適、安全駕駛提供了有力保障。面對復雜的駕駛環(huán)境，對道路安全等問題，對車輛自組織網絡中數(shù)據(jù)傳輸?shù)男室约皽蚀_性要求更加嚴格。特別是當發(fā)生車禍或嚴重堵車時，大量車載節(jié)點頻繁接入?yún)f(xié)議固定分配的信道時，嚴重增加了數(shù)據(jù)傳輸中分組丟失率和效率，這成為當前亟待解決的熱點問題之一[1-2]。

認知無線電（Cognitive Radio，CR）是解決無線電頻譜利用率不足問題的關鍵機制。CR可確保有效使用可用的無線電頻譜，而不要求新頻段的分配。其動態(tài)和智能的自動選擇傳輸參數(shù)和接入技術，可最大化信道利用率。目前已有和即將推出的車輛預計都將在車輛行駛過程中，提供車載內部命令傳輸和無線服務動態(tài)接入功能[3-4]。CR作為一個頻譜資源再利用的核心技術[5]，包括三個組件：（1）頻譜感知：要求次級用戶（Secondary User，SU）在作用距離內感知和檢測無線電頻譜環(huán)境，以檢測未被主用戶（Primary User，PU）占用的無線電頻段；（2）動態(tài)頻譜管理：要求CR網絡動態(tài)進行信道分配，以選擇通信的最佳可用頻段；（3）自適應通信：CR設備能夠配置自身的傳輸參數(shù)，以伺機充分利用不斷變化的頻譜空洞。

通常，一個具有CR能力的移動終端或車載節(jié)點，能夠感知通信環(huán)境，根據(jù)用戶的喜好和需求從操作環(huán)境中分析和學習信息，并對操作參數(shù)進行重新配置，以符合系統(tǒng)規(guī)則。雖然CR問題在協(xié)議棧的所有層中都有出現(xiàn)，但關鍵問題都局限于物理層和媒體訪問控制（Media Access Control，MAC）層，因為在無線信道上進行通信的控制和協(xié)調都發(fā)生在MAC層。文獻[6]是一種搶占式的MAC方法，目的是降低端到端的延遲。其主要利用MAC層的感知刺激建立頻譜機會圖，然后確定最佳的感知時間和傳輸時間，協(xié)調與其他用戶的頻譜接入。文獻[7]在車載網絡中，以干擾概率作為約束條件，利用感知時間的訪問策略和窮舉搜索，以完全跨層設計為目標，共同優(yōu)化頻譜感知參數(shù)和訪問參數(shù)。文獻[8]在異構信道可用的情況下，研究局部感知可用，對具有較高可用性的信道進行感知的統(tǒng)計感知策略可能會提高通信性能。然而，文獻[8]并沒有指出需要找到一個有效智能的機制，以感知和分配PU未占用的射頻信道，以有效部署有利于SU的CR網絡。

雖然認知無線電已被成功應用于車載網絡，且不用分配專用頻率。但建立有效感知和智能數(shù)據(jù)傳輸依然十分困難。本文主要通過一個集成的MAC協(xié)議（Integrated MAC，IMAC）解決頻譜感知和動態(tài)頻譜管理問題。IMAC包含基于模型預測控制（Model Predictive Control，MPC）部分，可對分配給PU信道的未來狀態(tài)進行預測。IMAC則使用該預測執(zhí)行頻譜感知和動態(tài)頻譜管理。

2 預測控制模型

MAC協(xié)議可以被映射到一個包括動態(tài)變化約束的多變量優(yōu)化問題。但需要SU進行數(shù)據(jù)傳輸最優(yōu)信道時必須具有先應性?；谀Ｐ皖A測控制（Model Predictive Control，MPC）系統(tǒng)[9]是解決該類問題的最好方法之一，因為MPC可以提前幾個時間間隔預測變量數(shù)值，防止相鄰時間間隔的變量預測值出現(xiàn)急劇的增加或下降，并可以處理隨時間變化的多約束多變量的優(yōu)化問題。MPC最初設計目的就是解決該過程，并以滾動優(yōu)化的方式解決一系列最優(yōu)控制問題[10]。其主要優(yōu)勢是以一種系統(tǒng)化的方式處理輸入和狀態(tài)約束問題。

通常，MPC預測模型包括以下2個問題：（1）需要對變量的值進行預測；（2）需要通過預測計算使變量有界?；贛PC系統(tǒng)的典型例子如圖1所示，其中模塊A決定約束變量的上下界；模塊B預測受模塊A支配約束；模塊D基于預測做出決策，并在系統(tǒng)上執(zhí)行該決策，由此可以測量約束變量的實際數(shù)值；模塊C對比模塊D和模塊E的輸出，并在出現(xiàn)誤差的情況下，將其反饋到模塊A和模塊B。因此，MPC系統(tǒng)是一個具有反饋功能的控制系統(tǒng)。

圖1 MPC框架

3 提出的框架設計

3.1 提出框架的主要特點

提出框架設計的主要特征如下：

（1）將CR車載網絡映射到一個閉環(huán)系統(tǒng)，其將信道分配問題轉化為一個可滿足性問題。

（2）使用MPC系統(tǒng)，先應性地決定數(shù)據(jù)傳輸信道的未來狀態(tài)，從而降低信道感知負擔。

（3）在車載網絡中選擇對移動SU數(shù)據(jù)傳輸最優(yōu)的可用信道，降低了車載SU節(jié)點的負擔，在分布式CR網絡和集中式CR網絡中都可以進行操作。

3.2 框架使用過程

已知一個主用戶信道列表和M個傳輸狀態(tài)，通過IMAC預測未來K個時隙的PU信道傳輸狀態(tài)。所有無線傳輸?shù)臅r間線均被劃分為相等大小的信標間隔或時隙[11]。本文首先描述如何使用該框架，預測PU在下一個即將到來時隙的信道狀態(tài)，其后描述如何以相同的方式預測未來K個時隙(K＞1)的PU信道狀態(tài)。本文這里假定沒有通用性損失，每個PU均與一個專屬的信道相關聯(lián)。任意一個PU信道的繁忙狀態(tài)或空閑狀態(tài)分別取決于相關聯(lián)的PU是否正在進行數(shù)據(jù)傳輸。

設N個與PU相關聯(lián)的信道表示為{X1, X2,…,XN}。設表示信道Xi在時隙 j的狀態(tài)。在時隙t已知的情況下，與Xi相關聯(lián)的歷史多項式Dpi為：

本文這里使用的MPC框架如圖2所示。對于所有的預測變量zi，其約束變量或目標值(NGi)的期望值極限由模塊A設置。對于每個變量zi，模塊B使用期望目標值(NGi)通過控制計算預測zi在MPC框架中的概率，使用數(shù)學模型(Dpi)通過以往歷史數(shù)值預測zi在現(xiàn)實系統(tǒng)中的概率；模塊D是現(xiàn)實系統(tǒng)，可基于預測做出決策，并執(zhí)行操作。且將操作的結果反饋給模塊B；模塊B基于模塊C輸出的變量zi的預測值和現(xiàn)實過程中輸出的zi的實際數(shù)值，計算變量zi在預測中的誤差。該反饋可提高預測質量。本文將CR網絡的信道分配問題映射到MPC框架上。下面將描述圖2中的MPC框架的各模塊。

圖2 本文算法框圖

值得一提，本文提出的框架在分布式CR網絡和集中式CR網絡中都可以進行操作。在分布式CR網絡中，由基站執(zhí)行圖2中的模塊A、D和C，并生成以后K個時隙的信道狀態(tài)預測。此外基站在K個時隙中對信道進行感知以發(fā)現(xiàn)其狀態(tài)，并使用該狀態(tài)作為對模塊B和A的反饋。在集中式CR網絡中，由每個SU每次在K個時隙中執(zhí)行圖2中的模塊A、B和C。在執(zhí)行先應式數(shù)據(jù)傳輸算法前，所有的次級用戶都要進行如下操作。首先所有的SU相互交換預測值；然后每個SU計算信道Xi，以及信道狀態(tài)為空閑的SU數(shù)量Ji，1≤i≤N 。

3.3 模塊描述

3.3.1 設定點計算

設NGi的值為1(NGi=1)，反之則設TGi的值為0。0.6 M的值基于如下條件：當一個信道在近期超過60%的時間為繁忙狀態(tài)，則設定該信道的狀態(tài)為繁忙。式（3）很好地體現(xiàn)了這一點。

3.3.2 誤差校正和目標計算

模塊B基于從模塊A、模塊C和模塊D得到的反饋，計算未來M個時隙的每個信道Xi的NGi值。模塊A基于以往的時隙，向模塊B提供每個信道Xi的NGi值。模塊D給出每個信道Xi在過去時隙的實際狀態(tài)。模塊C給出Xi在過去的M個時隙的預測狀態(tài)。對于每個信道Xi，若模塊B和模塊D給出的數(shù)值相同，即對上次狀態(tài)的預測是正確的，那么更新后的NGi值與模塊A給出的NGi值相同。若對上次狀態(tài)的預測是錯誤的，那么更新后的T Gi值對模塊A給出的NGi值進行補充。模塊E將該所有信道Xi更新后的NGi值反饋送到模塊C。

3.3.3 控制計算和預測

模塊C是IMAC的核心模塊，預測未來M個時隙的信道狀態(tài)。模塊C存儲式（1）中描述的多項式(Dp1,Dp2,…, D pN)的集合。多項式中的值(t-M≤j≤t-1)為信道Xi（真實數(shù)值）在時隙[t-M,…,t-1]的實際狀態(tài)。模塊D將這些數(shù)值提供給模塊B。NGi為模塊B到模塊C的第二個輸入。模塊C輸出每個信道Xi在即將到來的時隙中處于狀態(tài)TGi的概率。這一點由MPC控制計算實現(xiàn)，Dpi被作為系統(tǒng)模型使用，而NGi則用作設定點的目標。因此，本文將MPC框架當做黑盒使用，以計算信道狀態(tài)概率。

在上述預測中，為每個有數(shù)據(jù)傳輸?shù)腟U選擇最優(yōu)信道，以確保連接穩(wěn)定性和滿足高速動態(tài)性。作如下操作：

首先，采集預測信道狀態(tài)。

然后，在列表中排列信道，使當前時隙的所有空閑信道排列在繁忙信道的前面；在不止一個信道為空閑狀態(tài)的情況下，且距離SU最遠的信道給予優(yōu)先排序。如果在這種情況下仍然出現(xiàn)了兩個或兩個以上的信道具有相同優(yōu)先級，則隨機選擇一個信道給予優(yōu)先級。該處理方法的理論基礎為：主用戶距離一個信道的距離越遠，則其可能產生的干擾越小。

3.3.4 實際過程

模塊D包括先應式數(shù)據(jù)接收算法[12]，輸出信道數(shù)據(jù)傳輸?shù)恼鎸崰顟B(tài)，并在當前時隙將其作為反饋輸入到模塊A和模塊B中。

上述步驟描述了使用MPC框架預測下一個即將到來的時隙的N個信道狀態(tài)的方法。該方法也可以擴展到預測當前的后K個時隙的信道狀態(tài)，因為MPC控制計算能夠預測大量時隙的預測變量值。該計算作為一個迭代過程執(zhí)行如下。

圖2中，模塊C首先預測在時隙t的N個信道的狀態(tài)，并使用同樣的方法計算在時隙t+1的信道狀態(tài)預測概率。然后，在使用該概率不改變目標值，同時假定對輸出的預測是正確的情況下，預測在時隙t+1的N個信道狀態(tài)。將該過程重復K次，以得出在接下來連續(xù)K個時隙中N個信道的預測值。

另外，數(shù)據(jù)傳輸?shù)某掷m(xù)時間劃分為相同大小的信標間隔。而且每個信標間隔被進一步分為感知、溝通和數(shù)據(jù)傳輸階段（具體如圖3）。由于每個SU節(jié)點都是二分之一的雙工收發(fā)機，使用一個專用的全局公共控制信道（Common Control Channel，CCC）[13-14]以在發(fā)射機和接收機之間交換控制消息。因此，本文假定SU通過周期性信標間隔來同步。即：無論哪個SU節(jié)點在何時加入網絡，首先必須要收聽CCC上的信標間隔，并將自身與網絡的其他部分同步。此外，上文所提“時隙”也就是相同的信標間隔。

圖3 信標間隔的時間

4 實驗結果與分析

為了體現(xiàn)所提車載網絡的優(yōu)異性，在一個標準的車載CR模擬環(huán)境中進行實驗。將文獻[6]和文獻[7]技術視為對照組，文獻[6]是一種搶占式的MAC方法，文獻[7]是一種反應式信道分配方法。

二是市場自主力量相對薄弱。市場主體數(shù)量和民營經濟水平對市場力量影響至關重要。2017年大連全市私營企業(yè)總數(shù)約20.5萬戶，個體工商戶總量達到42.6萬戶 [5]。相比較，深圳私營企業(yè)總數(shù)超過180萬戶，個體工商戶也超過了130萬戶 [6]，而且深圳高科技企業(yè)80%以上是民營企業(yè) [7]，因此深圳的市場力量才能強大，市場機制才能健全。大連還需要多增加民營企業(yè)數(shù)量，多培育高科技高成長性民營龍頭企業(yè)。此外，大連企業(yè)市場化自主決策能力不強。央企、國企的公司管理現(xiàn)代化水平不高，過度依賴領導者喜好來配置人事、生產和銷售資源。民營企業(yè)也缺乏真正獨立性，存在一定的政商依附關系。

4.1 實驗設置

在包括10個PU和10個PU信道的模擬網絡中對三個算法都進行實驗，并對固定網絡結構和可變網絡結構都進行模擬。MPC的預測范圍K設為3，M設置為8，最優(yōu)感知時間為14.2 ms，一幀的持續(xù)時間為100 ms。假定存在一個全局公共控制信道，以供SU交換控制封包和狀態(tài)消息。SU節(jié)點假定只通過PU信道，且不通過非授權信道傳輸數(shù)據(jù)。其目的是為了強調SU可以使用PU信道的限制。

4.2 評價指標

定量評價標準[15]有：信道利用率（Channel Utilization，CU）、退避率（Backoff Rate，BR）、感知延遲（Perceptual Delay，PD）。

CU表示一個信道被用于有效數(shù)據(jù)傳輸?shù)臅r間百分比，其定義如下：

其中，tsimu表示模擬的持續(xù)時間，tbusy表示在數(shù)據(jù)傳輸中信道為繁忙狀態(tài)的總時間。信道利用率衡量了一個MAC協(xié)議在每個無差錯信道上保持相等負荷的能力。

BR衡量MAC協(xié)議作出正確預測的能力，定義如下：其中，Nretr表示在數(shù)據(jù)傳輸階段SU發(fā)生退避的總次數(shù)，SUbusy表示SU在傳輸數(shù)據(jù)時的總持續(xù)時間。

PD是SU成功傳輸給定數(shù)據(jù)包之前所感知的平均信道數(shù)量，定義如下：

其中，Nfail表示成功傳輸數(shù)據(jù)前在信道感知階段所感知到的信道總數(shù)量，SUpacket表示SU已傳輸數(shù)據(jù)包的總數(shù)量。

4.3 固定網絡結構實驗

本文方法、文獻[6]、文獻[7]在高、中和低三種信道活動中得到的信道利用率如表1與表2所示。通過觀察得知信道利用率最佳的是本文方法。其原因主要是本文方法能夠預測未來信道的正確狀態(tài)。文獻[7]信道利用率要優(yōu)于文獻[6]，是因為文獻[7]方法基于過去狀態(tài)對信道進行分配，而文獻[6]方法在占有信道一個時隙后，才開始進行數(shù)據(jù)傳輸，且信道選擇也是隨機的。

表1 集中式結構信道利用率對比%

表2 分布式結構信道利用率對比%

退避率表現(xiàn)了一個主用戶信道的可再用性。本文方法、文獻[6]和文獻[7]在高、中和底的通信量環(huán)境下得到的退避率如表3和表4所示。文獻[6]在忙碌的通信量配置文件中具有與本文方法相當?shù)耐吮苈?，主要歸功于在數(shù)據(jù)傳輸開始之前暫停一個時隙的原則。因此在第一個時隙中可能出現(xiàn)的退避被避免了。此外，PU信道活動在繁忙通信量配置文件中最高。與A和B相比，本文協(xié)議在退避率上分別得到了一定的改善。

表3 集中式結構退避率對比 %

表4 分布式結構退避率對比 %

感知延遲方面的對比如表5和表6所示。可以看出，與文獻[6]和文獻[7]相比，本文方法降低了感知延遲。

表5 集中式結構感知延遲對比ms

表6 分布式結構感知延遲對比ms

4.4 可變網絡結構實驗

在可變網絡結構中，車載SU的數(shù)量從10到60逐漸增加，同時在每個間隔處記錄性能指標。與在固定網絡結構中的情況相似，次級用戶假定為生成指數(shù)級別的隨機通信量。車載次級用戶以每小時10～60 km不等的速度，在一個直徑為10 km的范圍內移動。

不同方法在可變SU的分布式網絡結構性能比較如圖4所示?？梢钥闯觯诺览寐屎屯吮苈孰SSU數(shù)量的增加而提高。

圖4 不同方法在可變次級用戶的分布式網絡結構性能比較

圖4 （a）中，本文方法對不同數(shù)量的車載SU的曲線比較平坦。這說明本文方法的一致性，通過反饋和學習識別出競爭較少的PU信道，具有較好的穩(wěn)定性。由于設計中的自適應性，本文方法能夠在可變的SU中表現(xiàn)良好。

圖4（b）中，在SU數(shù)量較少的情況下，文獻[6]在平均退避時間的表現(xiàn)上稍優(yōu)于本文方法。主要原因是其傳輸方式比較保守，只在信道空閑的情況下傳輸數(shù)據(jù)，且實際的數(shù)據(jù)傳輸會滯后一個時隙。因此，在當前的時隙該信道實際上是閑置的。所以，文獻[6]完成任務的等待時間較長，從而避免了在該時隙發(fā)生退避的可能性。這種行為方式只有在SU數(shù)量較少的情況下才會有收益。但是，隨著SU數(shù)量的增長，該行為會導致信道利用率下降。

另一個可擴展性研究是通過保持SU數(shù)量不變，提高PU信道的數(shù)量。PU信道的數(shù)量從10到60逐漸遞增，并在每個間隔記錄下性能指標。如圖5（a）所示，本文方法的表現(xiàn)優(yōu)于其他兩個方法。但是，信道利用率隨著PU信道數(shù)量的增加而降低。從圖5（b）中可以看出，退避率也隨著信道數(shù)量的增加而降低。其原因是隨著PU信道數(shù)量的增長，對SU提供服務的PU信道數(shù)量增多。

圖5 不同方法在多信道的分布式網絡結構中的性能比較

5 結論

本文提出的IMAC方法不僅通過對環(huán)境的有效學習提高了信道利用率，而且有助于系統(tǒng)在連續(xù)多個時隙的一個周期中做出更好的決策。這不僅降低了觀察-判斷-決策-行動的循環(huán)時間，而且優(yōu)化了CR網絡的整體性能。實驗證明了提出方法的有效性。通過使用從MPC框架中得到的結果，降低SU節(jié)點需要感知的信道數(shù)量。以一個系統(tǒng)化的方式對SU節(jié)點進行信道分配以增加信道利用率。