软件定义车联 中缓存辅助的 NOMA 功率分配方案研究

由于对丰富多媒体服务的需求日益增长，车联 需要提供海量的设备连接以满足高频谱效率和低延迟的需求。软件定义 络(Software Defined Network，SDN)、缓存和非正交多址接入(Non-Orthogonal Multiple Access，NOMA) 被认为是有效解决这些关键挑战的潜在技术。

因此，针对软件定义车联 提出了一种缓存辅助的 NOMA 功率分配方案。首先，针对车联 中车辆总是处于高速运动状态的特点，提出了一种新的簇头选择算法，到达的道路交通将借助 SDN 进行预测，实现自适应车辆分簇。其次，引入了缓存辅助的 NOMA 方案，每个车辆在文件缓存阶段使用NOMA 原理缓存和请求文件。再次，针对双 Nakagami-m 衰落条件下的两个簇头车辆通信场景，提出了一种最优功率分配策略，将优化问题公式化为找到每辆车的最佳功率曲线，从而最大化的在每辆车上成功解码目标文件的概率。最后，数值仿真和理论分析表明，所提出的缓存辅助 NOMA 功率分配方案，性能明显优于传统的 NOMA 和缓存辅助的 OMA(Orthogonal Multiple Access)。

随着信息和计算机技术的爆炸式发展，5G 无线通信引入了新的技术和应用，如小蜂窝 络、可靠的车联 和毫米波通信，这包括了前所未有的超密集和异构 络环境。车联 在 5G 无线系统中起着举足轻重的作用，保证了车辆的可靠性和安全性。车联 的潜在应用是多样和普遍的，例如，可以通过道路和交通信息的快速传播以及在关键点(如高速公路入口和其他十字路口)协调车辆来改善交通。此外，可以实现许多令人感兴趣的并具有挑战性的新应用，例如高速互联 接入、合作下载、相邻车辆乘客之间的 络游戏以及不同车辆中同事之间的虚拟视频会议。

作为一种专用的短距离通信技术，用于车辆环境的无线接入。DSRC 由物理层标准 IEEE 802.11p 和 络层标准IEEE 1609 构成。尽管 DSRC 技术具有可靠性高、传输实时性强等特点，但由于 DSRC 的物理层技术主要基于 WiFi 技术，覆盖范围小，实际应用中需要针对路边设施进行大规模改造和投入。针对这一问题， 3GPP 最近发布了基于 LTE 作为底层技术的 V2X 规范。然而，在最近提出的车联 生态系统中，车辆被设想为从云中快速共享和访问大量数据，并被期望能够以高性能和边际开销处理它们。

此外，由于高移动性场景， 络拓扑可能快速改变，并且不同基站和车辆之间的切换变得更加频繁。这对在基于广域 和长期演进的车联 中有效实现低延迟的可靠通信提出了一些挑战。因此，5G移动通信 络将融合大规模天线阵列(Massive MIMO)、超密集组 、终端直通、SDN 等先进技术，以更加灵活的体系结构解决多样化应用场景中差异化性能指标带来的挑战。

随着车载应用和物联 的快速发展，开发处理车联 大数据的高效架构已成为未来智慧城市关注的重要问题。然而，当前车载 架构复杂且欠缺灵活，面临高移动性、间歇性连接、应用程序的异构性等挑战。在此背景下，SDN 可编程和灵活的 络架构，在有线 络管理和异构无线通信中受到学术界和工业界的广泛关注。在车联 中应用 SDN 可以提高灵活性、可靠性和可扩展性，增强车联 提供应用和服务的能力，提高用户服务质量。研究人员针对车载 动态变化的拓扑结构、通信链路间歇性连接和应用程序的异构性等特点，设计了深度可编程的集中式软件定义车载 架构。

然而，由于车载 络的车辆和基础设施节点在地理上分布稀疏和广泛，尤其当 络规模增加时，集中式的单个SDN 控制器管理动态变化的控制层请求将变得十分困难。研究人员设计了分布式软件定义车载 架构。其中，将车载自组织 络(Vehicular ad hoc Network, VANET)进行分区管理，并在每个区域内部署支持 SDN 的控制器，以有效管理高速公路场景中的大规模车辆流量，并利用软件定义车载 的控制中心平面将 络智能分发到各个小区，以提高 络的可伸缩性，降低 络控制开销。研究人员利用聚类算法设计了一种新的路由协议(称为HSDV)，选择簇头和簇首分别作为本地 SDN 控制器对中央 SDN 控制器进行分层访问，当中央 SDN 控制器无法访问或者无响应时，本地 SDN 控制器可以暂时控制本地 络，避免 络瘫痪。

与上述方案相关的一个主要挑战是，这些技术需要大量 的回程开销。最近已经表明，缓存技术已经可以减少回程流量，通过将流行的文件先验地存储在车辆上来实现。缓存的基本思想是在非高峰时间将热门内容存储在不同的地理位置。这种本地存储布置使得流行文件的复制传输成为可能，从而增加了车辆 络的频谱效率，并随后减少了等待时间。此外，在最近的文献中已经广泛研究了缓存对于蜂窝系统的优势和应用。与增加回程开销相比，在用户端安装 内存单元具有显著的成本效益。

在此基础上，对几种缓存技术的集成进行了大量研究，例如异构 络、端到端通信，以及车-边-云协同架构等技术。在这种情况下，相关文献已经 提出了用几个度量来表征缓存算法的性能，例如命中率、中断/覆盖概率、区域频谱效率和平均吞吐量。类似地，讨论了车辆自组织 络中的协作缓存，认为车辆自组织 络中的协作缓存依赖于三个主要组件，即发现、管理和一致性。发现组件中的主要任务是搜索 络中车辆请求 的文件的存在，使用例如广播技术来实现，如分割缓存和共享缓存。下一个任务是通过管理组件来执行的，该组件决定是否缓存所请求的文件以及在哪里缓存它，以实现更平滑的复制传输。最后，一致性组件驱动的任务是决定缓存的内容应该在 络中保留多长时间。

然而，将大量的车载通信链路引入到超密集和异构的 5G 车联 中是一个挑战。随着现有的 OMA 络中频谱资源的日益稀缺，近年来人们对车联 中的 NOMA 进行了研究，以提高频谱利用率。与 OMA 不同，NOMA 允许多个用户同时占用一个频率信道，这在频谱效率和蜂窝覆盖方面都显示出优势。因此，可以预见，NOMA 使能的 V2X 通信将是未来的一个趋势，因为它具有提高频谱效率和改善用户接入的潜在能力。值得注意的是，可以通过根据不同用户的信道条件将不同的功率水平分配给不同的用户来实现 NOMA。这种功率分配方案能够有效实现 SIC，这通常被认为是消除

多用户检测系统中的多用户干扰。在这种情况下，在具有最佳信道条件的用户处执行SIC，并且以信道的降序执行 SIC。此外，由于 NOMA 技术与其他技术的融合，如多输入多输出通信、毫米波通信和空间调制，车辆 络的性能得到了显著提高。NOMA 已经被证实是 5G 无线 络满足低延迟、高可靠性、大规模连接和高吞吐量等异构需求的一项重要支持技术。然而，NOMA 在车辆 络中的使用直到最近才受到关注，在车辆 络中，它被证明明显优于传统的基于正交多址的系统。

基于此，基于 NOMA 的 V2X 系统的频谱效率和资源分配已经进行了研究。讨论了用于基于 NOMA 的 V2X 通信系统中基于图论的编码器和使用置信传播算法的可靠解码器，以及相应的中断容量分析。在分析用于加权和速率最大化的小区关联和功率控制的联合优化的背景下，研究了构成车与基础设施(Vehicle to Infrastructure，V2I)的特殊情况的支持车辆到小型基地台的性能。NOMA 效应和空间调制技术被提出用于车与车(Vehicle to Vehicle，V2V)多输入多输出通信，并给出了可实现的吞吐量和相应的最优功率分配策略。

a) 提出的基于 SDN 自适应分簇方案中，到达的道路交通将借助 SDN 进行预测，实现自适应车辆分簇。针对车联 中车辆总是处于动态运动状态的特点，提出了一种新的簇头选择算法。

b) 为了解决支持 5G 的车载 络中的频谱效率要求，提出了高速缓存辅助的 NOMA 方案。根据每辆车成功解码文件的概率，分析描述了所提出的缓存辅助的 NOMA 系统在真实双 Nakagami-m 衰落条件下的性能。

d) 与传统的 NOMA 和缓存辅助的 OMA 相比，所提出的缓存辅助的 NOMA 性能大大提升，还给出了双 Nakagami-m 分布衰落效应对性能的影响。

1

系统模型

1.1 络架构

通过整合大规模部署的蜂窝 络和丰富的云计算资源和功能来扩展传统的车载 ；通过聚类技术实现 络分区来减少干扰和开销，同时增强 络的可伸缩性和流动性；通过使用新兴的 SDN 概念与分层分布式部署的控制器管理异构 络，提高 络的灵活性和可扩展性；采用聚类算法构建 络拓扑，在簇头车辆上部署本地 SDN 控制器，在蜂窝基站上部署区域 SDN 控制器，在 C-RAN 部署全局 SDN 控制器，实现 络控制功能的分层分布式部署，各级 SDN 控制器协作管理整个系统，如图 2 所示。

如图 3 所示，不失一般性，假设一个 BS 分别服务于由CHV1 和 CHV2 表示的两个簇头车辆(Cluster Head Vehicles， CHV)。两个簇头车辆模式不仅代表了用户之间的权限域差异， 而且有助于协同 NOMA 分析和部署。因此，两辆 CHV 的功率分配足以说明车辆之间功率分配的关键方面，同时避免不必要的复杂化。虽然研究限制在两个 CHV 之间，但是所提出的方案可以扩展到多个 CHV。

1.2 缓存辅助的 NOMA 模型

2

基于 SDN 的车联 自适应分簇

1) 基站初始化分组

由于移动速度和行驶车辆方向的一致性，SDN 控制器将能够使用不同的定位和数据分析技术来监测和预测到达车辆的位置，然后提前通知相关 BS，以保证自适应和高效的分簇。

由于 SDN 控制器能提供道路交通拓扑，BS 知道到达的交通并提前做好准备直到小区过载并满足簇条件。

2) 车辆簇的形成

移动 关候选在接收到基站的车辆分组列表后，利用车辆间距离对分组进行细化，形成最终的簇。假设有 n(i=1， 2，…n)辆车在一个单车道上靠近 BS。车辆聚类的准则是相邻车辆之间的距离不超过最小安全距离，车辆聚类的覆盖范围在通信半径内(例如，IEEE 802.11p 的传输范围约为 250 m)。

由于 BS 测量或预测的车辆位置信息可能不准确，移动 关候选者使用类似于 AODV 中的路由请求(RREQ)广播消息来验证相邻车辆并更新组成员列表。

3) 簇头选择

簇形成后，在每个簇中选择一个 CHV，以有效地将车辆相关业务中继到蜂窝 络。CHV 选择可以由线性优化问题定义。CHV 选择的目的是在车辆的信道质量和移动速度的约束下最大限度地提高主干链路的吞吐率。

具体来说，车辆速度越接近平均簇速度，该 CHV 候选者在该簇中停留的时间越长，其作为 CHV 的性能越好。同样，CHV 和 BS 之间的信道质量越好，链接的平均生存时间越长，中继链路传输越可靠。

其中，n 是源、目的车辆之间链路的跳数，sd 是链路上车速的标准方差，av 是簇中所有车辆的平均速度，Vi是车辆 i 的速度。

车辆之间的链路生存时间定义为两个车辆保持通信以传输数据包的最短持续时间。为了避免频繁的 络分裂，采用 CV 估计车速差。由于车辆的高速移动性，边界车辆在转发过程中驶出通信范围的概率较高。因此，考虑了车辆的行驶速度。簇中的车辆存储在一个列表中，该列表根据它们与源车辆的速度差进行排序，顶部的速度差较小。然后，车辆 Vi 和 BS 之间的链路有效时间为

3

最佳功率分配方案

在簇头车辆确定好后，本节提供了上述在 1.2 节缓存阶 段缓存文件成功情况下 a1 的最佳值的数学细节，使得它们在 CHV1 和 CHV2 处各自成功解码文件 F1 和 F2 的概率最大化。为此，本节首先推导出该情况下成功解码文件的概率表达式。

3.1 成功解码的概率

当 CHV1 和 CHV2 的缓存中都有彼此的文件时，不管 a1 的值是多少，CHV1 和 CHV2 都能够通过分别抵消 F2 和 F1的信 来解码 F1 和 F2。因此，在 CHV1 和 CHV2 处成功解码 F1 和 F2 的概率分别由下式给出

3.2 功率分配

如前所述，成功解码 F1 和 F2 的概率是个体成功概率的乘 积，即成功解码的概率取决于 a1。因此，上述情况的优化问题是

4

仿真结果与分析

从图 4 可以看出，将 SDN 使能的自适应分簇与现有机制进行比较，并在仿真中考虑了三种情况：SDN 使能的方案，使用车辆之间的链路生存时间来选择 CHV；传统方法，选择中心车辆作为 CHV；以及没有分簇的场景(车辆通过自己的链接与 BS 通信)。图 4 显示了三种不同场景下误码率与信噪比的仿真结果。可以看出，通常分簇为车辆提供更好的通信质量，

这是合理的，因为车辆分簇方案使用 IEEE 802.11p 络来减轻蜂窝 络的负担，从而保证蜂窝无线链路连接质量。同样，所提出的簇头选择方案具有最低的中继链路误码率，尤其是在较高信噪比的情况下，这是因为所提出的簇头选择方案在选择簇头时同时考虑了车辆的信道质量和移动速度，因此最终得到具有更好的无线链路质量并且在簇中服务更长时间(更少的信道切换)的最佳信道。显而易见，SDN 使能的车载 在满足 5G 中的关键技术要求方面具有更好的性能，同时保持了 SDN 对于 5G 络的灵活性、可编程性。

图 5 比较了缓存辅助的 NOMA 系统和缓存辅助的 OMA 系统在 Nakagami-m 和双 Nakagami-m 衰落条件下的性能，它 们被认为适用于车对车通信。为此，考虑了不同的λ值，信噪比为 10dB。在这两种情况下，NOMA 的性能都优于 OMA。尽管对于 NOMA 和 OMA 来说，在双 Nakagami-m 衰落条件下的性能比在统的 Nakagami-m 衰落下差一点，这是可以预期的，是由于 Nakagami-m 模型的级联特性造成的。然而，与 NOMA 相比，OMA 的退化程度是严重的，特别是在λ→0 的区域，这具有实际意义。

图 6 比较了缓存辅助的 NOMA 和缓存辅助的 OMA 系统对于不同λ值和可在 CHV1 和CHV2 获得的缓存大小的性能。接收信噪比固定在 10dB，观察到随着 CHV1 和 CHV2 的缓存增大提高了 NOMA 和 OMA 的性能，因为缓存另一辆车请求的文件的概率随着缓存大小而增加。同样，对于较低的λ值，观察到与 OMA 对应系统相比，NOMA 系统提供了显著的性能增益，而随着λ的增加，它也表现出较慢的性能下降。图 7 描述了所提出的方案的性能，并针对不同的 Zipf 参数λ值将其与缓存辅助 OMA 进行了比较。如预期的那样，所提出的缓存辅助 NOMA 为所有λ值提供了更好的性能。此外，由于较高的 λ值使得流行度曲线更偏向第一个文件，所以 NOMA 和 OMA 的性能都随着λ的增大而提升。这是因为缓存文件成功发生的概率随着λ而增加，λ支配着平均性能。与 OMA 相比，高速缓存辅助 NOMA 对低λ值的性能提升非常显著。

图 8 比较了缓存辅助的 NOMA 和传统的 NOMA 对于在CHV1 和 CHV2 的不同数量的高速缓存文件的性能。同样， 缓存辅助的 NOMA 实现的性能优于传统的 NOMA，并且如预期的那样，随着缓存文件数量的增加而提升，缓存辅助的NOMA 双 Nakagami-m 而获得的性能优于传统 NOMA Nakagami-m 的性能。

图9 显示了由于缓存引起的干扰消除对所提出的NOMA 系统的影响。可以看出，与传统的 NOMA 系统相比，所提出的缓存辅助的 NOMA 系统随着 CHV1 和 CHV2 处的高速缓存大小的增加而提供了更好的性能。此外，对于基站可用的总文件 T 的较低值，性能也有所提高。这是因为较小的总文件数 T 和较大的缓存大小提高了在缓存阶段缓存所请求文件的概率。此外，当 CHV1 和 CHV2 的缓存大小为零时，即当 CHV1 和 CHV2 在缓存阶段不缓存任何文件时，传统 NOMA 和缓存辅助 NOMA 的性能是相等的。

5

结束语

其次，引入了缓存辅助的 NOMA 方案，考虑了文件缓存的情况，每个车辆缓存并请求整个文件。针对在双 Nakagami-m 衰落信道上两簇头车辆无线传输的情况下实现的提出了一种最佳功率分配策略，使每辆车成功解码文件的总体概率最大化。同时，证明了相关的代价函数在功率分配变量中是凹的。最后，数值仿真和理论分析表明，与传统的 NOMA 和缓存辅助的 OMA 相比，所提出的缓存辅助的 NOMA 性能大大提升。作为未来工作的一部分，将进一步研究分割文件的缓存情况。例如，可以考虑将每个文件分割成两部分，研究车辆和缓存的分割文件之间的联合功率分配优化问题。