[论文解读] A Survey on Resource Allocation in Vehicular Networks

Md. Noor‐A‐Rahim, Zilong Liu+4 more|View|Sep 30, 2019

Vehicular Ad Hoc Networks (VANETs)参考文献 126被引用 30

一句话总结

本文全面综述了车辆网络中的无线资源分配，重点聚焦于DSRC和蜂窝式V2X（C-V2X）技术。文章提出了动态、上下文感知以及机器学习增强的资源分配策略，以应对高移动性、多样化的QoS需求以及频谱拥塞等挑战，为未来智能且高效的车辆通信系统奠定了基础。

ABSTRACT

Vehicular networks, an enabling technology for Intelligent Transportation System (ITS), smart cities, and autonomous driving, can deliver numerous on-board data services, e.g., road-safety, easy navigation, traffic efficiency, comfort driving, infotainment, etc. Providing satisfactory Quality of Service (QoS) in vehicular networks, however, is a challenging task due to a number of limiting factors such as erroneous and congested wireless channels (due to high mobility or uncoordinated channel-access), increasingly fragmented and congested spectrum, hardware imperfections, and anticipated growth of vehicular communication devices. Therefore, it will be critical to allocate and utilize the available wireless network resources in an ultra-efficient manner. In this paper, we present a comprehensive survey on resource allocation schemes for the two dominant vehicular network technologies, e.g. Dedicated Short Range Communications (DSRC) and cellular based vehicular networks. We discuss the challenges and opportunities for resource allocations in modern vehicular networks and outline a number of promising future research directions.

研究动机与目标

• 解决由于移动性、频谱拥塞以及多样化服务需求导致的在高度动态车辆网络中提供可靠服务质量（QoS）的挑战。
• 回顾并分类现有针对DSRC、蜂窝式V2X（C-V2X）以及异构车辆网络的无线资源分配方案。
• 识别当前资源分配方法中的关键局限，包括静态分配、缺乏上下文感知能力，以及对冲突QoS需求处理不足的问题。
• 探索新兴技术如网络切片、区块链用于安全防护，以及机器学习，以实现未来车辆网络中智能、自适应且可扩展的资源管理。
• 概述未来研究方向，通过高效且稳健的资源分配支持智能交通系统、自动驾驶以及智慧城市的发展。

提出的方法

• 根据网络类型对现有资源分配方案进行分类与分析：DSRC、蜂窝式V2X（C-V2X）以及异构车辆网络。
• 研究动态资源分配（DRA）技术，以适应高速移动场景中时变信道条件、多普勒频移以及多径衰落。
• 探讨网络切片作为支持具有不同QoS需求的多样化车辆服务（例如，超可靠安全消息与高吞吐量信息娱乐）的机制。
• 探索机器学习（ML）在预测网络动态、优化资源分配以及在去中心化车辆环境中实现分布式学习方面的应用。
• 评估基于区块链的解决方案在大规模V2X通信中支持消息认证与隐私保护的能力，尤其针对关键任务和多媒体服务。
• 提出考虑数据截止时间、优先级级别以及按需服务约束的上下文感知资源分配模型，以实现可靠的数据分发。

实验结果

研究问题

• RQ1 动态且自适应的资源分配方案如何有效应对车辆网络中高移动性及快速变化的信道条件？
• RQ2 在资源分配效率、可靠性与可扩展性方面，DSRC与C-V2X之间存在哪些关键差异与权衡？
• RQ3 如何利用网络切片来支持具有冲突QoS需求的多样化车辆服务（例如，低时延安全消息与高吞吐量多媒体）？
• RQ4 机器学习在预测网络动态以及在分布式车辆环境中实现智能、低开销资源分配方面有哪些潜在优势？
• RQ5 区块链技术如何在不损害资源效率或时延的前提下，增强V2X消息分发中的安全性和隐私保护？

主要发现

• 动态资源分配显著优于静态方案，能够适应高速车辆环境中时变与频率选择性衰落、多普勒频移以及多用户干扰。
• 网络切片通过分配专用且隔离的资源块并提供定制化的QoS保障，实现了对多样化服务（如超可靠安全通信与高带宽信息娱乐）的高效复用。
• 机器学习技术在预测信道状态与流量模式方面展现出潜力，但必须优化分布式学习方法以降低通信开销与计算复杂度。
• 基于区块链的安全机制可支持V2X消息的可信去中心化认证，但需精心设计以避免在时延敏感型应用中造成过度资源消耗。
• 考虑数据截止时间与优先级的上下文感知资源分配模型可提升按需数据分发的可靠性，尤其在安全与导航服务中表现突出。
• C-V2X与5G NR及网络切片的集成支持超可靠低时延通信（URLLC）与大规模机器类通信（mMTC），为未来自动驾驶与智慧城市建设提供支撑。