[论文解读] Spectrum Resource Management for Multi-Access Edge Computing in Autonomous Vehicular Networks

Haixia Peng, Qiang Ye+1 more|arXiv (Cornell University)|Jan 3, 2019

Vehicular Ad Hoc Networks (VANETs)参考文献 26被引用 5

一句话总结

本文提出了一种用于自动驾驶车联网中多接入边缘计算（MEC）的动态频谱管理框架，通过线性规划松弛和一阶泰勒近似，联合优化频谱切片、基站-车辆关联、资源分配和传输功率控制。所提出的交替凹搜索（ACS）算法在高车辆密度下实现了高网络效用并保证服务质量（QoS）。

ABSTRACT

In this paper, a dynamic spectrum management framework is proposed to improve spectrum resource utilization in a multi-access edge computing (MEC) in autonomous vehicular network (AVNET). To support the increasing data traffic and guarantee quality-of-service (QoS), spectrum slicing, spectrum allocating, and transmit power controlling are jointly considered. Accordingly, three non-convex network utility maximization problems are formulated to slice spectrum among BSs, allocate spectrum among autonomous vehicles (AVs) associated with a BS, and control transmit powers of BSs, respectively. Via linear programming relaxation and first-order Taylor series approximation, these problems are transformed into tractable forms and then are jointly solved through an alternate concave search (ACS) algorithm. As a result, optimal spectrum slicing ratios among BSs, optimal BS-vehicle association patterns, optimal fractions of spectrum resources allocated to AVs, and optimal transmit powers of BSs are obtained. Based on our simulation, a high aggregate network utility is achieved by the proposed spectrum management scheme compared with two existing schemes.

研究动机与目标

• 解决高密度自动驾驶车联网（AVNETs）中多样化QoS需求下的高效频谱资源利用挑战。
• 通过在MEC环境中联合优化频谱切片、基站-车辆关联和传输功率控制，克服传统资源分配的局限性。
• 开发一种可处理的优化框架，支持多样化自动驾驶应用的动态、QoS保障服务。
• 通过两级管理架构实现基站（BSs）与自动驾驶车辆（AVs）之间可扩展且高效的频谱共享。
• 将框架扩展以支持未来异构车联网中的多资源分配（如计算、存储）。

提出的方法

• 建立三个非凸网络效用最大化问题：基站之间的频谱切片、每个基站下车辆的资源分配，以及基站的传输功率控制。
• 应用线性规划松弛，将非凸约束转化为凸形式以提高可处理性。
• 使用一阶泰勒级数近似线性化效用函数中的非凹项，从而支持迭代优化。
• 设计一种交替凹搜索（ACS）算法，通过分块迭代优化变量，确保收敛至局部最优解。
• 采用对数和线性效用函数建模网络，以在自动驾驶车辆之间平衡公平性与频谱效率。
• 将框架与MEC和NFV集成，以实现动态虚拟化资源管理及基于边缘的任务卸载。

实验结果

研究问题

• RQ1 在单个MEC服务器连接的多个基站（BSs）之间，如何高效地切分频谱资源？
• RQ2 何种最优的基站-车辆关联模式可在确保多样化自动驾驶应用QoS的同时最大化网络效用？
• RQ3 如何为每个基站关联的自动驾驶车辆（AVs）分配频谱资源，以在公平性与吞吐量之间取得平衡？
• RQ4 何种传输功率控制策略可最小化小区间干扰，同时维持自动驾驶车辆所需的数据速率？
• RQ5 能否实现频谱切片、资源分配与功率控制的联合优化，并保证收敛性与高网络效用？

主要发现

• 所提出的ACS算法成功收敛至频谱切片、基站-车辆关联、资源分配与传输功率控制联合优化的局部最优解。
• 与两种基准方案相比，该框架在高流量自动驾驶车联网场景中实现了显著更高的聚合网络效用，表现出优越性能。
• 采用对数效用函数确保了自动驾驶车辆间资源分配的公平性，而线性效用最大化则提升了频谱效率。
• 线性规划松弛与一阶泰勒近似有效将原始非凸问题转化为可处理形式，且未牺牲解的质量。
• 双凹优化公式确保目标函数与约束保持凹或双凹结构，从而保障ACS算法的可靠收敛。
• 两级动态频谱管理框架具备可扩展性，适用于其他异构网络，并支持未来与计算与存储资源分配的集成。