1 引言
当下,物联网(Internet of Things, IoT)正引领各行业展开新一轮的技术变革,结合我国5G商用落地契机,必将催生信息领域发展新业态。车联网(Vehicle-to-everything, V2X)被认为是“5G+物联网”的典型应用场景和最佳用例[1]。此外,我国车辆保有量持续增长、道路承载容量日趋饱和,车联网作为智慧交通系统(Intelligent Transportation System, ITS)的重要组成部分[2],有利于改善道路安全、提高出行效率、节能减排。因此,我国将20 MHz频谱(频段5905～5925 MHz)作为LTE-V2X直连通信的工作频段,促进车联网创新融合发展[3]。
IEEE 802.11基于车辆自组织网(Vehicular Ad-hoc Network, VANET)技术,尽管较为成熟,但具有路边单元(Road Side Unit, RSU)渗透性部署成本高,只能提供间歇性连接等局限性[4]。利用广泛部署的LTE网络,结合终端直通(Device-to-Device, D2D)通信复用蜂窝资源的LTE-V2X方案应运而生。整个LTE-V2X通信链路可分为车对基础设施(Vehicle-to-Infrastructure, V2I)链路、车对车(Vehicle-to-Vehicle, V2V)链路、车对人(Vehicle-to-Pedestrian, V2P)链路及车对云网(Vehicle-to-Network, V2N)。对于类似于高速路口拥塞场景,智能车辆需要利用移动边缘计算(Mobile Edge Computing, MEC)[5]连接云网进行流量的卸载和资源的分配,云端技术对车联网的发展具有推动作用[6]。实际上,V2V通信和D2D有很强的相关性,被认为是D2D技术在车联网中的扩展[7]。另一方面,以基站(Base Station, BS)为代表的基础设施处理干扰能力强且V2I上行链路频谱资源利用率低。因此,通过V2V链路复用V2I链路资源来提升LET-V2X的综合服务成为有效选择。
进一步地,考虑到LTE-V2X不同链路服务质量(Quality of Service, QoS)的异构性,即V2I链路的高容量和V2V链路的高可靠性[8]。高容量V2I链路能支持带宽密集型应用,例如云共享服务,媒体流和社交网络接入,高可靠性 V2V链路保证了车辆间安全信息实时共享。因此,需要提出有效的资源管理策略来协调V2I用户(V2I User Equipment, V2I-UE)和V2V用户(V2V User Equipment, V2V-UE)共享资源,并对不同链路互相干扰进行抑制处理。
文献[9]提出了一种启发式依赖车辆位置信息的资源分配方案,其特征在于不依赖完全信道状态信息(Channel State Information, CSI),减少了信令的开销。文献[10]仅考虑大尺度衰落信道,利用二分图和匈牙利匹配算法实现了V2I-UE总遍历容量最大化,但只允许 V2I和V2V单一共享相同资源块(Resource Block, RB, 频谱宽度为180 kHz的最小无线资源单位)。文献[11]提出了一种基于簇分类的V2X资源分配方案,且允许V2I-UE和V2V-UE共享多个RB进行传输,但优先保障对延时敏感的V2V链路,显然对V2I-UE失去公平性。类似地,文献[12]通过图着色原理进行车辆分簇,抑制了不同簇间的干扰。
文献[13]提出一种基于图论的优化遍历算法,均衡了V2I链路和V2V链路的需求,同时最大化车联网系统吞吐量。文献[14]针对引入非正交多址接入(Non-Orthogonal Multiple Access, NOMA)技术[15]车联网,预先定义两种类型V2V-UE:直通(D2D)类型和广播类型,利用超图对干扰进行划分,并利用簇着色算法进行资源匹配,但由于V2V-UE高速移动,预先区分V2V-UE类型是困难的。文献[16]进一步改进了匹配算法,提出了3维匹配方案,但方案未将V2V链路的延时作为优化目标,仅侧重车载系统的吞吐量。文献[17]指出了主动车辆簇集方法在簇集建立和维护过程中需要频繁交换控制负载消息,较适合于车辆节点密集的城市交通场景,而非高速公路网络场景。另外,文献[18]的研究结果表明小尺度衰落对资源分配结果有一定的影响,但车辆高速移动使得完全CSI难以实时反馈给基站。
针对主动车辆簇集通信模型不足,首先构建了一种高稳定被动簇集车辆通信模型,更符合高速场景车辆节点高动态性,但安全距离和行驶速度相对趋同的特性,克服了簇首不稳定性。针对跨层跨区域的干扰,引入分簇策略进行干扰管理,并兼顾优化吞吐量和时延,并分析了最佳功率分配的可行域。针对现存的研究通常仅考虑大规模衰落信道,忽略了小尺度衰落效应对车联网的问题,本文利用大尺度衰落信道信息(包括路径损耗和阴影效应)的同时,在资源匹配阶段中附加了对小尺度衰落效应进行补偿。
因此,本文基于超图划分干扰成簇的思想构建了一种V2V链路共享V2I链路多资源块机制。首先,将V2V链路根据干扰图划分为不同的簇,并指出多资源块分配是一个NP困难问题。然后,将V2I链路要求高容量且V2V链路要求高可靠性这一异构性需求转化为max-min问题,并得出可行共享候选者。最后,将V2I链路节点、资源块、V2V链路节点三者关系表述为三部图,并利用带权3维匹配算法优化边权重选择最佳候选者。仿真分析了V2V链路中断概率、车辆运动速度等对V2I吞吐量的影响。结果表明,所提机制在保证V2V链路可靠性的同时,使得V2I吞吐量最大化。
2 系统模型及假设
考虑典型高速公路场景如图1所示,对于M 个V2I-UE和K个V2V-UE共存的LTE-V2X资源共享系统,定义V2I链路集合m={1,2,…,M},V2V链路集合k={1,2,…,K},并将上行链路频段划分为F个子频段,每个RB对应一个子频段,即可定义F个资源块为 f={1,2,…,F}。鉴于车辆节点密度稀疏且高动态性,建立高稳定被动推举簇首模型。簇首的推举由簇持续生存时间决定,假设以行驶速度νi的车辆节点i为簇首建立簇,其道路位置坐标(xi,yi),任意簇成员节点j的速度为νj,道路位置为(xj,yj),车载单元的有效距离为L,相互连通持续时间为Tij,由簇首和簇成员欧几里得距离
得
则簇首节点i 与簇内CN个成员节点的连通持续时间为
簇首的调整依赖于TD保证簇具有稳定性和连通性。
图1 典型高速公路场景LTE-V2X模型图
Fig.1 LTE-V2X model diagram of a typical highway scene
不失一般性,为了提高频谱的利用率,正交分配资源块给V2I上行链路,因为上行链路资源的利用相对不充分,且BS端对干扰更具有可控性。在大尺度衰落下,第m个V2I-UE的信道增益为[18]:
αm,I=P(d0)+10ζlog10(d/d0)+Xσ
(1)
其中,P(d0)=20log10(4πd0/λ)表示路径损耗,ζ为损耗因子取3.5,d0为参考距离取100 m,d为V2I-UE与基站间的距离,Xσ为服从均值为0,标准差σ=8 dB的正态分布。考虑小尺度衰落效应,本文添加小尺度衰落因子βm,I。因此,占用第f个RB的第m个V2I-UE信道增益:
hm,I[f]=αm,Iβm,I[f]
(2)
类似地,可以定义第k个V2V-UE占用第f个RB传输的信道增益为:hk[f];复用第 f个RB的第k′个V2V-UE发射端到第k个V2V-UE接收端的V2V链路干扰为:gk′,k[f];占用第f个资源块的第m个V2I-UE对第k个V2V-UE接收端干扰为:gm,k[f];复用第f个资源块的第k个V2V-UE发射端对BS的干扰为: gk,I[f]。
由此,BS端占用第f个RB的第m个V2I-UE信干噪比(Signal to Interference plus Noise Ratio, SINR)可表示为:
(3)
第k个V2V-UE接收端复用第f个资源块的SINR可表示为:
(4)
其中,
表示第m个V2I-UE占用第f个资源块的发射端传输功率,
表示第k个V2V-UE复用第f个资源块的发射端传输功率,σ2表示噪声功率。定义指示符
分别表示第m个V2I-UE是否占用第f 个RB传输和第k个V2V-UE是否复用第f 个RB传输,则有:
(5)
(6)
为保证V2V链路可靠性,同时最大化M个V2I-UE吞吐量作为优化目标。因此,频谱和功率分配问题可表示为:
(7)
(8)
式(7)表示V2I-UE吞吐量最大,式(8)满足V2V链路连接达到延时敏感要求。其中,
表示建立V2V链路所需的最小SINR,μ0为中断阈值。
3 基于超图划分的资源分配机制研究
本质上,上述问题可以认为是组合优化问题,且文献[10]证明了联合二分图和匈牙利匹配算法在解决单一RB共享问题的有效性。然而,对于V2V-UE要求能接入多个RB进行安全消息传输,即V2V链路能复用多条V2I链路。上述的策略寻找全局最优解是非常棘手的,因为二分图只允许一条边连接两个顶点,难以达到遍历最优组合的性能。因此,本文提出基于超图划分的资源分配机制,具体地,包括三个步骤:V2V-UE划分为不同的簇,基站、车载单元联合功率分配设计,带权3维资源匹配。
3.1 V2V-UE划分为不同的簇
为了有效管控复杂的链路干扰,首先将V2V-UE划分为不同的簇。假设图G顶点表示车辆节点:V(G),连接节点的两条边表示互相的干扰:E(G),边上的权重表示干扰强度ωk′,k
αk′,k,αk′,k表示第k′个V2V-UE对第k个V2V-UE的干扰。将K个车辆节点划分为N个子集:C1,C2,…,CN。每个子集即为一个原始簇,即C1∪C2…∪CN=V(G),同一簇内部干扰可表示为:
对原始簇进行重新划分,以达到同簇的链路可以共享同一RB而不会产生严重的相互干扰。
图2 V2V-UE簇划分算法流程图
Fig.2 V2V-UE cluster partition algorithm flow diagram
该算法流程图如图2所示,初始化随机分配V2V-UE形成原始簇,遍历V2V链路集合,计算不相交的簇Cn内部干扰:
将第k个V2V-UE分配到新簇
使得
否则重新分配第k个V2V-UE。重复上述工作,直到
3.2 基站、车载单元联合功率分配设计
在上一阶段中将V2V-UE划分为不同的簇只能减少簇内V2V链路通信的互干扰,而对簇外V2I链路干扰无法削弱。因此,本小节在车联网分簇模型基础上对基站和车载单元进行功率分配设计,即对V2I-UE和V2V-UE的发射端功率进行优化,进而给可行候选者分配最佳功率。联合式(3)、(4)、(7)、(8)以及约束条件,功率分配问题可以进一步表示为:
(9)
≤μ0 ∀k, f
(10)
(11)
(12)
∀m, ∀f
(13)
(14)
∀m,k, f
(15)
约束条件(10)表示V2V-UE的时延需求,转化为小于最小中断阈值。约束条件(11)表示V2I链路是正交占用RB进行通信,约束条件(12)表示V2I-UE和V2V-UE都能接入多个RB,约束条件(14),(15)表示基站功率和车载单元发射功率的限制。由相同簇内第k 个V2V-UE复用第m对V2I链路可知,
因此,式(9)可以表示为:
(16)
(17)
(18)
为了简化符号表示,省略用于表示占用资源块的符号f,并对初始功率展开如下数值分析,令
(19)
可以得到:
(20)
联合式(2)可得:
(21)
假设满足所有V2V链路连接要求延时敏感,将式(21)取等号得:
(22)
由式(18)可知
因此车载单元的初始分配功率可表示为:
(23)
则车载单元最佳功率可表示为:
(24)
3.3 带权3维匹配资源分配设计
在阶段1和阶段2分别完成了V2V-UE分簇划分和车载单元初始功率分配。在本阶段中,利用超图划分和3维匹配算法来实现多RB共享。超图H=(V,E)包含顶点集V和超边集E,不同于一般图,超边可以和任意个数的顶点连接,该属性使得超图具有类似聚类特性。每条超边都连接z个顶点,则称作z均匀超图。
通过引入V2I和V2V虚链路来解决V2V-UE和V2I-UE多RB共享导致的无序争用问题,并且确保超边可以和任意顶点连接。具体地,假设V2I链路需要FR个资源块,在资源分配的初始阶段生成FR个虚拟链路,转化为最大化所有虚拟链路的吞吐量。类似地,假设V2V链路需要多个资源块,可以生成相同数量的虚拟链路,并通过设置信道强度使得同一的RB不被V2V多路争用。不可否认的是,存在车辆的高动态性导致V2V簇复用不到V2I空闲资源块的情况,本文根据簇首争用,来确保每个簇在一定周期上是稳定的。但在一段时间上,簇首的变化能减少V2V簇长时间无法获得空闲资源块的概率。
图3 V2I-RB-V2V 3维匹配示意图
Fig.3 V2I-RB-V2V 3D matching schematic diagram
如图3所示,V2I-RB-V2V资源分配问题可以被建模为z=3的三部图。与文献[19]类似,假设三部图H=(V,E),顶点集V表示车辆节点、基站和资源块,边集E表示三者间的关系,权重ω(m, f,n)表示第n个簇的V2V-UE复用第m个V2I-UE的第f个资源进行通信,初始化V={[m,0,0]∪[0, f,0]∪[0,0,n]},ω={[m,0,0],[0, f,0],[0,0,n]}满足1≤m≤M,1≤f≤F,1≤n≤N。具体地,带权3维匹配算法如表1所示,利用带权3维匹配算法最大化ω(m, f,n)。
表1 V2I-RB-V2V带权3维匹配算法
Tab.1 Weighted 3D matching algorithm of V2I-RB-V2V
输入:H=(V,E)初始化:F=F′=,Pνn,initial=-σ2γν0/[αk ln(1-μ0)],ω(e)=0;对于整个系统内的每个V2V用户k:k=1,2,…,K while Pνk,initial>Pνk,max do Pνk,initial Pνn,initial if F⊆E while e∈(E-F) and e∩(E-F)≤2FF∪{e}, F=F+1 end while 遍历F集合得出最小边的权重ω(e′) end if 迭代计算F′3D-Maching(F,ω(e′))end while输出:F′
假设初始化簇内车辆单元数量Nc,SINR中断阈值μ0 以及最大迭代次数Dmax,V2V-UE簇划分的复杂度可以表示为O(NcDmax)。在上述V2I-RB-V2V带权3维匹配算法的求解过程中,三部图中|V|=n,|E|=m,对于每次迭代需要在集合(E-F)中的任意e∈(E-F)的最小权重ω(e),算法复杂度可表示为O(mn2log2n),因此,系统的总复杂度为O(NcDmax+mn2log2n)。
4 仿真结果及分析
4.1 实验条件和仿真设置
在本小节中利用MATLAB仿真工具对所提资源共享机制进行仿真评估。本仿真利用3GPP TR 36.885[20]参数标准进行初始设置,具体仿真参数见表2。
本文针对如图1所示的高速公路场景,假设基站沿路边布放,车辆分布服从空间泊松过程,车辆密度取决于车辆速度。V2V链路的路径损耗模型采用视距(Line of sight,LOS)WINNER+B1,阴影绝对偏差取值3 dB,快速衰落采用Rayleigh衰落模型。
表2 仿真参数表
Tab.2 Simulation parameter table
参数取值载波频率2 GHz带宽10 MHz小区半径500 m基站天线增益8 dBi车载单元天线增益3 dBi初始车速70 km/hV2V-UE最小吞吐量 0.5 bps/HzV2V-UE的SINR阈值5 dBV2V-UE中断概率0.001
4.2 仿真结果及分析
图4给出了V2I-UE最小吞吐量随车辆运动速度变化曲线,及初始功率
对V2I-UE吞吐量的影响。将文献[10]中所提的Max-min算法作为对照,该算法目的是为了所有V2I链路总容量最大化,做到了所有V2I-UE性能的均衡。具体地,Max-min算法通过确定帕累托边界来将多目标优化问题转化为单目标优化问题。由图可知,其一,随着车辆速度的增加,V2I链路最小容量有所下降,但优于文献[10] Max-min算法。车辆的高动态导致了节点稀疏,所有链路连通性下降。因此,无论是本文,还是文献[10]所提的算法,提高6 dBm对V2I-UE最小吞吐率的增益都是明显的。其二,本文针对城市街道环境,故在低速条件下V2I-UE吞吐量同比下降较慢,显示的性能优于文献[10],具体而言,对于最广泛行驶速度ν=60 km/h,初始功率提高6 dBm能增加20.59%的容量增益。
图4 不同算法V2V-UE最小吞吐量比较以及与速度的关系
Fig.4 Comparison of minimum throughput of different algorithms V2V-UE and its relationship with speed
图5给出了不同方案瞬时V2I总容量的累积分布函数(Cumulative Distribution Function, CDF)曲线。由图可知,本文提出的算法在V2I总容量上优于W.Sun在文献[11]提出的启发式基准CROWN算法及其改进算法CROWN-F。在CROWN-F算法中,RB随机正交分配给V2I链路,并要求BS端获得快速衰落CSI,导致大量的信令开销。不难看出,本文首先利用超图将V2V链路划分为簇,减少了簇内干扰,带权3维匹配算法提供了更为灵活的资源分配,弥补了链路仅使用慢衰落CSI的缺陷,提高了V2I链路吞吐量。
图5 不同算法V2I-UE总容量的比较
Fig.5 Comparison of the total capacity of V2I-UE with different algorithms
图6给出了在Rayleigh衰落条件下车辆发射端节点SINR的CDF曲线,以及中断阈值对SINR影响。中断阈值μ0越小,表明V2V链路连接越可靠。由图可知,本文车辆发射端节点SINR阈值为5 dB。当μ0=10-4时,SINR在区间[9,20]的概率为92.74%,表明针对LTE-V2X场景,本文提出的算法是有利于V2V链路共享V2I频谱资源。考虑车辆拥塞场景V2V链路连接存在高度冗余,V2V链路连接中断阈值应能动态调节,进而调节BS和车载单元的发射功率,保证V2V-UE节点高效接入V2I链路。
图6 不同中断阈值μ0与SINR的关系
Fig.6 Relationship between different interruption thresholds μ0 and SINR
图7给出了V2V-UE总吞吐量随车辆运动速度变化曲线,及初始功率对V2V-UE总吞吐率的影响。由图可知,随着车辆速度的增加,V2I-UE总吞吐量下降,并且提高初始功率能有效提升V2V链路的总吞吐量。进一步地,联合图7给出的V2V-UE最小吞吐量随速度变化曲线,可得V2V-UE总吞吐量并非由V2V-UE最小吞吐量的简单线性叠加,3维匹配算法利用聚类特性,使得相同簇内复用资源块最大化。
图7 V2V-UE总吞吐量随速度以及初始功率的变化
Fig.7 V2V-UE total throughput changes with speed and initial power
5 结论
本文考虑LTE-V2X通信场景车辆下行容量和车辆间安全信息可靠性传输问题。针对优化V2V链路可靠性、V2I链路吞吐量双重性能指标,为解决V2V用户复用V2I上行链路产生的干扰,提出了一种预先干扰分簇结合超图3维匹配的资源共享机制。该机制通过允许V2V用户弹性共享多个资源块来保证链路可靠性,基站、车辆节点联合功率控制减少能耗。仿真结果表明,该机制能均衡V2V链路连接可靠性和V2I链路吞吐量,满足城市街区场景的需求。车联网生态的成熟铺垫无人驾驶愿景,而车载通信技术又是实现车联网的关键环节。后续的工作重点在网络边缘的车辆如何实现高效通信以及如何提高车载单元的能源效率。
[1] 陈山枝, 胡金玲, 时岩, 等. LTE-V2X车联网技术、标准与应用[J]. 电信科学, 2018, 34(4): 1-11.
Chen Shanzhi, Hu Jinling, Shi Yan, et al. Technologies, standards and applications of LTE-V2X for vehicular networks[J]. Telecommunications Science, 2018, 34(4): 1-11.(in Chinese)
[2] Cheng X, Zhang R Q, Yang L Q, et al. Wireless Toward the Era of Intelligent Vehicles[J]. IEEE Internet of Things Journal, 2019, 6(1): 188-202.
[3] 陆忠梅, 陈巍, 魏杰, 等. 车联网极低时延与高可靠通信: 现状与展望[J]. 信号处理, 2019, 35(11): 1773-1783.
Lu Zhongmei, Chen Wei, Wei Jie, et al. Current Situation and Prospect of V2X with Ultra-Reliable and Low-Latency[J]. Journal of Signal Processing, 2019, 35(11): 1773-1783.(in Chinese)
[4] Liang L, Peng H X, Li G Y, et al. Vehicular communications: A physical layer perspective[J]. IEEE Transactions on Vehicular Technology, 2017, 66(12): 10647-10659.
[5] 张海波, 李虎, 陈善学, 等. 超密集网络中基于移动边缘计算的任务卸载和资源优化[J]. 电子与信息学报, 2019, 41(5): 1194-1201.
Zhang Haibo, Li Hu, Chen Shanxue, et al. Computing offloading and resource optimization in ultra-dense networks with mobile edge computation[J]. Journal of Electronics and Information Technology, 2019, 41(5): 1194-1201.(in Chinese)
[6] Kim Y G, Namwon A, Jaehyong P, et al. Mobility support for vehicular cloud radio-access-networks with edge computing[C]∥2018 IEEE 7th International Conference on Cloud Networking (CloudNet), Tokyo, Japan, 2018: 1- 4.
[7] Cheng X, Yang L Q. D2D for intelligent transportation systems: A feasibility study[J]. IEEE Transaction on Intelligent Transportation Systems, 2015, 16(4): 1784-1793.
[8] Guo C T, Liang L, Li G Y. Resource Allocation for Low-Latency Vehicular Communications: An Effective Capacity Perspective[J]. IEEE Journal on Selected Areas in Communications, 2019, 37(4): 905-917.
[9] Botsov M, Markus K, Kellerer W, et al. Location dependent resource allocation for mobile device-to-device communications[C]∥IEEE Wireless Communications and Networking Conference, Istanbul, Turkey, 2014: 1679-1684.
[10] Liang L, Li G Y, Xu W. Resource allocation for D2D-enabled vehicular communications[J]. IEEE Transaction on Communications, 2017, 65(7): 3186-3197.
[11] Sun W L, Yuan D, et al. Cluster-based radio resource management for D2D-supported safety-critical V2X communications[J]. IEEE Transactions Wireless Communication, 2016, 15(4): 2756-2769.
[12] 张海波, 向煜, 刘开健, 等. 基于D2D通信的V2X资源分配方案[J]. 北京邮电大学学报, 2017, 40(5): 92-97.
Zhang Haibo, Xiang Yu, Liu Kaijian, et al. V2X resource allocation scheme based on D2D communication[J]. Journal of Beijing University of Posts and Telecommunications, 2017, 40(5): 92-97.(in Chinese)
[13] Wei Q, Sun W L, Bai B, et al. Resource allocation for V2X communications: A local search based 3D matching approach[C]∥IEEE International Conference on Communications, Paris France, 2017: 1- 6.
[14] Wang B J, Zhang R Q, Chen C, et al. Interference hypergraph-based resource allocation (IHG-RA) for NOMA-Integrated V2X networks[C]∥2018 IEEE Global Communications Conference (GLOBECOM), Abu Dhabi, United Arab Emirates, 2018: 1- 6.
[15] 贾向东, 纪珊珊, 范巧玲, 等. 基于非正交多接入的多层全双工异构网回程方案及性能研究[J]. 电子与信息学报, 2019, 41(4): 945-951.
Jia Xiangdong, Ji Shanshan, Fan Qiaoling, et al. Backhaul scheme and performance study of full-duplex multi-tier heterogeneous networks based on non-orthogonal multiple access[J]. Journal of Electronics and Information Technology, 2019, 41(4): 945-951.(in Chinese)
[16] Wang B J, Zhang R Q, Chen C, et al. Interference hypergraph-based 3D matching resource allocation protocol for NOMA-V2X networks[C]∥IEEE International Conference on Communications (ICC), Shanghai, China, 2019: 1- 6.
[17] 邱恭安, 包志华, 章国安, 等. 高稳定被动群集车联网连通性研究[J]. 通信学报, 2016, 37(11): 42- 48.
Qiu Gongan, Bao Zhihua, Zhang Guoan, et al. Connectivity analysis of passive cluster with high stability in vehicular wireless network[J]. Journal on Communications, 2016, 37(11): 42- 48.(in Chinese)
[18] 王燕燕, 齐丽娜. 基于D2D的车联网中无线资源分配研究[J]. 南京邮电大学学报(自然科学版), 2018, 38(4): 55- 60.
Wang Yanyan, Qi Lina. Radio resource allocation for D2D-based vehicle network[J]. Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition), 2018, 38(4): 55- 60.(in Chinese)
[19] Liang L, Xie S J, Li Y G, et al. Graph-Based Resource Sharing in Vehicular Communication[J]. IEEE Transactions on Wireless Communications, 2018, 17(7): 4579- 4592.
[20] 3rd Generation Partnership Project: Technical Specification Group Radio Access Network: Study LTE-Based V2X Services: (Release 14)[S]. Standard 3GPP TR 36.885 V2.0.0, Jun.2016.
