[发明专利]一种面向用户隐私保护的高能效V2X资源分配方法

说明书

本发明公开了一种面向用户隐私保护的高能效V2X资源分配方法，在考虑蜂窝车联网的保密率的情况下，研究如何提高车联网的频谱效率和能量效率。构建了车联网系统模型与通信模型，在此基础上建立了一个同时考虑频谱效率和能量效率的联合目标优化函数，并将保密率作为该函数的关键约束条件，利用深度Q网络将优化问题转化为V2V和V2I链路的频谱和传输功率的选择问题。仿真结果表明，本方法具有良好的收敛性和系统性能，是一种高效可靠的资源分配方法。

技术领域

本发明涉及一种车联网技术，尤其涉及一种V2X资源分配方法，更具体地说，涉及一种面向用户隐私保护的高能效V2X资源分配方法。

背景技术

在智能交通系统中，车辆在高速公路上主要考虑车辆组队行驶的问题，但在城市中，C-V2X在交叉口等车辆汇聚路段通信时，数据更容易被窃听，且频谱资源有限，通信质量需要保障和加强。在满足C-V2X保密率的前提下，如何提高车联网网络的频谱效率(Spectrum Efficiency，SE)和能量效率(Energy Efficiency，EE)是一个很大的挑战。

深度强化学习(Deep reinforcement learning，DRL)是一种机器学习算法，它不需要像传统的最优化方法一样对优化目标作出假设或为了降低复杂度做次优化处理，而是利用了深度学习的感知能力与强化学习的决策能力，采用神经网络作为函数逼近器，可以很好地将车联网高维状态空间中的决策问题解决。与传统Q学习相比，深度Q网络是一种改进的算法，解决了状态和动作空间爆炸的问题。因此，它被用来启发式地解决各类优化问题。

本发明提出的一种面向用户隐私保护的高能效V2X资源分配方法，建立了一个同时考虑SE和EE的目标优化函数，并将蜂窝车联网蜂窝车联网(Cellular-Vehicle-to-Everything，C-V2X)的保密率作为该函数的关键约束，利用深度Q网络(Deep-Q-Network，DQN)将优化问题转化为V2V和V2I链路的频谱和传输功率选择问题，可以很好地在满足C-V2X保密率的前提下提高系统联合效率。

发明内容

本发明的目的是基于深度强化学习的DQN架构，提出一种面向用户隐私保护的高能效V2X资源分配方法，以提高频谱效率和能源效率。为了实现该目的，本发明所采用的步骤是：

步骤1：在满足C-V2X保密率的前提下，以提高车联网网络的频谱效率和能量效率为目的，定义状态空间为信道状态信息；动作空间为智能体选择的子信道和V2V传输功率；

步骤2：在考虑保密率及其门限值大小的情况下，定义V2X链路的频谱效率为奖励函数；

步骤3：智能体v从环境中观察状态s_t，作为目标Q网络的输入，基于ε贪心策略执行动作a_t，并将训练数据存入记忆回放池；

步骤4：从记忆回放池选取一小批样本，通过最小化Q网络和学习目标间的平方和误差训练Q网络，使用随机梯度下降法计算更新后的网络参数，若训练回合数达到最大训练回合数E，则进入步骤5，否则跳转至步骤3开始新一回合训练；

步骤5：根据训练完成的DQN网络，得到最优的V2V和V2I链路的频谱和传输功率分配方案。

进一步的，所述步骤1包括如下具体步骤：

步骤1-1：在C-V2X网络下的车联网系统模型中，存在一个密集且资源有限的车辆组队场景，其中存在窃听者。在这个场景中，多队车辆(位于同一车道上的一组车)和独队车辆(位于某一车道上的单独车辆)聚集在一个十字路口。在一个车队中，位于队头的车辆向所有的排成员发送合作感知信息(Cooperative Awareness Message，CAM)，每个队成员将自己的CAM发送给相邻的排成员，队头车辆和独队车辆通过V2I通信获取交通和娱乐信息；