原文传递
基于深度强化学习的车联网性能研究
| 论文题名： | 基于深度强化学习的车联网性能研究 |
| 关键词： | 车联网;资源分配;深度强化学习 |
| 摘要： | 车联网是以汽车为信息感知对象的新型通信网络，实现车与人、机、物之间的互联互通，是无人驾驶汽车、智能汽车、智能交通的基础，正受到学术界和产业界的广泛关注。车联网通信性能是制约其部署和应用的关键因素，尤其是通信链路速率公平性能以及安全性能。速率公平性能旨在避免因频谱和传输功率等资源分配不均导致部分通信链路速率较低，无法满足汽车正常通信的基本需求。安全性能旨在保证信息传输过程的安全性，避免用户的隐私信息遭恶意窃听。因此，本文通过优化频谱和传输功率的分配，提升通信链路速率公平性能和安全性能。主要研究工作概述如下三个部分: (1)构建两种典型的车联网通信场景:一种场景是由一个基站(BaseStation，BS)、多个V2V(Vehicle-to-Vehicle)用户以及多个V2I(Vehicle-to-Infrastructure)用户组成;另一种场景是由一个BS、多个V2V用户、多个V2I用户以及一个恶意的窃听者E组成。同时，建立了通信链路的信道模型，并设计了面向车联网多样化服务质量需求的链路约束条件。 (2)基于上述第一种场景，研究车联网中V2I通信链路速率公平性能问题。首先设计速率公平性指标Fc来衡量V2I链路的速率公平性，然后建立最大化速率公平性为目标的优化方程。这是一个非线性非凸的优化方程，通常较难求解，为此，提出了一个求解该优化方程的深度强化学习(DeepReinforcementLearning，DRL)算法。该算法能够优化分配频谱和功率资源以最大化公平性指标Fc，从而提升通信速率的公平性能。仿真实验表明本文提出的DRL算法能够有效提高车联网中V2I通信链路速率公平性能。 (3)基于上述第二种场景，研究车联网中V2V通信链路速率安全性能。首先进行安全速率性能建模，然后建立最大化安全速率性能的优化方程，最后提出DRL算法去求解该优化方程。在该算法下，通过优化频谱和功率资源的分配，提升安全速率性能。仿真表明本文提出的DRL算法能够有效提高车联网中V2V通信链路速率的安全性能。 |
| 作者： | 桂宝 |
| 专业： | 计算机技术 |
| 导师： | 赵生慧 |
| 授予学位： | 硕士 |
| 授予学位单位： | 安徽理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
