D2D通信技術是3GPP R14中對於V2X的主要推動技術。在這種情況下，UE既可以直接與基礎設施通信也可以通過中介節點連接基礎設施，UE還可以直接與設備進行通訊，無論基礎設施支持與否。由於車輛的快速移動，蜂窩UE與車載UE對服務質量的要求不同，而資源分配就是根據不同的QoS爲UE分配合適的資源。本文介紹了共享上行資源的用戶的UE的三種類型：兩種車輛UE和手持移動電話類型的UE。根據三種類型UE的QoS需求差異，計算出最優功率，並應用三維圖匹配和基於超圖的資源塊分配方法
概要
本文從D2D的角度出發，在前面說了很多關於D2D的分類（帶內/外，under/overlay）與資源分配方法（博弈論、圖論、啓發式）等。最主要的特點是將CUE（蜂窩用戶設備）也考慮進了架構內。研究了指定子載波後V2V/V2I和CUE的功率分配和RB分配的問題，其中前者通過優化方法解決，後者通過圖論解決。
CODE;A
結論
本文以基於D2D技術的V2V資源分配，以三種不同QoS要求的用戶的網絡場景爲基礎。提出了一個優化問題，目標是增加V2I鏈路的容量。在考慮蜂窩用戶所需的最低QoS的情況下，對於V2V和V2I鏈路的最優功率進行了計算。在RB資源分配方面，使用基於超圖的着色算法進行解決。此外，還研究了CUE的SINR對V2I容量的影響，以及增加V2V用戶對V2I容量的影響。在基於D2D的V2V通信中，超出覆蓋範圍的場景和中繼可能會在資源分配方面帶來全新的挑戰。
介紹
車載通信在過去一段時間裏收到了研究領域的廣泛關注。基於DSRC的 Vehicular Adhoc+82網絡（VANETs）已經得到了深入的研究。隨着LTE R12的問師，研究的重點已經轉向了基於LTE的車載通信，即LTE V2X。LTE V2X是基於的D2D的近鄰服務，是建立ITS和促進未來自動駕駛技術的基石。
D2D通信是V2X的支撐，在頻譜效率、小區卸載、緊急通信、IoT增強方面都有很大應用。它不依賴基礎設施，允許彼此接近的設備直接通信。D2D的工作模式分爲帶內（Inband）和帶外（Outband）兩種：其中Inband允許設備在授權的頻譜中通信，但是蜂窩UE將作爲主要用戶而D2D UE是次要用戶，因爲Inband比較方便控制授權的頻譜，它的應用比較廣泛；Outband允許UE在未經許可的頻譜中通信。此外，D2D的模式分類還可分爲underlay和overlay兩種，在Underlay通信中，D2D和蜂窩UE共同分享整個頻譜，而Overlay通信中D2D和蜂窩的 UE各自單獨佔用信道的一部分。因此說Underlay比Overlay具有更好的頻譜利用率。
對於基於D2D的V2X，根據不同的場景其應用會有不同。V2V主要用於安全服務，V2I和V2N分別用於娛樂服務和基於雲的存儲服務，V2P用於確保車輛附近的人的安全。對於D2D的研究，主要集中在資源分配、功率控制、干擾管理、安全性和peer發現上。雖然目前對於D2D資源分配的論文不少見，但基於車輛網絡的D2D資源分配的論文還不多。由於車輛UE和蜂窩UE的QoS的不同，在資源分配的解決方案上會有諸多限制，其中車輛的移動性是主要問題，因爲車輛移動行使BS跟蹤CSI變得困難。
本文主要貢獻如下：
- 提出了對於CUE（蜂窩用戶）、V2V、V2I三者的資源分配方案，使用三位圖論匹配的方法進行信道容量的計算。
- 使用基於超圖着色的鄰接矩陣，進行了RB的分配。
對於D2D資源管理的研究並不少見，[1]從優化的角度對D2D的資源管理技術進行了深入的回顧，並提出一種方法，首先識別問題和約束然後使用相應的優化技術加以解決，其提出了三種解決資源分配的主要方法：博弈論、圖論、啓發式方法（heuristic aproaches）;[2]着眼於選擇D2D和CUE之間的模式，提出一種多摩市的資源管理方法。
圖論被應用於D2D的資源分配，[3、4]提出了干擾感知圖；[5]利用圖輪方法研究了功率和RB分配的問題。但是在傳統的圖論中，只能用邊來表徵聯繫，而邊只能連接兩個主題，因此不能對多用戶之間的關係進行建模；[6]中提出一種基於超圖的資源分配方法；[7]對基於D2D的V2V中無線資源管理進行了詳細的分析。
[8]提出了基於D2D的具有延遲和可靠性約束的V2V通信，作者強調了車輛UE的需求，並提出一種獨立的RB分配和功率控制的算法。[9]延續了8的工作，將延遲和可靠性的需求轉化爲優化問題的約束並使用SOLEN（獨立RB與功率分配）算法加以解決。[10]根據車輛UE服務需求的不同，通過優化問題對D2D車輛通信的最優功率分配進行建模，它僅考慮緩慢變化的大尺度衰落；[11]在一個場景中引入了三種UE，分別用於單個CUE、安全性V2V通信、非安全性V2V通信中，其實用了基於超圖和貪婪算法的三位匹配模型，提出一種基於局部搜索的V2X通信資源分配的三位匹配算法。[12]中給出了最大化遍歷容量的功率與用戶對聯合優化算法。
近期結合圖論的資源分配方法也不少見，超圖是這些文章共有的重要工具據，大多數對於超圖的研究還侷限於二維問題，也就是網絡中只有兩種不同類型的UE。
本文將[10]中的功率分配算法擴展到三種用戶類型的情況，並將[6]中的工作擴展到RB分配上，對於2-3種UE使用不同的SIR閾值。使用基於鄰接矩陣的着色方案進行圖着色。
網絡架構和系統模型
網絡架構
考慮基於LTE的V2X場景，其中VUE（車輛UE）與CUE（蜂窩UE）一起出現在網絡中，並且共享可用的上行資源，假設VUE與CUE在需求和應用方面是不同的，因此需要對CUE有不同的配置。VUE分爲V2V和V2I，分別用於安全類和非安全類應用。用j = {1,..., J}表示CUE的集合，k={1,..., K}表示VUE中V2I鏈路的集合，l={1, ... , L}表示VUE中V2V鏈路的集合。所有通信同時發生，發送端和接收端都爲單天線，用X={1, ... , X}表示可用的上行RB集合。
【網絡架構】
以單個eNB覆蓋範圍內的區域爲研究對象，網絡由一個基於D2D的V2V和一個傳統蜂窩UE和一個V2I鏈路組成，如圖1所示。三個用戶在上行鏈路上互相干擾，雖然目前的工作大多數將CUE和V2I鏈路歸爲一類但本文不那樣做，原因是V2I鏈路的移動性導致其遇到的大尺度衰落和CSI是延遲到達BS的，而CUE大多是在一個相對固定的位置並且移動非常緩慢，因此其主要受到小尺度衰落的影響。
圖2展示了cell內UE的分佈情況，CUE用紅色表示，其散佈在半斤500m的cell內，VUE穿越cell中心的在高速路上移動（用藍、黑、紫表示）。
不同種類UE的需求
V2I鏈路的優化目標是高信道容量，因爲從信息娛樂服務到交通相關服務都需要高的傳輸速率；V2V因爲主要用於安全信息，因此其優化目標是可靠性。對於CUE，設置一個語音通話的最小SINR需求。此外，瞬時CSI對於CUE是可獲得的，但在VUE的情況下，由於車輛的高移動性使CSI不可得，因此對於VUE的信道跟蹤是比較困難的。信道的功率增益由大尺度和小尺度衰落參數決定，分別用g和\alpha表示。表一展示了不同UE的需求，對於V2V，高可靠性意味着中斷概率需要低於某個閾值；對於V2I，高速率代表着需要最大化其信道容量；對於CUE，需要SINR高於閾值以提供良好的語音服務。
系統和信道模型
BS來自CUE、V2V、V2I的接收SINR用式(1)~(3)表示，用x表示兩個鏈路是否分配到同一個RB上。
表2展示了不同信道的功率增益。假設所有UE共用一個對數正態陰影分佈。[16]中提出了車輛通信的信道模型。表3展示了三個種類UE的PL模型，其爲具有不同陰影標準差的瑞利衰落信道。VUE中a和b的信道增益由4a表示，信道功率增益由PL和陰影決定（4b），其中
RB分配方案
最大化信道容量的第一步是計算最優的功率分配。[10]中隊V2I V2V用戶的最優功率進行了評估，這裏將其擴展爲適用於三種UE的情況，這裏假設CUE的最小需求SINR已知，並且將AWGN從SINR公式中去掉（這是因爲已經推導出干擾比AWGN大得多）。
最優功率分配
首先找到單V2V\V2I\CUE下的重用子載波的最優功率分配方法，即l號V2V鏈路與k號V2I鏈路和j號CUE共享頻譜。爲簡單起見，去掉子載波的指數，重寫公式如下：
上式的
這裏假設CUE所得到的SINR是其下限，因此可將(5e)改作：
（5f）並且
（5g）
起初，將(5g)中的Pk和Pl設置爲Pk_max和Pl_max，進而得到P_j的數值。應用方程(5e)得到(6)式：
爲簡化對功率表達式的推導，假設干擾比加性噪聲大得多，因此我們將
因此(6)式成爲：
下面使用公式(7)和文獻[10]中提出的引理1（對於兩種UE的情況），將其擴展到三種UE的情況。
在過零點上，Pl >= 0，式(9)爲：
式8的圖示如下，未找到Pk和Pl的最優解，使用Newton-Raphson算法，圖上紅點表示最優點，當得到Pk和Pl的最優值後，這些值會被插入到(5g)中，整個過程不斷重複知道得到所有三次冪的穩定值。
基於超圖的匹配與RB分配
【使用超圖進行匹配】
圖G用G=(V, E)表示，其中V是頂點集，E是邊集。在表徵干擾的超圖中，頂點表示UE，邊表示UE之間的干擾。這裏存在兩種類型的干擾：獨立干擾與積累干擾。獨立干擾用普通圖中的邊表示，說明此邊所連接的兩個UE互相干擾，而積累干擾時由超邊連接。當超圖構建好以後，用不同的顏色對其着色，每種顏色標識一個RB。若CUE滿足表4中的等式，則形成一條連接V2V和V2I的邊。
爲了分別找到獨立和積累干擾，首先定義SIR（信幹比），表4總結了用於構建一個圖的所有等式。選擇SIR閾值是爲了去欸的那個eNB受到的干擾的嚴重程度。超邊中的組的大小可能不同，舉個例子如圖4所示，在一個超邊中考慮由三個節點構成的組。
第二步是對頂點進行着色，由於優化問題中的約束條件，所以該問題是非凸的，即np-hard問題。這裏使用貪心着色算法，將RB分配給UE。
[11]中，提出了一種基於局部搜索的三維匹配方法，該方法利用超衝突圖和基於k-claw的局部搜索的方法。[15]提出了一種基於圖形的車載通信資源共享方法。針對高干擾的V2V用戶提出了三位匹配的方案。瓷娃娃i，作者還考慮了慢衰信道狀態信息（CSI）。比較了貪婪圖、隨機圖、baseline的資源分配，但其僅考慮RB和兩種UE。
本文對三種不同類型的UE使用三維匹配法，首先創建一個鄰接矩陣，這個矩陣是一個用於在三種UE中尋找共享資源塊的加權三維矩陣，其中每個RB不會分配給相同類型UE第二次。圖5a是鄰接矩陣的可視化，黑色放個表示相同種類的UE不能佔用一個RB。我們將這個鄰接矩陣爲指標矩陣W。這個矩陣將會和速率矩陣R相乘。與[11]不同，我們已經在上一節得到了最優功率，並用它來計算速率矩陣R。R與W的相乘將得到所有可能的速率。
【通過給圖着色分配RB】
本節使用鄰接矩陣對圖着色。圖5顯示了鄰接矩陣即獨立干擾。全黑區域表示相同類型的UE對彼此造成的獨立干擾，黑白區域表示用戶可以是另一種類型用戶的獨立干擾源，也可以對另一種用戶不造成干擾。作爲獨立干擾源的用戶通過一條邊相互連接，並分配不同顏色，如圖5b所示。這確保了用戶永遠部分共享相同的顏色（RB）。圖的構建是動態的，這說明他在每次迭代中都隨着車輛的移動而變化。
仿真結果
本文目標是調查V2I在不同條件集下的容量。仿真通過MATLAB。首先考慮車輛的速度和容量，然後增加V2V用戶數並記錄信道榮拉你個。最後檢查最優功率分配是否會得到最優的信道容量。表5給出了仿真參數。起初每個類別有20個用戶，後來添加了V2V用戶的數量。
【不同CUR的SINR下 車輛速度對信道容量的影響】
如上圖，當CUE的SINR閾值不同時，V2I信道容量不同，閾值越大V2I容量越小，這是因爲CUE對V2I的干擾變大了。
如上圖是CUE數量不同時V2I信道容量的變化，如圖可見CUE數量的增加對V2I容量幾乎沒變化，這是因爲CUE用戶隨機分佈在蜂窩中， 其中靠近高速公路的用戶對V2I的干擾大。
如上圖，是V2V用戶不同時對V2I容量的影響，其影響很大。這是因爲V2V與V2I的通信發生在同一高速公路上，因此當V2V數量增多時，V2I的容量將降低。該影響在速度塊時更加明顯，這是由於車輛高速行駛時信道增益變化造成的。
如上圖，速度變化時，V2I發射功率和信道容量的關係。增加發射功率可以增大信噪比，進而獲得更大的信道容量，但是來自其他用戶的干擾也會更大，上圖可以看到23dB和20dB信道容量的差別不大。因此功率和干擾之間需要權衡
展望
基於D2D的V2V通信中的資源分配受多個因素影響，網絡的拓撲結構、網絡中的用戶類型、用於解決該問題的優化技術。
目前大多數研究是在一個BS覆蓋範圍內進行的，因此不同BS覆蓋範圍之間的切換還有待研究。網絡的拓撲結構和用戶的QoS需求導致優化問題的約束條件不同，對於優化問題的解法從匹配理論[18]到基於機器學習的算法[19，20]都有很多，[21]提出了一個混合資源分配的結構，其中C-V2X和IEEE 802.11P的協同時未來研究的一個點。