董梦圆，付宇钏*，牛晓健

(1.西安电子科技大学 综合业务网理论及关键技术国家重点实验室，陕西 西安 710071;2.西安电子科技大学 智慧交通研究院，陕西 西安710071)

未来的6G将在5G的基础上进一步增强带宽、拓展连接，支持智能交通系统的进一步发展[1]。中国联通 5G-A 通感算融合技术白皮书V3.0[2]指出5G即5G for Sensing 阶段，通过结合算力的通信感知融合实现感知增强，6G阶段为Sensing for 6G阶段，进一步实现感知对通信的反哺增强，实现网络质量和利用率提升。中国通信学会在《通感算一体化网络前沿报告》指出[3]：未来的6G将感知-通信-计算融合，旨在实现利用通信、计算辅助感知增强；
利用感知、计算辅助通信增强；
感知增强与通信增强进一步辅助计算增强。面向6G，未来车联网系统有望将通信、感知和计算资源融合起来，实现一种超灵活、智能的网络运行机制，为智能交通领域提供更高的数据速率(100 Gbit/s～1 Tbit/s)、极低的端到端延迟(<1 ms)以及极高的端到端可靠性(99.999 99%)。

为了满足高可靠低时延的任务处理需求与网络中有限的通信、计算资源之间的矛盾，研究者们致力于有效协同网络中的通信、计算资源，利用车联网中的V2X通信技术链接网络中分散的计算资源，实现计算增强；
面对带宽限制，将计算资源部署于数据附近，从而减少传输数据量，有效减轻通信负载，实现通信增强。虽然通信-计算融合可以在一定程度上促进车联网的发展，但不足以满足无人驾驶对高可靠低时延的极致需求，因此，探究将车联网中感知-通信-计算三者深度融合可进一步提高系统的感知准确性、通信吞吐量和计算效率。

6G车联网中的感知-通信-计算融合将满足智能交通对于超低时延、超高可靠、超高速率、高精度感知和广泛覆盖的要求。基于通信-计算融合，车联网感知-通信-计算三者融合有望通过通算融合感知，提供先验信息，实现资源互通；
感知融合通算，扩展感知深度，实现感知增强。未来车联网通感通过资源互通，结合人工智能技术对异构业务需求解耦与资源解耦，实现精准自适应资源分配，有效实现通信增强、感知增强和计算增强。

随着科技的不断进步，车辆的智能化给人们的出行带来极大的便利，自动驾驶成为近年来研究的热门话题。而单车智能由于其感知范围、感知精度与计算能力的限制，面对高动态的车辆环境，无法满足车辆对高可靠低时延的需求。随着5G、6G通信技术与边缘计算技术的发展，大量学者开始研究将通信、计算融合，通过协同共享环境信息并充分利用道路上的计算资源来适应高动态车联网环境下的应用需求。

研究人员在车联网通信和计算方面进行了长期研究。车联网中的三种通信模式为车车通信(Vehicle to Vehicle, V2V)、车与路侧基础设施通信(Vehicle to Infrastructure, V2I)以及车与行人通信(Vehicle to Pedestrian, V2P)[4]。自动驾驶随着5G的普及迎来了快速发展时期，但车联网赋能的自动驾驶仍无法实现真正的大规模普及，6G旨在促进无线通信技术的进一步发展，提供比5G更高的性能，满足不同场景的业务需求。车联网中离散分布的计算资源主要包含本地计算、边缘计算和云计算。本地计算资源即来自于车辆的计算资源，更靠近于数据源，但是数据处理能力不足；
边缘计算资源即靠近数据源的网络边缘侧的计算资源，距离数据源有一定距离，计算能力较强；
云计算资源即云端数据中心，远离数据源，计算能力强。三种计算资源的计算特性比较如表1所示。

表1 计算特性对比

车联网中通信-计算融合架构如图1所示。其中智能车辆可实现采集数据的全部或部分处理，以实时执行驾驶决策，通过通信层实现数据共享或数据卸载至计算层，一方面可实现感知范围的扩展与感知精度的提高；
另一方面可实现数据的分布式高效处理，保证信息有效性。

图1中，车联网中应用层包含自动驾驶、高精度地图构建等，不同的应用对时延的需求不同。网络通信是服务于车联网中应用的关键媒介。通信层的基本思想是建立稳定的互连与信息交换传输信道，保证车辆网络信息传输的可靠性与有效性。通信层一般包含两个基本技术，即网络接入技术与信息传输技术，网络接入技术可提供实时的异构网络接入；
信息传输技术为接入资源自适应分配网络带宽，平衡网络负载[5]。计算层是服务于车联网中应用的关键手段。其基本思想是增强网络计算能力，为车辆网络中的海量数据有效处理提供保障，保证行车安全、提高驾驶舒适度。

图1 车联网通信-计算融合系统架构

为实现通信与计算的进一步融合，需要设计新的信息传输处理协议及相应系统架构，以满足计算密集型任务的高效处理需求。因此需要考虑针对不同的场景，设计低成本、低复杂度和高效率的通信-计算融合新系统架构。

车联网通信-计算融合系统架构设计需要考虑系统实现的功能与实际的场景，避免潜在的设计缺陷。第一，系统应拥有适当的移动管理策略与接入控制策略，面对车辆网络的动态性仍能保证高效运行，保证网络链路的稳定性；
第二，面对异构业务需求，系统能针对业务等级，保证有效的协调处理；
第三，网络中通信和计算资源有限，系统应设计资源分配策略，保证网络资源的有效利用并满足任务处理需求；
第四，为了保护用户的隐私安全，系统需要保证信息传输的安全可靠性。分别从车辆移动性、多差分业务需求、通信-计算资源有限性和隐私安全四个方面确保系统架构的高效性与鲁棒性。

3.1 基于任务执行的通信-计算融合

面对来自网络中的计算密集型任务需求，基于任务执行的通信-计算融合通过通信技术链接车辆网络中车辆端、边缘端及云端计算资源，加快任务处理进程，实现任务执行成功率、延迟等的提升。其基于任务是否可以划分为全部任务卸载与部分任务卸载。本节分别从全部任务卸载和部分任务卸载对相关研究进行综述。

3.1.1 全部任务卸载

车联网中高度集成的任务或者相对简单的任务是不可分割的，可以选择在本地车辆上执行或者全部卸载到其他计算设备，全部卸载模型如图2所示。当任务决定在本地执行时，由本地计算资源对该任务进行处理，任务处理时延主要由本地计算能力决定，能量消耗主要为计算处理消耗[6]。由于车辆网络的动态性，车辆通信性能受到严重影响，相关研究[7-11]针对车辆移动性，对卸载决策进行优化。其中多以减少任务执行延迟和降低能耗为优化目标，对车辆移动造成的通信信道影响[7-8]、切换影响[9-10]、多跳链路稳定性[11]等进行研究，通过联合优化通信的传输功率及上传时间、计算的卸载决策和本地CPU频率，提高车辆网络中的通信与计算能力。

图2 全部卸载模型

3.1.2 部分任务卸载

部分卸载要求任务可以划分为独立的子任务，将划分好的子任务分配给网络中的计算设备，通过分布式计算，更能充分利用网络中的计算资源。如图3所示，部分卸载一般通过网络状态制定卸载决策，决定任务划分比率，将任务划分为一系列子任务，借助通信技术将子任务下发给网络中其他计算设备协同处理。

任务的执行时间由以上几个部分组成，如图4所示。部分卸载的研究更能灵活地处理数据量大和延迟敏感的应用。文献[12-14]针对车辆移动性造成的网络不稳定问题，对卸载决策及传输策略进行优化。其中文献[12]通过设置7种卸载模式，证明了协作计算比独立计算能达到更高的任务成功率及系统可靠性。为充分利用网络中空闲的计算资源，文献[15-16]研究了利用停放车辆的计算资源对任务执行延迟的影响，通过设计卸载方案，联合优化卸载率、卸载决策及资源分配，降低任务执行延迟。

图4 任务执行时间

综上，可以看出任务卸载决策不仅取决于任务延迟要求和卸载数据的传输速率，也取决于车辆用户的CPU频率和传输功率。表2分别从研究目标、研究内容和计算协作方式对任务卸载相关研究进行了总结。

表2 基于任务执行的通信-计算融合相关工作性能比较

3.2 结合隐私保护的通信-计算融合

随着自动驾驶的发展，由于车载计算能力的限制，车辆产生的海量数据倾向于卸载到路侧计算设备协助计算，这种交互容易造成车辆的信息泄露，区块链技术的引入可以提高车联网中数据共享的可靠性，激励车辆用户进行信息共享，促进安全的通信-计算融合[17]。在任务卸载过程中存在的隐私问题主要有车辆位置信息泄露、用户的卸载模式泄露、卸载过程中的内容信息泄露和卸载到不可信的边缘服务器造成的隐私泄露等[18]。本文把隐私泄露风险分为基于任务卸载决策的隐私泄露与基于网络特性的隐私泄露。

3.2.1 基于任务卸载决策的隐私泄露

通过对信道状态的有效把握，任务卸载将倾向于在信道状态良好的情况下进行[11]；
另外由于车辆的移动，容易造成计算设备的切换，车辆需要进行数据的转移[17]；
信道的通信质量受通信距离的影响，直接通信范围内数据传输成功率更高[8]。以上可以总结出任务卸载的一些偏好，比如更倾向于距离近的计算设备和信道状态较好的情况。攻击者利用这些卸载偏好来进行信息的窃取，文献[19]针对多智能体强化学习方法的隐私漏洞存在卸载偏好攻击，攻击者诱导用户将任务卸载给恶意的RSU；
为了避免这种倾向，文献[20]针对信息不完全的场景，通过结合区块链和机器学习优势互补，实现隐私保护；
针对用户的计算设备切换行为，攻击者可以推断出用户的行驶轨迹[21]等。针对边缘设备上的推断攻击，文献[22]使用Wald检验对推断攻击进行识别并揭示该设备存在的隐私风险。

3.2.2 基于网络特性的隐私泄露

基于网络特性的隐私泄露是由通信过程或计算设备的不可信产生的。通信的不可信体现在无线通信的广播性质，容易有被攻击者窃听的风险，文献[23-24]针对数据上传过程中造成车辆的身份泄露问题，设置隐私保护机制，保护卸载过程中的位置等隐私信息；
计算设备的不可信体现在边缘设备容易被攻击者攻击，当用户将多个隐私信息的任务卸载在同一个边缘设备时，很容易造成隐私泄露，为此，文献[25-26]将包含多个用户隐私信息的数据分别卸载在不同边缘设备上，很好地保护了用户的隐私。在合作边缘计算系统中，为了增强边缘节点之间的信任，文献[27]设计了一个基于区块链的差分边缘合作系统，保护隐私的同时也满足了延迟敏感业务的延迟需求。

结合隐私保护的通信-计算融合相关工作性能比较如表3所示。

表3 结合隐私保护的通信-计算融合相关工作性能比较

3.3 基于网络有限资源的联合通信-计算资源分配

面对车辆的高移动性与复杂的环境，自动驾驶车辆行驶过程中激增的业务量与网络中有限的通信和计算资源产生矛盾，不合理的资源分配将造成网络的拥堵与资源浪费，严重影响交通安全。因此如何对网络中有限的通信-计算资源进行高效分配，来满足不同用户的不同业务需求是需要解决的难题。

车联网中资源分配的资源主要为计算资源、通信资源、存储资源。计算资源通常指CPU频率和内存。通信资源是指频谱资源、信道带宽及传输功率等。存储资源是指一些设备的存储空间资源，这些存储空间用于缓存用户请求率高的热门内容，针对特定内容的请求，可直接将提前缓存好的内容交付给用户，进一步减少计算和通信负担。

针对联合通信-计算的资源分配，文献[28]考虑车联网中激增的业务需求和有限的通信、计算资源的矛盾，联合优化任务卸载决策、功率和带宽资源分配、MEC任务分配、MEC的频率比率，使系统的总能量消耗最小。文献[29]利用车辆网络中停放车辆的资源，提出一种端-边-云协同通信与计算资源分配问题，减少任务的执行延迟。文献[30]同时考虑无线通信链路能力和计算效率的约束，采用不同的无线接入技术，设计了一种车辆-道路-基站协同任务卸载体系结构，并分析了三种任务卸载方式：本地卸载、通过PC5接口的RSU卸载和通过Uu接口的BS卸载，利用强化学习实现最优的任务卸载和资源分配，最小化延迟并提高系统吞吐量。

由于交通环境的复杂性，网络中源源不断地产生来自不同车辆用户的不同业务需求，然而不同的业务类型对任务延迟需求不同，对业务等级的有效划分可以实现更精准的需求与资源匹配，表4总结了不同优先级的业务类型与其对应的延迟需求[31]。文献[31-33]考虑了任务的优先级加权，专注于不同类型任务的资源分配问题，通过联合优化信道分配和卸载决策，使优先级加权的任务总时延最小。

表4 不同应用优先级对比

缓存可以显著提高系统容量，减少内容交付延迟，增大频谱效率和能源效率。缓存单元可以部署在核心网络、无线接入网络和用户设备上，通过在核心网络上部署缓存单元，移动流量可减少1/3～2/3[34]，文献[35]针对有限的通信和计算资源，整合4C，即通信、本地计算、缓存、协作计算，提出了车辆边缘计算中的通信-计算-缓存-协作计算系统架构。文献[36]为了均衡有限资源与应用服务质量之间的矛盾，联合分配部分计算卸载决策、社交内容缓存和无线电资源，实现系统效用最大化。文献[10]使用强化学习方法优化资源分配与边缘缓存决策，实现超过10%的平均服务延迟降低。文献[37]考虑在边缘端缓存流行软件，通过优化联合缓存、卸载和时间分配策略，以节省网络的通信-计算资源。

综上，分别从研究目标、研究内容、是否考虑业务等级以及是否考虑缓存对现有研究进行总结，如表5所示。

表5 基于联合通信-计算资源分配相关工作性能比较

车联网通信-计算融合的研究现状表明通算融合可以在一定程度上满足时延敏感型应用对高可靠和低时延的需求。但不足以满足新兴智能应用对极高可靠性、极低时延的极致需求，而6G车联网中的通感算融合旨在增强资源互通，实现网络资源协作增强，为解决上述问题提供了新思路。本节对车联网感知-通信-计算的有效融合进行了探索，并分析了6G车联网中的通感算融合的未来应用及面临的挑战。

4.1 6G车联网中的通感算融合的探索

基于5G的NR-V2X标准已成功运用在车联网领域，有效促进车辆编队行驶、自动驾驶等技术的发展与进步。6G时代，将在5G网络的基础上显著提升网络性能。借助通信性能的提升，智能交通系统将得到进一步发展：基于空天地一体化通信技术实现全域覆盖，促进安全可靠的无人驾驶技术的实现；
基于通信感知集成技术，通信信号实现目标的精准感知，太赫兹通信技术和光通信技术将进一步增强对环境信息的感知与获取，实现安全可靠的感知；
支持区块链的分布式网络架构可进一步提高信息安全，实现安全可信的信息共享。

现有研究通过雷达通信一体化与边缘计算协同，一定程度上融合了通感算资源。文献[38]从联合优化的角度探讨通信、感知和计算的协调增益，将移动边缘计算与通信-感知集成技术相结合，构建了感知-通信-计算融合实现框架。文献[39]从车联网感知-通信融合到感知-通信-计算融合探讨了实现感知-通信-计算融合的理论难题和技术挑战。另外，针对以环境数据作为输入的应用，通过协调网络中感知设备的选取与通信-计算资源的联合分配，在一定程度上融合了通感算资源。其中文献[40]针对车路协同感知场景，联合分配感知块信息、通信资源和计算资源，增强感知信息的时效性和降低信息处理的时延；
文献[41]针对任务卸载过程导致的高传输时延问题，提出一种自适应传输数据或计算指令的卸载方法，通过调配网络中感知设备协同感知及通信计算资源的合理分配，减少传输资源的利用和任务处理时延。

综上，6G车联网中的通感算融合旨在增强资源互通，实现按需资源调配。通过通算融合感知，提供先验信息，实现资源互通；
感知融合通算，扩展感知深度，实现感知增强。通感算融合可实现网络资源协作增强，是车联网未来的研究趋势。

4.2 6G车联网中的通感算融合的应用

6G车联网中的通感算融合有望将先进的感知资源、通信资源和计算资源集成运用于整个智能交通系统，有效解决无限需求与有限资源之间产生的矛盾冲突，增强系统的可靠性、高效性及时效性，在自动驾驶、数字孪生、编队控制、安全可信等领域具有越来越广泛的应用。

自动驾驶促进更高级别的自动驾驶的发展与大规模落地，结合6G空天地一体化通信技术实现全域覆盖，拓展自动驾驶车辆的通信宽度，利用通信感知集成技术实现驾驶过程中的感知增强，端-边-云协同的计算网络增强人工智能使能的实时决策，实现安全可靠的无人驾驶技术。

数字孪生6G推进实现物理世界和数字世界的交互，太赫兹通信技术和光通信技术提供超低延迟、超高容量的数据传输，实现智慧化的交通决策与管理。

编队控制6G车联网中的通感算融合将促进编队状态更新速率，结合通信可靠性增强与时延降低，为车辆编队行驶提供更可靠的保证。

安全可信区块链能够为车联网信息数据提供安全保障，6G中支持区块链的分布式网络架构可进一步提高信息安全，实现安全可信的信息共享。

4.3 面临的挑战

6G车联网中的通感算融合旨在将感知资源、通信资源、计算资源有效集成，满足各种新兴应用对极高可靠性、极低时延的需求。但是，实现感知-通信-计算的有机融合将面临以下技术挑战。

异构环境下的需求保障车联网中存在海量业务需求，对需求进行分析与解耦可实现更可靠的资源分配决策，高效处理网络中的海量异构业务需求。

安全可信的数据共享自动驾驶在行驶过程中不断地收集信息来制定相应的驾驶决策，保证驾驶安全，因此激励更多的车辆用户参与信息共享是保障安全行驶的关键。因此，如何设置信息的共享机制来保障用户的隐私安全，实现安全可信的数据共享是亟需解决的难题。

通感算资源的相互制约与耦合关系理论研究通过分析通感算资源的内在冲突与权衡，可以有效促进资源的高效利用，保障安全可靠的自动驾驶。但目前研究欠缺关于通感算资源的相互制约与耦合关系理论研究。

智能的通感算资源调度如何设计高效的自适应通感算资源调度决策，实现业务需求与资源的高度匹配，提高网络资源利用率，平衡有限的资源与海量需求之间的矛盾，是需要解决的难题。人工智能技术由于其智能化的计算特性，可有效辅助实现高效的感知-通信-计算资源调度策略。

随着车联网中通信和计算技术的迅速发展，通信-计算融合因其带来的巨大协作增益而备受关注。但随着无人驾驶的发展，其难以满足车辆对高可靠低时延的极致需求。而6G车联网中的感知-通信-计算融合有望实现超低时延、超高可靠、超高速率、高精度感知和广泛覆盖的要求，在智能交通领域具有广泛的发展前景。首先，回顾了车联网中通信和计算技术的发展；
其次，针对车联网中通信-计算融合的系统架构和关键技术两个方向对相关工作进行了回顾总结，分别从基于任务执行的通信-计算融合、结合区块链的网络安全的通信-计算资源融合、基于网络有限资源的联合通信-计算资源分配三个方面对现有的通信-计算融合关键技术进行了综述；
最后，提出了6G车联网中的通感算融合在未来的研究方向与面临的挑战。本文通过对车联网通信-计算融合已有研究成果的综述，进一步提出对6G车联网中的通感算融合的未来展望，为相关领域研究人员对车联网通信-计算融合和感知-通信-计算融合的研究提供参考和帮助。

猜你喜欢计算资源通感资源分配征文通知：6G通感算融合无线电通信技术(2022年3期)2022-05-22基于模糊规划理论的云计算资源调度研究科学技术创新(2021年18期)2021-06-23新研究揭示新冠疫情对资源分配的影响 精读英语文摘(2020年10期)2020-11-26改进快速稀疏算法的云计算资源负载均衡微型电脑应用(2019年10期)2019-10-23一种基于价格竞争的D2D通信资源分配算法测控技术(2018年7期)2018-12-09通感：一扇让诗人不老实的门(外一则)中华诗词(2018年2期)2018-06-26通感(外一篇)——孔武仲《乘风过洞庭》中华诗词(2018年1期)2018-06-26基于动态规划理论的特种设备检验资源分配研究智富时代(2018年3期)2018-06-11基于动态规划理论的特种设备检验资源分配研究智富时代(2018年3期)2018-06-11基于Wi-Fi与Web的云计算资源调度算法研究计算机测量与控制(2017年12期)2018-01-05