Low-Latency Relay Selection in NR-V2X Vehicular Communications via Graph Isomorphism Networks with Edge Features

arXiv:2607.14176v1 公告类型：新 摘要：可靠、低延迟的上行链路连接是密集城市环境中 C-V2X 网络的关键要求，其中快速的信道变化和阻塞通常会降低车辆到基础设施的直接链路性能。多跳中继可以恢复覆盖范围，但在无线电、容量和路由约束下的中继链路激活会导致 NP 难优化问题，通常通过混合整数线性规划 (MILP) 来解决，其运行时间随图大小的扩展性很差。本文介绍了一种用于实时继电器选择的边缘感知学习优化框架。每个 V2X 快照都被建模为有向图：节点特征编码车辆状态和交通需求，而边缘特征捕获无线电链路容量。离线 MILP 预言机生成最佳中继配置，用于监督具有边缘特征的图同构网络 (GINE)，从而通过单个前向传递实现边缘级中继激活，并具有严格限制的推理延迟。为了连接学习和精确优化，我们还提出了一种混合 GINE-Pruned MILP (GP-MILP) 策略，其中 GINE 预测会修剪 MILP 搜索空间。对通过 OSM-SUMO-GEMV$^2$ 管道生成的大规模数据集进行的实验表明，GINE 在链路级别（精度为 0.9589）、验证时的 F1 分数（0.9544）与 MILP 决策紧密匹配，并在 1 跳 MILP 基线上产生一致的端到端连接增益（四个 RSU 时高达 9.2%，两个 RSU 时高达 12%）。推理延迟仍然受到严格限制，所有评估的实例都在 5~ms 内完成。此外，GP-MILP 保留了 MILP 等效解决方案（相同的目标值），同时使超过 98% 的图形实例的求解器运行时间低于 30~ms，从而使 MILP 级优化与严格的 NR-V2X 延迟预算兼容。