利用图同构网络实现NR-V2X车联网低延迟中继选择
在密集城市环境中，C-V2X（蜂窝车联网）网络面临一个关键挑战：如何为车辆提供可靠、低延迟的上行链路连接。由于信道快速变化和障碍物遮挡，车辆与基础设施（V2I）之间的直接链路常常性能下降。多跳中继可以有效恢复覆盖，但中继链路的激活需要同时考虑无线、容量和路由约束，这是一个NP-hard优化问题。传统上采用混合整数线性规划（MILP）求解，但其运行时间随图规模扩大而急剧增加，难以满足车联网的实时性要求。
创新方案：边缘感知的学习优化框架
针对这一难题，来自意大利的研究团队提出了一种边缘感知的学习优化（Learning-to-Optimise）框架，用于实时中继选择。该框架将每个V2X快照建模为有向图：节点特征编码车辆状态和流量需求，边特征则捕获无线链路容量。离线MILP求解器生成最优中继配置作为监督信号，训练一个图同构网络（GINE），使其能够通过单次前向传播输出边级中继激活决策，推理延迟严格受限。
混合策略：GINE剪枝MILP
为了弥合学习与精确优化之间的差距，研究团队还提出了混合GINE-Pruned MILP（GP-MILP）策略：先用GINE预测结果剪枝MILP的搜索空间，再调用MILP求解。实验表明，GINE在链路级决策上与MILP高度一致（验证集准确率0.9589，F1分数0.9544），并能在5毫秒内完成所有实例的推理。在端到端连接增益方面，GINE相比1跳MILP基线提升显著：4个RSU场景下增益达9.2%，2个RSU场景下达12%。
性能与实时性兼顾
更令人印象深刻的是，GP-MILP策略在保持与MILP等效解（目标值相同）的前提下，对超过98%的图实例实现了30毫秒以内的求解时间，使MILP级别的优化精度与NR-V2X严格的延迟预算兼容。
行业背景与意义
随着5G NR-V2X标准推进，低延迟高可靠通信成为自动驾驶的关键支撑。传统优化方法在动态车联网场景中面临计算瓶颈，而图神经网络（GNN）的引入为实时资源分配开辟了新路径。本研究首次将边特征图同构网络应用于中继选择，并通过混合策略实现了精度与速度的平衡，为未来车联网中继部署提供了可行的技术方案。
实验设置与数据
研究团队基于OSM-SUMO-GEMV²管道生成了大规模数据集，模拟密集城市交通场景。实验充分验证了GINE和GP-MILP在不同RSU密度下的有效性。