鄭創(chuàng)明，劉龍偉，張海林，李勇朝

(西安電子科技大學(xué) 綜合業(yè)務(wù)網(wǎng)理論及關(guān)鍵技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710071)

為了滿足第五代移動(dòng)通信系統(tǒng)增加1 000倍數(shù)據(jù)速率[1]的要求，在現(xiàn)有網(wǎng)絡(luò)架構(gòu)的基礎(chǔ)上，部署超密集的小基站增加頻譜復(fù)用次數(shù)是提高頻譜效率的一種有效方法[2]。然而,在一個(gè)網(wǎng)絡(luò)中部署更多的小基站必然會(huì)帶來(lái)嚴(yán)重的小區(qū)間干擾[3-4]，從而限制著超密集網(wǎng)絡(luò)頻譜效率的提升。部分頻率復(fù)用技術(shù)[5-6](Fractional Frequency Reuse, FFR)是一種易于實(shí)現(xiàn)且可靠性高的小區(qū)間干擾抑制技術(shù)。文獻(xiàn)[6]提出采用FFR抑制異構(gòu)網(wǎng)絡(luò)的宏微之間的干擾，來(lái)提升超密集網(wǎng)絡(luò)的頻譜利用率。超密集網(wǎng)絡(luò)中資源分配已經(jīng)被證明是抑制小區(qū)間干擾和提升網(wǎng)絡(luò)性能的另一種有效的技術(shù)[7]。其中靜態(tài)博弈利用經(jīng)典的納什均衡預(yù)測(cè)移動(dòng)用戶的行為，利用靜態(tài)博弈模型優(yōu)化超密集網(wǎng)絡(luò)的資源分配已經(jīng)成為學(xué)術(shù)界研究的熱點(diǎn)。文獻(xiàn)[8]提出一種在超密集網(wǎng)絡(luò)中采用雙層博弈對(duì)Femtocell進(jìn)行資源分配，并論證了算法的收斂性。文獻(xiàn)[9]在分布式資源博弈的基礎(chǔ)上，當(dāng)可用資源分配不足時(shí)，采用分配減半策略和概率放棄策略來(lái)提高資源的利用率。博弈的資源分配技術(shù)采用搜索或迭代算法[8-9]能夠達(dá)到性能最優(yōu)，但由于極大的計(jì)算復(fù)雜度，這些方案不能直接運(yùn)用于現(xiàn)有超密集網(wǎng)絡(luò)的資源分配中。

文中綜合分析和運(yùn)用超密集網(wǎng)絡(luò)中干擾抑制的各種成果，回避搜索和迭代算法，把超密集網(wǎng)絡(luò)中的資源分配、小區(qū)間干擾協(xié)調(diào)和能效優(yōu)化相結(jié)合，提出一種超密集網(wǎng)絡(luò)中宏微協(xié)作的干擾最小化資源分配算法(Cross-tier Cooperation Resource Allocation for Interference Minimization, CCRA-IM)。首先，采用文獻(xiàn)[6]中的FFR技術(shù)進(jìn)行宏宏之間和宏微之間干擾協(xié)調(diào)；其次，運(yùn)用宏微協(xié)作的干擾信息交互技術(shù)優(yōu)化微小區(qū)的資源分配，把每個(gè)小區(qū)子帶干擾信息量化為3個(gè)等級(jí)，這些信息被運(yùn)用到資源分配過(guò)程中抑制超密集網(wǎng)絡(luò)中的干擾；最后，對(duì)文獻(xiàn)[4]中提出的動(dòng)態(tài)負(fù)載自適應(yīng)技術(shù)進(jìn)行優(yōu)化，當(dāng)小區(qū)處于部分業(yè)務(wù)加載時(shí)，在保證用戶服務(wù)質(zhì)量不變的前提下，盡量把空閑的資源全部利用以降低潛在強(qiáng)干擾用戶的發(fā)送功率，從而進(jìn)一步降低了超密集網(wǎng)絡(luò)中的干擾。

1 系統(tǒng)建模及優(yōu)化目標(biāo)

在超密集網(wǎng)絡(luò)中采用文獻(xiàn)[6]中提出的復(fù)用因子為3的FFR對(duì)宏小區(qū)之間和宏小區(qū)與微小區(qū)之間的干擾協(xié)調(diào)的技術(shù)框架，如圖1所示。每個(gè)宏基站(Macro Base Station, MBS)包括3個(gè)宏小區(qū)，而每個(gè)小基站(sBS)只有1個(gè)微小區(qū)。用戶根據(jù)接收到的參考信號(hào)接收功率(Reference Signal Receiving Power, RSRP)的大小確定自己的服務(wù)基站[10]。如果接收到宏基站的RSRP大于小基站的RSRP，則選擇宏基站為服務(wù)基站。宏基站服務(wù)的用戶表示為MUE，小基站服務(wù)的用戶表示為mUE。

圖1 采用頻率復(fù)用技術(shù)的超密集網(wǎng)絡(luò)系統(tǒng)頻譜分割

(1)

計(jì)算用戶k需要分配物理資源塊(Physical Resource Block，PRB) 個(gè)數(shù)Ck，其中，g為每個(gè)PRB承載的調(diào)制符號(hào)數(shù)。用戶k分配的Ck個(gè)PRB對(duì)應(yīng)的用于發(fā)送數(shù)據(jù)的資源單元(Resource Element, RE)集合用Πk表示，根據(jù)文獻(xiàn)[12]目標(biāo)解調(diào)門(mén)限γk(t)來(lái)計(jì)算，即

(2)

(3)

式(2)經(jīng)過(guò)變化可得式(3)。通常情況下，在一次資源分配過(guò)程中假設(shè)干擾分布是保持不變的，且任意用戶k在上行所分配的所有RE上發(fā)射的功率相同。因此，用戶k在每個(gè)RE上發(fā)射功率與接收端的目標(biāo)解調(diào)門(mén)限γk(t)成正比，目標(biāo)解調(diào)門(mén)限越高，則需要的發(fā)射功率越大；目標(biāo)解調(diào)門(mén)限越低，則需要的發(fā)射功率越小。

因此，用戶k的上行發(fā)射功率可表示為

(4)

針對(duì)上述模型，文中優(yōu)化的目標(biāo)函數(shù)可以表示為一個(gè)帶約束的優(yōu)化問(wèn)題：

(5a)

(5b)

其中，K為一次調(diào)度的用戶數(shù)，Pmax為基站允許的用戶最大的上行發(fā)射功率。

2 宏微協(xié)作的干擾最小化資源分配算法

式(5)所描述的優(yōu)化問(wèn)題是非確定多項(xiàng)式-難(Nondeterministic Polynomial-hard, NP-hard)問(wèn)題[13]。采用窮舉搜索的方式可以得到最優(yōu)解，但需要計(jì)算N！次(N為超密集網(wǎng)絡(luò)中用戶數(shù))，這在現(xiàn)實(shí)網(wǎng)絡(luò)中無(wú)法實(shí)現(xiàn)。受文獻(xiàn)[4，6，8]的啟發(fā)，文中采用一種次優(yōu)的宏微協(xié)作的干擾最小化資源分配算法。

2.1 算法設(shè)計(jì)

宏微協(xié)作的干擾最小化資源分配算法，針對(duì)超密集網(wǎng)絡(luò)中采用以宏基站覆蓋的區(qū)域?yàn)榛締卧M(jìn)行干擾協(xié)調(diào)，主要包括宏微協(xié)作的干擾信息測(cè)量與傳送和干擾最小化資源分配兩部分。

2.1.1 宏微協(xié)作的干擾信息測(cè)量與傳送

宏微協(xié)作的干擾信息測(cè)量與傳送包括如下幾個(gè)步驟：

(6)

步驟2 根據(jù)QL量化每個(gè)子帶的干擾，QL可表示為

(7)

步驟3 小基站向同覆蓋的宏基站報(bào)告各個(gè)子帶的干擾等級(jí)。

步驟4 小基站向同覆蓋的宏基站請(qǐng)求與自己鄰區(qū)子帶干擾信息E，當(dāng)鄰區(qū)的個(gè)數(shù)為m且子帶的個(gè)數(shù)為B時(shí)，E={e11,e12,…,e1B,…,em1,em2,…,emB}，并把干擾信息E傳送給調(diào)度模塊。

2.1.2 干擾最小化資源分配

干擾最小化資源分配包括如下幾個(gè)步驟：

(8)

步驟2 基站采用PF調(diào)度算法的優(yōu)先級(jí)計(jì)算公式[14]，對(duì)M個(gè)待調(diào)度用戶進(jìn)行優(yōu)先級(jí)計(jì)算，并按照優(yōu)先級(jí)從高到低的順序進(jìn)行排列，優(yōu)先級(jí)計(jì)算公式如下：

(9a)

(9b)

(9c)

其中，Qk(t)為用戶k在時(shí)間t時(shí)刻的優(yōu)先級(jí)，Rk(t)為用戶k在時(shí)刻t的瞬時(shí)數(shù)據(jù)速率計(jì)算公式，W為信道帶寬，β為濾波因子，Rk(t-1)為用戶k在t-1時(shí)刻實(shí)際調(diào)度到的用戶速率。

步驟3 標(biāo)示本次調(diào)度中空閑的PRB，并統(tǒng)計(jì)空閑的PRB個(gè)數(shù)Ni。

(10)

步驟7 如果Nt≥Ni，則執(zhí)行步驟9；如果Nt

步驟8 選擇單位RE功率最大的用戶k，若MCS索引ωk≠1，則ωk=ωk-1，更新ζk、Ck、pk(t)和Nt，重復(fù)步驟6～步驟8；否則，選擇單位RE功率第二大的用戶v，采用與用戶k相同的操作，以此類推；并記錄本次調(diào)整的用戶為L(zhǎng)。

步驟9 如果Nt>Ni,則ωL=ωL+1，更新ζL、CL(t)、pL(t)和Nt。

2.2 算法復(fù)雜度分析

文獻(xiàn)[14]描述的比例公平調(diào)度算法是一個(gè)基本的資源分配算法，資源分配過(guò)程中沒(méi)有迭代算法和搜索算法，其復(fù)雜度可表示為O(1)。宏微協(xié)作的干擾信息測(cè)量中主要的計(jì)算集中在步驟1和步驟4，步驟1由小基站完成，其計(jì)算復(fù)雜度可以看成資源調(diào)度的一部分，步驟4由宏基站完成，其復(fù)雜度等價(jià)于一次正常的資源調(diào)度，表示為O(1)。宏微之間的信息交互通過(guò)X2接口完成，不占用空口資源。干擾最小化資源分配中步驟1到步驟7屬于資源預(yù)分配，其復(fù)雜度相當(dāng)于一次正常的資源分配，表示為O(1)；步驟8到步驟10屬于資源分配調(diào)整，調(diào)整的用戶數(shù)小于正常調(diào)度的用戶數(shù)，計(jì)算復(fù)雜度小于O(1)，表示為O(0,x)。因此，文中算法對(duì)宏基站增加的計(jì)算復(fù)雜度為O(1)，小基站的計(jì)算復(fù)雜度為O(1,x)，在技術(shù)可實(shí)現(xiàn)的范圍內(nèi)。

3 算法性能仿真分析

仿真參數(shù)如表1所示。仿真配置19個(gè)宏基站[13]，在每個(gè)宏基站覆蓋區(qū)域內(nèi)隨機(jī)部署30個(gè)小基站，宏基站覆蓋的區(qū)域分成半徑為200 m的中心區(qū)域和邊緣區(qū)域。為保證仿真結(jié)果的精度，只收集中間7個(gè)宏基站覆蓋范圍內(nèi)的用戶數(shù)據(jù)。文中以超密集網(wǎng)絡(luò)中動(dòng)態(tài)的負(fù)載自適應(yīng)部分頻率復(fù)用技術(shù)[4]為對(duì)比算法，在干擾協(xié)調(diào)能力、能效比和吞吐量性能方面與CCRA-IM進(jìn)行對(duì)比。對(duì)文獻(xiàn)[4]中算法的仿真參數(shù)與CCRA-IM的相同。

表1 系統(tǒng)仿真主要參數(shù)

圖2 小區(qū)間干擾分布CDF性能對(duì)比

圖2為在超密集網(wǎng)絡(luò)中采用CCRA-IM和文獻(xiàn)[4]在網(wǎng)絡(luò)業(yè)務(wù)量部分加載(60%業(yè)務(wù)加載)和完全加載兩種場(chǎng)景中每個(gè)用戶所測(cè)量的小區(qū)間干擾累計(jì)概率分布曲線。從圖4可以看出，在小區(qū)間干擾協(xié)調(diào)能力方面，CCRA-IM兩種場(chǎng)景中都表現(xiàn)出較好的性能。主要原因是CCRA-IM在部分業(yè)務(wù)加載場(chǎng)景中不僅充分利用了多余的帶寬資源，降低了潛在高干擾用戶的發(fā)射功率，而且給潛在高干擾用戶分配無(wú)線資源時(shí)，CCRA-IM總是選擇鄰區(qū)子帶干擾較小的無(wú)線資源，進(jìn)一步降低了對(duì)鄰區(qū)的干擾，因此干擾抑制能力強(qiáng)。在網(wǎng)絡(luò)業(yè)務(wù)全加載場(chǎng)景下，CCRA-IM通過(guò)選擇鄰區(qū)子帶干擾較小的無(wú)線資源給潛在的高干擾用戶，降低了對(duì)鄰區(qū)的干擾，達(dá)到了干擾最小化資源分配的目的。

圖3給出了在網(wǎng)絡(luò)加載的業(yè)務(wù)量從10%變化到100%的過(guò)程中，兩種算法在能效性能方面的性能差異。仿真結(jié)果表明，CCRA-IM無(wú)論在網(wǎng)絡(luò)業(yè)務(wù)部分加載場(chǎng)景還是在網(wǎng)絡(luò)業(yè)務(wù)全部加載場(chǎng)景都表現(xiàn)出較好的性能，在網(wǎng)絡(luò)業(yè)務(wù)部分加載場(chǎng)景中能效比提升高達(dá)15%，即使在網(wǎng)絡(luò)業(yè)務(wù)全部加載的場(chǎng)景中，能效比提升約11%。這充分證明CCRA-IM能夠適應(yīng)于超密集網(wǎng)絡(luò)中各個(gè)基站(宏基站和小基站)的無(wú)線資源分配策略。

圖4是兩種算法的平均用戶吞吐量的性能對(duì)比。由于CCRA-IM在宏微之間采用干擾協(xié)調(diào)，使得系統(tǒng)內(nèi)的干擾分布更加均勻，因此不論對(duì)MUE的吞吐量還是對(duì)mUE的吞吐量都有提升。從圖4也可以看出，mUE的吞吐量大約是MUE的吞吐量的2倍，主要是由于小基站的帶寬資源豐富，且服務(wù)的mUE數(shù)量較少。從圖4可以看出，相對(duì)于文獻(xiàn)[4]的算法,CCRA-IM無(wú)論對(duì)MUE的吞吐量，還是對(duì)mUE的吞吐量，性能提升均超過(guò)10%。

圖3 加載不同業(yè)務(wù)量的能效比

圖4 平均用戶吞吐量對(duì)比

通過(guò)仿真證明，與文獻(xiàn)[4]的算法相比，CCRA-IM在超密集網(wǎng)絡(luò)中，在降低干擾強(qiáng)度、提升能效比和系統(tǒng)的吞吐量方面能夠發(fā)揮較好的性能優(yōu)勢(shì)。

4 結(jié)束語(yǔ)

文中提出的CCRA-IM能夠適應(yīng)超密集網(wǎng)絡(luò)中動(dòng)態(tài)變化的業(yè)務(wù)場(chǎng)景，干擾抑制能力達(dá)1dB以上，能效比提升超過(guò)10%，用戶的吞吐量提升超過(guò)10%，算法實(shí)現(xiàn)復(fù)雜度低。不足之處在于，基站之間需要交互干擾信息，必然會(huì)帶來(lái)X2接口的信令開(kāi)銷。超密集網(wǎng)絡(luò)的無(wú)線資源管理的研究任重而道遠(yuǎn)，未來(lái)的研究，把資源分配算法和網(wǎng)絡(luò)自適應(yīng)頻譜規(guī)劃相結(jié)合，應(yīng)該會(huì)是一種更加有效的干擾抑制方法。