李姣軍,楊 川,楊 凡,喻 濤,杜源昌,陳征驥

(1.重慶理工大學 電氣與電子工程學院, 重慶 400054;2.重慶川儀自動化股份有限公司, 重慶 400700)

0 引言

隨著無線通信技術的發(fā)展,5G通信技術更加成熟,為機器與機器(machine to machine,M2M)通信提供了很好的技術支持。M2M通信同人與人(human to human,H2H)之間的通信相似,機器類型通信(machine type communication,MTC)設備在實現(xiàn)通信功能之前,需要完成隨機接入過程與基站建立連接。但是MTC設備的部署密集程度遠超一般通信設備的部署密集程度[1],導致海量設備在接入時因MTC設備間的通信干擾更容易引起接入沖突。另一方面,由于MTC設備數(shù)量多、接入資源緊張,因此當大量MTC設備同時向基站發(fā)起接入時,必然會使得部分MTC設備因選中相同的接入資源而導致接入沖突,嚴重時造成網(wǎng)絡擁塞,使所有MTC設備接入失敗[2]。

為緩解大規(guī)模機器類通信中接入沖突、網(wǎng)絡擁塞的問題,國內外提出了多種隨機接入控制策略,主要包括接入控制限制(access control barring,ACB)、退避指示(backoff indictor,BI)、動態(tài)ACB等方法[3]。ACB控制方案本質是給MTC設備和基站分配一個ACB因子,若MTC設備的ACB因子小于基站的ACB因子,則允許該設備發(fā)起接入,反之則不允許發(fā)起接入,從而降低每個接入機會(random access opportunities,RO)上發(fā)起接入的設備數(shù)量。動態(tài)ACB方案根據(jù)預測的接入設備數(shù)量來調整ACB因子大小。文獻[4-6]中通過調整ACB參數(shù)控制每個隨機接入時隙中的發(fā)起接入設備數(shù)量,但該方案只適用于設備數(shù)量較少的情況。Zhou等[7]通過將ACB機制與資源分配相結合來提高小區(qū)內接入吞吐量,解決了隨機接入擁塞的問題,但接入時延較高。文獻[8-9]提出的動態(tài)ACB是根據(jù)每個接入時隙活躍的設備數(shù)量來估計ACB因子,但現(xiàn)有估計算法比較簡單,不能使接入吞吐量性能達到最佳。BI算法是在設備發(fā)起接入請求后沒有收到基站的接入響應(random access response,RAR)時,基站會給設備分配一個BI值,使設備在等待一段時間后重新發(fā)起接入以緩解接入沖突。Xu等[10]中提出的退避方案,通過給每個設備隨機分配一個退避時間從而達到緩解沖突的目的,但是退避時間會導致接入時延較高。孫君等[11]在ACB控制的基礎上提出一種基于退避預測的動態(tài)ACB控制方案來降低接入沖突,但該方案只適用于環(huán)境簡單、設備數(shù)量較少的場景。綜上所述,上述大部分接入控制方案只適用接入設備數(shù)量較少的場景,或者接入所需時延較高,無法滿足MTC設備大規(guī)模接入的需求。

網(wǎng)絡分層是目前解決MTC設備部署密集而引起接入沖突的主要手段。網(wǎng)絡分層通過將小區(qū)內的MTC設備分配到不同分組內,簡化小區(qū)接入網(wǎng)的網(wǎng)絡結構,從而降低小區(qū)內的設備接入沖突數(shù)量。劉冬雪等[12]提出一種分層接入的方法來提高接入資源的利用率和接入成功率,但未考慮MTC設備同時出現(xiàn)在多個分組內的情況,導致MTC設備找不到接入對象,增加了算法的復雜度。Jang等[13]提出根據(jù)業(yè)務到達率對小區(qū)設備分組和按照每個分組內請求接入的數(shù)量分配前導碼,但該方法接入時延較高。文獻[14-15]提出k鄰近算法對不同MTC設備按照聚類進行分層,但該算法針對小區(qū)邊緣MTC設備,且要求分層間的資源兩兩正交,不適合應用于資源緊張的接入網(wǎng)。邵羽豐等[16]提出了一種基于網(wǎng)絡分層的ACB控制方案提高了接入成功率,但該方案由于ACB因子的隨機性,會導致接入時延較高。李軍等[17]提出了采用滑動窗口控制的方法來控制每個接入時隙發(fā)起接入的設備數(shù)量,提高了接入成功率,降低了平均接入時延,但未考慮接入資源不足的問題。以上方案均只考慮了降低每個接入時隙的設備數(shù)量和接入沖突,沒有考慮接入資源與接入時延帶來的影響,很難支撐大規(guī)模機器類通信隨機接入的需求。

為了解決大規(guī)模M2M通信網(wǎng)絡擁塞、接入時延高的問題,提出一種網(wǎng)絡分層技術結合窗口控制技術的算法。首先建立骨干接入網(wǎng)絡模型,提出接入網(wǎng)絡分層優(yōu)化算法,優(yōu)化骨干接入節(jié)點集合,集合中的接入節(jié)點代表了簇頭設備,實現(xiàn)網(wǎng)絡分層。通過建立骨干接入網(wǎng)絡模型和接入子網(wǎng)模型,提出了窗口控制和前導碼復用策略,實現(xiàn)對MTC設備的接入控制。該方法可以使每個接入時隙內成功接入的設備數(shù)量最大化,降低設備接入沖突和接入時延,從而提高小區(qū)的接入成功率。

1 系統(tǒng)模型

系統(tǒng)模型如圖1所示,通信基站位于小區(qū)中心,負責接收小區(qū)內所有MTC設備的隨機接入請求,并將MTC設備接入網(wǎng)絡。小區(qū)中有M個可用前導碼(preamble,PA),N個MTC設備隨機分布在小區(qū)內,其中MTC設備主要分為水電抄表、智能家居設備、遠程監(jiān)測設備等靜態(tài)分布設備。

圖1 系統(tǒng)模型示意圖

由于MTC設備通過競爭型隨機接入方式向基站發(fā)起接入請求,且設備部署量龐大,當大量MTC設備突然涌入網(wǎng)絡并向基站發(fā)起隨機接入請求時,必然會因為有限的接入資源競爭而引起接入沖突,甚至導致小區(qū)網(wǎng)絡擁塞。針對MTC設備接入沖突問題,用無向圖G=(V,E)來表示MTC設備間的通信關系。其中V表示節(jié)點集合,E為邊集合,節(jié)點和邊分別代表了MTC設備和MTC設備之間的通信鏈路,用鄰接矩陣A表示節(jié)點之間的通信關系。

2 網(wǎng)絡分層算法

在隨機接入過程的第一步中,MTC設備向基站發(fā)送PA。MTC設備可選擇的PA數(shù)量有限[18],最多不超過64個。多個MTC設備在同一接入時隙向基站發(fā)起接入引起前導碼碰撞,這種情況視為隨機接入發(fā)起失敗,因此為提高小區(qū)內MTC設備的接入成功率,使用網(wǎng)絡分層來減少在同一接入時隙內選擇相同PA的MTC設備數(shù)量。

通過分層接入的思想使MTC設備分組接入,建立骨干接入網(wǎng)絡模型,解決接入資源不足的問題。首先,對小區(qū)MTC設備分組時,需要根據(jù)MTC的通信范圍和位置,作出小區(qū)接入網(wǎng)的網(wǎng)絡拓撲圖;在得到網(wǎng)絡拓撲圖后,利用定時提前量(timing advance,TA)分組并建立骨干接入網(wǎng)絡,考慮到接入資源緊張,提出最小骨干接入節(jié)點集算法,進一步減少骨干接入網(wǎng)絡中的接入節(jié)點數(shù)量,優(yōu)化骨干接入網(wǎng)絡;為了保證MTC設備之間、MTC設備與基站的通信質量,在建立骨干接入網(wǎng)絡模型時需要考慮節(jié)點之間的距離,需要以最少的接入節(jié)點數(shù)量覆蓋整個網(wǎng)絡,同時每個接入節(jié)點所管理的節(jié)點數(shù)不能相差太大,并減少節(jié)點被多個接入節(jié)點管理的次數(shù),否則會造成接入資源浪費[19]。

2.1 初始分層-建立骨干接入網(wǎng)絡模型

根據(jù)MTC設備之間的通信關系得到小區(qū)通信網(wǎng)絡的無向拓撲圖G,如圖2所示,小區(qū)中的每個MTC設備對應圖2中的節(jié)點V,任意2個可以互相通信的節(jié)點相連構成邊E。

圖2 小區(qū)的無向接入網(wǎng)絡拓撲圖

網(wǎng)絡拓撲圖中邊的長度為節(jié)點之間的距離,設節(jié)點Vi和Vj的坐標分別為(xi,yi)、(xj,yj),則節(jié)點Vi與節(jié)點Vj之間的歐式距離為

(1)

為了保證節(jié)點之間的通信質量,節(jié)點間的物理距離應該小于通信距離。d是判斷每個節(jié)點是否可以通信的閾值,則每個節(jié)點之間的通信關系可以表示成:

(2)

其中Oij=1表示節(jié)點Vi與節(jié)點Vj可以通信。d根據(jù)TA與物理距離之間的關系計算,計算式為

d=TA×DTA,TA=0,1,2,…

(3)

DTA=16×c×Ts/2

(4)

Ts=1/(SCS×NFFT)

(5)

其中:c是光速;SCS表示子載波間隔;NFFT表示FFT運算點數(shù)。由式(2)可以得到整個小區(qū)MTC設備接入網(wǎng)的鄰接矩陣為

(6)

由式(6)中的鄰接矩陣可作出小區(qū)接入網(wǎng)的網(wǎng)絡拓撲圖,然后在網(wǎng)絡拓撲圖的基礎上求解骨干接入節(jié)點集,骨干接入節(jié)點集數(shù)學表示方法為:

(7)

其中:V為節(jié)點集合;S為骨干節(jié)點集合;N(u)為節(jié)點u的一跳鄰接節(jié)點集合。

當節(jié)點在網(wǎng)絡拓撲圖中都處于初始狀態(tài)時,即MTC設備處于開機未接入的狀態(tài),算法隨機選擇開始節(jié)點,它們向自己的相鄰節(jié)點發(fā)送握手消息,并統(tǒng)計自己接收的握手消息中的分值信息。然后,在由起始節(jié)點和它的相鄰節(jié)點組成的網(wǎng)絡中,將分值最大的節(jié)點設置為初始節(jié)點并添加到初始解S中,分值計算式為:

(8)

其中:score(u)為節(jié)點u的分值;S為骨干節(jié)點的集合;C1是將u加入S后由未被覆蓋變?yōu)楸桓采w的節(jié)點的集合,C2是通過將u從S中移除由被覆蓋變?yōu)槲幢桓采w的節(jié)點的集合;Nfreq表示每個節(jié)點的頻率值。每個節(jié)點的初始頻率值被設置為1,通過不斷局部搜索迭代更新Nfreq,每一次沒有被覆蓋的節(jié)點的Nfreq增加1,節(jié)點的Nfreq越大,被選為骨干節(jié)點的概率就越大。小區(qū)初始骨干接入網(wǎng)建立具體步驟如下:

步驟1隨機選擇節(jié)點v向其相鄰節(jié)點發(fā)送握手消息,統(tǒng)計分值信息并建立小區(qū)的網(wǎng)絡拓撲圖;

步驟2對節(jié)點v及其相鄰節(jié)點的分值進行比較,選擇分值最大的節(jié)點u加入候選解S,作為骨干接入節(jié)點;

步驟3將節(jié)點u及其單跳鄰接節(jié)點的編號從節(jié)點集合中去除;

步驟4在剩余節(jié)點中重復步驟2和3,直到所有節(jié)點都被覆蓋;

步驟5選擇出的骨干接入節(jié)點構成的網(wǎng)絡就是初始骨干網(wǎng)絡。

通過建立小區(qū)初始骨干接入網(wǎng)絡對小區(qū)的接入網(wǎng)絡實現(xiàn)簡化。然而,初始骨干網(wǎng)絡中的接入節(jié)點數(shù)目較多,一些節(jié)點存在被多個接入節(jié)點支配的情況,還需要對網(wǎng)絡進一步優(yōu)化,初始骨干接入網(wǎng)絡模型如圖3所示。

圖3 初始骨干接入網(wǎng)絡模型示意圖

初始骨干接入網(wǎng)絡模型中的節(jié)點V和重疊節(jié)點組成第二層網(wǎng)絡-接入子網(wǎng)。其中,節(jié)點V可以直接向其所屬的接入節(jié)點發(fā)起接入,而重疊節(jié)點可以向多個接入節(jié)點發(fā)起接入,會對節(jié)點V造成接入干擾。

2.2 分層優(yōu)化-最小骨干接入節(jié)點集

初始骨干接入網(wǎng)絡中的骨干接入節(jié)點個數(shù)較多,為了使普通節(jié)點有足夠的接入資源,需要簡化初始骨干接入網(wǎng)絡,通過不斷優(yōu)化找出最小骨干接入節(jié)點集,即以最少的骨干接入節(jié)點覆蓋整個網(wǎng)絡。

根據(jù)最小骨干接入節(jié)點集的定義及滿足條件,建立最小骨干接入節(jié)點集的數(shù)學模型。最小骨干接入節(jié)點集的數(shù)學模型表示為

(9)

(10)

11)

(12)

其中:CBN表示求解最小骨干接入節(jié)點集合;Cm表示節(jié)點之間的通信關系,在降低骨干接入節(jié)點支配區(qū)域的重疊范圍時,其約束條件為節(jié)點是接入節(jié)點或鄰接節(jié)點;n表示節(jié)點數(shù)量。

為了防止局部搜索出來的解是局部最優(yōu)解,引入了環(huán)境檢測-重啟(environment detection restart,EDR)策略。通過對節(jié)點的環(huán)境信息的監(jiān)測,重啟搜索,添加或減少骨干網(wǎng)絡中的接入節(jié)點,避免節(jié)點回到之前的分組,減少局部搜索陷入循環(huán),直至求出最優(yōu)解。在EDR策略中引入nodemonitor變量,用于存儲節(jié)點是否可以加入最小骨干接入節(jié)點集的信息。當nodemonitor為1時,表示該節(jié)點加入骨干接入網(wǎng)絡中后,重疊區(qū)域的節(jié)點個數(shù)減少;當nodemonitor為0時,表示該節(jié)點不允許加入骨干接入網(wǎng)絡或者該節(jié)點離開骨干接入網(wǎng)絡后交疊節(jié)點數(shù)減少。在EDR策略中,更新nodemonitor變量須遵守以下規(guī)則:

規(guī)則1初始骨干接入節(jié)點集合中的接入節(jié)點的nodemonitor值為1。

規(guī)則2從骨干接入節(jié)點集合S中移除接入節(jié)點u時,nodemonitor(u)=0,鄰接節(jié)點v,即與u連接的節(jié)點的nodemonitor(v)=1。

規(guī)則3當節(jié)點v加入到S后,v的鄰接節(jié)點u的nodemonitor(u)=1。

為了避免局部搜索結果與之前得到的候選解相同,建立一個禁忌表forbid_list,用于保護骨干網(wǎng)絡中的接入節(jié)點被重復挑選且forbid_list中的節(jié)點不允許被刪除。優(yōu)化算法流程如圖4所示。

圖4 最小骨干接入節(jié)點集優(yōu)化算法流程

算法首先初始化nodemonitor,forbid_list以及節(jié)點的Nfreq和score,初始值為0,然后通過迭代添加覆蓋大多數(shù)剩余未覆蓋的節(jié)點,直到S覆蓋所有節(jié)點,從而貪婪地獲得一個初始候選解S。在初始化結束時,最佳解決方案S*由S更新并檢查S是否覆蓋所有頂點,通過EDR策略重復搜索得到新的解來更新S*。最后,nodemonitor的值由規(guī)則2更新。

如果當前解S存在未覆蓋的節(jié)點,算法首先從S中取出score值最高的一個節(jié)點,在未覆蓋的節(jié)點中重新搜索骨干接入節(jié)點。在移除過程結束后,算法迭代地將一個節(jié)點添加到S中,直到它覆蓋所有節(jié)點,即候選解是一個骨干接入節(jié)點集。當選擇的未覆蓋節(jié)點被添加到候選解決方案中時,nodemonitor值會根據(jù)規(guī)則3更新,這個新添加的節(jié)點會被添加到forbid_list中。每次添加一個未覆蓋節(jié)點后,未覆蓋節(jié)點的頻率增加1。當搜索時間截止時,最佳解決辦法即S*。優(yōu)化后的骨干接入網(wǎng)絡模型如圖5所示。

圖5 優(yōu)化后的骨干接入網(wǎng)絡模型示意圖

優(yōu)化后的骨干接入網(wǎng)絡中不僅接入節(jié)點數(shù)量減少,接入子網(wǎng)中的重疊節(jié)點數(shù)量也會隨之減少,從而減小節(jié)點之間的接入干擾,使接入子網(wǎng)中的節(jié)點有足夠的接入資源向接入節(jié)點發(fā)起接入。

3 窗口控制-前導復用

通過建立最小骨干接入節(jié)點集優(yōu)化小區(qū)骨干接入網(wǎng)絡模型后,針對第二層接入網(wǎng)中MTC設備出現(xiàn)在重疊區(qū)域的問題,首先根據(jù)各組MTC設備數(shù)量按比例分配重疊設備并建立接入子網(wǎng)模型,然后通過窗口控制和前導碼復用策略控制MTC設備向簇頭設備發(fā)起接入,提高MTC設備的接入成功率和資源利用率。需要注意的是,每一組的MTC設備接入時都攜帶有表明分組的標識號,簇頭設備會根據(jù)標識號決定是否發(fā)起接入響應,防止MTC設備接入其他組的簇頭設備導致接入時延增大和接入資源浪費,接入網(wǎng)的第二層網(wǎng)絡模型如圖6所示。

圖6 第二層接入網(wǎng)絡模型示意圖

通過網(wǎng)絡分層對MTC設備分組,分組內的設備可能在其他分組內也可以通信,即圖6中的重疊設備。為防止重疊設備沒有接入目標卻占用了接入資源而造成接入資源浪費,需要重新分配重疊設備,重新分配的計算式為:

(13)

其中:NC(n1),l表示第C組內重新分配的重疊設備數(shù);Nl(n1,n2)是n1和n2分組內總的重疊設備數(shù);NC(n1)和NC(n2)是分組內的MTC設備數(shù),即根據(jù)分組內的MTC設備數(shù)量按比例分配重疊MTC設備。

重新分配重疊設備后,MTC設備向所在組內的簇頭設備發(fā)起接入,同時通過前導碼復用的方法使每個分組有足夠的接入資源供MTC設備選擇,可以降低同組MTC設備因選中同一前導碼導致接入失敗概率,則第k個前導碼僅被多個設備中的一個設備選中的概率為

Nc,i=Nc,l+NC(n)

(15)

其中:Nc,i表示第i個接入時隙某個分組的MTC設備數(shù)量;Nch表示簇頭設備個數(shù);M-Nch表示每組可用的前導碼數(shù)量;Sk=1表示第k個前導碼僅被一個設備選中的概率。

第i個時隙某組設備數(shù)量為Nc,i=n時成功傳輸前導碼的設備數(shù)量為Yc,i,其期望值為:

(16)

可知,某個分組內當前可用前導碼數(shù)量為M-Nch。當前時隙內該組嘗試發(fā)起接入的設備數(shù)量為M-Nch時,則該組每個時隙內成功接入的設備數(shù)量最大。為了證明MTC設備數(shù)量與前導碼數(shù)量相同時成功接入的設備數(shù)量最大,由式(16)可得到每個接入時隙內MTC設備數(shù)量與成功接入的MTC設備數(shù)量關系,具體如圖7所示。

圖7 MTC設備數(shù)-接入成功數(shù)量關系

隨著分組內每個接入時隙內設備數(shù)量的增加,成功接入的設備數(shù)量會越來越少,但是如果能將各分組內每個接入時隙內的嘗試發(fā)起接入的設備數(shù)量控制為M-Nch,保證小區(qū)內每個接入時隙成功接入的設備數(shù)量最大化,則小區(qū)內每個時隙設備的接入成功率可以得到提升。

在這種思想基礎上,提出了一種基于窗口控制的接入模型。該模型主要分為3個部分,分別為等待發(fā)起隨機接入的設備隊列、接入失敗進入退避狀態(tài)的設備隊列和當前窗口內發(fā)起隨機接入的隊列,具體模型如圖8所示。

圖8 窗口控制接入模型示意圖

分組內所有設備都有一個分值,該值表示設備可以與周圍設備進行通信的設備數(shù)量,即分值越大業(yè)務越繁忙。小區(qū)MTC設備按照分值進行排序送入窗口,分值越大,優(yōu)先送入窗口中向簇頭設備發(fā)起接入。圖8中在隨機接入時隙到來前,所有設備會根據(jù)分值大小依次排列等待,若退避隊列中在當前時隙內有退避結束的MTC設備,則優(yōu)先發(fā)起接入;當隨機接入時隙來臨時,處于窗口內的MTC設備向簇頭設備發(fā)起隨機接入嘗試。當前隨機接入時隙結束時,若窗口內的部分MTC設備接入失敗,則會隨機生成一個退避時間值并進入退避隊列直至退避結束才可以再次發(fā)起隨機接入嘗試,同時安排符合窗口大小的等待隊列中的MTC設備數(shù)量進入窗口等待下一個隨機接入時隙。

窗口控制方法和沒有做任何接入控制的接入成功率計算式如下:

(17)

(18)

其中:PWin為窗口控制方法的接入成功率;Ns為接入時隙數(shù)量;Nw,i為每個接入時隙發(fā)起接入的MTC設備數(shù)量;PCom為沒有做任何控制的接入成功率。

為了解決接入資源緊張問題,引入復用PA方案,使每個分組內的MTC設備使用相同數(shù)量的前導碼接入簇頭設備,提升前導碼的利用率。前導碼利用率代表一個接入時隙內每個前導碼可以接入的MTC設備數(shù)量[18]。PA利用率計算式為

(19)

其中:Nk,i為第i個接入時隙成功接入的前導碼數(shù)量;nc,i為某個分組第i個接入時隙成功接入的前導碼數(shù)量。為了確保簇頭設備準確識別接入設備信息,每個MTC設備在發(fā)起接入請求時會議攜帶分組標識號Gid。簇頭設備在接收MTC設備發(fā)來的接入請求時,會將自身的標識號與發(fā)起接入設備的分組標識號匹配,匹配結果表示為

(20)

其中:Chid為簇頭設備的標識號;rec為發(fā)起接入設備與簇頭設備的標識號是否相同,相同則表示該接入設備與簇頭設備在同一分組,允許該設備向標識號為Chid的簇頭設備發(fā)起接入。

4 仿真分析

為了驗證本文算法的優(yōu)勢,通過Matlab進行仿真實驗,并將本文算法與其他算法的性能進行對比。首先對網(wǎng)絡分層算法進行了仿真實驗,對分組數(shù)量和重疊設備數(shù)量進行比較,其次在網(wǎng)絡分層的基礎上實現(xiàn)了對窗口控制和前導復用相結合的仿真實驗,最后對設備接入成功率和整體接入時隙比較驗證,仿真參數(shù)設置如表1所示。

表1 仿真參數(shù)設置

為不失一般性,仿真實驗次數(shù)設置成50次,所有實驗數(shù)據(jù)取均值。網(wǎng)絡分層的對比算法為隨機搜索算法、最小ID算法、最大拓撲度算法[20],其中TA取值為6。針對設備接入引入了ACB機制、動態(tài)ACB機制、分層+ACB算法、窗口控制接入算法進行性能比對。本文算法在網(wǎng)絡分層與接入控制方面對比算法的時間復雜度見表2。

表2 算法時間復雜度

本文算法時間復雜度主要表現(xiàn)在建立初始骨干接入網(wǎng)絡模型和求最小骨干接入節(jié)點集合上,需要N3+N2+N輪搜索,其中N為節(jié)點個數(shù)。

隨著MTC設備數(shù)量的增加,不同算法分組數(shù)量變化情況如圖9所示?？梢钥闯?隨著MTC設備數(shù)量的增加,3種對比算法的分組數(shù)量都在逐漸增加,而本文所提出的分層優(yōu)化算法始終保持在9組,表明優(yōu)化算法隨著設備的個數(shù)增加分組已經(jīng)飽和,有較好的收斂性;從分組數(shù)量來看,本文所提出的網(wǎng)絡分層算法分組數(shù)比最小ID算法平均減少43%,比初始分層算法減少47%,比最大拓撲度算法減少48%,說明本文所提出的網(wǎng)絡分層優(yōu)化算法能有效降低分組數(shù)量,使得后續(xù)接入時有足夠多的前導碼資源。因為本文算法引入EDR策略的目的是以最小的節(jié)點覆蓋同一區(qū)域內的整個網(wǎng)絡,隨著MTC設備數(shù)量增加,會導致每個分組內的設備數(shù)量增加,但并不會影響分組數(shù)量。

圖9 網(wǎng)絡分層算法性能

圖10為不同網(wǎng)絡分層算法隨著MTC設備數(shù)量的增加處于重疊區(qū)域的MTC設備數(shù)量的變化情況。隨著MTC設備數(shù)量的增加,網(wǎng)絡分層優(yōu)化算法和3種對比算法的交疊設備數(shù)量都在遞增。從重疊區(qū)域的MTC設備數(shù)量來看,網(wǎng)絡分層優(yōu)化算法的重疊MTC設備數(shù)量最少,比最小ID算法減少59.24%,比最大拓撲度算法平均減少65.41%,隨機搜索算法平均減少64.8%,說明本文算法在接入時MTC設備間的干擾情況較好。從重疊的MTC設備增加趨勢來看,網(wǎng)絡分層優(yōu)化算法增加得更為緩慢,對其重新分配時需要的運算量和對后續(xù)接入的影響也更小。

圖10 網(wǎng)絡分層算法的重疊MTC設備數(shù)

圖11為所有MTC設備在50個接入時隙內隨著MTC設備數(shù)量增加,不同算法接入成功率的變化情況?？梢钥闯?隨著MTC設備數(shù)量的增加,ACB算法、動態(tài)ACB算法和窗口控制算法的接入成功率都在減小,而網(wǎng)絡分層與ACB結合算法和本文算法的接入成功率基本保持不變。ACB算法和動態(tài)ACB算法性能最差,接入成功率最高為27.28%;隨著MTC設備數(shù)量增加,窗口控制算法的接入成功率相比于最初減小了31%;網(wǎng)絡分層與ACB相結合的算法的接入成功率始終保持在98%～99%,不能保證所有MTC設備成功接入網(wǎng)絡;本文算法的接入成功率為100%,可以保證2 000個MTC設備都能成功接入。相比4種對比算法中所有MTC設備在同一接入時隙內發(fā)起接入的情況,本文通過網(wǎng)絡分層算法實現(xiàn)MTC設備分組接入,降低了同一接入時隙內的接入沖突數(shù)量,每個分組的MTC設備通過窗口控制接入對應分組的簇頭設備,使得每個接入時隙的成功接入設備數(shù)量最大化。

圖11 50個接入時隙的接入成功率

圖12是不同接入算法隨著MTC設備數(shù)量增加接入所需時隙個數(shù)變化的情況?？梢钥吹?4種對比算法中性能最好的是窗口控制算法,2 000個設備接入需要約87.22個接入時隙,性能最差的是ACB算法,需要434個接入時隙才能使小區(qū)設備全部接入網(wǎng)絡,而本文提出的算法隨著MTC數(shù)量的增加,其接入時隙個數(shù)始終保持在8～11個接入時隙內,比窗口控制算法平均降低了85%。這是因為本文算法通過窗口控制和前導碼復用的方法對第二層網(wǎng)絡中的設備進行控制,相比于窗口控制算法,每個接入時隙只能允許M-Nch個設備接入,每個接入時隙允許發(fā)起接入的設備數(shù)量是窗口控制算法的Nch倍,提高了整體MTC設備的接入效率。

圖12 設備接入所需時隙個數(shù)

圖13是不同接入算法隨著MTC設備數(shù)量增加PA利用率的變化情況。ACB算法和動態(tài)ACB算法的PA利用率最低,因為2種對比算法對MTC設備的接入控制能力有限,不能滿足大量MTC設備的接入需求;窗口控制算法的PA利用率隨著MTC設備數(shù)量的增加始終保持在36%～38%;分層和ACB相結合算法的PA利用率始終保持在77%～78%;本文所提算法的PA利用率一直保持在98%左右,比窗口控制算法提高60%,比分層和ACB算法提高20%。這是因為本文算法引入了PA復用方案,不同分組內的MTC設備在同一接入時隙有足夠的前導資源進行接入,使一個前導資源可接入的設備數(shù)量增多。

圖13 PA利用率

5 結論

提出了一種網(wǎng)絡分層優(yōu)化結合窗口控制的方法來控制每個接入時隙發(fā)起接入請求的設備數(shù)量,提高MTC設備接入成功率。通過網(wǎng)絡分層優(yōu)化算法對MTC設備進行分組,然后每組會選出一個簇頭設備,簇頭設備接入基站后充當其余MTC設備與基站之間的中繼設備,負責接收所在小組內的其余設備的接入請求,同時其余MTC設備通過窗口控制算法和前導碼復用的方法向簇頭設備發(fā)起接入。仿真結果表明,本文算法可以使MTC設備的接入成功率達到100%,接入時延相比窗口控制算法降低85%左右,有效緩解了M2M通信設備接入沖突的情況,降低了小區(qū)整體設備的接入時延。未來將利用深度學習或強化學習等算法與本文算法相結合,通過感知MTC設備數(shù)量來解決邊緣稀疏設備的接入問題。