5G 系统中基于小区分群的干扰管理*

汤仕艳，孙长印，王军选

(西安邮电大学 通信与信息工程学院，西安 710121)

1 引言

在异构－多层的5G 蜂窝网络中，为了满足5G的1000 倍容量目标，每个宏小区覆盖100 个小小区［1－2］，在如此高密度小小区分布的情况下，小区密度的增加将带来严重的干扰问题和导频污染，以至于限制小区的最终密度［3］。因此，超密集小小区网络的干扰管理比单个宏小区更具有挑战性，原因是单层网络(甚至一些为两层网络而开发)的干扰管理方案不能有效地运用到超密集小小区网络场景中。小区间协作是干扰管理的重要手段，而小区分群是一种协作设计。

文献［4］对传统的小区间协作方案进行了研究。小区间协作的基本思想是通过相互干扰的小区之间的协作，使得位于小区边界的干扰用户占用相互正交的无线资源，如时域、频域和空域等，同时，复用几何位置上足够远离用户的无线资源，达到既降低小区间干扰，又提高资源利用率的目的。文献［4］中协作的资源分配方案分为两步，第一步是基于干扰图的分群，第二步则为集群分配资源，但该方案针对特定的分群个数或用户信道数而言。然而，文献［5－6］的方案则将资源分配问题转化为染色图问题，并提出次优的启发式算法。

本文针对5G 系统中的超密度小区网络场景，提出了基于小区分群的干扰管理方案。此方案分为两步:一是将宏小区覆盖下的小小区进行分群，二是对群内干扰和群间干扰分别采用基于多小区协作和频域或时域的干扰避免。新分群方案的设计，部分继承了文献［5－6］中提出的基于图论用户分群的思想，首先对所有的用户进行分群，在完成用户分群以后，再对应找到各个用户所属的小区，这样就达到了小区分群的目的。然而，用户分群的关键是干扰图权值的计算，本文利用用户的信干噪比(Signal－to－Interference－and－Noise Ratio，SINR)和干扰泄露(Signal－to－Othercell－Interference Ratio，SOIR)来计算权值，该连续权值不仅能准确地反映用户之间的干扰关系，突破文献［5］中离散权值方案对系统性能提升的局限性，而且采用了自适应的利己利他策略，克服了传统基于资源竞争的利己策略所具有的干扰管理与资源效率矛盾的问题。同时，第一个小区的选择对小区分群的性能有很大影响，为此文中把距离调和平均数作为小区分群的附加准则。仿真结果表明，相比于文献［5－6］的方案(参考方案)，新方案大大提高了系统的性能，减轻了小区间干扰(Inter－Cell Interference，ICI)，可以作为超密集小区网络中多小区调度方案。

2 系统模型

本文考虑的是5G 系统中的超密度小小区网络场景，它由L 个小小区组成，每个小小区有一个独立的天线，称为小小区的接入点(Access Point，AP)。整个网络包括L 个AP，每个AP 为Ml个用户提供服务，因此用户总数目 MT=。此处m(l)∈Ml表示用户m 连接到接入点l(l∈{1，2，…，L})，假定每个用户只有一个主服务AP。

图1 是一个示例场景，包括一个密集小小区网络以及一个本地网关(Local－ GateWay，L－ GW)。这样的L－GW 作为小小区和网络回程之间的媒介。

图1 密集小小区蜂窝网络Fig.1 Dense small－cell cellular network

在上述网络中，基于干扰管理的优化问题可以转换成加权和速率最大化问题，其中加权因子可相应进行调整，以维持公平性或网络其他用户的服务要求。令{wm，n，m∈MT，n∈N}为反映任意用户瞬时服务质量(Quality of Service，QoS)要求的权值，Rm(l)，n是小区l 上的用户m 在子信道上n 的速率，表示为Rm(l)，n=lb(1 +ρ·)，其中ρ 是与目标误码率(Bit Error Rate，BER)相关的常数，表示为［7］ρ=－1.5/ln(5·pBER)。相应的信干噪比(SINR)可表示为

此时，Pl，n是小小区l 在子信道n 上的发射功率，Gm(l)，l，n是用户m 和小区l 之间在子信道n 上的信道增益。另外，η 是热噪声功率，Im(l)，n是小区l 上的用户m 在特定子信道n 上的干扰集合。所以，上述优化问题就是找到最优资源分配方案使得加权和速率最大化，用公式表示如下:

限制条件:

式中，am(l)，n是二进制变量，如果小区l 的用户m 在子信道n 上，则am(l)，n=1;否则am(l)，n=0，n∈1，2，…，N;而Pl，n表示在子信道n 上节点l 的发射功率。因此，网络的优化问题变成了求加权和速率最大化问题，而限制条件(3)和(4)分别表示资源分配受到节点l 的功率Pl，max和小区内正交分配的限制。

上述优化问题是个NP Hard 问题，计算复杂度很高，当小区密度超时，更是如此。所以，本文提出一种基于干扰图的求解方法，可大大降低算法的复杂度，同时获得近似最优性能。

3 基于图论的ICI 管理

为了解决上述优化问题，在本节中我们将介绍基于图形框架的替代方案，该方案包括两个主要阶段，即干扰图的构建和小区分群。

3.1 干扰图构建

此处我们选择用户作为干扰图的节点，因为在高密度小小区蜂窝网络中信道是分配给用户的。干扰图G=(u，v)中每个节点来自集合V(=MT)，E 表示下行链路中用户之间潜在的干扰。干扰图是一个加权的无向图E(u，v)=E(v，u)，关键是计算每对用户(u，v)的边权值E(u，v)，u、v∈V。

下面以用户u 和用户v 为例详细介绍E(u，v)的计算步骤。

步骤1 根据下面的公式计算用户之间的干扰值:

步骤2 由步骤1 中计算的连续干扰值来定义每对用户u、v 的边权值E(u，v)，u、v∈V，可表示为

显然，公式(5)中干扰值λu，v不仅与用户的SINR 有关，而且还与SOIR 有关，其定义为

所以，上面计算的用户之间的干扰值λu，v不仅反映了用户u 和用户v 之间的干扰关系，而且体现了自适应资源竞争策略，即最大化自己信号，同时降低对邻小区的干扰。

在系统中同小区的用户之间存在严重的干扰，因此，同小区的用户之间设置非常高的边权值，以保证集群最终将包括该小区的所有用户(即同一小区的用户)不会出现第二个集群中。

上面完成了干扰图边权值的计算，实现了干扰图的构建，下一步则是基于干扰图进行小区分群，而小区分群的关键是用户分群。在文献［5－6］中用户分群算法的思想是把干扰较强的用户分配到不同的集群中，使之在不同的信道上进行通信。然而，小区分群的思想与文献［5－6］中的用户分群思想恰恰相反，新的分群算法则是把干扰较强的用户放到一个群中进行处理，以此来减少集群之间的干扰，同时对群内小区进行干扰协调处理，最终达到降低ICI、提高资源利用率的目的。

3.2 小区分群算法

基于干扰图的小区分群算法分为两个阶段:一是将小区内所有用户分群，二是找到每个群中用户所属的小区。下面进行详细介绍。

3.2.1 第一阶段:用户分群

步骤1 定义小区n 和其他小区间的距离调和平均数dn=，其中dn，m表示小区n 和小区m 之间的距离，Ncell表示小区数目。

步骤2 根据前面所计算的用户之间的干扰边权值Wtotal，计算每个用户的边权值之和 Wi=Wtotal(i，j)，其中Nuser表示用户数目，Wtotal(i，j)表示用户i 和用户j 之间的边权值。

步骤3 结合步骤1 中每个小区的dn和步骤2中的Wi，构建一个新的组合权值Wupdate_i，此处i(n)∈Nuser表示用户i 属于小区n，同小区的用户具有相同的距离调和平均数，则di(n)=dn;组合权值表示为Wupdate_i=k1Wi+k2A* di(n)，其中k1和k2是加权系数，满足k1+k2=1，A 是一个设计常数。

步骤4 此处分两步完成:

(1)群头元素分配:根据每个用户的Wupdate_i，按从小到大的顺序对用户编号进行排序，得到一个1×Nuser维的数组Unum，选择Unum的第一个用户作为第一个群的群头元素;

(2)群内其他元素分配:从数组Unum尚未分配的元素中逐次寻找满足条件的用户，直到群内元素的数目达到目标值为止。条件1:先定义Wtotal(i，j)≥Wth，其中Wth=Ncluster* w2，i 表示已经分到集群中的用户，j 表示待分配的用户，Ncluster表示集群数目，w2表示不同小区的两个边缘用户之间的干扰权值［5］;条件2:用户j(待分配)和用户i(已分配)接入的APm 和APn 之间的距离最小，即di(n)，j*(m)=}，JL表示尚未分配的用户集合。一旦用户j*分配到了集群，则要从Unum中删除j*，即Unum=Unum{j*}。重复上面的两个步骤直到第一个群的用户分配完成。

步骤5 更新Unum中剩余用户的Wupdate_i，然后重复步骤4 的操作，直到集群数目等于Ncluster－1 时停止;最后把Unum中余下的用户作为第Ncluster个群。

根据k1和k2的不同取值得到的组合权值，分为下面三种情况:

(1)k1=1，k2=0，此时Wupdate_i=Wi;

(2)k1=0，k2=1，此时Wupdate_i=A* di(n);

(3)k1≠0，k2≠0，此时Wupdate_i=k1Wi+k2A* di(n)。

3.2.2 第二阶段:小区分群

通过上面的步骤我们已经完成了小区分群的关键阶段，下一步就是如何把分好的用户集群转换成我们所需要的小区集群。

步骤2 消除重复小区，例如使用MATLAB 中的unique()函数，删除中重复出现的小区编号，即可得到最终的小区集群矩阵:，其中CMc是集群中最大的小区个数。

经过上面的小区分群算法，可以有效避免群间干扰。下一部分我们将介绍通过小区间干扰协调方法来减少群内干扰。

4 群内小区信道分配

通过使用小区间干扰协调方案，可以获得减少群内干扰的效果。由于每个群的小区数目受限，如不大于7，而群间干扰很小，所以，由公式(1)～(4)描述的约束优化问题可分解为多个针对分群小区的独立子优化问题，每个子优化问题可采用文献［8］所示的松弛图优化算法，或文献［9］中描述的基于自由度恢复算法求解，由于篇幅所限，此处不再详述。

5 仿真结果

在本节中，通过计算机仿真来验证我们提出方案的性能。仿真参数遵循LTE－A 的标准，如表1所示，其中SCM(E)Channel 参见文献［11］。

表1 仿真参数Table 1 Simulation parameters

为体现本文提出的新方案的有效性，仿真中把用户数目作为定值，小区数目作为参数变量，对新方案(方案2)和参考方案(方案1)进行了系统吞吐量的对比，方案1 采用了文献［6］中的离散干扰权值进行小区分群算法，而方案2 基于算法的复杂度、有效性和干扰随距离的衰减等因素的综合考虑采用了第三种情况下的组合权值;同时方案1 中所使用的权值遵循公式(8)的关系，所以干扰图边权值的选择为［6］

式中，wN和wA分别表示无干扰用户间的边权值和同小区的干扰权值，w0、w1和w2分别对应ICI 不同级别的干扰权值，这取决于两个用户之间的地理位置，即如果两个用户是在两个相邻小区的中心，表示为w0;如果一个用户在小区边缘，而另一个用户是在相邻小区的中心，用w1表示;如果两个用户位于两个相邻小区的边缘，用w2表示。

对群间干扰采用基于频域或时域的干扰避免，对群内干扰采用基于小区间协作的干扰管理。小区内调度属于多用户资源调度，调度方法可以基于信道和用户吞吐量，采用比例公平(PF)算法［10］进行。

图2(a)～(c)分别是用户数目200，小区数目为20、40、60 三种场景下，两种分群方案吞吐量的累积分布函数(Cumulative Distribution Function，CDF)曲线图。小区分布呈网格状，平均间距为200 m，用户随机分布于小区边缘地区。图中红、绿、黑分别表示其中3 个小区(从系统中任意选出的参考小区)的吞吐量CDF 曲线，蓝色曲线表示系统整体的吞吐量CDF 曲线。特别要说明的是，在图中小区1、2 和3 的性能增益不固定，主要原因:这3 个小区只是选出的参考小区，用户是随机抛洒的，每次抛洒之后这3 个参考小区的用户数目是不确定的，所以用户数目比较少的小区，其吞吐量增加缓慢，但是很明显可以看出不管在哪种情况下新方案的性能增益都比参考方案(方案1)更好。

图2 不同场景下两种方案的吞吐量CDF 曲线Fig.2 CDF of two schemes under different configuration

从图中可以看出，当用户个数固定时，随着小区数目的增加，两种小区分群方案的系统吐吞量都在增加，这种上升的趋势一个方面反映了随着小区数目的增加，小区分群增益也在增加;另一个方面说明了在超密度小区网络场景中，尽管小区间干扰越来越严重，但采用本文提出的干扰管理方案，可有效地降低干扰的影响，因为随着小区数目的增加，系统吞吐量没有出现饱和趋势。

在相同条件下，方案2(连续权值方案)比方案1(离散权值方案)系统吞吐量提升幅度更大，而且随着小区数目的增加，新方案提升系统性能的效果更明显。为了更清楚地反映这种优势，在图3 中针对上面的三种场景，对两种方案的系统吞吐量进行直观比较。通过图上的结果可以发现，方案1 的小区分群算法对系统性能的提升有局限性，随着小区数目的增加，系统的吐吞量增加的幅度在降低，与同场景下方案2 系统吞吐量的增量相比更明显地突显出了其弱势，原因在于方案1 采用离散权值构建干扰图，仅从用户的地理位置判断干扰关系，在低密度小区的情况下，可以反映用户间的干扰关系，但在高密度小区的情况下，由于相邻小区(即干扰小区)的增加，方案1 的干扰权值不能够充分体现每一个用户的干扰特性。然而，方案2 使用用户的SINR 和SOIR 来计算干扰图的边权值，该连续权值充分利用每个用户的接收信号、干扰信号以及噪声等综合条件来描述用户之间的干扰关系，更加精细地实现了用户的分群，有效减轻了ICI。与此同时，方案2 根据用户之间的干扰关系动态调整权值，即相邻小区用户在争夺资源时，除了考虑相互间干扰，还需考虑资源效率，所以，不仅在干扰消除和系统频谱利用率间自适应地获得平衡，而且系统吞吐量获得了更大的提升。

图3 不同小区数目下两种方案性能比较Fig.3 Performance comparison between two schemes under different cell configuration

6 结束语

本文讨论了一种基于小区分群的干扰管理方案，在超密集小区分布场景下对宏小区覆盖下的小小区分群，提出了基于用户信干噪比和干扰泄露计算连续干扰权值的方案(方案2)和基于用户距离的离散权值方案(方案1)，对两种方案的性能进行比较。仿真结果表明，方案2 的小区及系统吞吐量都明显优于方案1，因为方案2 不仅可以降低小区间干扰(ICI)，而且自适应地调整干扰权值避免用户之间资源的竞争，从而在提升用户频谱效率和干扰消除之间达到平衡，所以方案2 相比于其参考方案(方案1)，更加适合于5G 中超密集小区分布场景，是5G 系统中减轻干扰、提升系统性能的有效方案，特别是改善小区边缘用户的性能更加明显。

本方案考虑的是用户只有一个服务小区的情况，下一步工作是针对于5G 系统，在以用户为中心的虚拟小区情况下进行多小区/多用户调度问题的研究。

［1］HOSSIAN E，RASTI M，TABASSUM H，et al.Evolution toward 5G multi－tier cellular wireless networks:An interference management perspective［J］.IEEE Wireless Communications，2014，21(3):118－127.

［2］LEUNG V C M，TALEB T，CHEN M，et al.Unveiling 5G Wireless Networks:Emerging Research Advances，Prospects，and Challenges［J］.IEEE Network，2014，28(6):3－5.

［3］THOMPSON J，GE X H，WU H C，et al.5G wireless communication systems:prospects and challenges (Part 2)［J］.IEEE Communications Magazine，2014，52(5):24－26.

［4］PATEROMICHELAKIS E，SHARIAT M，QUDDUS A，et al.Dynamic Clustering Framework for Multi－Cell Scheduling in Dense Small Cell Networks［J］.IEEE Communications Letters，2013，17(9):1802－1805.

［5］CHANG Y，TAO Z，ZHANG J，et al.A graph－based approach to multicell OFDMA downlink resource allocation［C］//Proceedings of 2008 IEEE Global Telecommunications Conference.New Orleans，LA，USA:IEEE，2008:1－6.

［6］CHANG R Y，TAO Z F，ZHANG J Y.Multicell OFDMA Downlink Resource Allocation Using a Graphic Framework［J］.IEEE Transactions on Vehicular Technology，2009，58(7):3494－3507.

［7］ZHANG H H，VENTURINO L，PRASAD N，et al.Weighted Sum－Rate Maximization in Multi－Cell Networks via Coordinated Scheduling and Discrete Power Control［J］.IEEE Journal on Selection Areas in Communications，2011，29(6):1214－1224.

［8］SUN C Y，QING H F，WANG S P，et al.Component Carrier Selection and Beamforming on Carrier Aggregated Channels in Heterogeneous Networks［C］//Proceedings of 2014 International Conference on Information and Communications Technologies.Nanjing:IET，2014:402－407.

［9］GJENDEMSJ A，GESBERT D，OIEN G E，et al.Binary Power Control for Sum Rate Maximization over Multiple Interfering Links［J］.IEEE Transactions on Wireless Communications，2008，7(8):3164－3173.

［10］KIM H，KIM K，HAN Y，et al.A proportional fair scheduling for multicarrier transmission systems［J］.IEEE Communications Letters，2005，9(3):210－212.

［11］3GPP TR 25.996，MATLAB implementation of the 3GPP spatial channel model［S］.