基于4G实验教学平台的同频干扰因素消解研究

许 琼，李翠然

(兰州交通大学 电子与信息工程学院，甘肃 兰州 730070)

基于4G实验教学平台的同频干扰因素消解研究

许 琼，李翠然

(兰州交通大学 电子与信息工程学院，甘肃 兰州 730070)

充分利用校企联合共建的4G通信实验教学平台进行同频干扰因素消解实验研究。主要研究思路是：通过RSRP推导结果给出Geometry(G)因子，结合实际网络数据有效预测干扰，予以分析对比及实验室验证，以此为据并通过计算重新优化调度优先级。通过仿真平台对调度优化后吞吐量增益分析证明，吞吐量得到较大提升，且密集组网场景增益效果良好，尤其对于该场景受干扰程度更大的边缘用户受益更为明显。

第四代移动通信; 实验教学平台； LTE同频干扰； Geometry因子

为适应经济社会发展对无线移动通信新技术人才的新要求，满足通信专业实验教学改革与建设的新需要，兰州交通大学与大唐移动公司于2014年共建了“TD-LTE”现代无线移动通信实验室[1]。该实验室针对TD-LTE通信技术的同频干扰问题做出了积极探索，教学效果良好。

1 TD-LTE系统下行调度与系统同频干扰

同频干扰问题是随大规模商用网络的出现而产生的，它引发网络吞吐量降低、边缘用户速率低下或时有中断。目前主要的解决办法是调整网络结构、减少小区间干扰。该方法虽在一定程度上减少了同频干扰，但须进行网络二次部署、自适应性较差。本研究提出以系统的可实现性为切入点，嵌入Geometry因子(G因子)作为计算分析手段，推导网络中不同用户干扰情况，利用该推导结果优化调度时序，减小近距离复用层内资源碰撞的概率，提升网络的自适应性。

1.1 下行调度功能及其算法选择

下行调度是指eNodeB调度模块根据各种信息动态选择用户分配资源，并确定分配传输资源数量。在现行无线系统，难免受到有限资源(包括时、频、功率等在内的空口无线传输资源)的制约，当遇有多个资源申请者以竞争的方式获取资源时，将会在繁多的混合业务场景中产生无效碰撞或抵消现象。要规避这一现象，须在强化移动通信技术的资源协调功能方面寻找良策。目前移动通信系统主流无线资源管理主要是以RR、MaxC/I、PF、EPF 4种算法来实现[2-3]。笔者认为，EPF算法更能够顾及用户公平性和信道质量，并通过区分业务类型采取不同调度排序方式增强QoS(quality of service)(见表1)[4]。因此，本文干扰协调选择EPF算法进行，并根据EPF算法的思路及3GPP协议标准给出具体系统框图(见图1)。

表1 EPF优先级业务QoS保证方式

图1 TD-LTE下行调度系统框图

Pri为调度优先级；f(CQI)为下行信道质量指示(终端物理层测量结果)；f(delay)为时延信息，受限于用户QoS；r为终端历史传输速率；γQCI为不同QCI等级对应调度优先级加权；g(delay)为非实时业务数据包在缓存区等待调度时延。

1.2 优化下行调度，降低同频干扰

系统同频干扰是指干扰信号的频率与有用信号频率相同，对接收同频有用信号的接收机造成影响[5]。由于频率复用方式日渐繁多且复杂，同频干扰现象很常见。为排除同频干扰而进行实时预测及有效调整，对保证系统性能正常发挥至关重要。

不同用户同频干扰是由近距离复用层的终端分配相同资源造成的。由图1分析可知，当用户具有相似的数据分配间隔及资源映射方式时，如果同一复用层的用户业务习惯(在相同时间点进行业务)及类型(网页下载、QQ、视频点播)相同，则易发生同频干扰，网络传输将会表现为SINR波动大、持续使用低阶的MCS方式、系统吞吐量大幅降低。若能够提前预测干扰并及时调整原有资源分配方式，就能够有效避免同频干扰、提升系统效率。

2 基于G因子下行调度优化

2.1 G因子计算推导

G因子是指用户接收到的基站信号功率和其他非接入基站的干扰噪声功率的比值，主要应用于系统仿真中。本文引入G因子，目的在于依据LTE小区中不同用户数据进行干扰等级预测计算，为基于干扰分布优化资源分配奠定基础。首先确定系统仿真中G因子计算方法是否满足实际网络干扰预测需求

(1)式中：Ps为基站发射功率；LPi为服务扇区到用户路径损耗；LPj为干扰扇区到用户路径损耗；N为白噪声。使用该G因子计算方法必须预先获知地理信息，继而计算链路损耗得到，对小尺度衰落及业务调度影响缺少考虑，无法直接应用于实际网络。此外，3GPP协议对G因子计算方法未曾有明确规定，故须根据终端可实现性和物理涵义作出正确的计算，以避免对干扰源评估有误而处理不当。G因子计算式为

式中：Ior为测量带宽内服务扇区信号能量；Ioc为测量带宽内的干扰和噪声。目前终端对信号测量主要是通过信号覆盖电平和信号接收质量得到，以此指标入手，考虑稳定性和有效性，采用以下2种方法推导。

2.1.1 从RSRP出发推导G因子

RSRP是单个子载波导频上有用信号接收功率。UE对带宽上所有承载小区专属参考信号的资源粒子进行功率测量，并计算其平均值[6-7]。其对应范围根据定义进行计算。RSRP=PN+G(dBm)PN为单子载波热噪声功率[8]。PN=kTB+NF=-125.2 dBm式中：k为玻尔兹曼常数，1.38×10-23JK-1; T为热力学温度，2900K；B为载波级带宽，15kHz；NF(noisefigure)为噪声系数(噪声通过电子器件后增加量)，7dB。

考虑G因子最小为-8dB，则RSRPmin=133.2dBm，RSRPmax=UEmax-10log(NRB×12)=-44dBm。

UEmax为终端最大输入功率，-25dBm；NRB为最小系统带宽，6个RB。

应用RSRP理论推导G因子应满足以下条件：

(1) 3GPP协议规定小区被探测到的条件是：Es/IoT≥-6dB[6]，Es为单子载波带宽有用信号功率，IoT为单子载波干扰噪声功率，即存在干扰邻区无法探测到的情况。

(2) 假设UE处于服务扇区，服务扇区RSRP以变量RSRPserving表示，有N个同频邻区，第i个同频邻区的单子载波带宽内RSRP功率是RSRPi(全部RSRPi功率加和为对服务扇区干扰)，Noise是一个载波带宽内噪声功率，Esi/IoTi是第i个扇区的Es/IoT，且所有功率变量均为线性域。其推导过程如下

公式变形为

推导得

由

最终确定

(2) 式(2)即G因子与Es/IoT关系式，并得到在协议限制下G因子上限为6 dB。分析Es/IoT和G因子上限关系(见图2)，探测能力Es/IoT的提升与G因子上

限的提升速度相同，即处于物理中心区域用户探测邻区范围减小，比本小区信号强度低6 dB以上的小区，UE在该点无法获得邻区的RSRP。

图2 G因子上眼与Es/lot关系图

2.1.2 从RSRQ出发推导G因子

RSRQ指导频信号接收质量，取值(N×RSRP)/RSSI。N为UE测量带宽内RB个数(一般为全带宽测量，例如20 MHz带宽，测量RB个数为100)；RSSI为UE测量带宽上的时域功率，只在有port0导频的Symbol上测量带宽内的总能量[6-7]，含服务扇区导频信号，服务扇区数据信号，邻区导频信号，邻区数据信号、外部干扰、噪声，且服务小区的导频信号和数据功率域总和为定值。RSRQ在G>-8dB上报，此时噪声和邻区干扰的总功率为6.3 dB，其范围为

应用RSRQ理论推导G因子满足以下基本条件：

第一，假设UE处于服务扇区，服务扇区RSRP是RSRPserving，数据子载波功率为Dataserving；

第二，终端所在服务扇区有M个同频邻区，第i个同频邻区的RSRP到达测量带宽范围内的功率是RSRPi，第i个同频邻区到达测量带宽内的数据子载波功率为Datai(全部RSRPi与Datai的功率和为对服务扇区干扰)，Noise是一个载波带宽内噪声功率，N为测量带宽内的RB个数，且所有功率变量均为线性域。其推导过程如下：

推导得dB域计算结果

(3) 由式(3)，G因子变化幅度由其真值部分决定，对其变化趋势的分析见图3。RSRQ为-15～-10时真值变化剧烈，尤其是在-11～-10.5时真值小于0；而终端测量正常范围为-10.5～-3，真值为负值，G因子无意义；其他存在范围内(-13.5～-11 dB)取值波动剧烈，3 dB的RSRQ波动导致18 dB跳变。由此可知，终端在协议允许的测量误差范围内，计算所得干扰结果严重发散。

图3 G因子真数变化图

通过以上推论可形成结论：(1)RSRQ受下行负荷影响大，在衡量网络干扰程度上引入不必要的维度，将导致G因子不精准，无法完成干扰可能性映射； (2)RSRQ与G因子是非线性关系，在不同信噪比区间，相同RSRQ波动，造成G因子影响范围扩展；(3)RSRP可稳定估计G因子，对于Es/IoT小于—6 dB，邻区的RSRP无法探测，该情况在实际场景不存在，终端基本因为信号质量达不到而掉网。因此，本研究采用RSRP作为预测输入。

2.2 RSRP的获取

终端测量得到RSRP后，需要上报至基站，为G因子计算提供依据。这一过程可利用A3事件实现。终端根据基站下发的邻区列表(每一小区存在对应邻区列表，通常由网络工程师基于现场情况确定)将上报相应RSRP值。为减少系统G因子计算量，需要对A3事件提取计算频度进行限制。TD-LTE无线移动通信实验室分别将实验室基站频点设置为单频点、三频点进行测试及计算分析，移动设备参数如下：

频率(MHz)：2600/2300/1800；

系统带宽(MHz)：20；

子帧配比：2:2；

特殊子帧配比：10∶2∶2；

基站数目：3；

MIMO机制：上行 1×2；下行2×2 SFBC；

发射天线增益(dBi)：上行 0；下行 12；

发射端馈线损耗(dB)：上行 0；下行 0.5；

接收端天线增益(dBi)：上行 12；下行 0；

最大发射功率(dBm)：上行 23；下行 46。

(1) 调整A3事件上报门限，G因子计算量减小，但影响切换正常进行；

(2) 尝试修改G因子计算条件(仅Mn-Mp>门限时计算，Mn为同频邻区测量结果，Mp为服务小区测量结果)，单频点组网时Mn-Mp门限设置为2 dB，三频点组网时Mn-Mp门限设置为1.5 dB，G因子计算量降低为原来40%(每5 min，G因子计算次数×上报邻区数)，且网络干扰评价不受影响。

2.3 基于G因子优先级调整

对同频干扰有影响的主要是优先级计算子模块，故利用G因子修改该模块计算方式，优化用户业务时序，以避免干扰可达范围内用户资源重用。在实际网络中，90%干扰由相邻复用层引起，且调度算法受限于单个基站，不适于站间通信协调控制。基于复用层统一调控后时序分布如图4所示，具体步骤如下：

(1) 根据基站工程参数(精度、维度、站间距、使用频点)对网络复用层编号N，同一复用层中基站N值相同；

(2) 设定相邻复用层个数M，默认值为6(中心复用小区一般由6个相邻复用小区包围)。进行二次编号分配X，X=NmodM；

(3) 依据邻区列表计算不同用户各邻区G因子，每一用户挑选最小Gmin；

(4) 将Gmin大于于门限值(不同场景有差异，本文取值2 dB)的用户按原有调度算法进行优先级排序；

(5) 将Gmin小于门限值用户重新计算优先级，如式(4)、式(5)所示。

步骤(1)、(2)在网络规划后完成，不需要基站每次进行计算。

(4)

(5)

(6) 优先级重新排序后分配资源。

图4 优先级调整时序变化图

3 仿真及测试分析

前已述及，利用RSRP算法对估算干扰影响程度具有一定的可行性，但其效果可达性，即G给出的因子是否反映实际干扰场景、利用该G因子进行调度优先级调整后系统是否存在增益，尚有待于相应实验室测试及仿真做出进一步分析验证。

3.1 G因子变化趋势分析

从RSRP及SINR定义可知：RSRP为接受覆盖电平，代表接受点服务小区信号强度；SINR为信噪比，代表有效信号与干扰噪声信号比值。当两者取值差距较大时，干扰严重；两者取之差距缩小，干扰减轻。对比G因子与SINR-RSRP差值趋势图，判断其准确性。实验室相应测试结果见图5、图6。

图5 RSRP与SINR差值趋势图

图6 Geometry趋势图

实验步骤：从RRU连接小增益天线，使终端处于两扇区电磁波干扰中央。调整干扰基站发射功率及可调衰减器，控制覆盖电平范围及信噪比的波动，采集相应数据。第6、7，9、10组测试数据波动，是因实验室无线环境不易控制而出现不稳定导致(实验室缺乏信道模拟仪，无法精确控制干扰程度，当有人走动或者空气流动剧烈时无线环境出现1～3 dB波动)。整体来看，随着RSRP与SINR间隔减小，G因子呈现增长趋势，即G因子基本反映实际的无线环境，结果可信。

3.2 吞吐量比较分析

实验室现有eNodeB数目无法验证系统增益，故采用仿真方式验证。基于实际网络应用，采用现实场景中标准网络拓扑进行，具体参数如表2所示。

表2 仿真室外场景参数

采用维也纳大学开发的LTE开源系统级仿真平台[9]进行分析研究，根据需要对平台进行修改并增加相应功能模块。网络部署模块增加复用层编号和小区编号的功能。根据Signals Research Group公开发表的测试报告[10]获知，在不存在高站越区及海平面折射场景下，对用户产生严重干扰主要是复用层为2区域范围内，故基站部署基于Wrap-around，形成19个站、57个小区。为提高系统计算效率，移动性管理模块设置为用户静止；修改链路测量模块，增加计算RSRP功能，并将SINR和RSRP发送给G因子计算模块；增加用户属性模块，增加分配业务时间记录和流量记录，并利用随机数生成业务类型(0代表GBR业务，1代表Non-GBR业务)；利用随机数生成需要业务时间点(为保证业务习惯相似性，采用相同种子生成随机数)；将调度时延、吞吐量、业务类型发送给调度子模块。修改EPF调度子模块业务流优先级计算方式，如式(4)、式(5)，γQCI值固定赋值为2，MCS方式确定及资源分配不改变，增加G因子计算模块，按照所获得的RSRP等值计算。

仿真具体步骤如下：

(1) 生成地图，部署基站位置，由于使用相同频点，每个基站为一复用层，按照部署基站先后进行复用层编号，每一基站3小区顺序生成小区编号；

(2) 对已生成的配置文件，按基站位置手动增加邻区列表，提供接口给G因子计算模块；

(3) 利用天线参数及COST231生成大尺度模型，计算阴影衰落；

(4) 随机生成用户，计算小尺度衰落，并在每次调用调度模块后更新；

(5) 由链路测量模块根据资源分配结果、大小尺度模型计算RSRP、SINR；

(6)G因子计算模块通过链路测量模块结果计算Gmin；

(7) 重新计算调度优先级，分配资源，并通过RB调度结果改变干扰余量。

为消除仿真随机性，每次仿真运行不同时间间隔，取10次仿真结果进行平均，仿真所得吞吐量对比结果见图7、图8。针对仿真中相关参数、特殊设置及其对仿真结果影响，对网络应用可实现性进行分析如下。

(1) Es/IoT≥-6 dB这一限制时，在仿真中设置当到达用户干扰小区与服务小区RSRP在10 dB以上，不进行资源分配。

(2) 在图7、图8中，G因子数值为整个小区下用户G因子平均值，两种场景下频谱效率都有提升。普通城区提升主要由高G因子部分贡献，密集城区提升主要由低G因子部分贡献，且总吞吐量密集城区提升更为显著。主要原因在于：吞吐量增益与网络结构及用户分布位置相关，密集城区边缘用户干扰严重，当改变其资源分配的时序后，增益更加明显。

图7 普通城区频谱效率对比图

图8 密集城区频谱效率对比图

(3) 由于系统条件限制，采用相同功率策略，且邻区负载采用固定配置方式。但实际网络场景随机性波动将会使吞吐量变化更明显。实际应用需提前对比联网测试与仿真情况。

4 结语

基于实际网络中用户动态分布及业务行为规律性，引入G因子进行同频干扰实时预测，通过对比，择优选用RSRP作为计算依据。利用主流厂商的设备实际测试，证明推导所得因子能有效反映网络实际状况。使用主流EPF调度算法，利用G因子进行细粒度优化，提高了网络自适应性，并依据实际终端限制能力进行参数设置。结果显示，系统吞吐量得到有效提升，且密集组网场景下更易获得吞吐量增益，也为同频组网资源优化补充了新的理论依据。

References)

[1] 许琼，周冬梅.新一代无线移动通信网络实验室总体框架设计[J].科技管理研究，2015(12)：95-100.

[2] Nandagopal T, Lu S, Bharaghavan V A. Unified architecture for the design and evaluation of wireless fair queuing algorithms[J].Wireless Networks, 2002,8(2):231-247.

[3] Li L, Pal M, Yang Y R. Proportional fairness in multirate wireless LANs[C]//Proceeding of 27th IEEE Conference on Computer Communications, USA Phoenix. 2008:1004-1012.

[4] 3GPP TSG-RAN. R1-07 LTE physical layer framework for performance verification[S].Sophia Antipolis: European Telecommunications Standards Institute,2007:673-675.

[5] Mazarico J I, Capdevielle V, FEKI A，et al. Detection of synchronization signals in Reuse-1 LTE networks[C] // Paris: IEEE Wireless Days, 2nd IFIP.2009:1-5.

[6] 3GPP TSG-RAN. TS36.133 V11.8.0Evolved Universal Terrestrial Radio Access (E-UTRA): Requirements for support of radio resource management(Release11)[S].Sophia Antipolis:European Telecommunications Standards Institute, 2014:134-155.

[7] 3GPP TSG-RAN. TS36.211 V11.5.0Evolved Universal Terrestrial Radio Access (E-UTRA): Physical channels and modulation (Release11)[S]. Sophia Antipolis:European Telecommunications Standards Institute, 2014:87-108.

[8] Tabbane S.无线移动通信网络[M].李新付,译.北京:电子工业出版社,2001:30-48.

[9] IkunoJ. C, WrulichM, RuppM. System level simulation of LTE networks[J].IEEE Vehicular Technology Conference, 2010, 11(18):1-5.

[10] SIGNALS RESEARCH GROUP.Signals Ahead[EB/OL].(2013-10-15)[2014-07-28] .http://www.researchandmarkets.com/reports/348644/signals_ahead#rela0.

Research on co-channel Interference factors resolution based on 4G experimental teaching platform

Xu Qiong, Li Cuiran

(School of Electronic and Information Engineering, Lanzhou Jiaotong University, Lanzhou 730070,China)

In order to solve co-channel interference, this paper makes full use of the fourth generation mobile (4G) communication experimental teaching platform based on school enterprise cooperation for experimental research.The main research ideas are as follows: the Geometry (G) factor is obtained by RSRP derivation, which is combined with actual data for effectively predict interference,though comparative analysis and laboratory verification.Based on the result, the scheduling priority is recalculated. Throughput gained by scheduling optimization is analyzed through simulation platform. The results show that the study can effectively improve the throughput, and the gain is more obvious in dense, especially for edge users in this scenario, whose interference effects are more serious.

fourth generation mobile communication; experimental teaching platform; LTE co-channel interference; Geometry factor

10.16791/j.cnki.sjg.2017.01.037

2016-08-24

国家自然科学基金资助项目(61661025)；兰州交通大学青年科学基金资助项目(2014008)；兰州交通大学重点教改项目(2015005)

许琼(1982—)，女，甘肃兰州，硕士，讲师，主要研究方向为无线移动通信技术.

E-mail：xuqiong1122@163.com

TN929.5

A

1002-4956(2017)1-0157-06