面向海量机器类通信(mMTC)的无线接入控制

曹 蔚,冯 钢,秦 爽,梁 靓2,

(1.通信抗干扰国家级重点实验室 电子科技大学,成都 611731; 2.通信工程学院 重庆大学,重庆 400044)

面向海量机器类通信(mMTC)的无线接入控制

曹 蔚1,冯 钢1,秦 爽1,梁 靓2,1

(1.通信抗干扰国家级重点实验室 电子科技大学,成都 611731; 2.通信工程学院 重庆大学,重庆 400044)

近年来，支持物联网(internet of things, IoT)应用的机器类通信(machine-type communications, MTC)成为未来移动通信网络的重要业务组成部分。随着MTC对广域连接需求的快速增长，通过蜂窝网承载IoT应用成为必然的趋势，蜂窝物联网也成为下一代移动通信系统(5G)的重点技术之一。特别地，海量机器通信(massive MTC, mMTC)被定义为5G网络三大通用场景之一。传统的无线接入技术很难适应mMTC的需求，因此，面向mMTC的无线接入控制研究具有重要的研究意义。在简单介绍传统随机接入过程之后，总结分析了现有mMTC接入新技术，并指出现有技术方案在面对越来越复杂的应用场景下的局限性，而近年来兴起的基于人工智能(artificial intelligence, AI)的接入机制成了解决此问题最具潜力的技术方案之一。分析了AI用于接入控制的可行性，并提出了一种基于Q学习的mMTC智能接入点选择机制，为将来基于AI的mMTC接入控制研究提供新的思路和技术手段。

5G；蜂窝物联网；海量机器通信；无线接入控制；人工智能

0 引 言

随着物联网(internet of things, IoT)的广泛应用，安全检测、智慧医疗、智慧交通、远程监控、消费电子等各类重要新兴行业对未来通信系统的需求越发强烈[1]。作为IoT的主要存在形式，机器类通信(machine-type communications, MTC)使机器与机器之间能够在没有人为干预或极少干预的情况下进行自主的数据通信及信息交互，是未来通信系统不可或缺的重要组成部分[2-3]。传统的MTC主要利用局域网、蓝牙等近距离的无线通信技术，可是随着MTC规模的扩大，开始依赖蜂窝网络基础设施为其提供广域连接[4]。于是，蜂窝物联网(cellular IoT)成为了全球下一代移动通信系统(5G)研究及标准化的热点，海量机器类通信(massive machine-type communications, mMTC)被定义为5G的三大通用场景之一[5]。已为数十亿用户提供服务的蜂窝网络，还将需要容纳额外的数百亿MTC设备[2]。因此，如何接入并服务海量的MTC设备成为迫切需要解决的问题。

欧洲电信标准化协会(european telecommunications standard institute, ETSI)提出的MTC网络架构包括了蜂窝网和MTC局域网[6]，MTC局域网即传统的IoT，本文关注的是蜂窝网的MTC接入。现有的蜂窝网中，用户要接入网络进行数据传输，首先需要完成无线资源管理(radio resource control, RRC)连接建立的过程，而随机接入(random access, RA)过程是建立连接的第一个环节[7]，成功接入网络是一切数据传输及网络应用的基础，无线接入问题是非常重要的研究问题并得到了广泛的研究。但是，MTC与传统的人类通信(human-type communications, HTC)在很多方面都有着本质的区别，mMTC的无线接入面临着新的挑战，传统蜂窝网中面向HTC的接入方法和过程，已难满足mMTC接入需求[8]，因此，针对mMTC业务特性的接入技术研究不可或缺。

为了更好地解决mMTC的接入问题，我们首先需要准确把握mMTC的特点。MTC与HTC在通信的性质及要求上的主要区别在以下几个方面[8]：

1)传输方向：以上行数据为主。多为监测信息的汇报。在某些应用中，也可能需要对称的上下行容量以满足控制器与传感器之间的动态交互。

2)数据大小：通常都非常小。例如，传感器传送的测量值可能只有几个比特大小，甚至只需要1个比特的信息来表示某个事件的发生与否。

3)接入时延：很多MTC应用都基于任务轮询机制，即设备会在空闲时休眠，而在一定时间后唤醒并发送数据。某些应用要求接入时延足够小以保证设备唤醒后能够快速接入网络。

4)传输周期性：不同MTC业务间可能存在很大差异。例如，一些应用的传输在时间上可能十分稀疏，而某些应用可能会按照已知的周期进行传输。

5)移动性：对于MTC业务来讲移动性不是主要考虑的方面。很多应用中设备甚至是固定不动的。

6)优先级：某些极端MTC业务传输的是非常重要的信息，因此需要很高的优先级。

7)设备数量：远远大于HTC中的用户数量。每个接入点可能有成百上千的设备。

8)安全与监测：MTC设备通常无法在发生故障或出现问题时发起报警。

9)生命周期及能效：多数MTC业务对能耗都相对敏感。一旦MTC网络部署完成后，很多设备需要在没有维护的情况下运行数年甚至数十年。

由于MTC与HTC间的这些区别，使mMTC的无线接入控制相比传统接入方式面临挑战。具体来讲，对于mMTC场景，上行链路是主要瓶颈，而下行链路要求可以进行深度休眠，且能够在网络发起通信时及时唤醒；要求单蜂窝能够支持上百个设备同时接入，无论是事件触发的、周期性的还是连续的；需要支持类型各异的设备，例如环境检测传感器、功用电表、可穿戴设备以及许多不可预见的应用设备；能适应不同时延需求的应用，例如智慧交通及社会安全等应用可能要求延时不超过5 ms，而另一些应用可能对时延十分不敏感；需要满足严格的能耗约束，很多应用都要求极低能耗，MTC设备电池使用寿命需要达到数十年；并且需要考虑巨大的信令开销，实现基于应用的信令协议，以达到高效的信令开销；需要实现广域覆盖，可能需要利用基于多跳中继的数据汇聚(Data Aggregation)；而设备移动性通常较低，对切换(handover)等功能的要求不高[4]。归纳起来mMTC接入技术面临以下几方面的挑战。

1)高密度设备部署：需要服务高密度且分布任意的用户设备，并解决室内遮挡问题。

2)上下行不对称的流量：需要兼顾连续的上传业务、严格要求实时性的上下行业务以及部分数据量较大的传输业务。

3)低能耗：要实现极低能耗和极高能效。

4)灵活的协议：尽量减小信令开销，建立兼顾深度休眠模式的灵活可变的信令交互方式，并能满足及时paging或网络侧发起的要求进行及时的下行传输。

5)巨大数目MMTC设备带来的复杂度：包括计算能力和存储能力的考虑，以适应mMTC的巨大规模。

6)兼容性：系统的后向兼容性，以保证在蜂窝网技术演进过程中也能正常进行功能性维护。

近年来，有大量的研究着眼于mMTC的接入技术，在本文中我们将对相关研究进行综述和总结分类，并且对这些技术的局限性进行分别分析。此外，随着mMTC业务的广泛应用，业务越发多样，形成了多模且动态的业务模型。为了适应这样的业务需求，通常有多种类型网络并存互补。面对如此复杂的网络环境和动态的业务状态，传统方法将很难充分解决mMTC的无线接入问题。于是借助人工智能(artificial intelligence, AI)工具，提供以业务为驱动的按需服务，实现网络的自学习自适应控制，成为了最具潜力的技术手段之一[9]。

1 蜂窝网设备随机接入过程

本节简述传统蜂窝网中设备接入机制及信令交互过程。传统蜂窝网中，用户设备(user equipment, UE)要接入蜂窝网进行数据传输，首先需要完成无线资源管理(radio resource control, RRC)连接建立的过程。考虑到mMTC业务中，传输数据量通常较小，主要问题是信令拥塞，且以上行传输居多，因此本文以竞争接入控制信令为例，UE从空闲到连接完成的过程如图1所示[10]。

图1中，最初的4步信令交互称为随机接入(random access, RA)过程，目的是达到上行同步和获得传输资源分配[11]，是接入网络的重要环节。具体过程如下：首先，UE随机选取一个可用的RA先到码，并通过保留的物理随机接入信道(physical random access channel, PRACH)进行传输。在演进型基站节点(evolved node B, eNB)收到先导码之后，会通过物理下行共享信道(physical downlink shared channel, PDSCH)发送一个响应信息，包含无线链路控制(medium access control, MAC)包头和随机接入响应(random-access response, RAR)。其中，MAC包头可能会携带退避指示(backoff indicator, BI)供发生碰撞或未被检测到的UE使用[12]。而RAR会携带UE发送的先导码的识别号(identity, ID)、UE校准上行时序所需的时序提前命令以及给UE分配的上行共享信道(uplink shared channel, UL-SCH)资源。UE希望在一个RAR窗口内收到RAR信息，否则将会在0到BI之间随机选择一个退避时长，在退避等待之后进行先导码的重传[12]。如果成功收到RAR，UE便可上行同步，并使用RAR中获得的专用UL-SCH发送UE的ID及RRC请求。之后，eNB将通过下行共享信道(downlink shared channel, DL-SCH)发送RRC建立请求的响应[11]。在UE与eNB间完成的RRC连接建立的同时，还需要eNB和移动管理实体(mobile management entity, MME)间的信令交互，这属于非接入层(non-access stratum, NAS)的过程，本文不再赘述。

图1 控制面的接入信令交互过程[10]Fig.1 Control plane activation procedure.

以上所述为传统蜂窝网中面向HTC的接入过程，由于MTC业务设备规模巨大，并且通常以小数据传输为主，如使用传统接入机制，会信令开销过大，且缺乏灵活性，很难适应mMTC接入需求。因此，近年有大量的研究着眼于mMTC的接入技术。在接下来的一节，我们将对相关研究进行分类和总结。

2 mMTC接入研究综述与分析

mMTC接入控制的根本目的是利用有限的网络资源尽可能为不同需求的MTC用户提供有效的服务。mMTC业务设备数量巨大，活跃的频率也比HTC高，而且很多MTC传输是事件触发的，因此大量设备同时发起接入的可能性非常大，这将导致网络发生拥塞，成功接入率严重降低[1]。而降低的成功接入率意味着更高的接入时延和能耗，这对mMTC业务来讲都是十分致命的。因此，如何预防拥塞发生或者降低拥塞发生的可能性是接入控制需要解决的主要问题，现有的研究通常是通过分类或分时接入的方法尽可能将设备的接入进行分散，以及进行合理的RACH资源分配管理。然而拥塞不可能完全避免，当拥塞发生后能够有效缓解拥塞也是接入控制的目标之一，例如合理的退避机制以及接入点优化等。但是，这些方法只解决了无线接入网(radio access network, RAN)的拥塞问题，当大量设备同时进行数据传输时，核心网(core network, CN)依然有发生拥塞的可能[13]，因此CN接入控制也是非常必要的，而数据汇聚(data aggregation)和群呼(group paging)等能同时缓解RAN和CN拥塞的接入技术更是极具吸引力。此外，根据mMTC场景特点优化接入信令交互过程也是十分直接且有效的方法。本文从RAN接入控制、CN接入控制以及信令交互优化3个方面，对现有的mMTC接入新技术进行了总结，如表1所示。

表1 接入控制技术分类

续表1

2.1 RAN接入控制技术

海量的MTC设备入网时很容易造成移动通信系统RAN的过载以及信令拥塞。现有mMTC接入研究，大部分集中于RAN接入控制机制的优化和改进，大致可以分为网络侧的控制和UE侧的控制2类。

网络侧的接入控制主要是在3GPP提出的Push-based和Pull-based接入技术的基础上发展改进的。其中，push-based的方法包括分类接入(access class barring, ACB)机制、分时接入(slotted access)机制、RACH资源的分配机制、专属退避(MTC specific backoff)机制[47]。在ACB机制方面，除了对3GPP提出的基本的个体分类接入(UE individual ACB)和扩展限制接入(extended access barring)的优化和扩展[14-18]，动态限制接入(dynamic access barring)[20-22]和协作ACB[23]等接入机制也得到了深入的研究。在分时接入方面，文献[24-26]等工作都基于对设备的群组划分来对分时接入机制进行研究。在RACH资源分配方面，包括MTC和HTC分离的RACH机制和动态的RACH分配机制，主要涉及对PRACH时机以及先导码的时频分配管理[27-33]，以实现RACH资源的高效利用。在退避机制方面，文献[34-36]通过考虑优先级等影响，设计相应的随机/非随机退避方案，从而缓解接入网面临的拥塞。而Pull-based的接入技术，通常通过寻呼(Paging)方法来实现，可以让网络自主地控制部分MTC设备在特定的时刻进行接入，具有以下特点[38]：相比push-based的方法而言更容易控制网络的负载，因此能够更有效地预防RAN侧及CN侧拥塞的出现；网络能够根据变化的负载状态动态控制MTC设备的接入，从而可以减小对HTC用户的影响；通过pull消息的说明可以满足某些MTC业务优先级高于HTC业务的场景需求。在基于Paging的接入机制的设计方面，在基本的Group Paging[13]的基础上，文献[37]还提供了已配置区域内的Paging、逐步Paging以及已报告区域内的Paging等机制，此外文献[39]还对Group Paging的性能做了深入的分析。

虽然相比网络侧，UE侧的功能没有那么强大，能够进行的接入控制方法类型相对有限，主要包括数据汇聚(data aggregation)和接入点选择优化2类，但是由于UE的数量巨大，能够取得的效果不容小觑。具体来讲，在mMTC场景中，为满足用户的性能需求，通常会进行接入站点的密集部署。在此情形下，由于接入点的多样性，分布的密集性与随机性使得网络拓扑结构非常复杂。另一方面，海量MTC用户的同时接入和分布不均会导致无线接入网过载和各小区负荷不均，会严重影响MTC用户的通信性能。加之MTC用户接入方式的多样化(与基站直接通信、借助MTC网关的多跳传输以及MTC用户之间的端到端传输等[48])，使得接入方式更为灵活，接入机制设计也更为困难。其中，基于数据汇聚的接入机制中，MTC用户不是直接连接网络，而是将数据发送到汇聚节点，汇聚节点收集一定时间段和一定范围内的数据后一并发送至网络[40-41]，汇聚节点可能是固定的也可能是动态选择的。而接入点选择优化的主要思想则是通过提高系统的负载均衡从而提高系统整体性能[42-45]。

2.2 CN接入控制技术

作为网络的重要部分，CN侧也可以进行相应的接入控制，包括公用陆地移动网(public land mobile network, PLMN)接入控制，服务支持节点(serving gprs support node, SGSN)/MME的连接请求拒绝控制，以及基于下行流量节流的MME/SGSN过载控制[37]。其中，PLMN接入控制主要是基于定时控制的方法，在未经授权的时段阻止或允许特定的传输。SGSN/MME的连接请求拒绝即当网络出现拥塞时，SGSN/MME对特定的UE或UE群组的连接请求给以拒绝，控制包括以接入点(access point node,APN)为单位的连接拒绝、以MTC群组为单位的连接拒绝、基于低优先级的单个UE的连接拒绝。基于下行流量节流的MME/SGSN过载控制，基本思想是在拥塞出现时MME或SGSN部分或者全面限流低优先级MTC设备产生的下行信令流量，例如信令网关(signaling gateway,SGW)触发网络发起服务请求过程时发送至MME的下行数据通知消息。总的来讲，目前CN接入控制研究相对较少，期待今后的研究能够提供更多的思路以及更全面的理论分析。

2.3 接入信令优化

前2类接入控制技术都是在基本的接入过程基础上进行的改进和扩展，而接入过程的信令交互本身也可以根据mMTC场景的特点进行优化。主要包括RRC连接建立过程的优化、控制面的优化、S1-MME无连接的方法(S1-MME connectionless approaches)、S1/Iu优化(S1/Iu-only optimizations)、保持UE连接状态的方法(keep the UE in connected mode)[46]。其中，RRC连接建立过程的优化包括2种：①将UE与网络间信息交互合并为更少的RRC消息；②简化服务请求过程，主要是通过复用接入层(access stratum, AS)的安全信息，在激活AS安全验证的同时完成RRC的重配置。控制面的优化也包括2个方面：取消用户面无线承载确认的RRC连接，主要用于单个高层消息的传输，例如单个IP包或短信(short message service, SMS)及其响应；通过RRC消息进行下行小数据传输，这也是针对高层的消息传输设计的。S1-MME无连接的方法即在UE没有NAS信令连接的状态下进行小数据传输，其中小数据快速传输(small data fast path, SDFP)是利用数据无线通道(data radio bearer)进行传输，无连接的数据传输是在UE完成首次接入之后与同一个蜂窝的后续传输都不再经过RRC过程，基于RACH的小数据传输与无连接数据传输类似，不过上行数据是在RRC_Idle状态下利用RACH资源进行传输。S1/Iu优化包括通过无状态网关减少CN节点间的信令交互，以及对单承载UE的服务请求优化即在特定条件下不调用MBR(modify bearer request)或MABR(modify access bearers request)。保持UE连接状态的方法中，针对小数据传输的CN协助的eNB参数调整是考虑到保持UE连接状态下一些关键网络参数(例如RRC休止定时器等)的配置，UE控制移动性的连接模式则是为了避免非静止UE大量移动性相关的信令交互。

目前接入信令优化相关的研究主要集中于解决技术问题，缺乏相应的理论分析。此外，这些方法都是根据特定的应用对基本的接入过程或信令交互进行了优化和裁剪，都有自己的局限性，并不适用于通用场景。不过，在其适用的场景下，降低信令拥塞的效果是十分直接且显著的。因此，如果能够结合5G网络SDN/NFV以及网络切片技术，为不同业务量身配置最适合的网络及相应的接入过程，将为mMTC带来可喜的改变。

3 基于AI的mMTC接入控制新技术

由于MTC业务的多样性，不仅UE需求各异，加上单个UE及群体的流量特征，形成了多模且动态的业务模型。为了适应这样的业务需求，通常有多种类型网络并存互补，因此mMTC网络具有更为突出的异构性。面对如此复杂的网络环境和动态的业务需求，传统方法已经很难充分解决mMTC的接入问题。因此，基于AI工具，通过智慧决策实现业务驱动的按需服务以及网络的自学习、自适应控制成为必需。

AI是指机器展现出的智能。AI研究是让机器模仿人类的认知过程，使其能够智能地选择恰当的操作最大化实现某个或多个目标的成功率[49]。AI研究的核心目标包括推理、认知、规划、学习、自然语言处理等。主要工具包括搜索和优化、分类及机器学习方法、神经网络等。其中机器学习的方法近年发展迅速，成为工业自动化创新的主要动力。

机器学习的方法是从模式识别和计算学习理论发展而来，通过学习和构造算法从数据中提取有效信息并进行预测[50]。机器学习任务通常分为三大类[49]：

1)监督学习(supervised learning)：已知输入类型及期望的输出，就像有一位“老师”监督，目标是学习出输入与输出的通用匹配规则。

2)非监督学习(unsupervised learning)：缺乏足够的先验知识，需要在类别未知的情况下自行发掘输入数据的模式，寻找好的特征。

3)强化学习(reinforcement learning)：通过与动态环境的交互，通过奖励和惩罚的反馈方式引导选择合适的动作从而达到一个特定的目标。

Q学习是一种无模型的强化学习方法，可以用于为给定的有限马尔科夫决策过程(Markov decision process, MDP)找到最优的动作选择机制。在Q学习中，Q值通常被用来表示“状态—动作”对的隐含值，对于一个给定的状态而言，具有最高Q值的“状态—动作”对意味着最好的策略。

接下来我们将介绍一个在具有基站重叠覆盖的网络场景下，基于Q学习的MTC设备智能接入点选择机制。如前文介绍，MTC设备接入点选择优化对于缓解接入网拥塞可以起到举足轻重的作用。选择能够使MTC设备接入碰撞次数较低的基站进行接入，不仅可以提高自身的接入效率降低时延和能耗，同时可以提高基站的负载均衡减少网络拥塞。在实际系统中，网络模型比较复杂，而且每个设备的信道衰落也不尽相同。处于多个基站重叠覆盖范围内的MTC设备有多个接入点可以选择，而其选择的不同，又将引起其他设备的选择变化。在这种情况下，处于重叠覆盖区域内的MTC设备利用学习到的环境知识选择自身性能最佳的基站进行接入，从而降低其成功接入时的碰撞次数，均衡基站负载，在缓解接入网拥塞的同时保证服务质量。下面定义Q学习算法中的一些参数：

Agent：m,1≤m≤M，每一个MTC设备m都视为一个agent；

具体步骤如算法1所示。

算法1基于Q学习的MTC设备智能接入点选择算法。

步骤1初始化Q值

步骤2更新状态

在时隙t开始的时刻，系统会更新当前的状态。前一时隙所做决策的结果成为当前状态。

步骤3选择并执行动作

步骤4更新Q值。

图2 仿真网络场景Fig.2 Simulation scenario

接下来我们通过MATLAB仿真基于Q学习的MTC设备智能接入点选择机制的性能。将常规的根据基站信号强度决定基站选择策略与采用强化学习算法得到的基站选择策略进行比较，以平均接入时延、平均碰撞次数和基站负载均衡为考察性能指标。考虑的网络场景为如图2所示，共有3个小基站。其他仿真参数如表2所示。仿真结果如图3和图4。

表2 仿真参数

仿真中所采用的路径损耗模型没有考虑阴影衰落，pathloss=15.3+37.6log10d，其中,d是基站到MTC设备的距离，单位为m。

图3a中统计了2种接入机制下MTC设备的平均接入时延随MTC设备数量变化的情况，可以看到随着MTC数量的不断增加，2种接入机制下的MTC设备平均接入时延均在增加。相较之下，采用基于Q学习算法的接入点选择算法的平均设备接入时延始终低于采用基于信号强度的接入点选择算法，充分说明了Q学习方法能够在设备接入时延方面带来好处。而图3b为2种接入机制MTC设备成功接入时经历的平均碰撞次数随设备数量变化的情况，和平均接入时延的情况类似，不再赘述。

图3 两种接入点选择算法的MTC设备平均接入时延及碰撞次数对比Fig.3 Comparison of the average access latency and the number of collision of two access point selection algorithms

接着，我们考察了3个small cell小区重叠覆盖网络场景下基站的负载变化情况。同样，我们统计了在MTC设备的数量为500时，分别请求接入3个small cell基站的MTC设备的数量，得到的结果如图4所示。其中图4a是采用了强化学习算法后的基站选择结果，图4b是采用传统的基于基站信号强度的基站选择得到的结果。随着学习次数的增加，采用Q学习算法的MTC选择接入某个基站的数量逐渐趋于平稳。在经过大概10次学习之后，MTC设备选定的接入基站后基本不再发生变化。由此可知，当MTC设备采用基于Q学习算法选择合适的接入基站时，可以减轻当前所在区域基站的负载量。即将一部分负载卸载到相邻基站，这不仅在一定程度上减轻当前基站的负载，同时也提升系统的整体接入性能。

图4 基站负载变化情况Fig.4 System load of small cells

由此可见，合理利用AI工具进行接入控制，能够为MTC设备及整个网络带来多方面的性能提升。但是，AI工具原本不是针对无线通信网络设计的，将其直接应用于mMTC接入控制中可能达不到最佳的效果甚至不可行，例如很多AI算法复杂度很高，在mMTC这样大规模场景下将无法使用，又例如很多AI算法初期探索阶段带来的性能波动在mMTC接入问题中是无法忍受的。因此，如何优化AI工具，使其更加贴合蜂窝物联网及mMTC业务，从而更好地服务于mMTC的接入控制是未来mMTC接入控制研究的一个重点。

4 结 论

mMTC是5G网络三大通用场景之一。由于MTC业务与传统的HTC业务的本质区别，传统无线接入技术已无法为mMTC业务提供充足的服务。本文对传统随机接入过程进行简单介绍，并对mMTC接入新技术进行了分析和总结。此外，面对越来越复杂的网络环境，传统方法将很难有效解决mMTC接入问题，基于AI的接入控制成了最具潜力的技术手段之一。本文提出了一种基于Q学习的mMTC智能接入点选择机制，作为将AI引入mMTC接入控制研究的一个实例。然而，要让AI工具更好地贴合蜂窝物联网及mMTC业务，更加充分地发挥其优势从而达到更佳的效果，还需要大家的共同努力，这也是未来mMTC接入控制研究的重点及难点之一。

[1] HASAN M, HOSSAIN E, NIYATO D, et al. Random access for machine-to-machine communication in LTE-advanced networks: issues and approaches [J]. IEEE Commun Mag, 2013, 51(6): 86-93.

[2] KIM J, LEE J, KIM J, et al. M2M service platforms: survey, issues, and enabling technologies [J]. IEEE Commun Surveys Tuts, 2014, 16(1): 61-76.

[3] 3GPP. TR 22.368: Service requirements for machine-type communications(MTC) [S]. [S.l.]:3GPP, 2016.

[4] DAWY Z, SAAD W, GHOSH A, et al. Toward massive machine type cellular communications [J]. IEEE Wireless Commun, 2017, 24(1): 120-128.

[5] TULLBERG H, POPOVSKI P, LI Z, et al. The METIS 5G system concept-meeting the 5G requirements [J]. IEEE Commun Mag, 2016, 54(12): 132-139.

[6] ETSI. TS 102 690:Machine-to-Machine communications (M2M); Functional architecture [S]. [S.l.]: ETSI, 2011.

[7] ALI M S, HOSSAIN E, KIM D I. LTE/LTE-A random access for massive machine-type communications in smart cities [J]. IEEE Commun Mag, 2017, 55(1): 76-83.

[8] LAYA A, ALONSO L, ALONSO-ZARATE J. Is the random access channel of lte and lte-a suitable for M2M communications? a survey of alternatives [J]. IEEE Commun Surveys Tuts, 2014, 16(1): 4-16.

[9] LI R, ZHAO Z, ZHOU X, et al. Intelligent 5G: when cellular networks meet artificial intelligence [J]. IEEE Wireless Commun, 2017.

[10] 3GPP. TS 36.912: Feasibility study for further advancements for E-UTRA (LTE-Advanced) [S]. [S.l.]:3GPP, 2015.

[11] 3GPP. R1-060584: E-UTRA Random Access [S]. [S.l.]:3GPP, 2006.

[12] 3GPP. TS 36.321: Evolved Universal Terrestrial Radio Access (E-UTRA); Medium Access Control (MAC) protocol specification [S]. [S.l.]:3GPP, 2016.

[13] 3GPP. R2-104004: Group paging for MTC devices [S]. [S.l.]:3GPP,2010.

[14] WANG Z, WONG V W S. Optimal access class barring for stationary machine type communication devices with timing advance information [J]. IEEE Trans Wireless Commun, 2015, 14(10): 5374-5387.

[15] HU J, TOOR W, BANG C J, et al. Recursive Pseudo-Bayesian access class barring for M2M Communications in LTE systems[J]. IEEE Trans Veh Technol, 2017, PP(99):1-1.

[16] LEYVA-MAYORGA I, TELLO-OQUENDO L, PLA V, et al. Performance analysis of access class barring for handling massive M2M traffic in LTE-A networks[C]//Communications (ICC), 2016 IEEE International Conference on. Kuala Lumpur, Malaysia: IEEE, 2016: 1-6.

[17] WANG Z, WONG V W S. Joint access class barring and timing advance model for machine-type communications[C]//Communications (ICC), 2014 IEEE International Conference on. [S.l.]: IEEE, 2014: 2357-2362.

[18] HE H, DU Q, SONG H, et al. Traffic-aware ACB scheme for massive access in machine-to-machine networks[C]//Communications (ICC), 2015 IEEE International Conference on. [S.l.]: IEEE, 2015: 617-622.

[19] CHENG R G, CHEN J, CHEN D W, et al. Modeling and analysis of an extended access barring algorithm for machine-type communications in LTE-A networks [J]. IEEE Trans Wireless Commun, 2015, 14(6): 2956-2968.

[20] LIN T M, LEE C H, CHENG J P, et al. PRADA: prioritized random access with dynamic access barring for MTC in 3GPP LTE-A networks [J]. IEEE Trans Veh Technol, 2014, 63(5): 2467-2472.

[21] DUAN S, SHAH-MANSOURI V, WANG Z, et al. D-ACB: adaptive congestion control algorithm for bursty M2M traffic in LTE networks [J]. IEEE Trans Veh Technol, 2016, 65(12): 9847-9861.

[22] DUAN S, SHAH-MANSOURI V, WONG V W S. Dynamic access class barring for M2M communications in LTE networks[C]//Globecom Workshops (GC Wkshps), 2013 IEEE. [S.l.]: IEEE, 2013: 4747-4752.

[23] LIEN S Y, LIAU T H, KAO C Y, et al. Cooperative access class barring for machine-to-machine communications [J]. IEEE Trans Wireless Commun, 2012, 11(1): 27-32.

[24] ABBAS R, SHIRVANIMOGHADDAM M, LI Y, et al. Random Access for M2M Communications with QoS Guarantees [J]. IEEE Trans on Commun, 2017, 65(7):2889-2903.

[25] TSAI A H, WANG L C, HUANG J H, et al. Overload control for machine type communications with femtocells[C]//Vehicular Technology Conference (VTC Fall), 2012 IEEE. Quebec City, QC: IEEE, 2012: 1-5.

[26] KAO H W, JU Y H, TSAI M H. Two-stage radio access for group-based machine type communication in LTE-A[C]//Communications (ICC), 2015 IEEE International Conference on. London, UK: IEEE, 2015: 3825-3830.

[27] LEE K D, KIM S, YI B. Throughput comparison of random access methods for M2M service over LTE networks[C]//GLOBECOM Workshops (GC Wkshps), 2011 IEEE. Houston, TX, USA: IEEE, 2011: 373-377.

[28] 3GPP R2-104662 MTC simulation results with specific solutions [S] Madrid: ZTE, 2010.

[29] OH C Y, HWANG D, LEE T J. Joint access control and resource allocation for concurrent and massive access of M2M devices [J]. IEEE Trans Wireless Commun, 2015, 14(8): 4182-4192.

[30] PANG Y C, CHAO S L, LIN G Y, et al. Network access for M2M/H2H hybrid systems: a game theoretic approach [J]. IEEE Commun Lett, 2014, 18(5): 845-848.

[31] WIRIAATMADJA D T, CHOI K W. Hybrid random access and data transmission protocol for machine-to-machine communications in cellular networks [J]. IEEE Trans Wireless Commun, 2015, 14(1): 33-46.

[32] FODDIS G, GARROPPO R G, GIORDANO S, et al. On RACH preambles separation between human and machine type communication[C]//Communications (ICC), 2016 IEEE International Conference on. Kuala Lumpur, Malaysia: IEEE, 2016: 1-6.

[33] ZHANG N, KANG G, WANG J, et al. Resource allocation in a new random access for M2M communications[J]. IEEE Commun Lett, 2015, 19(5): 843-846.

[34] 3GPP R2-111916. Backoff enhancements for RAN overload control [S]. Shanghai: ZTE, 2011.

[35] SEO J B, LEUNG V C M. Design and analysis of backoff algorithms for random access channels in UMTS-LTE and IEEE 802.16 systems [J]. IEEE Trans Veh Technol, 2011, 60(8): 3975-3989.

[36] YANG X, FAPOJUWO A, EGBOGAH E. Performance analysis and parameter optimization of random access backoff algorithm in LTE[C]//Vehicular Technology Conference (VTC Fall), 2012 IEEE. Quebec City, QC: IEEE, 2012: 1-5.

[37] 3GPP. TR 23.888: System improvements for Machine-Type Communications (MTC) [S]. [S.l.]:3GPP, 2012.

[38] 3GPP. R2-104870: Pull based RAN overload control [S]. Madrid: Huawei, China Unicom, 2010.

[39] WEI C H, CHENG R G, TSAO S L. Performance analysis of group paging for machine-type communications in LTE networks [J]. IEEE Trans Veh Technol, 2013, 62(7): 3371-3382.

[40] GUO J, DURRANI S, ZHOU X, et al. Massive machine type communication with data aggregation and resource scheduling[J]. IEEE Transactions on Communication, 2017,65(9):4012-4026.

[41] LIN H C, CHEN W Y. An approximation algorithm for the maximum-lifetime data aggregation tree problem in wireless sensor networks[J]. IEEE Trans Wireless Commun, 2017, 16(6): 3787-3798.

[42] CAO W, FENG G, QIN S, et al. cellular offloading in heterogeneous mobile networks with d2d communication assistance [J]. IEEE Trans Veh Technol, 2017, 5(66): 4245-4255.

[43] MUHAMMAD F, ABBAS Z, LI F Y. Cell association with load balancing in non-uniform heterogeneous cellular networks: coverage probability and rate analysis [J]. IEEE Transactions on Vehicular Technology, 2016, 6(66): 5241-5255.

[44] AO W C, PSOUNIS K. Approximation algorithms for online user association in multi-tier multi-cell mobile networks [J]. IEEE/ACM Trans Netw, 2017, 25(4): 2361-2374.

[45] SUN Y, FENG G, QIN S, et al. User behavior aware cell association in heterogeneous cellular networks[C]//Wireless Communications and Networking Conference (WCNC), 2017 IEEE. San Francisco, CA, USA: IEEE, 2017: 1-6.

[46] 3GPP TR 37.869. “Study on enhancements to machine-type communications (MTC) and other mobile data applications; radio access network (RAN) aspects [S] V12.0.0, Sept. 2013.

[47] 3GPP. TR 37.868: Study on RAN improvements for machine-type communications [S]. [S.l.]: 3GPP, 2011.

[48] ZHENG K, HU F, WANG W, et al. Radio resource allocation in LTE-advanced cellular networks with M2M communications [J]. IEEE Commun Mag, 2012, 50(7):184-192.

[49] RUSSELL S J, NORVIG P. Artificial Intelligence: A Modern Approach [M]. 2nd ed. Upper Saddle River, New Jersey: Prentice Hall, 2003.

[50] KOHAVI R, PROVOST F. Glossary of terms [J]. Machine Learning, 1998, 30(2-3): 271-274.

秦爽，于2012年获得电子科技大学通信与信息系统专业博士学位，现为电子科技大学通信抗干扰技术国家级重点实验室副教授。2010.5至2010.11新加坡信息通信研究院研究交流，2014.12至2015.12美国亚利桑那州立大学访问学者。主要研究兴趣为移动和无线通信网络。

梁靓，于2012年获得电子科技大学通信与信息系统专业博士学位，现为重庆大学通信学院教师、电子科技大学通信抗干扰技术国家级重点实验室博士后。2011.7至2012.1，新加坡信息通信研究院研究交流。主要研究方向为移动通信网络、物联网。

(编辑：魏琴芳)

Accesscontrolformassivemachine-typecommunications(mMTC)

CAO Wei1, FENG Gang1, QIN Shuang1, LIANG Liang2,1

(1.National Key Laboratory of Science and Technology on Communication, University of Electronic Science and Technology of China, Chengdu 611731,P.R.China; 2.College of Communication Engineering, Chongqing University, Chongqing 400044, P.R.China)

Recently, as a key enabler of IoT, Machine-Type Communication (MTC) becomes one of the important services in future wireless mobile networks. MTC deployments are expected to grow exponentially with an increasing demand on broad-range interconnectivity. IoT is moving toward an architecture based on cellular network infrastructures with wide-area coverage, and hence Cellular-IoT is a very promising technology in the next generation mobile communication system (5G). Especially, massive Machine-Type Communication (mMTC) has been identified as one of the three generic 5G services. It is hard for traditional radio access technologies to provide adequate services for meeting mMTC requirements, and radio access for mMTC services is an important research problem. In this paper, we first briefly introduce the traditional random access procedure, and then survey the existing mMTC access technologies. Moreover, it is hard to address the mMTC access problem by using conventional technical tools in the progressively complicated and service-centric network environments. Artificial Intelligence (AI) based access mechanism has been deemed as one of the most promising solutions. We analyze the feasibility of exploiting AI tools for solving mMTC access control, and propose a Q-learning based smart access point selection scheme for mMTC, with the aim of providing useful insights into future AI based access control research.

5G；cellular-IoT；massive MTC；radio access control；artificial intelligence(AI)

s： The National Science Foundation of China Major Project (61631004); The National Natural Science Foundation of China (61601067); The Fundamental Research Funds for the Central Universities (ZYGX2015Z005)

TN915

A

1673-825X(2017)05-0569-11

曹蔚，于2009年获得电子科技大学电子工程专业学士学位，现在电子科技大学通信抗干扰技术国家级重点实验室攻读通信与信息系统专业博士学位。主要研究兴趣为面向物联网的下一代移动通信网络中的理论分析和优化，海量机器类通信的接入控制，基于机器学习的智能接入控制。E-mail: weicao@princeton.edu。

冯钢，于1986年和1989年分别获得电子科技大学电子工程专业学士学位和硕士学位，于1998年获得香港中文大学信息工程博士学位。于2000年加入新加坡南洋理工大学电子电气工程学院，2005年评为副教授。现为电子科技大学通信抗干扰技术国家级重点实验室教授。具有丰富的研究经验，并在计算机网络和无线通信网络研究方面发表了大量高水平论文。主要研究兴趣包括无线通信网络中的资源管理、下一代移动通信网络等。冯博士是IEEE的高级会员。E-mail：fenggang@uestc.edu.cn。

2017-06-27

2017-09-06

曹 蔚 weicao@princeton.edu

国家自然科学基金重点项目(61631004)；国家自然科学基金青年基金项目(61601067)；中央高校基本科研业务费(ZYGX2015Z005)

10.3979/j.issn.1673-825X.2017.05.001