5G异构蜂窝网络资源管理研究

吴杜成，翟维维，冯丛丛，张亮

（中国人民解放军61858部队，陕西 西安 710000）

1 引言

5G异构蜂窝网络具有容量高、覆盖深、成本低、能效高和负载均衡等优点，被认为是实现无线通信网络容量1 000倍提升的最关键技术。5G异构蜂窝网络的资源除了传统意义上的频谱资源（信道、带宽和功率）外，还包括基站接入点（小蜂窝基站和中继等）、缓存和射频天线等资源。5G异构蜂窝网络的资源管理就是根据用户业务的需求和分布，合理调整和分配上述资源，实现用户业务需求和无线通信服务的最佳匹配，提高各种网络资源的利用效率，并减少服务过程中异构网络产生的消耗代价（功率及成本花费等）[1]。5G异构蜂窝网络资源管理面临着包括性能指标、频谱和干扰管理[2]、网络拓扑结构、基站负载管理、链路管理、主动缓存管理、多天线和预编码管理等多个方面的问题和挑战。而5G异构蜂窝网络资源管理决策按照决策结构可以分为集中式决策、分簇决策（半集中式决策）和分布式决策。

2 管理性能指标

在5G异构蜂窝网络资源管理和优化之前，需要确定合适的系统或网络性能指标，以便于比较不同设计和资源分配方案的优劣。若性能指标选取不恰当，网络资源的分配和优化找不到正确的方向，网络的实际性能就不佳。网络性能的评估指标可以粗略的分为两类：QoS（Quality of Service，服务质量）指标和QoE（Quality of Experience，体验质量）指标[3]。

2.1 QoS指标

QoS指标包括带宽、信道速率和时延等面向物理网络性能的客观指标。对照“信源—信道—信宿”的简化通信模型，QoS指标反映了信道的服务质量，而在5G异构蜂窝网络资源管理的研究中，其主要反映了蜂窝网络的服务质量[4]。对蜂窝网络而言，比较重要的两个网络客观性能指标为中断/覆盖概率和频谱效率。

在5G异构蜂窝网络中，网络接入点和通信信道数量较多，用户的业务服务质量取决于在特定时延下用户获得的应用层数据速率，则5G异构蜂窝网络的中断概率不仅与SINR有关，还要受到其他因素的影响，如网络负载和用户接入冲突等。所以在5G异构蜂窝网络中，“中断”可以定义为没有一个基站（网络接入点）或一组基站能够提供给用户大于确定阈值的通信速率。

传统蜂窝网络中另一个重要客观性能指标就是频谱效率，其单位是bits/s/Hz，但在超密集5G异构蜂窝网络中，一个更好的指标是区域频谱效率，即将频谱效率根据蜂窝小区进行归一化处理，单位是bits/s/Hz/cell。例如，在一个干扰受限的区域，可以部署的半径为R的小蜂窝数量是半径为2R小蜂窝数量的4倍，其频谱效率基本相同，但前者的区域频谱利用效率是后者的4倍，因此可以服务更多的用户，承担更多的负载。

当然，还有其他一些比较重要的QoS指标，如吞吐量、能耗和吞吐量-能量效率（组合指标），其本质上都与SINR、网络负载和拥塞情况有关。

2.2 QoE指标

QoE是一种面向用户主观体验，以用户认可和偏好程度为标准评价网络服务的指标[5]。在“信源—信道—信宿”的简化通信模型，QoE体现了信宿对通信服务的感受。提升用户的体验质量是5G通信系统的一个明确目标，也是当前研究的一个热点问题。用户的QoE指标没有QoS指标直观，也没有明确的物理单位。对于用户QoE的评估存在几个挑战：

（1）主观性；QoE反映的是用户主观偏好与认可程度，难以建模刻画。

（2）多样性；对于同一用户，多种QoS参数会联合影响用户的QoE，且不同业务的QoE模型不相同。由于用户（业务、通信环境、个人偏好等）的个性化，QoE难以统一模型。

（3）系统性；根据大数定理，单个或同一类型业务的QoE可以粗略地用同一QoE模型来刻画，但异构网络中含有众多的不同用户和业务类型，如何刻画整个网络系统的QoE依然是个难题。

目前对5G异构蜂窝网络QoE指标的研究工作遵循从简单到复杂的思路，模型中简化了部分因素的影响，对QoE的建模的方法主要有：1）两类别法。用户打分，将QoE分为可接受与不可接受。2）成对比较法[7]。即用户对样本数据两两进行比价，记录比较结果，用Bradley-Terry-Luce（BTL）模型处理数据，得到最终的样本平分。3）MOS（Mean Opinion Score，平均评估分值）。MOS是由国际电信联盟（ITU）提出的，将主观的QoE感受分为五个级别：优、良、中、次、劣。4）QoS-QoE映射。针对不同业务类型，将主观QoE建模为某一个或多个客观QoS参数的函数。ITU-T和ITU-R联合设立的专家组对视频、音频、文件质量进行标准化及性能测试，得到了MOS与QoS之间的映射关系，如图1所示。

3 网络资源管理

3.1 网络拓扑结构

5G异构蜂窝网络与传统宏蜂窝网络的一个明显区别就是网络拓扑结构和小区覆盖分布情况。传统宏蜂窝网络中基站分布均匀，一般位于六边形网格上，其服务的区域与网格中的六边形对应。而5G异构蜂窝网络中，小蜂窝基站是不规则分布的，其服务的区域也是不均匀的。如图2所示，通常情况下，小蜂窝基站分散或聚集分布在宏蜂窝网络之中，以补充和支持边缘区域或热点区域的通信服务。

图1 MOS与QoS之间的映射关系

图2 5G异构蜂窝网络分布示意图

由于小蜂窝基站的部署信息难以获得，5G异构蜂窝网络中基站分布的空间模型依然是一个开放性问题。尽管人们可以构建一系列重叠的不同密度的网格，但以往的网格模型已经不再适用于多层5G异构蜂窝网络[8]。在缺乏用户业务分布先验信息的条件下，小蜂窝基站的部署一般被认为服从均匀分布，在二维平面上对应一个泊松点过程，是一种完全随机的分布模型[9]。某些场景下5G异构蜂窝网络的泊松分布特点已经被工业界通过场地实验和数据仿真确认。泊松点过程的基站分布模型具有以下特点：

（1）当网络中增加新的基站时，虽然新基站会产生干扰，但由于基站的增多，用户与邻近基站的平均距离减少，相应目标信号的强度增大，新基站产生干扰影响能被完全抵消。

（2）增加小蜂窝基站时，5G异构蜂窝网络中整体的SINR基本保持不变，而网络拥塞程度有所降低，网络整体容量增加。

（3）在干扰受限网络中，假设用户可以接入信号最好的基站（开放式接入），增加任何类型的小蜂窝基站（发射功率不同），不改变下行链路的SINR分布，下行功率控制不再是一个十分严峻的问题。

传统基于网格的分布模型是一种规划的完全确定的分布。5G异构蜂窝网络中的蜂窝基站分布处于网格分布和泊松点过程分布这两种极端分布模型之间。实际中，小蜂窝基站的分布不是完全独立的。由于基站分布完全独立的假设性太强，5G异构蜂窝网络的泊松分布模型在很多情况下不再适用。

3.2 频谱和干扰管理

与传统蜂窝网络静态的频谱复用不同，5G异构蜂窝网络中频谱是动态共享使用的，不需要传统频谱规划，因此5G异构蜂窝网络中的频谱和干扰管理面临着新的挑战。例如偏置蜂窝关联等技术一方面能增大整体网络效用，另一方面又给5G异构蜂窝网络的干扰管理带来了新的问题。

5G异构蜂窝网络需要比传统宏蜂窝网络更加灵活高效的频谱使用方式。OFDMA（正交频分多址）的部分频分复用方式可以看作一种半静态的频谱分配方式，这种方式可以拓展到5G异构蜂窝网络之中[13]，这种理念也可以应用在时域，如3GPP eICIC。区别于传统宏蜂窝基站，5G异构蜂窝网络中小蜂窝基站可以使用某些特定的带宽，而此时宏蜂窝不能使用这些带宽资源服务移动性较高的用户。同时，载波聚合技术也可以应用到5G异构蜂窝网络中，根据用户的业务类型，在时域和空域上合理分配信道，可以使得用户同时使用多个信道带宽。

在5G异构蜂窝网络中，由于无线信道的开放性，小蜂窝之间的互干扰是难以避免的。特别是5G移动通信网络中，通信业务需求越来越大，异构网络架构越来越复杂，热点地区小蜂窝的分布越来越密集，频谱资源“时-频-空”多域复用情况更加复杂，通信网络中的干扰更加严重复杂。以OFDMA（Orthogonal Frequency Division Multiple Access，正交频分多址）小蜂窝网络为例，在不影响通信运营商（宏蜂窝小区）的正常服务的情况下，小蜂窝基站可由终端用户自己设计和部署，小蜂窝基站的部署无法得到上层网络的控制。而其中，许多家庭基站可能随机分布在周边地区，与邻近的家庭基站的覆盖范围重叠[14]，在小蜂窝基站覆盖重叠的范围内，相同的时频资源块在分配给不同的终端用户时就会产生严重干扰。

从网络层级方面进行分类，网络之间的干扰可以分为同层干扰和跨层干扰。在同层干扰中，两个互相干扰的节点处于同一网络层级。例如，两个覆盖范围重叠的小蜂窝基站利用相同的频谱资源进行信号传输时，基站之间就会产生同层干扰。特别是在热点地区，当小蜂窝基站大规模高密集的部署时，会产生严重的同层干扰[15]，使得动态资源分配中的干扰管理变得十分困难。在跨层异构网蜂窝络中，频谱资源常常被共享分配给不同的网络层，干扰节点也来自于不同的网络层。5G异构蜂窝网络的跨层干扰抑制问题一直是一个研究热点，其中，双层的LTE Femtocell（家庭蜂窝）网络是研究最多的一个典型的网络模型，宏蜂窝基站和家庭蜂窝基站之间的干扰成为影响网络性能的重要因素。两层异构蜂窝无线网络干扰示意图如图3所示：

图3 两层异构蜂窝无线网络干扰示意图

3.3 基站负载管理

在传统蜂窝网络中，一般假设移动用户接入提供最佳SINR的一个基站。这一假设也依然应用在某些5G异构蜂窝网络场景下，在所有蜂窝基站满载的情况下，即基站时频资源块被用户充分利用，每个基站服务其SINR最高的用户能实现网络整体吞吐量的最大化。但这种基站负载接入方式存在两个明显的问题。首先，最大化网络整体吞吐量不是一个特别实用的指标，会忽略小区边缘用户的数据服务质量。即使所有用户平均使用时频资源（例如Round-Robin或其他比例公平的协议），最大化用户吞吐量之和依然会使用户与最佳SINR的基站连接。实际上，第二个更加重要的问题是上述基站接入方式会使网络负载不均衡，其中大多数用户都竞争接入功率较大的宏蜂窝，使宏蜂窝负载较重，而大部分小蜂窝基站覆盖范围小，其负载很轻，基站接入点的利用效率低下。

在5G异构蜂窝网络中，小蜂窝基站往往只服务几个用户，大数定理不再适用，小蜂窝基站的负载变化随时间变化剧烈。因此，需要一种智能基站负载管理方法，保障用户具有最佳的接入速率，该接入速率不仅与SINR有关，还受到基站负载的影响。同时，最大化所有用户接入速率之和是一个非常复杂的问题，穷搜最佳的基站负载接入方式是一个NP难问题，有限的时间内是难以计算最佳基站负载接入的。因此，不少研究工作通过适当放松物理假设条件来寻找特定网络场景下的基站负载管理能达到的网络速率上界。

3.4 链路管理

5G中的链路管理主要包括终端设备与网络接入点、终端设备与中继节点、以及中继节点之间的连接管理。其中，终端设备与网络接入点之间的连接管理与基站的负载管理有相互重合的部分。在未来大规模部署、密集化协同的5G通信场景下，单个移动通信设备功率受限导致传输距离有限，往往需要通过中继节点进行协同合作，进而实现网络接入与信息传输。但节点大规模化、网络分布式自组织化等特点使得中继节点选择成为一个难题。此外，动态复杂外部通信环境也可能导致中部分继节点无法使用。考虑到网络数据传输的有效性和稳定性，需要对5G网络链路进行稳健可靠的管理优化。

3.5 主动缓存管理

随着硬件存储设备的小型化，存储容量和速度的迅速增大，主动缓存技术已能够在基站和移动终端实现，并且成为提高5G通信服务能力最重要的技术之一。一方面，随着人类日常活动的变化，无线移动传输业务在时间上具有“潮汐”效应：在热点区域和时段，如小区商场等人流密集地区和白天傍晚等活跃时间，无线业务流量需求巨大；而在其他时间段，如凌晨，无线业务流量需求较小。因此，可以在夜晚等业务需求低的时间将数据内容缓存到基站和移动设备终端，以减小热点时间内网络的流量负载压力和通信时延，提高服务质量。另一方面，由于用户之间具有广泛的社交关系链接，用户之间往往具有相同内容的数据业务传输需求，大量的用户都对少量相同的热点数据内容感兴趣，因此可以通过主动缓存方式共享信息。特别是在数据中心网络和内容分发网络中，缓存已成为继网络、基站和频谱后的又一重要资源，异构无线网络管理的决策维度更高，形式更加多样，设备之间的社交耦合关系更加复杂，网络不仅需要优化分析用户的行为特征、缓存内容的流行程度，还要优化缓存内容的选择、更新以及缓存节点和链路的配对。网络局部的缓存选择和管理可以利用边缘计算技术，在本地边缘计算层优化求解。

3.6 基站射频构架

将传统宏蜂窝基站的射频天线和基带数字处理单元分离，射频天线可以布置在较远的区域，一个基带数字处理中心可以遥控多个射频天线工作。这种由基带数字处理中心遥控的只包含射频的蜂窝基站被称作RRH（Remote Radio Head，射频拉远头）。RRH与基带数字处理中心之间可以通过光纤相连，这种构架更容易部署，能够减少基站机房数量，减少能耗，提升既有信号传输效率，扩大网络覆盖率。C-RAN（Centralized-Radio Access Network）技术就是将上述理念扩展到网络的规模，主要有集中化处理（Centralized Processing）、实时云计算构架（Real-time Cloud Infrastructure）和协作式无线电（Collaborative Radio）等网络功能构件组成。另外，在射频天线端，可以利用CDU（Combining and Distribution Unit）将多个收发信机共享天线，通过容量需求，灵活地配置CDU类型和参数，实现能量与射频资源的最佳利用。

3.7 多天线和预编码管理

集中式大规模天线（MIMO）技术能够利用大量天线增强波束传输的方向性，提供很高的空间复用增益，是一种高能效的技术，而且可以根据用户业务的分布优化天线的数目、功率和角度等参数以及高能效协作预编码方法，实现5G异构网络的多天线的管理。

4 常用网络资源管理决策方法

网络资源的不同5G蜂窝网络的资源分配决策问题按照不同的规则和侧重点可以产生不同的划分，除了从性能指标和具体资源管理问题方面划分外，还可以从优化方法和决策结构方面划分，如图4所示。按照决策优化方法来分，可分为凸优化、马尔科夫决策、强化学习、多臂老虎机和博弈论等；按照网络决策结构，可以分为集中式决策、分簇决策（半集中式决策）和分布式决策。

图4 5G蜂窝网络资源分配类型划分

下面以异构蜂窝网络中频谱资源与干扰管理为例，从决策结构方面，简要阐述网络资源管理的集中式决策、分簇决策和分布式决策的特点。

（1）集中式决策

在集中式频谱资源分配决策构架中，一个中心节点（例如宏基站）负责整个网络中其他基站（小蜂窝基站、中继节点）的频谱资源分配决策。其中，所有的小蜂窝基站都需要与中心节点通信交互信息，以辅助中心节点决策，而中心节点则需要下发决策信息给各小蜂窝基站。通常异构蜂窝网络中集中式决策的信息交互是通过控制信道来完成。集中式决策的优势是中心决策节点具有全局网络信息，能够比较容易地实现全局目标优化，如最大化全网吞吐量、最小化全网干扰、保证网络整体公平性等。文献[16]研究了OFDMA Femtocell网络中QoS约束条件下的资源块分配问题，其目标为最大化资源块利用效率，并提出一种贪婪算法来解决该资源块分配问题，其中利用家庭小蜂窝管理系统（Femtocell Management System）来辅助决策优化。文献[17]研究了OFDMA异构蜂窝网络中的干扰控制问题，提出了集中式和分布式两种思路，利用拉格朗日对偶法优化系统的最大吞吐量，其中，分布式方法也需要额外的合作干扰控制来辅助完成。类似地，大部分使用凸优化或拉格朗日对偶法以及拍卖、斯坦博格（Stackelberg）博弈等方法来解决资源分配问题的研究中[18-19]，虽然初始问题能够放松或解耦为多个子问题来分布式解决，但仍需要控制中心进行辅助信息交互。集中式决策的一个重要缺点就是会产生大量的信息交互开销，同时需要使用控制信道和损失额外的发射功率。但随着网络技术和云技术的发展，网络节点之间的信息交互途径也越来越多越来越方便，因此在异构蜂窝网络这种分布式网络中，集中式决策依然能发挥优势与相应的作用[20-21]。

（2）分簇决策

分簇决策是一种半集中式的决策方法，在每个簇中，由簇头进行决策或辅助簇成员决策[22]。其结合了分布式和集中式的优点，一定程度上改善了两者的不足。由于超密集异构蜂窝网络中蜂窝基站数量巨大，基于分簇的频谱资源分配方法能将大规模的网络节点分为多个小规模的簇。其中簇的成员是组成簇的所有蜂窝基站或用户，每一个簇有一个簇头作为簇内信息交互中心或控制中心。簇内一般使用凸优化、博弈论、线性规划等方法进行簇内资源分配。与集中式决策相比，分簇决策具有以下几个优点：1）由于每一个簇的规模较小，簇内信息交互开销较小，而且簇成员大多是距离较近的蜂窝基站，因此与集中式相比，大大减小了公共控制信道上所需的发射功率。2）不同簇内的蜂窝基站和用户能够通过频谱复用实现更高的频谱利用率。3）比单控制中心决策更加稳健，当一个簇头发生故障时，簇成员能够分流到其他簇中。

分簇决策的一个不足是随着网络规模增大，分簇个数增多，簇头对簇成员的广播信息消耗增大。同时，簇间干扰也是需要协调和解决的一个问题。分簇决策适合大规模异构蜂窝网络的扩展性、能量效率优化、频谱效率优化等问题[23]。文献[24]提出一种基于图的动态分簇资源分配方法来解决OFDMA小蜂窝网络中下行链路的干扰消除问题。文献[25]采用分簇的思想，针对OFDMA异构蜂窝网络提出一种QoS约束条件下基于分簇的资源管理方法，其目标是最大化满意用户的数目。文献[26]提出一种基于分簇的半集中式（半分布式）的干扰管理方法，其将复杂的同层和跨层干扰消除的问题分解为两个子问题，其中小蜂窝网关负责分簇，随后簇内进行资源分配。

（3）分布式决策

分布式决策不需要控制中心，其由网络节点独自或与邻居节点合作做出决策。由于分布式决策对网络环境变化的适应力较强，所以其在时变无线环境中具有较好的鲁棒性和稳健性。例如，在网络局部环境发生变化时，集中式决策需要更新全体网络节点的资源分配策略，而分布式决策只需更新受到环境改变影响的节点的策略。与集中式决策相比，分布式决策具有以下几个优点：1）在异构蜂窝网络中，由于可用频谱资源随时间变化，分布式决策更加适用。2）分布式决策中，决策节点只需与邻居节点进行信息交互，信息交互的损耗更小，同时单步决策的速度更快。3）公共控制信道，操作更方便。

分布式决策也存在一些不足。首先，由于分布式决策一般依靠于网络局部信息，难以实现全局网络资源分配的最优。若邻居用户的提供的信息不准确，用户决策结果反而会影响全网性能。其次，随着决策者数目的增多，分布式决策需要较长的时间实现全局收敛。最后，分布式决策难以实现网络全体节点（用户）资源分配的公平性。一般来说，网络业务负载量较轻时，分布式决策性能较好，此时局部基站和用户变化的影响较明显；而网络业务负载量较重时，集中式决策性能较好，此时局部基站和用户变化的影响较小。异构蜂窝网络资源分配的分布式决策中使用较多的方法有博弈论、凸优化、强化学习等。文献[27]提出了一种基于非合作博弈的分布式频谱分配方法，其优化目标为最大化吞吐量速率。文献[28]基于凸优化和对偶分解理论，提出一种分布式无线资源和路径联合优化的方法，最小化无线传感网络中的功率消耗。文献[29]针对异构蜂窝网络中的频谱资源分配问题提出基于强化学习的分布式资源配置方法。

5 结束语

急剧增长的数据流量需求也促进了无线通信系统从4G到5G的转变，5G异构蜂窝网络技术发展的主要目标是实现无线通信网络容量1 000倍的提升。为了实现这一宏大的目标，需要对5G异构蜂窝网络中的各种资源进行高效管理和优化。本文首先总结了5G异构蜂窝网络资源管理和分配的主要性能指标，分别分析了QoS和QoE两类指标的特点，随后针对不同的异构蜂窝网络资源，从频谱和干扰管理、网络拓扑结构、基站负载管理、主动缓存管理、多天线和预编码管理等五个方面的资源管理优化问题进行了总结。最后，从决策结构为出发点，介绍了5G异构蜂窝网络资源管理的集中式决策、分簇决策（半集中式决策）和分布式决策方法。目前，针对频谱、网络设备、缓存等单维度资源的管理优化已存在很多成果，然而针对网络整体多维资源管理优化的工作还不多，面向用户和业务需求的5G蜂窝网络多维资源管理优化问题还需要进行深入的研究。

参考文献：

[1]Y Chen, J Zhang, Q Zhang. Utility-Aware Refunding Framework for Hybrid Access Femtocell Network[J].IEEE Transactions on Wireless Communications,2012,11(5)： 1688-1697.

[2]G Boudreau, J Panicker, N Guo, et al. Interference Coordination and Cancellation for 4G Networks[J]. IEEE Communications Magazine, 2009,47(4)： 74-81.

[3]J Mitola, J Guerci, J Reed, et al. Accelerating 5G QoE via public-private spectrum sharing[J]. IEEE Communications Magazine, 2014,52(5)： 77-85.

[4]SY Lien, YY Lin, KC Chen. Cognitive and gametheoretical radio resource management for autonomous femtocells with QoS guarantees[C]//IEEE Transactions on Wireless Communications, 2011,10(7)： 2196-2206.

[5]P Brooks, B Hestnes. User Measures of Quality of Experience： Why Being Objective and Quantitative is Important[J]. Network IEEE, 2010,24(2)： 8-13.

[6]JS Lee, FD Simone, T Ebrahimi. Subjective quality evaluation via paired comparison： Application to scalable video coding[J]. IEEE Transactions on Multimedia,2011,13(5)： 882-893.

[7]Kuan-Ta Chen, Chi-Jui Chang, Chen-Chi Wu. Quadrant of Euphoria： A Crowdsourcing Platform for QoE Assessment[J]. Network IEEE, 2010,24(2)： 28-35.

[8]HS Dhillon, RK Ganti, F Baccelli, et al. Modeling and Analysis of K-tier Downlink Heterogeneous Cellular Networks[J]. IEEE Journal on Selected Areas in Communications, 2012,30(3)： 550-560.

[9]F Baccelli, B Blaszczyszyn. Stochastic Geometry and Wireless Networks, Foundations and Trends in Networking[M]. USA： Now Publishers Inc., 2009.

[10]HS Dhillon, RK Ganti, F Baccelli, et al. Modeling and Analysis of k-Tier Downlink Heterogeneous Cellular Networks[J]. IEEE Journal on Selected Areas in Communications, 2012,30(3)： 550-560.

[11]A Ghosh, N Mangalvedhe, R Ratasuk, et al.Heterogeneous Cellular Networks： From Theory to Practice[J]. Communications Magazine IEEE,2015,50(6)： 54-64.

[12]A Damnjanovic, J Montojo, Y Wei, et al. A Survey on 3GPP Heterogeneous Networks[J]. Wireless Communications IEEE, 2011,18(3)： 10-21.

[13]TD Novlan, RK Ganti, A Ghosh, et al. Analytical Evaluation of Fractional Frequency Reuse for Heterogeneous Cellular Networks[J]. IEEE Transactions on Wireless Communications, 2011,10(12)： 4294-4305.

[14]P Kulkarni, W H Chin, T Farnham. Radio resource management considerations for LTE Femto cells[J].Acm Sigcomm Computer Communication Review,2010,40(1)： 26-30.

[15]HC Lee, DC Oh, YH Lee. Mitigation of inter-femtocell interference with adaptive fractional frequency reuse[C]//IEEE International Conference on Communications,2010： 1-5.

[16]YS Liang, WH Chung, GK Ni. Cooperative Interference Control for Spectrum Sharing in OFDMA Cellular Systems[J]. IEEE Transactions on Vehicular Technology,2012,61(5)： 2243-2255.

[17]B Da, R Zhang. Cooperative Interference Control for Spectrum Sharing in OFDMA Cellular Systems[C]//IEEE International Conference on Communications,2011,41(4)： 1-5.

[18]Z Niu, S Zhou, Y Hua, et al. Energy-Aware Network Planning for Wireless Cellular System with Inter-Cell Cooperation[C]//IEEE Transactions on Wireless Communications, 2012,11(4)： 1412-1423.

[19]H Tabrizi, B Peleato, G Farhadi, et al. Spatial Reuse in Dense Wireless Areas： A Cross-Layer Optimization Approach via ADMM[C]//IEEE Transactions on Wireless Communications, 2015： 7083-7095.

[20]H Tabrizi, B Peleato, G Farhadi, et al. Cloud technologies for flexible 5G radio access networks[C]//IEEE Transactions on Wireless Communications, 2015,14(12)：7083-7095.

[21]N Wang, E Hossain, VK Bhargava. Backhauling 5G small cells： A radio resource management perspective[C]//IEEE Wireless Communications,2015,22(5)： 41-49.

[22]Papadogiannis, D Gesbert, E Hardouin. A Dynamic Clustering Approach in Wireless Networks with Multi-Cell Cooperative Processing[C]//IEEE International Conference on Communications, 2008： 4033-4037.

[23]A Barbieri. Mitigating Uncoordinated Downlink Interference in Cluster-Based CoMP with Centralized Scheduling[C]//Information Theory and Applications Wksp., 2013.

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

[25]A Hatoum, R Langar, N Aitsaadi, et al. Cluster-Based Resource Management in OFDMA Femtocell Networks With QoS, Guarantees[J]. IEEE Transactions on Vehicular Technology, 2014,63(5)： 2378-2391.

[26]A Abdelnasser, E Hossain, IK Dong. Clustering and resource allocation for dense femtocells in a two-tier cellular OFDMA network[C]//IEEE Transactions on Wireless Communications, 2014,13(3)： 1628-1641.

[27]C Xu, M Sheng, X Wang, et al. Distributed Subchannel Allocation for Interference Mitigation in OFDMA Femtocells： A Utility-Based Learning Approach[J].IEEE Transactions on Vehicular Technology, 2015,64(6)：2463-2475.

[28]M Leinonen, M Codreanu, M Juntti. Distributed Joint Resource and Routing Optimization in Wireless Sensor Networks via Alternating Direction Method of Multipliers[C]//IEEE Transactions on Wireless Communications, 2013,12(11)： 5454-5467.

[29]M Leinonen, M Codreanu, M Juntti. Self-Organization in Small Cell Networks： A Reinforcement Learning Approach[J]. IEEE Transactions on Wireless Communications, 2013,12(11)： 5454-5467. ★