基于弹性云无线接入网的协同传输技术

陈 禹，杨秀清，刘 涌，赵静雅，王俊生

(1.北京电子科技职业学院 电信工程学院，北京 100176；2.北京邮电大学 信息与通信工程学院，北京 100876)

0 引 言

第五代移动通信技术已成为当前研究的一个热点，5G研究方向中一个关键的部分是多输入多输出(multiple-input multiple-output，MIMO)系统以及对接入网部分的研究[1]。云无线接入网(cloud-RAN，C-RAN)是针对未来蜂窝网络提出的一种架构，是对分布式基站系统的一种再演进的架构方式[2]。它可以将基带资源集中化、可以实现灵活的远程接入点控制，使以基站为单位的更大范围的协作的实现成为可能[3,4]。

同时，对越来越高通信能力的需求推动着新一代网络的不断发展，并推动着出现全新的部署和运营方式以适应更复杂的环境和更高的性能要求。随着用户终端数目的急速增长，以及基站部署的密集化，网络中干扰愈加复杂，用户速率波动性变强，对接入网络管理带来了严峻挑战[5,6]。基于此，在5G的新场景下，急需新的用户接入方案和高效的协同传输机制来应对致密化带来的诸多问题，从而让用户获取更好、更平稳的无线通信体验[7]。

本文针对云无线接入网下行链路，在多接入节点组成协作簇为用户提供无线服务场景下，秉持以用户为中心的设计理念，提出一种基于动态波束赋形的多节点协同传输技术。本方案将协作传输决策过程解耦为波束赋形方向设计和基站功率分配两个子问题，并分别进行求解，体现了云接入网可以针对每个用户的位置及通信需求，弹性地设计算法。

1 网络模型

考虑基站间协作需要全部信道信息的集中式处理以及计算复杂度的难点，本文将云无线接入网与基站间协作分配方案的技术结合起来，如图1所示。本文的场景沿用了分布式多天线系统的射频拉远单元与基带处理单元通过光纤相连的这一架构，这样的天线布置更为灵活成本也更低。在云无线接入网的架构中，基带池的中心化和处理资源的虚拟化为多基站间协作提供了可能。此外，基带池中的基带处理单元相互间的数据交换成本远低于传统基站间的数据交换，能够高效地实现基站间的信息共享，以及统一的计算和处理[8,9]。

图1 本文基站间协作场景下的系统

云无线接入网的发展促进了移动通信网络的去小区化。本文针对云无线接入网中的以用户为中心的去小区化服务场景。在基带池中，基于收集到的信道状态信息，实现对用户-基站连接的决策，一个用户可以连接到由若干个基站组成的协作服务簇，通过基站间的联合波束赋形，获得较高的用户体验。这种用户服务的新模式，能够避免用户处于小区边缘，从而能够极大提升网络效率。本文提出的多基站协同传输根据用户的无线信道状态，动态进行波束赋形设计，因此在不影响离基站较近用户的网络体验的同时，能够极大提升距离基站较远的用户的数据速率。

2 问题建模

在云无线接入网多基站协同服务系统中，如何设计联合波束赋形是一个重要的问题，因为整个系统的效能以及用户可获得数据速率是由波束赋形决定的。如今，通信领域已经有许多针对协作传输的研究，但是现有研究缺乏在云接入网中，针对以用户为中心的服务模式的高效协作传输算法。这类问题主要具有两个难点：首先由大量天线带来的巨大的空间自由度需要分配；并且在最大化系统的吞吐量和保证用户公平性之间的抉择。

本文描述的系统是一个具有Kt个基站，每个基站具有Nt根天线，场景下共有Kr个用户接收机。本文的一个思想是加入了一个判断用户与天线之间是否能通信的(Kt*Nt)×(Kt*Nt)×Kr的矩阵D。每页的矩阵D代表天线与一个用户的通信情况，每页的矩阵D都是对角矩阵，对角线上的值只能取0或1，当规定对应天线j与用户k能通信时，D(j,j,k)取值为1，其它情况全为0。通过矩阵D的不同赋值，可以描述多种不同的通信场景，包括干扰信道、协作波束赋形、认知无线电等技术。

多基站系统可以被抽象为一个单目标的优化问题

(1)

式(1)中，优化的变量为发送的波束赋形向量vk。信道参数hjk描述了由发送机j到用户k的信道，由hjk为元素构成的全部信道信息，表示为发射机到用户的信道矩阵H。本文设定在信号传输过程中信道参数是固定的。用户的性能用关于信干噪比SINR(signal to interference and noise ratio)的函数g来描述，实际上函数g所表示的速率是关于信干噪比SINR连续且严格单调增加的。Ql表示权矩阵。并且被优化的波束赋形向量还满足一系列的功率限制ql。总的系统效用函数f(·)表示每个用户性能的加权总和。该函数被假设为随着每个用户的效能函数gk(SINRk)而连续单调增加。

对该凸优化问题进行最优解求解时，通常采用的方法是迭代上千次以逼近一个可以接受的误差范围内。此方法具有较高的精确度，但是对用户数量稍多(通常为大于等于6个用户时)，迭代计算需要的时间会大幅上升。最优解的计算时间经常以小时为单位，在实际的系统中是难以运用的。实际的系统中，应该根据上行链路的反馈接近即时地计算出对资源的分配情况。本场景假定在发送过程中信道条件是不改变的，但是实际中因为用户通常是处在小幅的信道参数改变当中的，计算的时间越长，参数改变越大，只有在保证计算时间复杂度很低，总计算时间很短的情况下，信道参数不改变这一假设才是成立的，该算法的计算在当前这一环境下才是较有意义的。

本文采用了对该凸优化问题的一个启发式的算法，考虑到优化变量，即波束赋形向量，有幅度和方向两个维度的参数，因此将原问题拆分成波束赋形方向决策和波束赋形幅度决策(即多基站功率分配)两个子问题，并进行分别求解，以得出一个可行解，并分析了这种可行解能够获得的网络速率，算法的复杂度，以及算法与其它相近算法的比较，以下针对两个子问题进行分别求解。

3 波束赋形方向决策算法

本文首先解决波束赋形的方向决策问题。当前主要策略有最大比例传输算法(MRT)和迫零传输算法(ZF)，最大比例传输算法具有低信噪比条件下或天线资源趋近无限时的优势和高信噪比条件下对其他用户高干扰的劣势，迫零传输算法在高信噪比下总吞吐量的优势以及需要知道全部信道信息和在低信噪比条件下吞吐量不够高的劣势。本文考虑了一种新的波束赋形方向决策策略，将两种基本波束赋形算法结合起来，因此能够同时获得两者的优势性能。

3.1 理论推导

本文的策略是基于信漏噪比(signal to leakage and noise ratio，SLNR)这一概念实现的，信漏噪比可以表示为信号功率与泄露到其它接收机的功率的比值[10]。采用基于信漏噪比的预编码技术，不仅使用户接受到的有用信号强度最大化，同时还尽量减少对其他用户带来的影响，即降低目标用户泄露给其他用户的总的干扰功率，这种同时衡量最大的用户接收功率和最小的用户泄露功率的方式就是通过信漏噪比这一概念完成的。

对用户k而言，泄露给其他用户的噪声功率可以表示为

(2)

式中：Hm是对于用户m而言的下行信道矩阵，Wk为对于用户k而言的预编码矩阵。信漏噪比为

(3)

(4)

此时的信漏噪比可以表示为式(5)

(5)

进一步计算后，有

(6)

又由于

(7)

(8)

3.2 算法实现

本文的波束赋形算法是基于信漏噪比这一概念，并通过预编码使信漏噪比尽可能最大化。根据上文的理论推导，预编码矩阵在满足一些条件时，可以满足使信漏噪比最大化的目的。

本文通过完成一个自定义的波束赋形函数来完成这一波束赋形策略参数的计算，参数如前所述。

函数的主要部分是对算法的预编码处理，对于用户K，首先通过将H和相应页数的矩阵D相乘，得到可以通信的天线-用户终端的信道信息。接着对用户进行单独处理，按照上文推导的式(8)完成对预编码分配方案的计算，并在最后加入对波束赋形向量的归一化处理，以便之后对各天线的波束赋形向量进行功率的分配。

算法流程如图2所示。

图2 基于SLNR的波束赋形策略流程

本算法在计算每个用户的预编码矩阵的时候都用到了求逆，对每一步复杂度逐项求复杂度可得到算法总的时间复杂度为

TSLNR=M[MN2+2MN+(M-1)N2+2N2+2N3]

(9)

其中，M取决于用户的规模，N取决于总天线数量的规模，得出本算法的时间复杂度为O(N4)。

3.3 算法说明

本算法完成了在基站间协作下使用云无线接入网技术时，对天线的波束赋形方向的计算。对每个用户而言，预编码矩阵的计算仅需要一次特征值与对应特征向量的计算。而传统的基于SLNR思想的预编码，实际上平衡了本小区用户的等效信道增益与相邻小区用户造成干扰这两者之间的矛盾。在本文的场景下，虽然没有了小区的概念，但是基于SLNR思想的预编码方式，仍然沿用了之前的思路，在对一个信道条件较好的用户进行预编码从而使其性能更好的同时，注意保证对其他用户的干扰保持在可以接受的条件下，以保证整个系统的更好总体性能。

值得注意的是，本算法和迫零传输算法一样，在对发送给一个用户的信号进行预编码的时候，需要知道整个信道的全部信息，包括其它基站到其他用户的信道信息。因此本文结合了云无线接入网技术的集中化处理，在基带池间方便地调用其它基站收到的信道反馈信息，并且集中化地计算以完成分配策略。

而本算法不仅对基于使SLNR最大化的预编码能完成波束赋形向量的计算，对不同的预编码方式，只需要在预编码的部分进行不同的计算就可以得到不同的预编码波束赋形策略。例如在进行SLNR算法的预编码的时候，将预编码方式换成最大比传输或迫零预编码，最终得到的就是最大比传输和迫零传输的波束赋形策略。

4 功率分配策略

在完成波束赋形方向决策之后，还需要针对获得的归一化发射波束赋形向量进行多天线功率分配，根据用户信道状态信息，进行波束赋形强度调整，从而进一步提高通信效率。

4.1 算法实现

本算法采用注水算法的思路，基于已经获得的发射波束赋形向量，判断出天线到用户间信道的优劣情况，由此得出基站对用户应当分配多少功率才是最优的。

本功率分配算法需要的输入为全部的信道矩阵H、计算完成的归一化发送波束赋形向量、每个用户的权矩阵、每个基站的总功率。该算法首先对输入进行预处理，通过已完成的归一化发射波束赋形向量计算出有效信道增益，有效信道增益是对某一基站的所有天线到某一用户的发送波束赋形值和对应信道的乘积并求和。将计算完成的向量保存到新的矩阵中，矩阵的行代表一个基站，列代表一个用户。对每一个基站K来说，判断出该基站的有效信道增益不为零的用户，即是否该基站可以对该用户进行服务。

步骤1 对一个基站K而言，该算法假设所有的用户都被分配了功率。按照注水算法的逻辑，非零的有效信道增益的倒数的和为衡量当前信道性能的值。将该值与基站的总功率相加，除以用户权值的和，就可以得到在所有用户被分配功率的情况下，最终每个用户的“水位”，即分配的功率与该用户有效信道增益的倒数的和。

步骤2 计算基站只能给一部分用户分配功率的情况。首先使用一个函数描述在给定的“水位”下，全部已分配功率和总可用功率的差值。当分配功率使所有被分配功率的用户子集的功率程度相同时，差值取到最小。这里使用函数fminbnd判断差值最小时“水位”的值。

步骤3 判断该分配方法分配给了所有用户或一部分用户，并将分配方式的最终结果输出。

4.2 算法说明

本算法通过注水算法完成了对上述归一化发送波束赋形策略的功率分配，值得注意的是，由于有效信道增益是关于基站到用户的全部信道上增益的和，因此最终的分配方案也是基站向用户分配的发射功率而非向天线分配功率。本算法的输入实际上是波束赋形向量，而非某种特定算法，因此若输入的是经过最大比传输算法或迫零预编码算法的波束赋形向量，输出结果就是对应算法的注水功率分配策略。

由于上述的发送波束赋形策略计算出的结果通常是经过归一化的，本算法之后得出的功率分配方案，经过开根号并与波束赋形向量对应相乘，可以得到波束赋形向量在不同基站到用户之间的对应幅度和相位的关系。

5 仿真结果及性能分析

假设基站和用户是进行随机撒点以得到不同点物理位置信息，对基站和用户间的最小距离进行了限制，以免造成计算结果的不合实际。为了验证提出策略的性能优势，本文采用最大比例传输算法和迫零传输算法作为对比算法，并假设这两种对比算法中基站功率平均地分配给用户。以下标记本文提出的算法为SLNR-MAX，两种对比算法分别标记为MRT，ZF。

值得注意的是，传统的MAX-SLNR算法，其泛指一类基于最大化信漏噪比波束赋形算法。在现有研究中[11]，大多是面向SLNR进行优化，得到最优的波束赋形向量，从而减少干扰泄露，增强有用信号功率。现有针对MAX-SLNR的研究大多是进行天线功率和波束赋形方向的协同设计。本文同样利用MAX-SLNR来进行波束赋形设计，不同的是本文将波束赋形分解成两个子过程，即波束赋形方向设计和天线功率分配。本文利用MAX-SLNR设计思想来获取最优波束赋形方向。此外，还利用注水算法进行功率分配，从而相比传统MAX-SLNR算法，进一步提升了系统吞吐量，发挥了系统的最大性能。

仿真参数描述见表1。

表1 仿真参数描述

5.1 系统吞吐量分析

对不同用户的速率加权求和，可以得到系统的总吞吐量。由于噪声功率经过归一化处理，信噪比也可以看作为发射功率的变化。基于上文设置的参数的仿真下，做出吞吐量关于信噪比变化如图3所示。

图3 与传统方式的系统吞吐量对比

对图3进行分析首先可以看到，对本文中基于SLNR最大化的算法，就其自身的特点而言，是随着信号功率的增加而增加的。按照前文的理论推导，在与另外两种启发式算法的比较下，本文的策略应该同时具有最大比传输算法的低信噪比优势和迫零算法的高信噪比优势。观察图3可以发现，实际信道环境下，系统的吞吐量确实满足上文的推导，系统的性能达到上文理论推导的预计值。

观察图3发现信噪比在10 dB以下时，本文的策略与最大比传输极为相近，但随着功率的进一步提高，系统的吞吐量虽然依然在上升，但达不到很好的效果。这是由于在更大功率下时，最大比传输算法对其它信道的干扰越来越大。而在高信噪比情况下，观察到迫零传输算法由于注意消除了本信道的预编码矩阵在其它信道条件下的干扰，在系统的噪声相对较小时，系统的总吞吐量表现为趋近本文的吞吐量值。而本文的策略在较低和较高发送功率时，均具有良好的吞吐量，而算法的复杂度和迫零算法相近。

通过分析吞吐量可以看出，在基站间协作的场景下，通过对整个信道矩阵的调用，完成全部的预编码信息，使SLNR最大，这一算法有效地实现了预计的性能。使用本文的算法可以改善传统预编码算法的系统吞吐总量的值。尤其在发射功率较高时，本算法相比于最大比传输算法的有较大提高。

5.2 能量消耗与能量效率分析

能量效率是在本文确定了能耗模型的基础上，确定基于云无线接入网的基站间协作系统的具体功耗数值和系统的总吞吐量，用吞吐量与功耗的比值便是能量效率的值。根据文献[12]中对能量消耗和能量效率的推导和本节对仿真参数的固定，做出不同算法的能量效率随着发射功率变化如图4所示。

图4 与传统方式的能量效率对比

首先对图4中的本文策略的描述，随着发射功率的增大，采用本文策略的分配方式的能量效率很快增大，大约在15 dB附近时，有最高的能量效率值，随后随着发射功率的进一步增大，能量效率开始减小。根据能量效率定义分析，在低发射功率时，信号的发送功率很低，而基站在维持系统运转时需要消耗一个基本的静态电路的功耗，因此此时的能量效率较低。随着发射功率的提高，发射功率在功耗中的比例显著提高，信号的吞吐量迅速增长，进行信道预编码的意义开始体现，此时的能量效率呈现快速增长的趋势。发射功率的进一步提高后，吞吐量的上升放慢，而功率的消耗进一步增大，能量效率呈现增长放缓的趋势并达到最高点。在达到最高点后，发射功率的提高使吞吐量的提高不再比总功率提高更快，曲线呈现下降的趋势。

分析不同的算法，发现基本函数的形态是相近的，但最大比传输算法在更低的发射功率下就达到了能量效率最大的点，而迫零传输算法在更高的发射功率下才达到能量效率最大的点，并且本文策略中的能量效率的最高点均是高于传统的二者的能量效率。

6 结束语

本文提出了云接入无线网中基于波束赋形的协同传输方案。针对以用户为中心的协同服务场景，首先对使得网络效能最大化的协同传输问题进行建模，得到了一个以波束赋形向量为变量的优化问题。其次将原问题解耦成归一化波束赋形向量求解和相应的基站功率分配两个子问题，并分别利用信漏噪比最大化思路和注水算法进行求解，从而获得了完善的、最优的波束赋形向量，实现了基于用户需求和信道状态的动态弹性接入。本文提出的方案和传统的策略在多方面比较，均具有更佳的性能。利用该协作传输方案，通过云无线接入网的集中化调度处理，解决传统基站间合作困难的问题，并在基站向用户的下行链路侧，通过云无线接入网以协调基站间的传输方案以联合为用户提供无线的服务。但是应当注意的是，本文的接入方式并没有单独考虑到用户之间公平性的问题，这也是下一步的研究方向。

参考文献：

[1]Zhang H,Huang S,Jiang C,et al.Energy efficient user association and power allocation in millimeter wave based ultra dense networks with energy harvesting base stations[J].IEEE Journal on Selected Areas in Communications,2017,35(9):1936-1947.

[2]Maeder A,Ali A,Bedekar A,et al.A scalable and flexible radio access network architecture for fifth generation mobile networks[J].IEEE Communications Magazine,2016,54(11):16-23.

[3]Peng M,Sun Y,Li X,et al.Recent advances in cloud radio access networks:System architectures,key techniques, and open issues[J].IEEE Communications Surveys & Tutorials,2016,18(3):2282-2308.

[4]Zhang H,Dong Y,Cheng J,et al.Fronthauling for 5G LTE-U ultra dense cloud small cell networks[J].IEEE Wireless Communications,2017,23(6):48-53.

[5]Zhang H,Chu X,Guo W,et al.Coexistence of Wi-Fi and heterogeneous small cell networks sharing unlicensed spectrum[J].Communications Magazine IEEE,2015,53(3):158-164.

[6]Zhang H,Jiang C,Beaulieu N C,et al.Resource allocation for cognitive small cell networks:A cooperative bargaining game theoretic approach[J].IEEE Transactions on Wireless Communications,2015,14(6):3481-3493.

[7]Zhang H,Jiang C,Mao X,et al.Interference-limited resource optimization in cognitive femtocells with fairness and imperfect spectrum sensing[J].IEEE Transactions on Vehicular Technology,2016,65(3):1761-1771.

[8]Wu Dapeng,Zhang Puning,Wang Honggang,et al.Node service ability aware packet forwarding mechanism in intermittently connected wireless networks[J].IEEE Transaction on Wireless Communications,2016,15(12):8169-8281.

[9]Wu D,Wang Y,Wang H,et al.Dynamic coding control in social intermittent connectivity wireless networks[J].IEEE Transactions on Vehicular Technology,2016,65(9):7634-7646.

[10]Wu D,Zhang H,Wang H,et al.Quality-of-protection-dri-ven data forwarding for intermittently connected wireless networks[J].IEEE Wireless Communications,2015,22(4):66-73.

[11]Sadek M,Tarighat A,Sayed A H.A leakage-based preco-ding scheme for downlink multi-user MIMO channels[J].IEEE Transactions on Wireless Communications,2007,6(5):1711-1721.

[12]Zhang H,Nie Y,Cheng J,et al.Sensing time optimization and power control for energy efficient cognitive small cell with imperfect hybrid spectrum sensing[J].IEEE Transactions on Wireless Communications,2017,16(2):730-743.