C-RAN网络中一种基于QEE优化的无线资源分配算法

肖培剑，王 波，黄冬艳

(桂林电子科技大学 认知无线电与信息处理教育重点实验室，广西 桂林 541004)

0 引言

随着全球第四代移动通信系统(4G)的大规模商用化，业界已经开始进行第五代移动通信系统(5G)的研究，5G将会提供0.1～1 Gbps的用户体验速率、小于1 ms的端到端空中延迟、更高的能量效率(Energy Efficiency，EE)和频谱效率(Spectral Efficiency，SE)[1-2]。预计5G将在2020年投入商用。

为了有效降低移动通信系统资本支出和运营支出，中国移动提出了C-RAN的移动网络架构[3]。C-RAN网络架构可以有效提高移动通信系统的频谱效率和能量效率。目前业界己将C-RAN作为5G无线接入网架构之一。C-RAN网络架构中，传统基站的功能被拆分为基带单元(Baseband Unit，BBU)和远端射频头(Remote Radio Head，RRH)两部分。C-RAN网络可以利用BBU池的相关信息实现动态的资源分配，从而高效地服务于网络用户。此外RRH之间的协作通信方式可以有效降低小区间干扰，提高系统容量。

为了满足用户对业务多样性的需求，5G将支持三维视频流/会议(Three-dimensional Video Streaming/Meeting)、AR(Augmented Reality)、在线大数据挖掘(Online Big Data Mining)和实时物联网(Real-time Internet of Things)等新兴业务[4-5]。这些新兴业务更加注重用户的主观感受，因此需要从用户的角度来优化网络性能。事实上，网络运营商和服务提供商已经将对用户服务质量(Quality of Service，QoS)的关注转向了用户体验质量(Quality of Experience，QoE)。QoE是由用户背景(如年龄、性别、地区和性格等)决定，其量化评价标准采用国际电信联盟电信标准分局(International TPunication Union-TPunication Sector，ITU-T)建议的平均意见得分(Mean Opinion Score，MOS)[6]。MOS把主观评估转化成客观的数值评估，从而更加准确地反映用户的满意程度[7]。

随着节能环保的概念深入发展，通信行业也展开了绿色通信的研究[8-9]。作为下一代的移动通信技术，5G的研究也必须考虑能量效率的优化。结合QoE的研究，业界提出了QEE[10]的概念，即单位能量QoE。因此，基于C-RAN网络QEE的研究对提高用户QoE，减小系统能量消耗具有重要意义。

文献[11-12]基于C-RAN网络研究QoE，其中文献[11]通过RRH之间协作方式达到提升用户QoE的目的，文献[12]采用光纤供电方式优化用户的QoE。文献[13-14]基于无线异构网络提出移动关联和资源分配方案，优化视频业务的QEE。文献[10]基于C-RAN网络架构，采用一种基于迭代型Max-Min算法来优化多业务的QEE。文献[11-12]在C-RAN网络中并未研究视频业务的QEE特性；文献[13-14]虽然分析了视频业务的QEE特性，但没有基于C-RAN网络进行研究。文献[10]虽然基于C-RAN中分析研究了QEE特性，但只从功率资源调度的角度来优化QEE，并没有考虑载波与功率联合调度的动态资源分配方式来优化QEE。本文基于C-RAN架构，提出一种基于载波与功率联合调度的NFP分配算法，优化视频业务的QEE。

1 系统模型

C-RAN网络架构如图1所示。典型的C-RAN网络由一个BBU池和多个分布在不同地理区域内的RRHs组成。RRHs与BBU池之间通过高带宽低延迟的前传链路(例如光纤)连接[15-16]。

图1 C-RAN网络架构

系统总用户数Nu表示为：

(1)

系统载波资源数Nc表示为：

(2)

(3)

RRHs功率集合表示为{P1，…，Pl，…，PNr}，其中Pl表示第l个RRH的总功率。RRHl总功率Pl包括射频放大器功率与电路功率[17]，

(4)

2 问题定义与描述

2.1 QEE定义

随着5G网络的发展，将会诞生诸如AR、4K视频(4K Video)等新型业务，但是业界并没有给出这些新型业务的QoE定义；另外一方面，未来的5G网络中视频业务仍占有相当大的比重，为了提高视频业务的QoE性能，满足绿色节能通信的需求，将对下行链路视频业务QEE性能进行优化。

对于视频业务[18]，用户的MOS表示为：

(5)

式中，a1=4.5为最大的MOS值上限；a2=0.04为与函数陡降度相关的系数；a3=1 650 kbits为可以满足50%用户的最大下行速率；Pe为丢包率；r为用户下行速率。

(6)

根据香农定理，RRHl第k个用户在载波m上的下行速率(kbits)可以表示为：

(7)

式中，Bm为子载波m的带宽(kHz)。C-RAN架构中一个BBU池对多个RRHs进行服务，系统RRHs总功率为：

(8)

系统总的MOS表示为：

(9)

QEE的定义表示为：

(10)

2.2 问题描述

本文采用基于无线资源分配的方式来优化QEE，QEE优化目标表示为：

(11)

3 算法设计

问题(11)是一个混合整数分式非线性优化问题，这是一个NP-hard问题，直接求解比较困难。为了减小复杂度，首先应用非线性分数规划方法将问题(11)转化成混合整数非分式非线性优化问题，然后用迭代方法解决该转化问题。在解决转化问题的每次迭代过程中，采用拉格朗日对偶分解方法决策出最优的功率和载波分配方式。

(12)

如果λ取得最优值λ*，那么问题(12)满足：

由于F(λ*)=0需要非常苛刻的条件，为了达到估算和简化计算的目的，从而设置一个大于0任意小的常量δ1，使得F(λ*)≤δ1收敛。问题(12)是一个混合整数非分式非线性优化问题[18]，根据Dinkelbach方法[19]，提出利用NFP算法来优化该问题。NFP算法如下：

① Initialize:λ，δ1，i，j；

③ 解决式(12)功率和载波分配的问题；

⑥ End

⑦ Output：λ*；

NFP算法可以有效地解决问题(12)。NFP算法基本思想是对于给定的λ值，决策出最优的功率和载波分配方式。鉴于在给定的λ值条件下，问题(12)是一个混合整数非分式非线性优化问题，因此引入拉格朗日对偶分解的方法来决策出最优的功率和载波分配方式。

(13)

考虑到式(13)具有很强的对偶性，可以通过关于拉格朗日函数对偶问题的方法来求解[20-21]。因此，式(13)的对偶问题表示为：

(14)

(15)

(16)

获得子问题最优功率后，下一步是求解子问题最优的载波资源分配。最优的载波分配可以表示如式(17)所示：

(17)

子问题求解目标是在特定的μ值下，获得最优的资源分配；并且通过更新μ值，可以求取不同的最优值。因此，下一步要解决的问题是更新μ。通过更新拉格朗日乘子的方式，可以获得不同μ值。考虑到D(μ)可微，故主问题可以采用梯度下降法来更新μ值。对L关于拉格朗日乘子求导如式(18)所示：

(18)

故更新的拉格朗日乘子表示如式(19)所示：

(19)

式中，ηl为正的步进大小；i为迭代指数。为了达到估算和简化计算的目的，从而设置一个大于0且任意小的常量δ2，使得主问题变化量ΔD(μ)<δ2收敛。

根据以上讨论，得到NFP算法的详细步骤表示如下：

步骤1

初始化参数λ，μ，δ1，δ2，i，j。

步骤2

μ(i，j))；

③ 更新拉格朗日因子μ(i，j)；

步骤3

步骤4

① 继续执行步骤2和步骤3；

② 直到F(λ(i，j))≤δ1，算法结束。

4 仿真结果与分析

5G三大应用场景包括增强型移动宽带、大规模机器通信以及高可靠低时延通信。本文基于增强型移动宽带的室外热点场景进行仿真分析。相邻RRH之间的距离分别设置为40 m，160 m，280 m，400 m[22-23]。载波频率和系统带宽分别为2.3 GHz，100 MHz[24-26]。为了更好地分析无线资源分配对QEE性能的影响，令Pe=0。系统参数设置如表1所示。

表1 系统参数表

图2(a)～图2(d)分析了NFP算法中迭代次数与QEE性能之间的关系，可以得出以下结论：

① 在有限的迭代次数下，NFP算法趋向于收敛，可以获得系统最优的QEE；

② 随着用户数的增多，QEE的性能将会变差。这是因为随着用户的增加，在有限的带宽资源条件下要满足用户同等QoE的需求，就必须通过增大发射功率来提升QoE，故导致QEE的性能随用户数的增加而变差；

③ 随着相邻RRHs距离D的增加，QEE的性能也将会减小。这是因为随着D的增大，由于要满足用户同等QoE的需求，发射功率则需相应的增大，故导致QEE的性能随D的增加而变差。

图2 不同D的QEE性能曲线

在距离D=160 m时，对比了NFP算法、基于块坐标下降法的比例公平(Block Coodinate Descent-based Proportional Fairness，BCD-based PF)算法和基于块坐标下降法的最大最小(Block Coodinate Descent-based Max-Min，BCD-based Max-Min)算法3种算法的QEE性能，图3(a)～图3 (d)分别分析了在不同用户数Nu的QEE性能曲线、MOS性能曲线、MOS标准差和边缘用户与中心用户的MOS公平指数。从图3可以得出以下结论：

① 图3(a)和图3(b)反映出随着用户数增加，不同算法的QEE性能和MOS性能都减小；并且3种算法中，NFP算法性能最好，BCD-based PF算法次之，BCD-based Max-Min算法性能最差。

② 图3(c)反映出随着用户数增加，不同算法的MOS标准差都增大；并且3种算法中，BCD-based PF算法性能最好，NFP算法次之，BCD-based Max-Min算法性能最差。

③ 图3(d)反映出随着用户数增加，不同算法的边缘用户与中心用户MOS公平指数都下降；并且3种算法中，BCD-based PF算法性能最好，NFP算法次之，BCD-based Max-Min算法性能最差。

综合分析图3(a)～图3(d)可以看出，虽然在公平性方面本文所提NFP算法性能比BCD-based PF算法性能要差，但是NFP算法在可以接受的公平性约束下，可以获得最优的QEE性能。

图3 不同算法的性能曲线

5 结束语

本文基于C-RAN网络架构采用NFP算法对视频业务的QEE性能进行了优化研究。NFP算法基于载波与发射功率联合调度方式来优化系统的QEE性能。针对QEE优化目标，NFP算法在一定的收敛条件下，经过有限次迭代，可以获得最优的QEE性能。通过仿真比较，本文所提的NFP算法在可以接受的公平性约束下，QEE性能优于BCD-based PF算法和BCD-based Max-Min算法。