动态超密集网络中的Markov预测切换

孟庆民，赵媛媛，岳文静，邹玉龙，王小明



动态超密集网络中的Markov预测切换

孟庆民，赵媛媛，岳文静，邹玉龙，王小明

（南京邮电大学通信与信息工程学院，江苏 南京 210003）

针对超密集蜂窝网络中大规模机器类通信所涉及的通信与计算问题，提出了一种基于Markov预测的切换方案。首先考虑半结构化的中心控制的异构网络设计，该设计中含有密集部署的虚拟节点，以实现低成本和高效率的覆盖。该网络可以根据用户的移动性及网络通信量动态调整接入点。其次构建Markov模型，引入负载感知思想，通过权衡信号质量与小区负载，有效地预测用户的下一个最优接入点。仿真实验结果证明了该方案用于小区切换预测的可行性与有效性。

超密集蜂窝网络；大规模机器类通信；Markov模型；负载感知；切换

1 引言

为满足更高容量与更好覆盖、极高通信可靠性与极低时延以及大规模机器类通信等技术需求，异构网络（HetNet, heterogeneous network）、超密集网络和软件定义网络（SDN , software defined network）等新型架构正在成为新一代无线网络的候选架构[1-3]。本文探讨一种中心式控制的HetNet，它包含一个具有高传输容量的宏基站（MBS, macro base station）以及在其覆盖范围内密集部署的低覆盖范围的微基站（PBS, pico base station）。研究的网络架构具有双重特点，一方面该HetNet可以为用户提供更大的带宽和更高的数据速率；另一方面大量的接入点将带来频繁切换等移动管理挑战。

密集异构网络切换方案通常涉及多种网络参数，如接收信号强度、移动设备速度、带宽、能效、信号与干扰加噪声比、路径损耗等[13-14]。文献[15]提出一种考虑用户上行能量消耗的切换方法，用户设备与可以提供最高RSRP的基站（BS, base station）相关联。文献[16]研究了一种按照速度值来设定双门限的切换设计。有不少工作研究考虑网络负载度的切换设计，即把带宽看作切换前的一种判别依据，以提高切换成功率。文献[17]提出了一种综合方案，即兼顾网络负载、接收信号强度、业务类型和移动设备速度等来完成切换判决。通过考虑相邻小区间负载不均衡，文献[18]提出了一种基于自适应小区选择的优先级信道预留切换算法，利用Markov排队模型完成预留信道的优先级切换。文献[19]研究了以节能为中心的垂直切换方案算法，它也集成内容感知功能。此外，相关的工作研究了基于信号与干扰加噪声切换方案，即兼顾 RSRP 和 SINR的最优小区切换[20]。

如上所述，尽管很多文献讨论了多种切换技术，但由于密集部署微基站的HetNet是一种新型的蜂窝网络，其切换方案尚有待于进一步的研究。因为HetNet小区特征的多样性，HetNet的切换设置不应该照搬传统切换方案中的设置参数，如触发时间（TTT, time to trigger）和切换滞后差值。当采用较大的TTT值和切换滞后差值，穿过一个微小区的用户在TTT期间内可能经历严重的RSRP恶化。另一方面，较小的TTT值和切换滞后差值可能导致切换乒乓效应，因信令开销和切换时间而产生性能损失。降低切换失败率和遏制乒乓效应显然是两个相互冲突的目标，切换策略需要在这两个方面进行权衡。

针对一种含有多个虚拟节点的中心式的HetNet，本文提出一种基于Markov预测的联合切换设计。通过Markov方案预测新的目标接入小区，其中，用户在小区间的转移概率取决于SINR以及切换阈值。该设计一方面可以动态激活相应的虚拟节点，平衡网络负载，提高能量效率；另一方面用户可以提前向预测小区发送认证，请求并进行数据转发准备，以降低不必要的资源浪费。其中，虚拟节点的状态为休眠状态与激活状态。移动用户的越区切换可以采用中心式的控制，即该网络是一种部分集成SDN中心控制器实体的接入网[3]。

2 系统模型

2.1 系统模型和半结构化的异构网络

所考虑的系统模型是一种联合的通信与计算模型。下行接入采用类似LTE下行的OFDMA传输方案，通信模型为下行可达速率，主要指标为传输速率、切换触发时间等。这里的蜂窝网络具体为一种含有若干虚拟节点、半结构化的异构网络，因此它便于实现一种低成本和高效率的覆盖。所部署的虚拟节点采用一种半结构化的拓扑，即采用环状分布，环的半径和虚拟节点的数量将根据小区的负载状况、用户位置动态定义[21]。此外，小区内的虚拟节点一般处于休眠状态。图1中的计算模型基于Markov模型。对于所研究的异构超密集网络，本文将依据Markov预测结果，根据SDN的中心控制思想来动态地选择、激活相应的虚拟节点，这不仅可以减少干扰和功率消耗，也可以提高切换方案的效率。

所研究的场景包含N=1个MBS，并在其覆盖域内分布着=12个虚拟节点，这里虚拟节点是一种低功耗和低复杂度的虚拟基站（VBS, virtual base station），使用相同频带的虚拟节点需要中心式的网络控制和网络计算。将一簇用户或机器类通信设备的移动过程建模为一个拥有+2种状态的集合，即∈{,,}，其中，={1,2,…,VS}。按符号出现的次序，表示用户与MBS连接的状态，VS表示用户与VBS连接的状态，H表示用户正处于从源小区向目标小区切换的状态。

图1 半结构化的异构网络网络拓扑

2.2 切换管理策略

根据3GPP标准[22]，传统的切换过程主要分为如图2所示的3个状态。

图2 传统切换过程

首先用户监测所有被测小区经过滤波器后的RSRP，并给服务小区发送测量报告。当式(1)中的条件在给定的TTT内持续被满足时，将对用户进行切换。

其中，R是目标小区的RSRP，R是当前服务小区的RSRP。hyst是切换滞后差值，其大小决定了切换延时长短。根据用户的速度来设定TTT参数，可有效防止切换乒乓效应。

传统的切换过程是根据RSRP进行的。但由于用户通信量的急剧增加、小区的超密集部署、网络场景的复杂化，传统的切换策略已经不能满足当前需求。因此，为提高密集网络中大规模机器类通信的切换性能，本文把切换与移动路径预测技术相结合，预测用户将要移动到的下一个目标小区。

3 基于预测的切换设计

3.1 Markov预测设计

离散时间Markov链是一种计算模型，它通常可以用于各种性能分析和网络决策。本文试图把Markov预测集成到一种联合的切换设计中。通过计算该Markov链的转移概率矩阵，来辅助决策最佳可用网络和预测真实系统中的用户未来接入点，在大量用户接入多微基站的场景下，有助于降低切换时延和减少对信道资源与缓存的占用等。本文所提策略的目的是实现高效率的密集网络移动性管理，避免不必要的切换。这里使用非齐次的离散时间Markov链来预测移动用户路径。假定移动用户的位置是一个随机变量，随机变量序列X(1≤≤N)，构成一个Markov过程，并且满足

其中，b代表用户当前选择的连接小区，12…b代表了用户所经历的基站连接序列，N代表沿用户轨迹总的采样次数，即用户下一个可能选择的目标小区由当前的服务小区决定。

定义采样时刻有小区间的(+1)×(+1)维转移概率矩阵()，其行元素代表用户当前服务小区，列元素代表用户的目标小区。矩阵元素代表用户在与服务小区连接状态下，切换到目标小区的概率。基于Markov预测的设计就是在()中找到当前服务小区的对应行，其中概率值最大的对应列即为预测结果p，即

其中，代表第个基站的序号，1≤≤+1，=+1为MBS，其余为VBS。取相干时间c为采样间隔，即

这里定义用户簇中用户数为，代表簇中第个用户，1≤≤。取c，则时刻用户到基站的欧氏距离为

其中，(x(),y())与(xBS,yBS)分别为时刻用户所在坐标和基站坐标。在实际移动通信网络中，利用SDN的全局化视图，可以实时获得网络和终端信息。用户位置也可根据当前设备的GPS标准系统获得。本文考虑的信道模型含有路径损耗、阴影以及衰落。这里不考虑处于激活状态的虚拟节点之间的相互干扰。在时刻测量基站的RSRP[23]为

其中，X,n()=Ptx ng,n()，是基站的发射功率，g,n()与β,n()分别为时刻的路径增益和快衰落信道增益。假设该衰落服从瑞利分布，则定义β,n()是均值为1的指数型随机变量。定义0与μ分别为参考距离（0=1 m）与路径损耗因子，则通用的路径损耗模型[24]表示为

定义gain为阴影，则路径增益为

图3 密集网络含3个基站时的Markov状态链

这里将根据切换阈值hyst和计算转移概率，做出切换决策。根据文献[25]可知，当用户向b移动，并处于b和b之间的某个位置时，若b和b的RSRP之差低于hyst，则TTT开始计时。如在整个TTT时期内这一条件被持续满足，则将对用户执行切换到b的切换过程。为简化模型，这里假定b是b的邻近小区。并且，对于下行用户，b和b两个基站选择同频信道，则定义

其中，

且随机变量ξ,T()是两个独立同分布指数随机变量的比值，即

可推出式(11)中的分布函数（CDF, cumulative distribution function），具体推导过程见附录1。

则从服务小区b到目标小区b的转移概率为

在系统应用时，根据式(13)即可得状态转移概率这一先验条件。将式(13)代入式(3)中，就可得到沿用户轨迹的基于Markov模型的预测目标小区，即

3.2 负载感知下的方案优化

为了使用户选择最佳小区，本文将进一步优化方案，即权衡考虑信号质量和各个小区的传输负载。假定每个虚拟节点处采用一个正交化的资源块，考虑非理想编码和调制方案。定义B为子信道的有效带宽，可得用户从b向b移动时基站b的可达速率为

假定网络控制器实体已获取用户周围每个小区的可用资源率ρ∈[0,1]，则基于负载感知条件下b的可达速率为

将式(19)代入式(13)可得到负载感知下小区间的转移概率为

将式（20）代入式（14）中即可得到沿用户轨迹的基于负载感知的预测目标小区。

3.3 含预测的切换方案流程

综合上述分析，本文提出了如下所示的含预测的切换方案流程。

1) 假定=c时刻用户与b相连接，且已知各小区负载率为ρ。

2) 估计时刻用户与其他小区b的欧氏距离为dis,S΄()，路径增益为g,S΄()。

6) 若5)不成立，则返回1)，用户仍与b相连接。

7) 若b为虚拟节点，由SDN的中心控制策略控制b激活，用户可以提前向b发送认证，请求并准备转发数据。

4 仿真分析

仿真场景如图1所示，采用下行的OFDMA传输方案，这里考虑虚拟节点数目为=12，簇中用户数目为=30。系统仿真参数如表1所示。

表1 系统仿真参数说明

文献[21]研究了一种超密集部署的蜂窝网络的负荷卸载设计，通过计算簇用户到所有基站的链路和容量，采用最大容量切换方案（MCHS, maximum capacity handover scheme）来进行基站选择。这里，将对MCHS和本文所提出的MPHS两种方案进行分析。经仿真观察，这里取MBS和VBS的参考切换阈值为hysthyst1 dB。

图4分别统计了簇中单个用户在MCHS（标注maxC）和MPHS（标注pred）两种方案下的切换次数随用户移动距离变化曲线。其中，图4(a)不考虑基站负载，即ρ=1；图4(b)中自定义负载，各小区负载情况ρ如表2所示。这里取用户移动速度为2 m/s，抽样时间为30 ms，共进行了14 000次仿真，用户共移动840 m。在低速率的移动场合，最优的TTT是避免由快衰落而产生乒乓效应的最小值，因此，它只与信道的相干时间c有关，也就是只取决于用户速度，而与小区的大小无关[23]。TTT过低会使切换门槛降低，造成切换乒乓；TTT过高会使切换门槛提高，使用户速率降低。这里相干时间即为30 ms，经计算机仿真，验证T=180 ms时效果最佳，为对比显示，图4中给出了TTT分别为150 ms和180 ms的仿真曲线，即T=150 ms和T=180 ms 2种情况。

图4 不同TTT下的切换次数随用户移动距离变化曲线

由图4中可以看到，TTT能够有效地避免切换乒乓，且TTT越大，用户总切换次数越少。并结合图1用户移动方向可知，在用户移动500 m左右，用户周围环绕密集部署的基站，使用户的切换次数急剧增加。并且当T=180 ms时，两种方案在小区负载相同的情况下，切换总次数保持一致，因此在下面的分析中本文取T=180 ms。

与表2不同，表3为另外一种随机生成的不同小区负载设置，表4统计了MPHS方案在不同负载条件下用户所选择基站序列。将表4分别与图4(a)和图4(b)相对应，再结合图1所示的网络拓扑以及表2所示的分布进行分析。参见表2，沿用户的移动轨迹，当设置虚拟基站8和10的负载为0.3 ，9和11的负载为1时，综合信号质量与小区负载后的预切换方案跳过了8和10，直接从9切换到11。表3配置下的预切换方案将直接从10切换到2，注意图4(b)中没有显示出该小概率事件。因此不同的负载条件下用户所进行的基站选择存在差异，在引入小区负载这一上下文信息后，预测切换方案会综合信号质量与小区负载为用户选择最佳切换小区。

表2 基站负载定义1

表3 基站负载定义2

表4 用户在不同负载条件下所选择基站（Th=180 ms）

由于信道的随机性，定义在信道估计不完善时有

式(13)中变量包括切换阈值、发射功率和时刻的路径增益估计等。尤其最后的路径增益参数，实际移动管理的切换方案不可能获取绝对精确的路径增益估计。式(21)考虑用户与目标小区间链路存在路径增益估计误差的情况。计算机仿真实验结果显示，在所研究的面向低速率移动的简单模型下，该路径增益估计误差所引起转移概率的偏差不显著。另一方面，式（13）的分母还包含了用户与当前服务小区间链路的路径增益。当存在该路径增益估计误差时，转移概率的偏差将不可忽略。此外，所研究的方案将根据切换阈值和计算转移概率来做出切换决策。路径增益估计误差将对切换方案的值产生直接影响，从而降低方案的性能。

图5显示了在MCHS和MPHS两种方案下的用户切换概率随用户移动速度变化的关系曲线，其中，取ρ=1。观察可得，MPHS的切换概率略高于MCHS。并且，随着用户移动速度的增加，用户的切换概率也逐渐增加。

图5 用户切换概率随用户速度变化曲线

利用互补网络也就是虚拟基站进行数据传送，能够减轻蜂窝网络负载，以平衡整个网络负载。图6描述了MPHS的容量增益随时间变化曲线，其中，=2 m/s。计算机仿真结果表明，在用户的移动过程中，其平均容量增益约为18.4%，即当用户选择虚拟基站时，移动数据负荷被卸载，有效地平衡了网络的负载。

图6 用户容量增益随移动时间变化曲线

图7是MCHS和MPHS两种方案下的用户平均速率随用户移动距离变化曲线，设置ρ=1，=2 m/s。图7(a)为单用户平均速率仿真结果，且同时考虑路径损耗、独立阴影和衰落。可以看到两种切换设计的单用户速率曲线大部分重叠。图7(b)为簇中所有用户和速率仿真结果，为了便于观察，仅考虑路径损耗和衰落。可以观察到两种方案的用户簇和速率曲线大部分一致，但由于MPHS的预切换设计，整个簇用户的和速率要高于MCHS。

图7 用户平均速率随用户移动距离变化曲线

MPHS是一种预切换的设计，它是在当前时刻预测用户下一时刻选择的小区，相比较实时计算小区选择的MCHS来说，MPHS下用户可以提前向预测小区发送认证，请求并进行数据转发准备，当用户在当前小区下的接收信号强度减弱时，可以直接向预测小区发送连接请求，降低切换时延，减少了占用信道资源和缓存，便于保证QoE和网络的性能。综上所述，低速率（如2 m/s）的移动场合，本文所提出的MPHS性能更优。

5 结束语

切换技术是保证用户跨小区移动时正常通信的关键移动管理和资源分配技术。为了应对超密集部署的异构网络下大规模机器类通信的切换性能提升问题，本文提出了一种基于Markov预测的半结构化的切换设计，使用Markov模型预测用户的下一个目标小区以及每个虚拟节点的激活状态与休眠状态。此外，该设计还融入了负载感知思想。计算机仿真结果表明，在低速率（如2 m/s）的移动场合，基于Markov预测的切换设计在保证切换性能的基础上能够有效地预测用户下一个接入网络。大量用户接入多宏基站/多微基站场景下的移动管理问题依然是存在的。因此，在下一步的工作中，将继续研究多宏蜂窝配置下的切换以及通过SDN控制器来优化调整虚拟节点的几何分布等资源分配问题。

附录1

[1] 尤肖虎, 潘志文, 高西奇, 等. 5G移动通信发展趋势与若干关键技术[J]. 中国科学: 信息科学, 2014, 44(5): 551-563.

YOU X H, PAN Z W, GAO X Q, et al. The 5G mobile communication: the development trends and its emerging key techniques[J]. Scientia Sinica: Informationis, 2014, 44(5): 551-563.

[2] 尤肖虎, 赵新胜. 分布式无线电和蜂窝移动通信网络结构[J]. 电子学报, 2004, 12A(32): 16-21.

YOU X H, ZHAO X S. Distributed radio and cellular mobile communications network architecture[J]. Acta Electronica Sinica, 2004, 12A(32): 16-21.

[3] KREUTZ D, RAMOS F M V, VERISSIMO P E, et al. Software-defined networking: A comprehensive survey[J]. Proceedings of the IEEE, 2015, 103(1): 14-76.

[4] PENG M, LI Y, ZHAO Z, et al. System architecture and key technologies for 5G heterogeneous cloud radio access networks[J]. IEEE Network, 2015, 29(2): 6-14.

[5] 任塨晔, 赵季红, 曲桦. 基于模糊逻辑的多终端协同的垂直切换决策算法[J]. 通信学报, 2014, 35(9): 67-78.

REN G Y, ZHAO J H, QU Y. Vertical handoff decision algorithm for cooperation of multi-terminal based on fuzzy logic terminal[J]. Journal on Communications, 2014, 35(9): 67-78.

[6] TENG Y L, LIU M T, SONG M. Effect of outdated CSI on handover decisions in dense networks[J]. IEEE Communications Letters, 2017, PP(99): 1-4.

[7] BECVAR Z, MACH P. Prediction of channel quality after handover for mobility management in 5G[C]//International Conference on 5G for Ubiquitous Connectivity (5GU 2014), 2014: 35-39.

[8] RABE A, HESHAM E, SAMEH S, et al. Velocity-aware handover management in two-tier cellular networks[J]. IEEE Transactions on Wireless Communications, 2017, 16(3): 1851-1867.

[9] MAALOUL S, AFIF M, TABBANE S. Handover decision in heterogeneous networks[C]// IEEE 30th International Conference on Advanced Information Networking and Applications (AINA 2016), 2016: 588-595.

[10] YAN X, MANI N, SEKERCIOGLU Y A. A traveling distance prediction based method to minimize unnecessary handovers from cellular networks to WLANs[J]. IEEE Communications Letters, 2008, 12(1): 14-16.

[11] KASSAR M, KERVELLA B, PUJOLLE G. An overview of vertical handover decision strategies in heterogeneous wireless networks[J]. Computer Communications, 2008, 31(10): 2607-2620.

[12] DING Z X, WANG X J, WANG X, et al. An effective handover scheme in heterogeneous networks[C]// International Conference on Computer Communication and Informatics (ICCCI), 2016: 1-6.

[13] 刘淑慧. LTE及Macrocell/Femtocell双层网络无线资源管理的研究[D]. 北京: 北京邮电大学, 2012.

LIU S H. Research on wireless resource management of LTE and Macrocell/Femtocell dual-layer networks[D]. Beijing: Beijing University of Posts and Telecommunications, 2012.

[14] 万晋京. Macrocell-Femtocell分层网络中切换算法研究[D]. 重庆: 重庆邮电大学, 2017.

WAN J J. Research on handover algorithm in Macrocell-Femtocell hierarchical network[D]. Chongqing: Chongqing University of Posts and Telecommunications, 2017.

[15] SHARMA A K, SUMAN P N, JAIN A. Improving energy efficiency of femtocell network by joint estimation of downlink throughput and uplink power[C]//2015 International Conference on Advanced Computing and Communication Systems, 2015: 1-5.

[16] ULVAN A, BESTAK R, ULVAN M. The study of handover procedure in LTE-based femtocell network[C]//WMNC2010, 2010:1-6.

[17] 王汝言, 周晓军, 吴大鹏. 带有负载均衡的LTE自适应切换算法[J]. 系统工程与电子技术, 2015, 37(9): 2156-2163.

WANG Y Y, ZHOU X J, WU D P. Adaptive LTE handover algorithm with load balancing[J]. Systems Engineering and Electronics, 2015, 37(9): 2156-2163.

[18] 马秀荣, 张会龙, 白媛, 等. 基于自适应小区选择的切换控制算法研究[J]. 通信学报, 2011, 32(9): 9-17.

MA X R, ZHANG H L, BAI Y, et al. Switching control algorithm based on adaptive cell selection[J]. Journal on Communications, 2011, 32(9): 9-17.

[19] XENAKIS D, PASSAS N, GREGORIO L D, et al. A context-aware vertical handover framework towards energy-efficiency[C]. 2011 IEEE 73rd Vehicular Technology Conference (VTC Spring), 2011: 1-5.

[20] ANTORO A D, MUSTIKA I W, WIBOWO S B. Downlink cross-tier interference mitigation for macrocell user in open access femtocell using handover scenario[C]// 2015 International Conference on Electrical Engineering and Informatics (ICEEI), 2015: 656-660.

[21] MENG Q M, ZHONG S, ZOU Y L. Offloading in dynamic ultra dense small cell networks[C]// 2016 7th IEEE International Conference on Software Engineering and Service Science (ICSESS), 2016: 148-152.

[22] 3GPP TR 36.814. Further advancements for E-UTRA physical layer aspects (Release 9)[S]. 2010.

[23] GUIDOLIN F, PAPPALARDO I, ZANELLA A, et al. Context-aware handover policies in HetNets[J]. IEEE Transactions on Wireless Communications, 2016, 15(3): 1895-1906.

[24] GHOSH A, THOMAS T A, CUDAK M C, et al. Millimeter wave enhanced local area systems: A high data rate approach for future wireless networks[J]. IEEE Journal on Selected Areas in Communications, 2014, 32(6): 1152-1163.

[25] 3GPP TR 36.839. Evolved universal terrestrial radio access (E-UTRA); Mobility enhancements in heterogeneous networks (Release 11)[S]. 2012.

Markov prediction based handover in dynamic ultra dense network

MENG Qingmin, ZHAO Yuanyuan, YUE Wenjing, ZOU Yulong, WANG Xiaoming

College of Telecommunications & Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing 210003, China

In order to solve the problem of the communication and computational problems of large-scale machine communication in an ultra-dense cellular network, a Markov prediction based handover scheme (MPHS) was proposed. Firstly, a kind of heterogeneous network design with semi-structure and central control was considered which contains the densely deployed virtual nodes and thus realized a low cost and efficient coverage. The network can dynamically adjust the access point according to the user's mobility and network traffic. Secondly, a Markov model was constructed, and the idea of load-aware was introduced. By weighing the signal quality and the cell load, the user's next optimal access point was effectively predicted. The simulation results show the feasibility and effectiveness of the proposed scheme for cell handover predicting.

ultra-dense cellular network, large-scale machine communication, Markov model, load-aware, handover

TP393

A

10.11959/j.issn.1000−436x.2018225

孟庆民（1965−），男，江苏滨海人，博士，南京邮电大学副教授，主要研究方向为信号处理、网络智能、网络自动化、绿色通信、安全通信、移动边缘计算等。

赵媛媛（1992−），女，山东东营人，南京邮电大学硕士生，主要研究方向为无线资源管理。

岳文静（1982−），女，山西应县人，博士，南京邮电大学副教授，主要研究方向为协作通信、认知无线电等。

邹玉龙（1984−），男，江西新干人，博士，南京邮电大学教授，主要研究方向为认知无线电、信息安全等。

王小明（1986−），男，山东聊城人，博士，南京邮电大学讲师，主要研究方向为绿色通信、资源分配等。

2017−07−17；

2018−08−31

国家自然科学基金资助项目（No.61522109，No.61501253，No.61801240）；江苏省自然科学基金资助项目（No.15KJA510003，No.BK20151506）

The National Natural Science Foundation of China (No.61522109, No.61501253, No.61801240), The Natural Science Foundation of Jiangsu Province(No.15KJA510003, No.BK20151506)