经济和定价模型在5G用户关联中的应用

董春利 王莉

摘 要：文章回顾了经济和定价模型在5G用户关联中的应用，讨论了吞吐量最大化的用户关联，采用分布式拍卖或采用价格更新方案的分布式算法，来实现低复杂度的目标。除了吞吐量的改进之外，用户关联中还需要考虑基站（BS）间的负载均衡和用户的公平性。诸如分布式拍卖，一般定价，效用最大化和拥塞定价等定价模式可很好地满足要求。

关键词：5G网络；异构无线网络；资源管理；经济和定价模型

异构和无线设备的密集部署，使5G能够在频谱、功率和缓存存储方面提供无线资源。但是，这提出了无线资源管理问题，例如用户关联，资源分配和干扰管理。因此，需要为这些问题设计复杂的无线电资源管理方案。

经济和定价模型被有效地采用来解决上述问题[1]。在数据传输开始前，用户关联机制被执行，以确定哪个用户被分配给哪个基站（Base Station，BS）。用户关联机制必须设计为用以优化如吞吐量、负载均衡和能源效率。例如集中式的解决方案[2]，往往需要大量的信令，并且计算复杂度高，这对大规模网络来说不是一个可行的解决方案，特别是对于HetNets。此外，经济和定价模型可提供分布式解决方案以优化上述指标，计算复杂度低。

本文所讨论的经济和定价模型在5G用户关联中的应用，是根据用户关联机制旨在实现的性能指标进行分类的[2]，即吞吐量最大化、负载均衡和公平性、能源效率优化。需要注意的是，每个度量标准可用不同的技术来考虑，例如，大规模多输入多输出系统（Multiple-Input Multiple-Output，MIMO）、毫米波和HetNets。例如，由于天线的能耗很大，因此，在设计大规模MIMO网络中的用户关联时，能源效率可被认为是一个主要要求。相反，由于BS的超密集和非计划部署，吞吐量最大化和负载均衡的BS层，可分别作为毫米波网络和HetNets中用户关联的主要需求。本文讨论吞吐量最大化的用户关联和负载均衡和公平性的用户关联。

1 吞吐量最大化

该网络的共同目标是最大化5G中所有用户的总吞吐量。采用分布式拍卖或采用价格更新方案的分布式算法，来实现低复杂度的目标。

对毫米波网络，基于分布式拍卖的第一项工作在文献[3]中进行了调查。其中用户作为投标人，即买方，而BS是卖方。最初，BS将连接价格设置为零，并将其广播给所有用户。每个用户根据价格和所需的吞吐量，计算其效用和支付，然后用户选择产生最大效用的最佳BS。用户将其所需的吞吐量作为出价发送给BS。BS选择具有最高出价和高于旧价格支付的用户。BS增加它的价格，然后将新价格反馈给用户。当只有一个请求用户，并且该用户与BS相关联时，拍卖终止。仿真结果表明，与基于RSSI的关联方案[4]相比，该方案可将网络吞吐量提高12%左右。除了提高吞吐量之外，所提出的方案还考虑操作波束宽度的优化，以解决耳聋问题。相应地，当波束宽度较窄时，所提出的方案的网络吞吐量增加。然而，窄波束宽度会导致明显的调整开销，因为需要多个方向进行搜索。未来的工作可在招标过程优化中考虑这种影响。

2 负载均衡和公平性

除了吞吐量的改進之外，用户关联中还需要考虑BS间的负载均衡和用户的公平性。诸如分布式拍卖，一般定价，效用最大化和拥塞定价等定价模式可很好地满足要求。

2.1 分布式拍卖

Shokrighadikolaei等[3]在考虑基站负载均衡的情况下，研究了毫米波网络中的联合关联和中继问题。该模型涉及多个BS和多个用户。用户可通过一个充当中继的其他用户与某个BS关联。联合关联和中继问题一般没有封闭形式的解。因此，该问题可等价地转化为最小成本流问题，然后通过分布式拍卖解决。投标人是用户，即买方，卖方是中继。当一个中继的请求用户数量足够大时，所提出的方案被证明能够快速收敛，原因是中继设置的价格增高，与请求接入中继的用户数量成正比。因此，对于大量用户而言，与其他中继相比，一个中继在短时间内会变得太贵，并且只有很少的用户能够接受价格。但是，大量的用户使得该方案的整体收敛速度变慢，这可能不符合毫米波信道条件的快速变化。

2.2 一般定价

Xu等[4]提出了一种通过拉格朗日对偶分解，来实现用户关联的分布式算法，以实现负载均衡和毫米波网络的公平性。该模型由多个BS组成，即卖家，每个BS可服务于多个移动用户，即买家。为了实现负载均衡和公平，引入了信道利用度量，即用户所需数据速率与信道容量的比率。该问题是减小最大化的BS利用率。这里，BS利用率是信道利用率的总和。首先，拉格朗日对偶问题应用于用户支付BS的服务价格的乘数。然后，采用价格更新的次梯度方法。通常，每个用户在本地确定其BS，以便最小化其支付，并且BS间彼此通信，更新价格以调节用户的请求，并均衡BS之间的信道利用。仿真结果表明，该方案在通过Jain公平性指数测量的BS间收敛性和公平性方面，优于RSSI方案。但是，在每次迭代中更新价格会显著增加该方案的通信开销。

2.3 效用最大化

Athanasiou等[5]提出的价格更新可与该问题相结合，在大规模MIMO网络中，实现公平性和负载均衡。每个BS（即卖方）可服务于多个用户，并且每个用户（即买方）可同时与多个BS相关联，以实现其期望的数据速率。其目标是最大化所有用户的总效用。在这里，效用由对数函数表示，它允许分配实现比例公平。效用是一个凹函数，问题是凸优化。文献[5]中的价格更新再次用于解决这个问题。然而考虑到BS的服务价格，每个用户选择一组BS和相应的资源比例，以最大化其总的按次降价。BS向用户提供的按次降价定义为分配给用户的速率与用户支付给BS的费用之比的最大化。

2.4 基于拥塞的定价

根据当前网络负载设置连接价格，可用于实现所提出的负载均衡[5]。所考虑的模型是HetNets，其包括一个MBS用户，即MUEs和多个SBS，即毫微微小区。该问题是确定SBS分配给MUES的带宽，以便最大化用户的总效用和MBS向SBS支付的总成本之间的差别。为解决这个问题，采用分布式算法的拉格朗日对偶问题。然而，乘数是与速率和带宽相关的阴影价格，它们通过梯度下降法进行更新。在每次迭代中，给定SBS的阴影和拥塞价格，每个用户选择最好的SBS以最大化速率与SBS提供的价格之和的比率。有多个MBS更普遍的情况，需要进一步调查。然而，MBS和SBS之间的交互可能更复杂。