一种基于PHR补偿的SRS信道估计算法

贾 磊，李连本

(中国移动通信集团陕西有限公司 网络优化中心，陕西 西安 710077)

第五代移动网络(5th Generation Mobile Networks，5G)将支持更灵活的资源分配方法和更快的无线速率。时分双工技术(Time Division Duplexing，TDD)和大规模天线技术(Massive Multiple Input Multiple Output,Massive-MIMO)是其中比较有效的解决方式。

TDD技术是一种在上下行链路中使用相同的频率资源，但是在时域上交替进行的双工方式。其 可以在不成对的频段上工作，更容易找到频段资源，且上下行链路的数据传输也将更灵活地使用资源[1-2]。在第三代合作伙伴计划(3rd Generation Partnership Project，3GPP) 5G NR系统中，使用了动态的上下行子帧配制技术，实现了在每一帧的传输中上下行链路均可灵活配制传输资源[3-5]。频率资源分配可以提高频谱使用效率，进而提升了小区容量，对运营商来说是很重要的性能指标。目前，常用的资源调度算法有最大吞吐率(Maximum Throughput，MT)和最大加权延迟(Modified-Largest Weighted Delay First ，M-LWDF)是以最大化吞吐率为目标，而公平性(Proportional Fairness，PF)和平均吞吐率(Throughput to Average，TTA)算法则以用户间的公平性为目标[6-7]。这些调度算法通常使用每个终端(User Experience,UE)都能达到的瞬时数据速率作为评估，而资源块组(Resource Block Groups，RBGs)在调度的子帧中完成分配则取决于由UE上报的信道质量指示(Channel Quality Index，CQI)。考虑信令开销的问题，CQI基于整个频段的平均信噪比(Signal to Interference Plus Noise Ratio，SINR)计算，因此，基站侧无法获取不同 RBGs调度之间的信道质量状态。

对于Massive-MIMO系统而言，一方面随着基站天线数的增多，UE上报CQI反馈的开销将大幅增长，另一方面，虽然传统UE上报的CQI结果，其天线间的信道相关性已足以用于构造波束赋形技术(Beamforming)，但是，路径损失的估计以及RBGs间的信道相关性的准确性对于下行调度是十分重要的结果。结合TDD系统的信道互易性[8-9]，Massive-MIMO系统可使用上行探测参考信号(Sounding Reference Signal，SRS)进行信道估计，并可估计出不同子载波或资源块(Resource Block,RB)资源间的信道相关性，该信道估计结果可以直接应用在下行信道估计[9]中。但是现阶段，上行传输功率有限，且系统只需确保上行信号不受邻区的干扰即可收到UE发射的信号，因此，UE发射信号会受到上行功控的影响，实际基站(Base Station,BS)侧接收到的SRS信号并非实际UE的发射功率，导致信道估计结果存在一定的误差，影响了系统的资源调度。为了提升无线系统的性能，需要为调度器设计一种更精确的信道估计算法。

针对上述文献存在的问题，拟提出一种基于发射功率余量报告(Power Headroom Report，PHR)和SRS的信道估计算法，分别用于估计路径损耗和信道相关性。该算法首先基于PHR完成SRS的路径损耗估计用以补偿上行功控所带来的影响，然后利用PHR和SRS制定下行调度的权值矩阵。当根据流量需求制定了适当的上下行配比后，可以不考虑上下行的子帧配比，实现有效的资源管理，以期提升无线系统的性能。

1 TD-LTE系统介绍

1.1 帧结构和子帧配制

在TD-LTE系统中，上下行传输在同一频带交替进行，传输并不连续，当下行正在传输时，所有上行传输都要停止，反之亦然。 因此，上下行传输的交替是一个硬切换的过程，考虑到由此产生的切换延迟，因而在下行子帧(Downlink Subframe，DL)和上行子帧(Uplink Subframe，UL)之间分配一个保护间隔。TD-LTE系统的帧结构如图1所示。

图1 TD-LTE系统帧结构

特殊时隙(Special Time Slot，STS)分为下行导频时隙(Downlink Pilot Time Slot，DwPTS)、保护时隙(Guard Period，GP)和上行导频时隙(Uplink Pilot Time Slot，UpPTS)等3部分。DwPTS既可以传输信令数据，也可以传输业务数据。GP用于实现由下行链路向上行链路的转换，必须大于所有下行传输链路的时延和硬切换时长，其不同于DwPTS，UpPTS较短，不足于同时承载控制信令和业务数据，因此，其专门用于SRS传输。常规循环前缀情况下的特殊时隙的灵活配制情况[10]如表1所示。

表1 特殊时隙配制情况

TD-LTE系统帧结构中上下行的转换有5 ms和10 ms两种周期，共提供了7种不同半静态上下行配比方案，包括由4∶6到1∶9等不同类型，如表2所示。BS可以根据流量需要选取合适的子帧配比。在现网中，所有小区的上下行配比方案是一致的，而UE必须知道上下行配比才能用于确定关键的控制信道的位置以及混合自动请求重传(Hybrid Automatic Repeat Request，HARQ)的定时时间。

表2 TD-LTE系统上下行子帧配比情况

1.2 上行信道状态的反馈

在LTE/LTE-A系统中，UE会反馈CQI用于表示下行信道可支持的最大数据速率。LTE系统会利用CQI的值作为下行调度和链路自适应。基站侧将基于CQI的值选择合适的调制和编码方案(Modulation and Coding Scheme，MCS)，在一定的误块率(Block Error Ratio，BLER)目标下最大限度地提高吞吐量。CQI共有4 bits，是由用户侧使用下行参考信号(Reference Signal ，RS)所测量的信噪比(Signal to Interference Plus Noise Ratio，SINR)所决定。UE通过映射表确定SINR与CQI的映射关系，通过物理上行控制信道(Physical Uplink Control Channel，PUCCH)或物理上行共享信道(Physical Uplink Shared Channel，PUSCH)上报结果。

信道质量估计共分两种[11]。一是宽带估计，整个带宽的情况决定了单一CQI值，另一个是子带估计，CQI取决于系统带宽的每个子带宽部分。CQI报告确定了信道质量估计的分辨率和信令开销之间的平衡,而在现网中全部使用的是宽带估计CQI结果。因此，基于CQI的信道估计精度不足以反映信道状态。

2 基于PHR和SRS的调度算法

针对CQI信道估计精度不足的情况，提出了基于PHR的路径损耗估计方法，进而利用SRS和PHR完成下行链路的调度权值矩阵的计算，其特征是不需UE反馈，同时补偿了上行功控的影响。

2.1 基于SRS的下行信道估计

结合TDD系统的上下行信道互易性，可以利用上行信道预测下行信道而不需要CQI等反馈信息，因此，基于SRS可有效地完成下行信道的估计。

在LTE/LTE-A系统中，小区的SRS配置是固定的，在频域上，SRS必须和调度资源传输的频带相同，通过全频带的SRS传输，可以利用单个SRS传输探测整个频带[12]。使用上行SRS的信道估计可以在不同频率选择性和/或时间选择性衰落信道中获得比使用CQI的传统方法更高的精度[13]。

上行链路的功率控制会补偿BS侧的路径损耗。因此，提出了一种利用SRS的下行信道估计算法，该算法并不直接应用于下行链路的调度，由于在功控的SRS中，RBGs之间的相对信道状态信息是确定的，绝对路径损耗或绝对的信道状态是未知的，所提算法利用PHR实现了功控下的SRS的路径损耗估计[14]。

首先，在估计BS侧的SRS路径损耗之前，先介绍UE侧的SRS和PHR是如何传送给BS的。

步骤1上行发射机的功率控制给所需的信号提供适当的传输功率，以达到必要的质量。为了实现这些目标，UE必须适应包括路径损失在内的无线电传播信道条件，这是根据所接收的参考信号电平(Reference Signal Receiving Power，RSRP)计算的。

步骤2LTE系统的上行功率控制是开环机制，其UE的发射功率取决于下行路径损耗的估计，而闭环功控则是基站侧根据下行控制信令显示的平均功率需求调节UE发射功率[15]，整体流程如图2所示。

图2 整体流程

SRS发射功率与PUSCH传输功率相当，采用的是开环功控机制。因此，SRS传输的功率控制的表达式为

PS=min[PC,Po+αLD+10 log10(MS)+PF+σ]

(1)

其中：PC是UE侧子载波的最大发射功率；Po是每个资源块(Resource Block， RB)的功率；α为路径损耗因子，取值为 (0, 1]；LD是下行路径损耗；MS是SRS信号的传输资源块的数量；PF和σ都是功控的调整量，受上行功控策略影响，可近似为固定值，包含在上行调度信息中。

步骤3功率发射余量(Power Headroom，PH)由UE发送给BS，表示UE功率的剩余量，可表示为

HR=PC+[Po+αLD+10 log10(MS)+PF+σ]

(2)

表3 发射功率余量报告PHR的映射关系

(3)

估算的路径损耗为

(4)

(5)

式(4)和式(5)中的变量均可由BS侧获取。

步骤2当SRS在整个频带内完成传输后，BS就可以计算出每一个子载波的SINR，其表达式为

(6)

步骤3通过步骤2，BS计算得到了补偿的SINR，并依此选择所映射的CQI值。CQI的映射方法主要有指数有效信噪比映射(Exponential Efficient SINR Mapping，EESM)和交互信息有效信噪比映射(Mutual Information Effective SINR Mapping， MIESM)等[16]。资源的分配以RBG为基础，而每个RBG的CQI将用来计算调度的权值，因此每个用户的下行调度都是以每个RBG的权值为准，进而可以计算每个用户的瞬时速率。

2.2 信道估计算法

需要解决的是如何将提到的信道估计算法应用到比例公平调度(Proportional Fairness Scheduling，PFS )算法中。根据以上描述，BS已经获到了各个RBG对应的CQI值，如系统带宽是10 MHz，包括17个RBGs，那么BS应该有17个CQI值。

(7)

(8)

(9)

可得瞬时速率的表达式为

(10)

3 仿真结果

为了评估所提算法的性能，使用系统级仿真分析方法，主要考虑了吞吐率和公平性两方面因素。其中，仿真参数设置如表4所示。

表4 仿真参数设置

仿真中用户随机分布在同一个小区，共享相应的资源，而资源以RBG为单元分配给UE，并且传输支持自动混控制(Automatic Mixture Control ，AMC)和HARQ。如果传输后的计算值大于目标值，则将所分配的RBG指示、接收时间、MCS级别和有效SINR等信息都存储在循环缓冲区中进行HARQ，并在HARQ往返时间(Round Trip Time，RTT)后重新传输缓冲区中的信息。仿真使用多路HARQ复用技术，每个传输块独立确认并反馈给基站，这样当收到否定反馈(Negative ACKnowledgement，NACK)后即可进行独立重传。此外，分别仿真了TDD的配制1、2、6等3种情况，其上下行子帧配比分别是6∶4，8∶2，5∶5，每个用户会以10 ms为周期发送整个频段的SRS，而PHR和CQI的反馈周期分别设定为100 ms和20 ms。

两种算法下的吞吐率情况如图3所示。从图3中可看出，在不同的上下行子帧配比下，所提算法的吞吐量均高于传统算法。特别是下行子帧配制较高的情况下，吞吐率更高，所提算法比传统方法可获得更精准的信道估计的结果，也使得资源的分配更加精准。

图3 不同调度算法下的系统吞吐率对比

为了考察系统的公平性，引入Jain公平指数(Jain Fairness Index)[17]，定义为

(11)

两种算法下的公平性情况如图4所示。从图4中可以看出，所提算法较传统算法，公平性较差，这是由于所提的算法在系统吞吐率和公平性之间取得了折中。传统算法利用用户反馈的所有RGBs信道状态的平均值，而所提算法则计算了每一个RBG的调度权值，并以此为基础进行资源分配。这些权值也正是每个RBG的传输优先级，因此信道质量好的用户将分配到更多的资源，有效地提升了系统吞吐率。

图4 不同调度算法下的公平指数对比

4 结语

传统基于CQI反馈的调度算法无法充分反映每个RBG的信道状态，针对TDD系统的信道互易性，提出了一种基于PHR的精准信道估计算法，所提算法引入了PHR估计SRS的路径损耗，进而能够精准地预估下行信道状态。仿真结果表明，在不同的TDD上下行配比下，该算法的系统吞吐量均优于传统算法，但公平性有部分牺牲。

所提算法通过更精细的信道估计结果，实现系统为高质量信道用户分配了更多的资源，但是牺牲了公平性。无论TDD系统的上下行配制如何，所提算法的性能更优，因此当基于流量需求确定了帧配制后，该算法可作为更有效的时频资源调度的方法，后续重点研究所提算法在Massive-MIMO系统中的应用。