一种基于用户终端协助的承载分离机制*

李贵勇,夏苗苗,杨 玲,张杰棠

(重庆邮电大学 通信与信息工程学院,重庆 400065)

0 引 言

随着移动用户数量大规模增加,移动通信网络势必要承担海量数据传输的重任。为了应对流量的爆炸式增长,第五代移动通信网络(5G)引入了LTE-NR双连接技术。LTE-NR双连接技术是指用户终端(User Equipment,UE)可以同时连接两个基站进行数据传输,这两个基站通过X2接口连接进行交互[1]。双连接中的两个基站分为主基站(master eNB,MN)和辅基站(secondary gNB ,SN)。目前双连接架构中的主基站多为4G基站,辅基站多为5G基站。

在双连接的架构中,来自核心网的数据将在主基站MN中进行分离,由分组数据汇聚协议(Packet Data Convergence Protocol,PDCP)层中的承载分离模块控制数据分别流向MN基站和SN基站,经过空口传输后,来自MN和SN的数据将在终端协议栈的PDCP层进行聚合[2]。在双连接架构下的数据传输中,承载分离算法扮演着至关重要的角色,它控制着分配给MN和SN数据多少的任务。关于承载分离算法的研究也是5G中的热点问题之一。文献[3]将数据固定的分配给MNx%的数据,分配给SN(1-x)%的数据,这样做的好处是算法简单易实现,但是没有考虑到无线链路之间差异性,两条链路的情况是在不断变化的,该算法难以适应不同场景下的数据传输。在文献[4]中,作者以网络吞吐量最大化为目标,将承载分离算法转换为混合整数线性规划问题并进行求解。但是,作者只考虑了优化问题的最优解,并没有给出低复杂度的解决方案。文献[5]提出了一种请求转发算法,该算法旨在最小化基站的缓冲时间。在该算法中,SN将根据用户吞吐量、目标缓冲时间和传输容量定期向MN发送数据请求,但是该算法在回程链路延迟较大的情况下的性能表现较差。文献[6]中,作者通过估算出每条链路上数据传输时间,将数据优先发往传输时间较短的链路。在[7]中,作者基于接收信号强度度量RSSI来计算分流比,以优化WIFI链路的吞吐量。文献[8]提出了一种基于效用函数自适应承载分离算法,通过动态调整承载分流比来最大化用户满意度。文献[9]提出了一种基于喷泉码的承载分离机制,采用喷泉码对宏基站的数据包进行编码,再分别通过MN和SN向用户传输编码后的数据包,最后在终端进行解码。在文献[10]中,作者将双连接承载分离问题建模为有限水平下的马尔科夫决策过程,并使用动态规划算法得到最优解。但在两条链路阻塞概率差异较大的情况下,该算法下的效果变得不理想。文献[11]以最大化用户吞吐量为目标,将接收端数据包失序问题建模为层次模型,并通过递归的方式不断减小无序深度。该算法偏重于处理吞吐量要求较高的业务,不使用延迟敏感业务。文献[12]提出了一种视频质量感知流量卸载系统,通过对视频业务数据进行编码的方式来减少承载分离带来的数据包在接收端失序的问题,但是该算法的执行时间间隔较长,算法鲁棒性较差。

目前关于承载分离算法主要存在两个方面的问题:一是在承载分离算法的两次执行之间的时间较长(可能高达100 ms[13]),此期间没有进行承载分离比率的调整。然而,信道质量的变化、业务负载的增加以及该时间间隔内的资源分配过程中出现问题会将会降低用户的满意度。二是没有考虑基站的负载比较大的时候,承载分离算法下的性能。如在负载较大的时候,算法可能无法提升用户的体验,此时应及时调整连接模式以防止降低通信系统中其他用户的体验。

为了克服已有承载分离算法的不足,本文提出了一种基于用户终端协助的承载分离机制,通过与现有的承载分离算法相结合,利用用户终端的反馈信息帮助现有承载分离算法获得更好的用户体验。通过建立用户满意度模型实时计算用户的满意度,当用户满意度低于设定阈值时或判断连接出现异常时,向基站发送反馈信息帮助其及时调整承载分离比和切换为单连接模式。系统仿真测试显示,该机制能够有效提高用户满意度、用户终端吞吐量和系统的总吞吐量。

1 基于用户终端的承载分离机制

用户终端协助主要是由终端通过控制平面向MN发送其接收承载分离比例来实现的。γUE表示UE从MN接收到的数据比例,显然0≤γUE≤1。1-γUE表示UE从SN接收的数据比例。γMN表示承载分离算法计算后得到的MN发送给终端的数据比例,则1-γMN表示SN发送给UE的数据比例。这里因为数据在信道传输过程中存在损耗,γUE和γMN不一定相等。

关于γUE,当它接近1时,意味着UE接收的数据基本都来自于MN,此时可能是由于用户性能较差或用户终端处于微小区边缘导致的,如果继续保持双连接状态,虽然对该用户的性能有一定的提升,但是其所连接的基站会因为其连接质量较差为其分配较大的带宽资源,在基站负载较大的时候,这将会极大地降低连接该NR基站其他用户的性能[14]。因此需要及时将该用户切换为单连接状态。

鉴于LTE-NR双连接的SN主要承担大规模数据传输任务,当γUE处于这特殊的情况下,表明此时MN的承载分离方案出现了异常,需要将终端切换为单连接模式。为了便于叙述,将承载分离方案异常时γUE对应的值称之为切换域,正常情况下称为适应域。

Step1MN通过承载分离算法计算出承载分离比γMN,并按此方案执行承载分离,最后发送通知给UE。

Step2在接收到MN发送的通知消息后,UE根据从MN和SN实际接收到的数据计算出分流比γUE,并检查γUE是否在切换域中。

(1)如果γUE位于切换域中,UE将其发送给MN端;

(2)如果γUE位于适应域中,UE计算此时的用户对网络的综合满意度sat。如果综合满意度大于设定的阈值,表明此时的承载分离方案能够满足用户的需求,因此不需要做任何事;如果sat小于阈值,说明此时的承载分离方案不能满足用户的需求,则将此时的γUE值发送给MN端。

Step3MN在接收到UE端发送过来的γUE值后,如果γUE在适应域中,则立即通过分离承载算法调整分离承载比例;如果γUE在切换域中,MN将会开启异常计数器c_abnormity记录γUE出现在切换域中的次数,如c_abnormity的值大于设定的阈值K,即将终端切换为单连接模式。

因为反馈信息是通过MN与终端的无线链路进行传递的,不会收到MN和SN间的X2链路时延影响,同时满意度模型的时间复杂度为O(1),因此本文提出的承载分离机制的时间复杂度取决于选用的承载分离算法的复杂度。

2 用户满意度模型

2.1 用户满意度模型构建

用户满意度是用户对产品满意程度的度量,它是一个可变的动态目标。目前的文献对用户满意的刻画方法主要包括用户满意度满足度法、满意度函数法等方法。为了更好地度量用户对网络的满意程度,本文引入心理曲线函数。心理曲线函数是基于用户的期望收益和当前收益,采用函数的方式对用户满意度进行刻画的一种定量方法,可表示为

式中:sat为用户满意度;Oexp为用户期望收益;Ocur为用户收益。

2.2 用户收益计算方法

本文涉及到的收益包括两个:用户当前收益是根据终端的实时数据计算得到的;用户期望收益是根据用户终端的历史数据得到的。本文的参数主要包括PDCP 数据PDU传输时延delay、吞吐量thru和PDCP重排序丢包率reorder。

2.3 数据的归一化

在不同的无线网络中,不同参数的取值范围和单位存在差异性。为了解决这个问题,本文对上面叙述的参数进行归一化处理。无线网络的参数可以分为效益型参数和成本型参数,两者的区别在于效益型参数值与用户满意度呈正相关的关系,成本型参数与用户的满意度呈负相关的关系。如系统的吞吐量为效益型参数,PDCP数据PDU的传输延迟为成本参数。

成本型参数归一化公式为

效益性参数归一化公式为

式中:costp为用户无线参数p的归一化值;Vp为所选网络的参数p的数值集合;vp为参数p的数值。

2.4 计算当前收益

为了计算当前收益,需要采用不同的权重来体现各参数对于用户终端的重要程度。目前大量的研究采用了多属性决策算法求权重值,其缺点是因为无法描述参数的模糊不确定性[15],所以得到的结果不够准确。本文采用的模糊层次分析法通过简单的计算即可得到准确的结果。具体权重求取过程如下:

(1)构建层次结构图

如图1所示,首先将问题层次化,大体上可以分为目标层、准则层和方案层,目标层为用户的收益,准则层为影响收益的各个因素,方案层为参数的归一化值。

图1 层次结构图

(2)模糊互补判断矩阵

根据模糊矩阵的计算方法,构建模糊互补判断矩阵来表达各个参数的重要性。结合标度法[16],通过各个参数两两比较,分析得到定量的标度值ri,j(ri,j表示第i行第j列的数值),从而得到模糊互补判断矩阵R=(ri,j)n×n。

LTE-NR双连接架构结合了LTE信号覆盖范围广和5G频谱大的优点,被广泛地应用于增强移动宽带( Enhanced Mobile Broadband,eMBB)场景,为用户提供高吞吐量的体验[17],因此用户吞吐量的大小成为衡量用户终端的主要性能指标。模糊互补判断矩阵可以设置为

(3)权重向量计算

将矩阵分别带入式(5)中,得到性能的权重向量

即吞吐量、时延和PDCP重排序丢包率的权重分别为0.434、0.358和0.208。由上述计算可知用户的当前收益为

(4)模糊互补判断矩阵的一致性检验

为了判断权重向量计算公式是否合理,应进行比较判断的一致性检验。首先构建矩阵R的特征矩阵W*=(wij)n×n,W*为wij的n×n矩阵,其中

其次,利用模糊判断矩阵的相容性来检验一致性。如果偏移一致性值过大时,表示该权值向量计算结果不能作为决策依据。模糊互补判断矩阵R的相容性计算公式为

如果I(R,W*)≤T,表明一致性符合标准,该权值向量计算结果能够作为决策依据。一般情况下T=0.1。

最后,结合上述公式,得到模糊互补判断矩阵R的相容性为

由式(10)可知该模糊判决矩阵具有一致性,权值结果可以作为判决依据。

2.5 计算用户期望收益

设用户终端中前m次的当前收益为Oprev={o1,o2,o3,…,om},考虑到历史数据中的数值可能有少部分存在数据失真,所以本文把m次得到的收益求其平均值,即为用户的期望收益:

3 实验结果与分析

3.1 仿真环境与参数设置

本文采用的仿真环境基于3GPP协议[18]实验的网络拓扑是一个三扇形六边形,中间为主基站MN,每个扇形内有一个辅基站SN随机分布在其中,分布图如图2所示。UE的切换流程遵循3GPP协议[19]所描述,75%的UE被部署NR SN覆盖区域,25%的UE被部署在LTE SN扇区内。之所以按这样的比例部署,是因为NR SN相比LTE SN有更高的传输能力。大多数UE被部署在NR覆盖区域以便于UE能够处于双连接的状态下[20]如果大多数UE不在NR覆盖区域内,它们将处于单连接状态,UE的吞吐量以及系统吞吐量将受到LTE MN传输能力的束缚。参考协议[19]常阈值K设定为5,用户终端满意度阈值SATthre设定为80%。表1和表2给出了基站和UE仿真参数。

表1 基站仿真参数

表2 UE仿真参数

图2 仿真拓扑图

实验中,结合基于效用函数的自适应承载分离算法(Bearer Separation Algorithm based on utility function,utility-BSA)和基于马尔科夫链的承载分离算法(Bearer Separation Algorithm based on MDP,MDP-BSA),将提出的用户终端协助机制(User terminal assistance mechanism,UTA)与之结合,进行仿真实验。本文分别从UE的平均满意度、UE的平均吞吐量、UE处于双连接状态的比例、系统总吞吐量以及用户平均时延五个方面分析基于用户终端协助的承载分离机制的性能。

3.2 实验结果与分析

如图3所示,通过添加本文提出用户终端协助机制,在平均用户满意度方面,utility-BSA和MDP-BSA均能获得较大提升。对于utility-BSA算法,无论是否使用终端协助机制,它的用户满意度始终维持在较高的水平上,这是因为utility-BSA算法的优化目标就是用户满意度。在用户数量较多时,如每个扇区UE数为20个时,通过本文提出的用户终端协助机制,MDP-BSA算法仍然可以获得约10%的增益。

图3 平均用户满意度对比

如图4所示,通过添加用户终端协助机制,在用户平均吞吐量上,两种算法均能获得较大的增益。原因主要有下面两点:第一,在使用基于用户终端协助的承载分离机制后,MN可以很快地对承载分离方案做出调整。因为用户终端对MN的反馈主要受用户实时满意度影响,这也说明了本文提出的满意度模型能够反映出用户实际满意度变化。第二,UE与基站的连接出现异常时,基于用户终端协助的承载分离机制能够让UE及时调整为单连接模式,这样降低了通信系统中因资源竞争而出现的干扰。换句话说,当用户设备处于单连接时,从多个基站竞争相同资源的用户设备较少,因此减少了每个基站对资源的竞争,从而也减少了在其他基站中引起的干扰。

图4 终端平均吞吐量

图5统计了系统中不同负载下用户平面数据包的平均时延。首先可以看出,对比两种承载分离算法,在使用用户终端卸载机制后,两种承载分离的算法的用户平面平均时延都有所降低。其次,随着通信系统负载的不断增加,使用用户终端协助机制的UE在延迟增加速度上明显好于没有使用用户终端协助机制的UE。这是因为系统负载增加后,终端协助机制将会将更多UE调整为单连接模式,这在一定程度上降低了用户平面数据的时延。最后,这说明了终端协助机制在结合现有的承载分离算法后不会增加其复杂度,本文提出的机制具有实用价值。

图5 用户平面的平均时延

图6展示了通信过程中UE处于双连接的比例,可以看出,当系统的负载不断增加,没有使用用户终端机制的UE将长时间处于双连接模式,因为控制终端与基站连接的主要参数是RSRP。在添加用户终端协助机制后,当系统的负载不断增加,终端处于双连接模式的数量越来越少。这是因为系统中资源竞争的加剧导致UE处于双连接模式时获得收益越来越低,从而迫使更多的终端切换为单连接模式。

图6 系统中UE处于双连接模式下的比例

如图7所示,可以看出系统中使用双连接模式UE数量的减少并不会降低系统的总吞吐量。即当系统负载增加时,应保持较少的双连接终端,以减少系统中的总干扰来提高系统性能。

图7 系统的总吞吐量

4 结束语

本文提出了一种基于用户终端协助的承载分离机制,它通过现有的承载分离算法相结合,帮助承载分离算法更快的调整承载分离比例。通过系统仿真测试,用户终端协助机制能够提升用户的满意度和平均吞吐量。同时,在基站处于负载较大的情况下,用户终端协助机制能够避免因少数性能较差用户的接入而导致整体通信质量大幅下降的情况。下一步,将研究异构网络下多连接的承载分离问题,以及考虑借助深度强化学习知识来帮助用户获得更好通信体验。