面向5G 蜂窝物联网的大规模设备接入算法

张子扬，赵军辉,2，马小婷

1.北京交通大学电子信息工程学院，北京100044

2.华东交通大学信息工程学院，江西南昌330013

随着移动通信网络的飞速发展，第5 代移动通信系统（the 5th generation mobile communication,5GMC）已经在全球大规模部署，并正在一步步走近“万物互联”的时代[1-2]。根据思科公司的预测报告，2023 年全球移动设备数量将增至131 亿，其中5G 设备的连接数量将超过全球移动设备连接的10%[3]。预计到2025 年，入网的物联网终端将会增至215 亿[4]。鉴于传统的物联网架构已经无法应对下一代超高用户体验、超低时延的物联网应用[5]，第3 代合作伙伴计划（the 3rd generation partnership project,3GPP）为了应对大规模机器通信（massive machine type communication,mMTC），提出了嵌于蜂窝系统的物联网系统，使物联网与蜂窝网络有机地结合起来，以面向低速率、大连接需求的物联网业务。5G 蜂窝物联网设备数量的不断增长不可避免地带来了网络资源匮乏、接入网络拥塞等问题。将超大规模的物联网引入蜂窝网络无疑会使网络资源的紧张状况进一步恶化[6]。5G 网络尚在不断地演进，通过研究更加科学、可行的资源管理和分配方案来优化蜂窝物联网设备接入问题，即研究5G 蜂窝物联网中大规模设备在有限资源下的接入方案，成为缓解资源短缺、接入拥塞的有效途径。

频谱资源、能量、计算能力以及存储能力是5G 蜂窝物联网中十分重要的资源[7]，也是在分析大规模设备接入问题时所必须要考虑的内容。目前关于大规模设备接入的研究更多地关注对网络架构、随机接入方法的改进[8]，设备之间通过竞争的方式完成随机接入[9]。同时也有考虑带宽资源以及设备的通信质量需求[10-11]。这些研究成果有很高的借鉴价值，但基于5G 蜂窝物联网资源管理与分配的设备接入方法却鲜有研究，直接将现有的资源管理方案引入到5G 蜂窝物联网小区中也很难达到理想的效果。在终端数量日益增加的现状下，也亟需对终端的类别、数据信息等进行聚类分析。因此，需要结合5G 蜂窝物联网小区的特性，设计适用于5G 蜂窝物联网的终端接入算法。

针对上述问题，本文提出了一种利用终端数据和网络资源信息进行聚类分析的设备接入算法。首先，搭建了5G 蜂窝物联网的系统模型，蜂窝网络的网络资源在此模型中由物联网设备与传统蜂窝网络的用户终端共用，小区中有不同种类的物联网设备申请接入网络资源。其次，通过考虑场景中的设备终端相关信息以及网络资源，结合K-means 聚类分析的方法对终端进行聚类划分，并映射至空闲的网络资源块中，面向大规模设备同时请求接入的网络场景，设计了一种适用于5G 蜂窝物联网的资源分配方法以实现高效的蜂窝物联网设备接入。再次，通过仿真证明了该算法的科学性和可行性，该算法能够有效降低物联网设备在接入和传输过程中的能量损耗，提升蜂窝物联网系统的吞吐量，同时也能达到较好的设备接入成功率。

1 模型分析

1.1 5G 蜂窝物联网场景

5G 蜂窝物联网模型如图1 所示，一个宏基站覆盖范围内有众多小基站[12]，其中宏蜂窝基站的载频波段为2 GHz，覆盖半径为1 000 m；微蜂窝基站的载波频率为28 GHz，覆盖半径为300 m。小基站覆盖范围内有大量设备的存在，如智能家居设备、智能医疗设备、智能农业设备、蜂窝用户设备等。该网络场景中传统蜂窝通信终端和物联网终端共存，共享蜂窝网络资源，蜂窝物联网的频带部署方法采用带内部署，微基站收集请求接入设备的多维度信息，实现本文所提出的蜂窝物联网设备接入算法。

图1 5G 蜂窝物联网场景Figure 1 5G cellular IoT scenario

我们的模型聚焦于该场景下微蜂窝小基站覆盖范围内蜂窝物联网设备的接入问题，假设在某个时刻同时请求接入微蜂窝小基站的终端设备用集合Devices表示，设备数目为N，集合Devices为

对于所有请求接入到网络的物联网设备，我们用一个集合{LN,TN,PN}来代替设备的3个维度的基本特征。集合中的各个参数含义如下：

LN为设备DevN传输的数据长度；TN为蜂窝物联网设备DevN可以忍受的最长时间延迟，即传输数据耗费的总时间不能超过TN；PN为物联网设备DevN在成功接入到网络以后数据的传输功率。

在本文网络场景中能够使用的网络资源可以用集合Resources表示，网络资源块的数目为M，集合Resources为

对于所有的可以使用的网络资源，我们利用提取它的3 个维度的属性来代表，将这3 个特征放在集合{hN,M,tM,}内，其中hN,M为信道的质量信息、tM为资源RESM的空闲时间、为信道所受到的干扰。

1.2 网络通信信道描述

在本文所考虑的5G 蜂窝物联网场景中，设备可以利用所有已经授权的网络资源，通信信道考虑上行通信信道，则设备传输数据可达到的最高速率可以由式(3) 来计算[13]

式中：BN,M为物联网设备DevN分配到的网络资源块RESM所占用的带宽。

1.3 能量消耗模型

在本文所考虑的5G 蜂窝物联网网络场景中，传统的蜂窝通信网络用户与物联网终端共同存在，共用网络资源。然而，物联网终端的网络资源接入优先级低于普通的蜂窝网络通信用户。若传统蜂窝用户和物联网用户同时请求接入网络资源，物联网设备终端需要挂起等待。此外，对于同一个网络资源的接入，不同的物联网设备也要分先后顺序。基于此，本文的接入算法考虑一个物联网设备终端的一个完整数据传输过程分为两个部分，即设备终端从开始发送请求接入网络资源，到成功接入网络资源的等待过程，和设备终端完成网络资源接入后，进行数据传输时的传输过程。所以，一个物联网设备终端的完整数据传输过程所损耗的能量也由两部分组成，消耗的总能量为

式中：EN为一次完整的数据传输过程中设备损耗的总能量；为设备的等待消耗，即从发送请求到成功分配到网络这段过程中的能量损耗；为设备的传输消耗，即从成功分配到网络到完成所有的数据传输这段过程中的能量损耗。

设备的等待能耗可以表示为

设备的数据传输消耗可以表示为

式中：wN,M为设备的等待时间，即从发送接入请求到成功分配到网络资源块所消耗的时间；λN,M为设备的等待功率，即从发送接入请求到成功接入到网络资源块期间所损耗能量的功率；PN为设备X 在完成资源块的接入开始传输数据到传输数据完成这一过程中的传输功率；tN为物联网设备X 在完成资源块的接入开始传输数据到传输数据完成这一过程中的数据传输时间。

设备传输的时间可以由传输数据的长度与传输速率的比值得来，即

则所有的物联网设备在接入过程中总的能量消耗为

1.4 5G 蜂窝物联网设备接入问题描述

面对大规模蜂窝物联网设备的接入请求，本文重点研究对有限网络资源的高效利用，在设计的设备接入算法中，最首要的目的是最大化成功接入的设备数量，也就是maxN。同时，为保证蜂窝物联网设备的生命周期，需要尽可能减少能量消耗，假设传输每单位数据会损耗CN,M的能量，CN,M计算公式为

则消耗能量最小化的优化表达式为

对于每一个网络资源块，同一时刻只能由最多一个设备占用，所以在一个设备接入资源块前有其他设备正在使用该资源块进行数据传输的情况下，当前请求接入的设备的可容忍最大等待时间应该大于当前接入设备完成数据传输所需要的时间，即

式中：tn为设备X 传输数据所需要的时间；wn为设备X 可容忍的等待时间。

同时，由于每一个空闲的网络资源块的空闲时间是有限的，所有请求接入到该资源块的设备传输完数据所需要的总时间应该小于等网络资源块的空闲时间，即

式中：TM为网络资源块K 的空闲时间。

2 设备接入算法

本文提出的大规模设备接入算法主要包含3 个步骤，分别是基于K-means 聚类分析的蜂窝物联网设备分组算法、将网络资源分配给设备组的算法以及判断设备是否成功接入网络的算法。

2.1 蜂窝物联网设备分组算法

首先，对于某一时刻同时请求接入网络资源的蜂窝物联网设备使用K-means 算法进行聚类分组，根据蜂窝物联网设备的状态信息集合{LN,TN,PN}，以蜂窝物联网设备的传输数据长度LN和数据传输功率PN作为聚类分组的依据。算法的流程如下。

算法1蜂窝物联网设备分组算法

Step 1 导入所有蜂窝物联网设备的状态信息。

Step 2 对各个设备的数据进行预处理：DN=PN/LN。

Step 3 设置初始聚类中心，设置结束迭代条件。

Step 4 对数据DN进行聚类：

根据聚类中心开始聚类算法，获取聚类结果；

根据分组结果计算每一类中数据的均值为新的聚类中心；

计算新的聚类中心和上一轮的聚类中心的差值；

如果前后两次聚类中心的距离大于所设定阈值则重复聚类中的第一步和第二步，直到前后两次聚类结果的质心小于阈值时结束聚类，得到最终的聚类结果，即蜂窝物联网设备的分组。

Step 5 将聚类分组结果保存，并保存最终一次的聚类中心。

首先，根据第1 节中的网络场景描述，生成物联网设备的状态集合Devices，以及网络资源的状态集合Resources。

然后，将生成的设备状态集合导入到算法中读取数据，并对数据进行处理，将设备的传输功率除以所传输数据的长度得到DN=PN/LN作为衡量设备的指标，用于作为对设备聚类分组的依据。

在开始聚类之前要先确定好K值，在本文中，K值用网络中空闲的网络资源数目代替，即K=M。在确定K值之后，对设备进行聚类分组，将计算得到的DN作为聚类依据，先在所有的设备中选取K个设备作为第一次聚类的质心。接着对各个设备参数计算它所对应的DN与选取作为聚类中心的DN之间的欧几里得距离。选择距离最小的划分到该组，得到初次聚类分组结果。之后根据聚类分组结果重新计算每一个组中的均值作为该组的新的质心，将所得的新质心与前一轮聚类时的聚类中心相减，得到两个数组中各聚类中心对应偏移量的最大值，当两次聚类中心之间的距离足够小时完成聚类分组，并输出聚类结果。假设前后两次的聚类中心之间的距离差较大，则重复进行，直到当前聚类中心和上一次得到的聚类中心距离足够小，或者不变时完成迭代。最后，保存聚类分组结果与最后的聚类中心。

2.2 设备组接入资源

在算法1 中，已经使用K-means 方法完成了对5G 蜂窝物联网设备的聚类分组，接下来需要将已经分组后的蜂窝物联网设备映射到网络资源中去，将设备组接入到网络资源的流程见算法2。

算法2将资源分配给设备组算法

Step 1 根据设备组聚类中心的大小进行从小到大排序。

Step 2 根据空闲资源的状态信息{hN,M,tM,σ2M}对网络资源进行评估。

Step 3 把网络资源按由优到次的顺序映射到聚类中心由小到大的设备组。

Step 4 对数据进行更新处理：

更新设备对应的设备组；

更新设备对应的网络资源；

计算设备的理论传输速率；

计算设备的数据传输时间；

计算设备的传输消耗；

计算设备的等待消耗。

Step 5 保存处理完的数据。

在完成算法2 Step1 对设备完成聚类分组的基础上，进行算法的Step2。首先，根据每一个设备组的质心，按照质心自小到大的顺序排序。然后对网络资源进行评估，在本文中，将网络资源状态集合中的信道质量、空闲时间、信道干扰进行加权求和作为评估网络资源的依据，然后根据评估结果对网络资源进行从好到坏的排序。

下一步，将评估完的资源分配到已经分组的各个设备组，在本文中的分配原则是：DN质心数值小的设备组需要更好的网络资源。因为质心比较小的设备组，物联网设备需要传输的数据长度比其他设备组长，或者该组的数据传输功率比其他的物联网设备组要小，因此DN较小的设备组需要状态更加优质的网络资源来进行数据传输。

在完成将网络资源分配给设备组之后，对各个设备对应的网络资源进行更新，并计算各个设备的相关参数，包括等待时间、传输时间、等待过程总的能量损耗以及传输数据过程中的传输损耗并保存这些数据。

2.3 成功接入判断算法

在完成了对蜂窝物联网设备的聚类分组，以及将空闲网络资源分配给分组完的设备组之后，需要对每一组设备组中的设备是否能够成功接入到网络资源中去进行判断，即算法的第3步，判断设备是否能够成功接入到网络资源中的算法详见算法3。

算法3判断蜂窝物联网设备是否成功接入网络资源的算法

Step 1 对每组中的设备根据最大等待时间延迟进行排序；

Step 2 对于每组中的每个设备，进行是否能够成功接入判断：

判断1如果满足最大等待时间延迟大于前面所有设备传输时间总和，则进入下一条件判断，否则接入失败；

判断2对于满足判断1 的设备，如果完成传输数据所用的时间之和小于该组分配的网络资源空闲时间，则判断为接入成功，否则判断为接入失败。

Step 3 保存判断的结果；

Step 4 统计接入成功的设备总量。计算成功接入率；

Step 5 统计所有设备传输的数据总长度；

Step 6 统计系统消耗的总能量。

基于2.1 与2.2 节的结果，对每个设备组内的设备是否能够成功接入网络进行判断。在相同时间内，一个空闲网络资源只有空闲状态，或被一个设备占据使用这两种状态。

对于每个聚类后的设备组，对其中的设备进行排序，排序的依据为设备所能容忍的最大等候时间延迟。根据等待时间延迟按照从小到大的顺序对每组内的设备进行排序。最大等待时间延迟越小的设备越优先接入到网络资源中去。

在完成对每个设备组中的蜂窝物联网设备的排序之后，即可判断设备是否能够成功接入到网络资源中，根据第1 节建立的数学模型可知，一个物联网设备需要同时满足模型中描述的2 个约束条件才能够成功接入到网络中：

条件1当前请求接入到网络资源的蜂窝物联网设备的最大等待时间延迟需要大于该设备前面所有设备的传输数据时耗费的时间之和，即需要满足式(11)。如果不满足该公式，则当前请求接入的设备无法接入到网络资源中。

条件2对于当前请求接入到网络资源中的蜂窝物联网设备，需要满足其最大等待时间延迟大于前面所有设备传输数据消耗的时间之和，同时还需要考虑空闲网络资源块的资源空闲时间。由于空闲资源块有限，当同时发送接入请求的设备数目到达一定的量时，一定会有设备无法接入到资源，导致设备接入失败的情况。因此，物联网设备完成数据传输的全部时间应该小于网络资源块的空闲时间，即满足式(12)，若无法满足则说明当前设备接入到网络资源失败，且当前网络资源也无法再接收其他的设备。

对于同时满足上述2 个条件的设备，即可判断为能够成功接入到网络资源，并保存判断的结果。在判断完物联网设备是否能够接入到网络中之后，可以通过统计成功接入到网络中的设备的数量，与请求接入到网络的设备总数量进行相除，得到设备的成功接入率，并统计所有设备的传输数据总长度以及系统消耗的总能量作为验证该算法的依据。

以上3 个算法就是本文设计的大规模设备接入算法。算法考虑接入终端的多个维度信息，采用了K-means 方法对终端进行聚类分组，并映射到评估排序后的空闲资源块中。接下来利用Python 工具对本文提出的大规模设备接入算法进行仿真验证。

3 仿真及性能分析

本节将对大规模设备接入算法进行仿真实现，并将物联网中的随机接入算法作为对比，来验证本文所提出算法的相关性能。作为对比的随机接入的算法，采用随机分组的办法对同时请求接入的设备进行分组，然后再进行资源分配和接入判断。

3.1 仿真场景描述

以Python 3.8 为仿真工具，对所提出的蜂窝物联网大规模设备接入算法进行仿真验证，相关仿真参数如表1 所示。

表1 仿真参数Table 1 Simulation parameters

在本文建立的蜂窝物联网网络场景中，假设在1 个宏蜂窝覆盖范围内有5 个微蜂窝小基站，其中每个基站中至少含有1 个空闲的网络资源块，且每个网络资源的带宽为180 kHz。空闲网络资源块的空闲时间满足随机分布，物联网设备传输的数据长度满足随机分布，区间是10∼30 Bytes；各个信道所受到的干扰相同；信道质量由信道质量指示符（channel quality indicator,CQI）来表示，其代表当前信道质量的好坏与信道的信噪比大小相对应，常见的CQI 取值为12∼24；网络中各个资源块的空闲时间以及对应的信道质量服从随机分布。

3.2 仿真结果分析

对提出算法进行仿真分析获得的仿真结果如图2 所示。

图2 物联网设备成功接入率随设备数量变化曲线Figure 2 Successful access rate of IoT devices varies with the number of devices

图2 为物联网设备成功接入率随设备数量变化的曲线，随着请求接入的设备数量的逐渐增加，整个系统传输的数据总长度也在增加。图2(a) 是运行所生成原始数据得到的仿真图，由于每次执行程序时，程序生成的参数之间是没有联系的，所以利用原始数据所得到的曲线波动性较大，为了增加曲线的可读性，在不影响对算法性能评估的前提下，我们对仿真结果进行了平滑处理，采用Python 的Interpolate 模块对仿真结果进行插值拟合，获得图2 (b) 中的结果。

从图2 可以看出，在同样的条件下，随着同时请求接入设备数量的增加，本文提出的设备接入算法能够保证更高的设备接入成功率。随着物联网设备数量的增大，两种算法的成功接入率都展现出下滑的趋势。这是因为网络场景中网络资源是有限的，随着设备数量的增加，设备的总需求便会超出网络资源的承受能力。但根据结果可以看出，当一个微蜂窝基站内同时请求接入的物联网设备数量低于300 时，本论文提出的设备接入算法能够保证所有的设备成功接入。

图3 展现的是平滑处理后，同时请求接入的设备数量逐渐增加，整个系统传输数据的总长度变化曲线。从图3 中可以看出，当同时请求接入的物联网设备数目较小时，两种算法能够传输的总数据长度的相差无几，在请求接入设备数量少于100 时更明显。这是由于在同时请求接入的设备数量较少的场景中，网络有充足的空闲资源，两种算法都可以使设备成功接入到网络资源中。随着同时请求接入的设备数目逐渐增大，系统中传输的数据总长度皆呈现出增加的趋势，与将蜂窝物联网设备采用随机接入算法进行接入控制相比较，采用K-means 方法对设备进行分组接入控制，实现设备分组，系统可以同时传输更多的数据，即可以实现更大的系统吞吐量。

图3 传输数据总长度随设备数量变化曲线Figure 3 Total length of transmitted data varies with the number of devices

图4 展现的是平滑处理后，随着同时请求接入的物联网设备数量增加，整个系统消耗的总能量的变化趋势。本文设置的物联网设备在等待接入期间能耗与传输数据期间能耗比为0.05∶1。从图4 中可以明显看到，随着同时发送接入请求的物联网设备的数量增大，系统的总消耗能量表现出增加的趋势。这是由于随着接入的设备越来越多，设备在等待接入过程的时间会增长，消耗的能量自然会呈现增长的趋势。与采用随机接入对蜂窝物联网设备进行接入控制的方法相比较，本文提出的设备接入控制算法消耗的总能量相对较小。可以认为，根据设备数据信息等参数进行聚类分析，对设备进行接入控制，可以有效地减少系统消耗的总能量，提升传输效率。

图4 系统消耗总能量随设备数量变化曲线Figure 4 Total energy consumed by the system varies with the number of devices

4 结语

面对5G 蜂窝物联网的大规模设备接入问题，建立了在异构网络架构下，物联网设备与蜂窝网络设备共存的网络场景模型，然后基于此模型提出了一种基于聚类分析的蜂窝物联网设备接入控制算法，并使用Python 进行了仿真验证。仿真结果表明，所提出的大规模设备接入算法能够有效地提高蜂窝物联网设备的接入成功率，在提升系统吞吐量的同时，减少物联网设备能耗，实现高效的设备接入与系统传输。未来的工作将集中于考虑更加接近现实的场景，考虑多种类型的物联网终端，进一步提升设备接入算法的性能。