5G网络干扰最小化资源分配算法研究

郑创明 ,于来行 ,周耀华

(1.周口师范学院 计算机科学与技术学院,河南 周口 466001;2.周口职业技术学院 计算机科学与技术学院,河南 周口 466001)

第五代移动通信系统(The Fifth Generation, 5G)相对于第四代移动通信系统(The Fourth Generation, 4G)要求增加1000倍的数据速率[1],在现有频谱资源和移动终端电池容量受限双重约束下,采用超密集的小小区部署是提高频谱效率的一种有效方法[2]。其特点为：网络结构为异构网(Heterogeneous Networks, HetNet),小小区,宏小区,Wifi,中继和终端直通(Device-to-Device, D2D)将被广泛使用。然而超密集部署大量不规则的小功率基站,将引起严重的小区间干扰[3]。无线资源管理是超密集网络有效抑制和协调小区间干扰的一种关键技术[4]。文献[5]采用动态频率复用技术对HetNet网络进行无线资源管理提升系统性能。D2D通信是超密集网络中的提升频谱效率的另一种有效的方式,文献[6]提出一种运用于先进的长期演进系统(LTE-Advanced, LTE-A)的D2D无线资源分配的技术框架,提升在LTE-A中D2D通信性能。文献[7]研究在LTE-A部署中继的场景中联合资源分配、中继选择和双向传输的组合优化问题,该优化把研究的问题转化为一种三维分配问题并采用混合的蚁群优化算法进行解决。文献[8]通过对HetNet的干扰协调进行研究,提出一种分布式的Pico和Macro的联合功率控制和小区选择的解决方案达到优化网络性能的目的。上述文献对超密集网络的优化主要集中在无线资源规划或者功率控制或者两者的结合,并没有考虑资源调度对超密集网络的性能影响。文献[9]提出一种运用于超密集网络中的分布能效调度算法,该算法在满足QoS和功率约束条件下把博弈论运用到资源分配过程中,通过一种低复杂度的迭代算法,最大化网络的能效比,以达到优化网络干扰性能的目的。文献[10]从长期演进系统(Long Term Evolution, LTE)上行的单载波频分多址特性进行研究,提出一种在LTE上行资源分配时,首先分配上行资源块(resource block,RB),然后根据分配的RB和对应的速率要求,计算所需的上行功率以达到优化上行性能的目的。

上述文献的研究成果都能用于以LTE为技术基础的超密集网络性能优化(4G, 5G 和未来的6G都是采用LTE技术),但研究的都是针对网络业务满负荷加载场景。在现有研究中,对部分业务加载场景下的干扰研究成果很少,然而,在真实的场景下,网络的业务量是动态的。一天24小时内,网络处于业务峰值时间并不长,大部分时间网络负载处于相对空闲状态。本文对动态网络业务场景中的干扰进行优化,并对LTE协议定义的用户的业务传输所选择的不同调制编码方式(Modulation and Coding Scheme, MCS)对应的能效比之间的关系进行研究,并把这一研究结论用于超密集网络干扰优化的算法中,提出一种超密集网络中干扰优化的负载自适应调度算法。该算法能够根据当前的业务量的大小,把干扰管理和资源分配相结合优化超密集网络中的干扰。该算法在满足用户QoS要求的前提下,降低网络的干扰和提升网络性能,延长终端用户的电池使用寿命。

1 系统建模

本文研究的系统模型由B个LTE宏基站(Macro eNodeB, MBS),在每个MBS覆盖范围内部署A个小基站(micro eNodeB, mBS)。每个MBS服务的用户数为NM,每个mBS服务的用户数为Nm。在超密集网络中,MBS和mBS的调度器在时间t为所服务的用户k进行资源分配时,需要知道用户k的信干燥比(Signal to Interference plus Noise Ratio, SINR)γk(t),并对用户k的SINR量化成对应的信道质量指示(Channel Quality Indicator, CQI),利用CQI采用表1[11]进行对用户的业务传输所使用的MCS和频谱效率ζk进行选择[12]。

然后由公式(1)计算用户k用于业务传输的需要分配物理资源块(Physical Resource Block,PRB) 个数Rk。

Rk=[Tk(t)(gζk)-1]

(1)

其中g为每个PRB能够承载的调制符号数,Tk(t)为用户k在本次调度过程中需要发送的信息比特。用户k分配的Rk个配物理资源块对应的集合的Πk,根据文献[13],用户k在时间t的信干燥比γk(t)可由公式(2)计算。

(2)

其中Gk,s(t)为用户k在时间t到服务基站s之间的信道增益,Ik,m(t)为小区间的同频干扰,σ2为噪声方差,m为用户k分配的集合Πk中的PRB索引,pk,s(t)为用户k在服务基站s的发射功率。

假设每个PRBm上的受到的Ik,m(t)相同,通过公式(2)可以推出用户的发射功率pk,s(t)。

pk,s(t)=γk(t)(Ik,m(t)+σ2)Gk,s(t)

(3)

由公式(3)可以看出,在干扰分布不变的前提下,用户k的发射功率与接收端的目标解调门限成正比,目标解调门限越高,需要的功率越大;目标解调门限越低,需要的发射功率越小。把这一结论运用于超密集网络中的干扰优化算法中,能够极大提升网络的性能。

表1 LTE资源调度由SINR到MCS选择

2 算法设计

2.1 优化模型

超密集网络中由于小区半径更小,小区间的同频干扰干扰变成一个非常严重的挑战[3],公式(2)和(3)中的干扰

(4)

其中c为基站的类别,C=2,c=1为MBS,c=2为

(5a)

(5b)

进行表示。

公式(5)说明只要达到全网发送的总功率最小,就能实现超密集网络中最好的干扰抑制,但在现行的网络架构中,无线资源的管理和功率分配都是由单个基站独立决策,实现全网发射总功率最小在现实的网络架构下无法实现,对公式(5)进一步松弛为最小化单个基站在时刻t所服务的用户发送总功率,得到公式(6)。

(6a)

(6b)

因此通过松弛处理,超密集网络的干扰优化问题就转化为基站的功率优化问题。很显然公式(6)所表示的功率优化问题属于NP难问题,文献[15]、[16]采用迭代的方法对功率进行优化,迭代方法运算量大,耗时较长,不适合现有产品中实现。

本文通过优化调度算法实现基站的功率最小化问题。在进行优化之前,首先对超密集网络中的采用的主流技术LTE传输单位比特信息所需功率与MCS关系进行研究,并作为本算法的设计基础。为更清晰表明发射功率与频谱效率的关系,对公式(3)做进一步的简化处理,考虑对同一个用户k在各个PRB上信道响应相同,并且假设干扰分布相同,因此可以最后对公式(3)中的后面的三项进行归一化处理而不影响分析结论。

(7)

把表1的数据结合公式(7)用图示表示出来,如图1。图1表明调度器在进行无线资源分配过程中,传输单位比特信息所消耗的能量与调度所选择的MCS索引密切相关。但对于调制方式为QPSK,对应调度的MCS索引为1～6,单位比特信息所消耗的能量基本不变,对于MCS索引为10～15,虽然调制方式均为64QAM,但不同的索引之间单位比特能耗比差别较大,从图1中可以看出拐点位置在MCS索引为6的位置。在这样的理论指导下,下面结合算法设计目标,设计超密集网络中干扰优化的自适应调度算法。

图1 LTE归一化的单位比特信息消耗功率与MCS关系

2.2 干扰优化的自适应调度算法

1)统计可用的资源和待调度的用户数M,标示本次调度中可被调度的PRB,并统计待调度的PRB个数Ni。

2)进行资源预调度,对本次待调度的M个用户,依次选择每个用户k当前的信干燥比γk(t)所能支持的表1中最高MCS索引ωk对应的频谱效率ζk,根据公式(1)计算队列中每个用户k需要分配的物理资源PRB数目Rk(t),根据当前预调度结果用户k向服务基站j所需要的发射功率pk,j(t)可由公式(8)进行计算。

(8)

5)对当前所需要的PRB总数Nt进行判断：如果Nt≥Ni,则执行步骤(7);如果Nt

6)对预调度中用户功率由高到低进行排序,得p1,j(t)≥p2,j(t)≥...≥pM,j(t)。并依次对MCS索引ωk进行判断：若存在ωk≥6,则ωk=ωk-1,记录本次调整的用户k,更新ζk、pk,j(t)、Rk(t)和Nt,重复步骤(5)～步骤(6);否则执行步骤(8)。

8)根据预调度的结果分配实际的物理资源PRB,直到Ni个PRB全部分完,或者本次待调度的用户全部得到调度,最后调度器通过基站把调度结果发送给对应的用户。

3 算法性能仿真分析

本文对超密集网络中干扰优化的自适应调度算法进行仿真,仿真主要参数如表2。

表2 系统仿真主要参数

仿真配置19个MBS[15],在每个MBS覆盖区域内随机部署30个mBS,mBS和MBS采用同频组网。为保证仿真结果的精度,仿真结果只收集中间7个MBS覆盖范围内用户数据[16]。作为对比,本文对文献[13]中的算法进行仿真。

图2 两种算法小区间干扰分布CDF性能对比

图2为在超密集网络中采用干扰优化的负载自适应调度算法(图中简称“本文算法”)和文献[13]中的算法在网络业务量部分加载(50%加载)和完全加载两种不同的场景中的每个用户的小区间干扰的累计概率分布曲线,图中可以看出在小区间干扰协调能力方面,自适应调度算法在网络业务负载较小的场景下表现出较好的性能优势,主要由于该算法充分利用了网络的多余带宽资源,降低了发送业务解调门限,因而降低了业务发送所需要的功率。在网络业务全加载场景下,负载自适应调度退化为普通调度,在性能上比优化的PE调度差。为了更清晰证明本文提出的负载自适应调度算法的性能增益,图3给出了在网络加载的业务量从10%变化到100%的过程中,两种算法的在能效性能方面的差异。

从图3可以看出,本文提出的负载自适应调度的能效比在网络业务较轻的场景下具有明显的性能优势,在网络负载达到90%以上时,性能低于文献[13]中的算法,这充分证明本文提出的调度算法能够适应于超密集网络中各个基站(MBS和mBS)的无线资源分配算法,负载自适应调度算法在优化网络干扰分布的同时,也能增加移动终端的电池使用寿命。

图3 两种算法加载不同业务量的能效比

仿真结果表明,干扰自适应调度在现实网络的动态负载业务量场景下比文献[13]中的算法有更有效的干扰协调能力,更能够适应超密集网络的干扰协调所需的技术要求。

4 结论

本文在对超密集网络干扰优化的研究过程中,通过研究LTE的数据发送的MCS与SINR之间的对应关系,发现LTE系统发送相同bit的数据,如果采用不同MCS下,所需要的发送功率的是不同的,其中每比特对应的功率与调制阶数有关,其中采用QPSK调制时,单位比特所需功率基本相同,采用16QAM和64QAM时,单位比特所需功率较大,根据这一特征,提出一种新的调度算法,新的算法在网络负载较轻时,对用户的资源调度尽量采用较低的MCS索引,每次的无线资源分配最大化占用带宽资源是本算法的核心。仿真结果表明,新的算法在超密集网络中表现较好的性能增益。超密集网络的无线资源管理的研究任重而道远,把调度算法和网络规划进行结合,是一种有效的干扰抑制方法。