认知OFDM系统中针对视频业务用户的资源分配

2015-10-10张江梅耿志卿衡志强任艳娜

电视技术 2015年11期

关键词：视频流复杂度载波

侯华，张江梅，付佳，耿志卿，衡志强，任艳娜

(河北工程大学 a.装备制造学院；b.信息与电气工程学院，河北邯郸 056038)

认知OFDM系统中针对视频业务用户的资源分配

侯华a，张江梅b，付佳b，耿志卿b，衡志强b，任艳娜b

(河北工程大学 a.装备制造学院；b.信息与电气工程学院，河北邯郸 056038)

在多用户认知无线电OFDM系统中，针对实时视频业务用户，提出一种计算复杂度低的资源分配方案。该方案采用鱼群算法分配子载波，并提出简单功率干扰(Simple Power Interference，SPI)约束功率分配算法。目标是在满足总功率预算并且保证不干扰主用户的前提下，最大化系统的下行系统容量。仿真分析表明，在视频业务用户场景中，所提算法能有效提高下行系统速率，性能接近最优且复杂度低。

CR；OFDM；视频业务；子载波与功率分配

HebeiUniversityofEngineering,HebeiHandan056038,China)

移动流媒体业务是未来LTE网络下的主要数据业务[1]。视频流业务流量大并且对时延敏感，这增加了对带宽以及传输速率的要求。然而，现如今频谱资源严重紧缺，而且授权频谱有效利用率较低。

为了满足高速视频流等无线宽带业务的需求，采用认知无线电(CR)技术，能够将授权频谱中的频谱空洞加以充分利用[2]。正交频分复用(OFDM)技术作为4G的关键技术之一，在无线资源分配中具有很高的灵活性，被公认为CR系统中最具实力的空中接口[3]。

针对基于认知无线电(Cognitive Radio，CR)技术的OFDM系统资源分配的研究层出不穷[4-7]。但满足视频流业务特性的资源分配算法有待研究。

在认知无线电系统中，由于存在主用户和认知用户两种用户，区别于传统多用户、多载波系统，两者之间的相互干扰必须加以考虑。因此，适用于传统多用户、多载波系统的基于注水原理的功率分配算法已不适用。功率约束条件中，需增加对主用户干扰功率控制的约束[8-12]。

群智能算法中的人工鱼群算法[13]以其在解决优化问题中收敛速度快以及灵活性高等优点得以广泛应用。然而很少有文献将人工鱼群算法用于基于认知无线电的OFDM系统的资源分配优化问题中。

本文针对视频流业务用户，将人工鱼群算法用于认知OFDM系统子载波分配中，功率分配采用本文提出的计算复杂度及时间复杂度相对较低的SPI算法，目标是在满足总功率预算并且保证不干扰主用户的前提下，最大化视频流用户的下行系统速率。

1 系统模型及优化目标

1.1 系统模型

在蜂窝系统下行链路中，不同于传统基站，带有认知功能的认知基站为用户分配资源。蜂窝系统中基于认知无线电的多用户OFDM基站侧系统框图如图1所示。认知基站的主控模块负责向频谱感知判决模块发送感知请求，收到请求信号后，频谱感知判决模块开始工作，并向主控模块反馈频谱空洞信息。主控模块中的资源管理算法包括调度模块和频谱、子载波、比特、功率联合分配模块。频谱感知判决模块将感知的可用频谱发送给资源管理算法模块，频谱、子载波、比特、功率联合分配模块根据频谱感知判决模块以及调度模块给出的业务分组排序进行空闲子载波以及功率分配，并将分配结果反馈给调度模块。认知无线电模块进行周期性的基于能量检测的频谱感知，确定可被认知用户使用的频谱，并将结果传送给资源管理算法模块。

图1 基于认知无线电的多用户OFDM基站侧系统框图

1.2 干扰模型

在单位发射功率条件下，认知用户k使用子载波n时对主用户的干扰[14]为

(1)

同样，主用户对认知用户的干扰也可以表示出来。

1.3 优化目标及约束

根基香农容量公式，用户k的瞬时传输速率为

(2)

式中：Ck,n为认知用户k在子载波n上的分配因子，取值0或1；Pk,n为认知系统分配给认知用户k使用子载波n的发射功率；hk,n为认知基站到认知用户的信道增益；Γ为信道香农容量与M-QAM调制信号的信噪比差值，值为-ln(5pe)/1.5[15]，pe为误比特率，N0为加性高斯白噪声的单边功率谱密度。

k个用户总的传输比特速率为

(3)

考虑到越紧急的分组应该被优先分配资源，本文为最大化用户的优先级权重容量和，资源分配问题以及约束条件建模如下

(4)

约束条件为

(5)

其中，C2和C3共同限制了每个空闲子载波最多分配给一个用户使用。C1，C4和C5为功率限制。C6限制待发数据量充足，C7为用户比例速率约束。

2 资源分配

2.1 子载波分配

采用人工鱼群算法(AFSA)分配子载波步骤如下：

1)设定种群大小M，人工鱼的可视范围visual，拥挤度因子δ，人工鱼每次觅食最大试探次数try_number，迭代次数gen。

2)定义人工鱼向量(行向量)长度为N，其元素值随机取1～K之间的某个数。如果子载波n分配给用户k，即Ck,n=1(k=1,2，3，…,K;n=1,2，3，…,N)对应于人工鱼向量的第n个元素值等于k。

8)判断是否满足迭代次数gen条件，如果满足，由F_best逆映射回Ck,n(k=1,2,3,…,K;n=1,2,3,…,N)；否则跳转到6)。

C6在分配过程中作为判断条件，在求出分配矩阵Ck,n(k=1,2,3,…,K;n=1,2,3,…,N)之后，本文所求问题得以解决。

2.2 功率分配

本文提出SPI(Simple Power Interference)功率分配算法。由于Ck,n已知，对应子载波n，分得该子载波的用户k确定。功率分配模型简化为

(6)

约束于

(7)

OP1为凸优化问题，功率非负条件作为判断条件，同时考虑总功率和干扰功率限制时，引入拉格朗日因子λ0和λ1，拉格朗日函数为

(8)

最优解可求得[16]，但求解最优解计算复杂度相当高。为了降低计算复杂度，本文采用的简化功率干扰约束算法SPI(Simple Power Interference)，将问题分解考虑。

首先，忽略总功率限制。

优化问题如下：

(9)

约束于

(10)

由于信道增益越大、干扰因子越小且其所承载用户优先级越高的子载波应该被分配更高的功率。为满足以上要求并满足干扰门限值，令主用户所能承受子载波n对其产生的干扰的上限为

(11)

再忽略干扰限制，优化问题为

(12)

(13)

按式(14)为各个子载波分配功率

(14)

n个子载波总功率等于PT，这样确保满足总功率限制。

本文采用的简化功率干扰约束算法SPI(Simple Power Interference)步骤如下：

Step1，初始化，剩余功率Pleft=PT，剩余可用干扰Ileft=Ip。

Step5，判断当Pleft>0且Ileft>0，即功率有剩余或可承受干扰有剩余，跳转到Step1，重新给Pleft和Ileft赋值，并继续向下执行，直到不满足条件为止，通过几次迭代，可获得最终解。

3 仿真及分析

仿真时，认知用户和主用户共享带宽B为10 MHz，子载波数N=128。设主用户占用中间频带且带宽等于B/N，采用功率迟延包络为e-φ(φ=1,2,…,6)的六径频率选择性衰落信道。CR基站根据频谱感知判决模块给出的判决结果，利用空闲子载波进行下行链路数据传输。

本文考虑每个用户缓冲池中只有视频流业务分组。根据文献[17]设置视频流业务的属性参数。既考虑信道质量，又融合了包的队列时延，可照顾到视频流业务的时延敏感性。用户视频流业务队列分组每隔1 ms到达一次，随机生成用户k(k=1,2,3，…,K)的分组数Λk，保护间隔Gk=10 ms。设置用户队列中流媒体业务分组可忍受的最长时延为400 ms，分组长度为239 bit。改进人工鱼群算法中，人工鱼个体数M=31，人工鱼感知距离visual=5，重试次数try_number=5，迭代次数gen=100，拥挤度因子δ=0.2。

图2显示，当总功率为3 W、用户数为16时，随着干扰阈值的增大，所有算法对应系统速率增大。由于随着主用户干扰约束降低，用户可增加发送功率值，所以系统速率增大，而且起始增幅较快，之后由于总功率受限，增幅渐缓。对于不同的干扰门限值，通过对比最优算法、AFSA-PI算法、AFSA-SPI算法以及文献[12]算法，可见本文所提AFSA-PI算法与AFSA-SPI算法优于文献[12]算法并接近最优算法。因为本文子载波分配时不仅考虑信道增益还考虑对主用户的干扰，能够将信道增益大并且对主用户干扰小的子载波分配给适合的用户。并且本文子载波分配算法能达到最优子载波分配。虽然，本文功率分配SPI算法效果稍稍劣于PI功率分配算法，但SPI比PI功率分配算法复杂度低,其可通过几次迭代即可求得解。所以综合来看，本文算法优于文献[12]。

图2 干扰阈值对系统总速率的影响

图3反应可用干扰利用率。横轴表示干扰阈值，纵轴表示次用户对主用户产生的总的干扰。由图可见，利用本文功率分配算法，当系统总功率较大时，认知用户对主用户产生的干扰几乎可以达到主用户所允许的干扰值。当系统总功率较小，随着干扰限制的放松，很快会功率受限，干扰门限值不能得到充分利用。

图3 可用干扰利用情况

图4显示当总功率为3 W、干扰门限值为0.004 W时，随着用户数增加，多用户分级效应增强，系统总速率整体呈增加趋势。相比文献[12]中子载波分配方案和功率分配算法，本文鱼群算法考虑全局最优且在信道增益中增加对信道干扰的考虑，能够得到更优的子载波分配矩阵。而且本文SPI功率分配算法的计算复杂度及时间复杂度相对更低。

图4 用户数对系统总速率的影响

4 总结

本文基于认知无线电的OFDM系统，将人工鱼群算法用于认知OFDM系统子载波分配中，功率分配提出具有较低计算复杂度及时间复杂度的SPI算法。在满足总功率预算并且保证不干扰主用户的前提下，最大化视频流用户的下行系统速率，并且性能接近最优。基于本文所提多用户子载波功率分配算法，针对多业务以及用户间的公平性等有待研究。

[1] 王振豪，胡亚辉，慈松.面向QoE的LTE网络流媒体业务半实物仿真平台[J].系统仿真学报，2014，26(3)：556-561.

[2] PAO W C，CHEN Y F. Adaptive gradient-based methods for adaptive power allocation in OFDM-based cognitive radio networks[J]. IEEE Trans. Veh. Technol.，2014，63(2)：836-848.

[3] Nortel Networks. OFDM Unit Multiplexing. 3GPP TSG RAN WG1contribution R1-030522[R].Paris，France:[s.n.],2003．

[4] SAMI M，GORDON L. Interference-aware radio resource allocation in OFDMA-based cognitive radio cutworks[J]. IEEE Trans. Veh. Technol.，2011，60(4)：1699-1713.

[5] ZHANG Y，LEUNG C. Resource allocation for non-real-time services in OFDM-based cognitive radio systems[J]. IEEE Commun.Lett.，2009，13(1)：16-18.

[6] LI Q，LU P，YU Z，et al. Utility-based scheduling algorithm for multiple services in OFDM cognitive radio networks[C]//Proc. IEEE 75th Vehicular Technology Conference (VTC Spring).[S.l.]：IEEE Press，2012：1-5.

[7] WANG S，ZHOU Z，GE M，et al. Resource allocation for heterogeneous cognitive radio networks with imperfect spectrum sensing[J]. IEEE Journal on Selected Areas in Communications，2013，31(3)：464-475.[8] MA Y，XU Y，SHENG Y. A greedy algorithm for cognitive network resource allocation based on minimum remaining constraint space[C]//Proc. International Conference on Wireless Communications & Signal Processing.[S.l.]：IEEE Press，2009：1-5.

[9] WANG S. Efficient resource allocation algorithm for cognitive OFDM systems[J]. IEEE Commun. Lett.，2010，14(8)：725-727.

[10] BANSAL G，HOSSAIN M J，BHARGAVA V K. Adaptive power loading for OFDM-based cognitive radio systems[C]//Proc. IEEE International Conference on Communications.Glasgow，UK：IEEE Press，2007：5137-5142.

[11] BANSAL G，HOSSAIN M J，BHARGAVA V K. Optimal and suboptimal power allocation schemes for OFDM-based cognitive radio systems[J]. IEEE Trans. Wireless Communications，2008，7(11)：4710-4718.

[12] SHAAT M，BADER F. Computationally efficient power allocation algorithm in multicarrier-based cognitive radio networks OFDM and FBMC systems[J]. EURASIP Journal on Advances in Signal Processing，2010,2010：1-13.

[13] LIU Q，ODAKAT，KUROIWA J，et al. An artificial fish swarm algorithm for the multicast routing problem[J]. IEICE Trans. communications，2014，E97-B(5)：996-1011.

[14] WEISS T，HILLENBRAND J，KROHN A，et al. Mutual interference in OFDM-based spectrum pooling systems[C]//Proc. Vehicular Technology Conference (VTC’2004).Milan，Italy：IEEE press，2004：1873-1877.

[15] GOLDSMITH A J，CHUA S. Vairable-rate variable-power MQAM for fading channels[J]. IEEE Trans. Communications，1997(45)：1218-1230.

[16] DIKMESE S，SRINIVASAN S，SHAAT M，et al. Spectrum sensing and resource allocation for multicarrier cognitive radio systems under interference and power constraints[J]. EURASIP Journal on Advances in Signal Processing，2014，68(1)：1-12.

[17] NAN Z，XU Z，YI H，et al. Low complexity cross-layer design with packet dependent scheduling for heterogeneous traffic in multiuser OFDM systems [J]. IEEE Trans. Wireless Communications，2010，9(6)：1912-1923.

责任编辑：许盈

Resource Allocation for Video Streaming Service Users in Cognitive OFDM System

HOU Huaa, ZHANG Jiangmeib, FU Jiab, GENG Zhiqingb, HENG Zhiqiangb, REN Yannab

(a.EquipmentManufacturingCollege；b.SchoolofInformationandElectricalEngineering,

In multiuser cognitive radio orthogonal frequency division multiplexing (OFDM) system, a resource allocation scheme with low computational complexity is proposed. The scheme takes Artificial Fish Swarm Algorithm(AFSA) to allocate subcarriers and puts forward the Simple Power Interference(SPI) algorithm to allocate power. The target is to maximize the downlink system capacity of the system within the total power budget and do not disturb the primary user. The simulation and analysis shows that the proposed scheme can effectively improve system capacity and its performance is close to the optimal solution and its computational complexity is low.

CR;OFDM; video streaming service; subcarrier and power allocation