基于3D Massive MIMO超密集异构网络下的小区接入算法研究

南京市金陵中学 王俊睿

基于3D Massive MIMO超密集异构网络下的小区接入算法研究

南京市金陵中学 王俊睿

随着无线通信技术的发展，无线网络的丰富应用带动了数据业务的迅速增长，但同时也给无线网络带来了巨大的挑战，未来无线移动通信需要更加高效地利用带宽资源并积极解决小区接入及干扰协调等热点问题，从而大幅提升网络吞吐量及频谱效率。在5G（第五代移动通信）研究中，超密集无线异构网络（Ultra-Dense HetNet）被公认为是大幅提升无线网络容量、解决蜂窝网所面临的千倍数据量挑战的最富有前景的一种组网技术。此外，3D MIMO（三维多输入多输出技术）充分利用空间维度资源，不仅是现有4G网络的关键技术，更是未来5G实现容量和频谱效率提升的核心技术。3D Massive MIMO（三维大规模MIMO）在原有MIMO的技术上又进一步通过大规模天线数量提高无线网络中的频谱效率，进一步提升系统容量。本文在3D Massive MIMO超密集异构网络下通过优化小区接入算法，从而提升整个系统的频谱效率，并在一定程度上解决了宏基站（Macro BS）和其他低功率节点（LPN）的负载平衡问题。最后的系统级仿真结果进一步证明了该算法的优越性。

3D Massive MIMO；异构网络；小区接入；频谱效率

1 引言

1.1 研究背景

目前的无线通信网络正处在研究5G通信技术的浪潮中。纵观无线网络从1G到5G的变化可得，全球移动数据业务量从2016年到2021年将增长近七倍。无线通信网络在2020年将面临着千倍数据量跟数据速率的挑战。数据量的爆炸式增长宣告着大数据时代的来临。在这些大量的数据,一个最明显的特点是无线网络的主要业务类型已经从传统的语音服务转变成超高清视频业务或NB-IOT（物联网）业务等。与此同时，移动互联设备数量持续飙升。未来全球移动通信网络连接的设备总量将达到千亿规模。从5G应用上来讲其发展主要分为3个阶段，第一阶段是从现在开始直至2020年，这主要是移动消费阶段，第二阶段从2020年开始，主要是物联网、智慧城市大规模发展阶段，第三阶段则是2020以后，这将是5G关键应用技术比如无人驾驶、医疗等领域的重要发展阶段。

随着4G 进入大规模商用，5G 成为全球研究的热点。其中标志性一组关键技术包括超密集组网、大规模天线阵列、新型多址、全频谱接入等。超密集组网是解决未来5G网络数据流量爆炸式增长的有效解决方案。它吸引了大量的学术界和工业界的兴趣。它通过增加基站个数和基站覆盖密集度，提高系统实现频率复用效率的巨大提升。据预测，在未来无线网络宏基站覆盖的区域中，超密集组网的优点是用户可以自己部署小区，大大降低了建设宏基站的成本。而且超密集组网的配置更加灵活，能够彻底解决传统组网方式的覆盖盲区问题。低功率节点作为传统蜂窝网的补充，在密集组网的部署中扮演着十分重要的角色。

此外，大规模的MIMO有着数百个天线被布置在基站(BS)上。根据预测，它可以带来很多极具吸引力的优势，比如频谱效率的增加、显著的功率节省。因此,大规模分布式天线已被视为5G无线通信系统最重要的技术之一。然而，对于这些数百根天线的布置问题却是一个很大的挑战。通过引进有源天线系统，3D MIMO技术在今后的无线通信系统中已经被认为是有前途的候选技术之一。相比于2D MIMO系统来说，3D MIMO拥有全向维度的技术优势。传统的2D MIMO天线端口数较少导致波束较宽，并且只能在水平维度调整波束方向，无法将垂直维的能量集中于终端。而3D MIMO一般采用大规模的二维天线阵列，不仅天线端口数较多，而且可以在水平和垂直维度灵活调整波束方向，从而形成更窄、更精确的指向性波束，极大的提升终端接收信号强度并增强小区覆盖范围。

1.2 相关研究进展分析

超密集无线异构网络的部署中承载着多种无线接入技术共存方式及多层覆盖，既有负责基础覆盖的在传统蜂窝网络中所使用的宏基站，也有承担热点覆盖的低功率小基站，如micro、pico、relay、femto等。它的出现为用户提供了更高更快的数据速率并实现了小区吞吐的增加，在未来实际部署的超密集无线异构网络会远远超出现网的布设密度和规模。据预测，在未来无线网络中各种无线传输技术的各类低功率节点的部署更为密集，其密度高达到现有站点部署密度10倍以上。然而，这种密集部署所带来的影响是，异构网络下的小区接入问题，干扰共存及协作等等。

其中，需首要解决的热点问题则是小区接入。之前的网络中，小区接入问题的解决方案已经比较普遍达到共识，然而随着超密集异构网络的引入，小区接入又重新纳入了待优化的进程中。这是由于超密集异构网络中基站个数、基站种类以及其覆盖密集度的不断增加，在提高系统实现频率复用效率的同时，也带来了小区接入的复杂度提升和小区间干扰的增加。本文针对基于3D Massive MIMO的异构网络下的小区接入问题构建了系统模型，并对传统的小区接入算法进行了改进。

2 超密集异构网络下的小区接入算法

2.1 系统模型

图1 基于3D Massive MIMO的超密集异构网络场景

如图1所示，一个宏小区中存在多个小型基站。异构网络中的小型基站类型有多种，包括微基站( Micro) 、微微基站( Pico) 、家庭基站( Femto)等。不失一般性，本文中将小型基站统一叫做低功率节点（LPN）。本文的关注点为下行3D Massive MIMO超密集异构网络中的小区接入问题。在异构网络中，有不同层和不同类型的基站，基站的集合可以表示为，用户的集合可以表示为。每个基站都有固定的功率瓦特。假设所有的基站都可高速回传且时延为零。为了更贴近现有的真实异构网络，本文中引用资源单元（RB）作为基站进行调度的最小颗粒度。此外，给定来表示信道增益，其中包括了路径损耗、对数阴影衰落、多径瑞利损耗以及天线增益多重因素计算。

根据上述设定，给出信干噪比（SINR）计算式如下：

在进一步推导之前，我们定义二进制的接入索引：

现在我们定义优化目标P为3D Massive MIMO异构网络的全局频谱效率如下：

公式(4)给出了优化异构网络全局频谱效率，其中上述优化目标P需要满足下面给出的两个约束条件。条件一约束了对所有用户来说，每个用户只能接入一个基站中。条件二指出接入的索引只能在0和1两个值中选择。其中“0”表示该用户u未接入基站b，“1”则表示该用户接入了基站b。为了寻找优化目标P的最大值，我们需要找到该优化问题中接入矩阵变量的解。

2.2 小区接入算法

为了解决上述优化目标P，本文提出一种新的接入算法来解决该问题。在给出算法之前，需要将公式(4)进一步的化简跟整理。首先，对于所有的基站和用户来说，我们将条件二的离散取值序列放缩成一个连续的取值范围。这种做法能够将优化问题从一个复杂的混合非整型问题转成一个可操作的连续凸问题。之后利用拉格朗日定理，将问题进一步简化成公式如下：

于是对于每一个用户u来说，我们只要求出能使的全局频谱效率最大时的它所接入的基站即可。如下公式(6)和(7)，即为每个用户对应的解。

对于所提出的新算法，我们通过以下的算法框图来进行说明。

3 仿真结果及分析

在这一章节中，我们对本文提出的基于3D Massive MIMO异构网络下的小区接入算法，进行了系统仿真以及结果分析。在异构网络中我们考虑了两层基站的场景配置，其中宏基站（Macro BS）假设固定在中心位置上，且其覆盖范围内随机地分布着3个低功率节点（LPN）和10个。宏基站与低功率节点的天线数相同且都为128根。宏基站的传输功率为46dBm，低功率节点的传输功率为30dBm。此外，小区的覆盖范围为500m×500m，并且LPN的覆盖范围为50m。关于信道模型，本文采用大尺度的路径损耗模型以及小尺度的瑞利多径衰落模型。在宏基站与用户之间的路损公式为，而低功率节点与用户之间的路损模型为其中的d表示单位为米的距离。室温下的噪声功率谱密度设定为-174 dBm/Hz，载波频率为2GHz。对于其他的信道参数可具体参见3GPP标准36.819附录A部分。

图2 3D Massive MIMO异构网络下的全局频谱效率CDF曲线

图2给出的两条分别有不同算法得到的频谱效率累计密度函数（CDF）曲线。这两种小区接入算法分别为，本文提出的算法以及按照最大接收功率选择接入算法。其中最大接收功率算法是传统的接入算法，具体规则是每个用户能使得全局的接收功率最大化的准则进行基站的选择接入。通过曲线图可以看出，本文所提的接入算法性能显著优于传统最大化接收功率接入算法，其差距在20-30bits/s/Hz之间。产生这一效果的原因在于本文提出的算法综合考虑了整个系统的有效信息与干扰之间的平衡关系（即信干噪比），而不单单从接收功率的角度考虑。因为，在用户所测得的接收功率中有一部分是噪声的功率，假设噪声功率比有效信息的功率还要大，那么整个系统的性能一定差。因此，本文所提出的接入算法能够为系统带来更大的频谱效率及性能增益。

图3 用户接入到宏基站（Macro BS）的比例

图3给出的是两种算法中用户接入到宏基站（Macro BS）的比例柱状图。其中，最大化接收功率算法中有接近90%的用户选择接入宏基站，而本文提出的算法有不到70%的用户接入到了宏基站。这种结果的原因是宏基站的发射功率大于低功率节点，因此在最大化接收功率的接入算法中宏基站会承载高达90%的用户，该传统的接入算法会导致宏基站的接入过载，而其他低功率节点闲置，从而导致图一中全局的频谱效率过低。由此可见，本文所提接入算法能一定程度上平衡宏基站与低功率节点二者的负荷，从而提高系统的频谱效率。

4 结论

本文基于3D Massive MIMO超密集异构网络背景下，进一步优化了小区接入算法，通过建立系统模型考虑了两层异构网络架构，并通过公式推导出小区接入选择公式的闭式解，再根据matlab软件，对所提出的系统模型以及根据3GPP给出的异构网络下的系统相关参数进行建模，最后设计出相关的系统级仿真来对推导出的公式进行进一步验证。仿真结果表明本文通过优化提出的异构网络下的小区接入算法性能优于传统的基于最大化接收功率的接入算法。这种性能的优越性具体体现在两个方面。首先由于所提出的算法是基于信干噪比进行的小区选择，将干扰进行考虑，所以能够更大程度上提高系统整体的频谱效率。然而，基于接收功率进行小区选择忽略了噪声功率的影响，考虑角度过于单一化；另一方面，本文所提出的算法能够在一定程度上缓解宏基站与低功率节点的负载平衡。

[1]H.Dahrouj and W.Yu.“Coordinated beamforming for the multicell multiantenna wireless system.”IEEE Trans. Wireless Commun.,vol.9,no.5,pp.1748-1759,2010.

[2]K.Safjan,V.D’Amico,D.Bultmann,D.Martin-Sacristan,A.Saadani,and H.Schoneich.“Assessing 3GPP LTE-Advanced as IMTAdvanced technology:the winner+ evaluation group approach.”IEEE Commun.Mag.,vol.49,no.2,pp.92-100,2011.

[3]V.D’Amico,C.Botella,et al.,“Advanced interference management in artist4G:interference avoidance.”in Proc.2010 European Wireless Technology Conference,pp.21-24.

[4]A.F.Molisch,Wireless Communications,2nd ed.Hoboken,NJ,USA:Wiley,2010.

[5]Li,Yuewen,S.Sun,and B.Rong.”Compressed sensing based 3D MU-MIMO scheduling in cognitive HetNets.”International Symposium on Communications and Information Technologies IEEE,2016:659-665.

[6]S.P.Boyd and L.Vandenberghe,Convex optimization.Cambridge University Press,2004.

[7]S.H.Low and D.E.Lapsley.“Optimization flow control I:Basic algorithm and convergence.”IEEE/ACM Trans.on Networking,vol.7,no.6,pp.861-874,Dec.1999.

[8]房胜.大规模MIMO系统的频谱效率和导频污染问题研究[D].杭州电子科技大学,2014.

[9]毕奇,谢伟良,陈鹏.LTE多天线技术发展趋势[J].电信科学,2014,10:1-7.

[10]王晓周,蔺琳,肖子玉,等.NB-IoT技术标准化及发展趋势研究[J].现代电信科技,2016(6):5-12.

[11]黄海峰.大唐蔡月民:Massive MIMO将最早实现5G技术4G用[J].通信世界,2017(13):55-55.