基于C-RAN架构的基带资源分配方法设计∗

于小宁

（西安工业大学保密处 西安 710032）

1 引言

近年来，伴随着移动数据速率和数据流量爆炸式增长，海量的移动应用充斥市场，用户对于流量的需求随着时间空间动态变化，用户体验要求越来越高。与此同时，无线运营商面临着激烈的竞争形势：用户要求更简便，更稳定，更高性能的服务，然而单用户的ARPU（Average Revenue Per User）值却呈现缓慢增长的趋势，甚至逐渐降低［1］。为了保证持续发展，无线运营商必须寻找低成本地为用户提供高质量的无线业务的方法。由于传统无线接入网高额的运营维护开支和资本支出使得无线运营商在移动互联网市场上的竞争力减弱，为了适应新环境，移动运营商必须重新考虑接入网络的架构。目前，国外在云环境下虚拟机调度研究成果丰硕，特别是在能源节约方面。Sotomayor等［2］提出租赁和虚拟化服务器来给教学和研究中的短期资源需求提供计算资源。他们提出先来先服务（FCFS）和回填调度算法来处理用户的租约，并且用一个贪婪算法来将所有属于同一个用户租约的相同的虚拟机（VMs）映射到同一台物理服务器上。在文献［3］中，作者将首次适应（FFD）算法和短期启发式算法进行了一些结合，提出两个能源感知的虚拟机分配算法［3］。虽然此算法可以减少物理服务器总的能源消耗，但却不是最佳方案。基于以上背景，本文给出一种新的分配方法，即基于BBU-RRU动态映射的基带资源分配方法。设计分配过程流程图，并对分配过程中的相关算法进行描述，进行仿真，对仿真结果进行合理分析，证明本文提出的分配方法可以有效地提高基带资源利用率并减少能源消耗。

2 云环境中虚拟机调度方法

2.1 云计算结构体系

云计算旨在通过网络将多个成本相对较低的计算实体整合成一个完美的具有强大计算能力的系统［4～7］。“云”的使用者不关心底层基础设施的具体实现，而且资源看起来是可以无限扩展的，并且可以随时获取。云计算体系结构如图1。

图1 云计算体系结构图

云计算的优势：

1）灵活的资源。云环境中以并行计算为核心，根据用户的需求调度计算资源，提供完整的数据处理服务，它包括从数据导入整合处理、计算模型设定到计算结果输出、多形式展现、应用API等，可为公共事业、科学研究、政府提供可靠灵活的平台。

2）高可靠性。采用分布式存储系统，数据互备，快速备份和恢复。支持各种数据处理、计算模型，满足不同领域、不同特点的计算需求。

3）快速部署，弹性扩容。云计算的规模可以进行灵活的伸缩。当用户的需求增加时，云服务提供商可以快速地增加物理服务器节点，提高计算能力，当用户的需求减少时，云服务提供商可以关闭部分物理服务器，以减少能源消耗。

虚拟化技术使得底层的差异性和兼容性对上层应用来说是透明的，因为它将底层的内存、CPU、带宽等硬件资源进行抽象，从而可以统一管理底层多样的资源。云计算虚拟化技术中把物理机的资源映射到虚拟机层，利用虚拟机执行用户任务［8-10］。目前常用的虚拟机调度方法主要有轮转法，最小负载优化法和散列法等。轮转法通常设定一个轮转周期（如物理服务器的个数）依次将用户需要的虚拟机轮流映射到物理服务器上，一个周期结束后，重新开始下一个周期。最小负载优化法是对过去一段时间物理服务器的资源利用率进行观察，在进行虚拟机的分配时，总选择这一段时间来负载最轻的物理服务器分配虚拟机。散列法是预先设定一个散列函数，用于将反映用户需求的虚拟机映射到物理服务器上［11］。

2.2 基于IT平台基站信号处理可行性分析

GPP的计算能力越来越强，单次运算的平均功耗也在逐年降低。多核技术、更先进的芯片架构使得在通用处理器上实现无线基带信号的实时处理成为可能。标准服务器已经大规模应用在核心网领域，IT厂商也逐渐将触角伸到了无线接入网领域，Intel也将基于CPU的通信基站实时信号处理作为重点研究方向。本文中基于GPP的基带资源池结构如图2。

图2 基于GPP的基带资源池结构图

3 基于BBU-RRU动态映射的基带资源分配方法

3.1 动态映射模型

一个BBU根据其资源利用状态可以支撑一个或多个RRU（图3中颜色相同的RRU），BBU与RRU之间的逻辑连接是可以改变的，RRU并不专属于某个BBU，而是可以动态映射到合理的BBU上。

图3 动态映射模型

BBU集中在基带池中，可以通过光纤或是加强的X2接口（X2接口用于实现eNB之间的互连，相当于基站与基站的接口，X2接口分为X2用户平面和X2控制平面。）互联。RRU是射频拉远单元，分布在传统基站的位置，只具有发射信号的作用，不对信号进行处理。BBU与RRU之间通过高速光纤接口连接。

3.2 系统模型建立

在C-RAN基带资源池中，包含m个BBU组成的集合，每个BBU由一个“簇”构成（“簇”由若干个虚拟机＋DSP（FPGA）等专用芯片组成）。

假设基带池中的BBU计算资源容量（这里指CPU）为集合C。

本模型中，我们考虑n个小区组成的蜂窝网络，RRU位于每个蜂窝小区的中心，不考虑RRU间的干扰，RRU可用集合R表示。

模型中，用户随机分布在小区内，时刻t每个小区的用户数可以用集合Ut表示。用户业务按时隙到达，总的业务量具有一定的规律性（白天－黑夜时变性）。每个用户所需要的计算资源矩阵表示。表示t时刻ri的用户l所需要的计算资源量。其中≥ 0 ，st=max(， …，…，)，i∈{1，…，n}，l∈{1，…，st}。

用户业务按时隙到达，考虑业务的执行时间，同一个用户的业务可能在连续的时隙出现。假设用户业务能够容忍的最大时延为D个时隙，如果当前时隙到达的业务不能在当前时隙完成则延期到下一时隙，业务被延期D个时隙仍未被执行，则过期，丢弃。因此，用户的业务有三种状态，第一：本时隙新到达的业务xt；第二：以前时隙未被执行的延期业务(0≤d≤D-1)；第三：被丢弃的过期业 务(d≥D)。则在当前时隙执行的业务量y=xt+。

约束条件（9）表示在任何时隙，对任何BBU，用户所需的计算资源应小于其系统容量；约束条件（10）表示在任何时隙，一个RRU至多能映射到一个BBU；约束条件（11）保证用户的服务水平（Ser⁃vice Level Agreement，SLA）。此问题等价于求最小的BBU个数：

约束条件（13），（14）的意义同上。

4 计算分析

无线通信的业务有着明显的周期性，如白天的业务量一般高于深夜的业务量。假设业务的到达服从下式所描述的规律：

其中，T 表示业务的周期，t表示时隙，t′，t″为固定值。根据所述算法，在保证仿真的正确性的同时为了简便，仿真中的一些参数进行了简化。用户业务的执行时间随机生成，在仿真中不做限定，具体参数如表1。

表1 参数设置

图4为表示能源节约的柱状图，传统小区架构中，BBU是全部开启的。在仿真中，本文假定开启的BBU所消耗的电能是一个定值，它与所处理的业务量是不相关的，未开启的BBU不消耗电能。在此假设的前提下，我们可以用本文所提方案中每个时隙开启的BBU数目与总的BBU个数的比值来近似表示本方法能源消耗占资源分配之前的能源消耗的百分比。当然，这样简单的表示是不太严谨的但能从一定程度上说明本方案的有效性。因为这个百分比与系统容量是相关的，在本文中，系统容量值远大于最大忙时业务量，因此，此方法计算出来的百分比数值可能会因系统同容量的变化而变化，但足以说明本方案可以有效的节约能源。本方案不是最优解，但其算法复杂度低，计算难度小，并且从很大程度节约能源，因此是一个可行方案。

为了更清晰地表示本方法有效的节约能源，特取业务量高峰（时隙286）业务量处于第二个小高峰时（时隙950），业务量处于平均水平时（时隙750），三个典型时隙观察能源的节约如图5。

图4 CRAN和DRAN能源消耗对比图

图5 三个典型时隙对比图

5 结语

本文主要对基带资源分配方法进行了系统的描述，利用启发式降序首次适应算法作为预分配的算法，结合本文的场景，对基带资源进行了合理的分配。为了方便理解，对相关算法步骤进行了解释。C-RAN是一种新兴的接入网架构，如何把基带资源有效地利用，提高资源利用率成为学者和专家们研究的热点。本文重点研究了基带资源分配的问题，介绍了C-RAN的相关技术，结合C-RAN场景建立数学模型，设计分配相关算法步骤，并利用实验进一步对算法性能详细分析。基带资源分配方法进行仿真，从开启BBU个数变化、平均计算资源利用率、执行业务量与丢弃业务量、能源消耗四个方面对算法性能进行评估。初步结论如下，所提算法计算复杂度低，算法性能稳定，造成的系统丢包率低，可以保证通信质量；与传统资源分配算法相比，可以有效地提高资源利用率，减少电能消耗。

［1］Mckeown，et al.Open Flow：Enabling innovations in cam⁃pus network［J］.ACM SIGCOMM Computer Communica⁃tion Review，2008，38（2）：69-74.

［2］梁鑫.云环境中跨虚拟机的Cache侧信道攻击技术研究［J］.计算机学报，2016，40（2）：317-336.LIANG Xin.Cross-VM Cache Side Channel Attacks in Cloud：A Survey［J］.Chinese Journal of Computers，2016，40（2）：317-336.

［3］N.Q.Hung，N.Thoai，N.T.Son.Performance constraint and power-aware allocation for user requests in virtual comput⁃ing lab［J］.Journal of Science and Technology，2011，49（4）：383-392.

［4］J.R.Correa，M.R.Wagner.LP-based online scheduling：from single to parallel machines［J］.Math.Program.2009，119（3）：109-136.

［5］A.Schulz.Scheduling unrelated machines by randomized rounding［J］.SIAM Journal on Discrete Mathematics，2002，15（4）：450-458.

［6］I Al Azzoni.Power-Aware Linear Programming Based Scheduling for Heterogeneous Computer Clusters［J］.Fu⁃tureGenerationComputerSystems，2011，28（5）：745-754.

［7］B.Speitkamp，M.Bichler.A Mathematical Programming Approach for Server Consolidation Problems in Virtualized Data Centers［J］.IEEE Transactions on Services Comput⁃ing，2010，3（4）：266-278.

［8］A.Beloglazov，J.Abawajy，R.Buyya.Energy-aware re⁃source allocation heuristics for efficient management of da⁃ta centers for Cloud computing［J］.Future Generation Computer Systems，2012，28（5）：755-768.

［9］刘芳.云计算环境下的端口资源均衡调度模型仿真［J］.计算机仿真，2016，33（8）：297-300.LIU Fang.Simulation of port resource equilibrium schedul⁃ing model in cloud computing environment［J］.Computer Simulation，2016，33（8）：297-300.

［10］刘媛媛.虚拟计算环境下虚拟机资源负载均衡方法［J］.计算机工程，2010，36（16）：30-32.LIU Yuanyuan.Load Balancing Method for Virtual Ma⁃chine Resources in Virtual Computing Environment［J］.Computer Engineering，2010，36（16）：30-32.

［11］李济汉.云计算环境下虚拟机资源均衡调度方法研究［J］.电信科学，2013，29（4）：78-82.LI Jihan.Research on the Resources Scheduling Method of Virtual Machines Under the Cloud Computing Environ⁃ments［J］.Telecommunications Technology，2013，29（4）：78-82.