基于能效的异构无线网络资源分配与切换调度机制研究

2018-07-04,

计算机测量与控制 2018年6期

(西安培华学院，西安 710125)

0 引言

在现代无线通信技术不断发展过程中，传输方面对于全新的无线设备的需求在不断的提高，人们也对于此方面进行了有效的研究。在用户对于吞吐量及峰值流量需求不断提高的过程中，其能量负担也在不断的提高，并且用户对于传输速率要求也越来越高，从而导致大量能量在无线网络中消耗[1]。能量消耗问题对于运营商及研究人员来说，实现传统基站的部署不仅经济实惠，而且还能够实现可持续发展，从而有效满足用户快速增长的需求。所以，就出现了异构网络技术。但是异构网络跨层及同层干扰会对异构网络基站部署造成一定的挑战，还会使异构网络性能进一步的降低。现代在对异构网络资源分配研究过程中，一般都是利用降低基站发射功率，从而实现能量效率的进一步提高，但是此无法满足实际需求[2]。所以，本文就对基于能效的资源分配和切换调度进行研究，从而提出满足实际的异构网络能量效率分配算法。

1 异构网络的资源分配技术

1.1 Femtocell技术

无线通信对于高速率无止境追求，并且在现代智能技术及通信技术不断发展过程中，也在室内实现了数据及语音业务[3]。图1为Femtocell技术的网络结构。

图1 Femtocell技术的网络结构

Femtocell技术也属于家庭基站，其能够使用户在室内实现数据及语音传输，其成本较低，并且功率也较低，其主要优势为：

1)提高室内的容量和覆盖量；

2)节约成本；

3)提高基站可靠性；

4)提高室内用户数量[4]。

1.2 OFDMA无线技术

OFDMA无线技术属于正交频多址技术，其能够良好地对多径衰落进行抵御，OFDMA无线技术的工作原理属于宽频带的多个正交窄宽子载波，其能够组合实现信息传输。

OFDMA无线技术简单来说就是比OFDMA多了一个子信道划分过程，其能够使用子载波正交特性，从而使用用户多址接入，从而便于使用良好信道状态实现数据的传输[5]。图2为OFDMA无线技术典型的蜂窝结构。

图2 OFDMA无线技术典型的蜂窝结构

一种具有代表性的典型的下行OFDAM无线网络，包含了K个用户和一个基站，并且包含N个子载波。在一个调度周期中，每个子载波只能分配至一个用户，并且每个用户的传输速率都有一个限制，不能无限放大。假如基站调度器完全掌握了在全部N个子载波上K个用户的全部信道质量信息(channel quality information,CQI)，根据能量效率的定义可知：能效为总速率与总消耗功率的比值，也就是网络消耗单位焦耳所传输的比特数量。由此可以得到基于能效的OFDMA网络下行资源分配数学模型见公式(1)：

(1)

(2)

∑k∈Kρk,n=1,∀n∈N

(3)

(4)

(5)

(6)

2 模型的创建

本文充分考虑资源分配和切换调度机制两层网络环境，创建异构网络的拓扑结构，本文仿真的场景设置主要包括3个校区网络结构，其中的每个小区都具有基站及簇，本文设置基站使用共频谱方案，并且使用全频率复用方式，并且设置在相同簇中不存在干扰。在网络簇都具有12个用户，每个基站中有36个用户，簇为了能够实现开放式的接入，每个基站中的用户都能够实现基站的接入[6]。异构网络的拓扑结构包括普通节点、中心节点及地面网络监控台，普通节点采集的信息汇集到中心节点，然后再由中心节点传输至地面网络监控台。

本文思路就是在资源分配及切换调度机制两层异构网络链路中，对于全网能量效率全面考虑实际功率模型及干扰限制，实现功率及子信道的联合式资源分配，并且使用相应的算法实现资源分配方案的优化[7]，图5为基于能源资源分配及切换调度机制的算法流程，此流程通过SimuWorks仿真软件进行设计，之后根据不同算法实现性能仿真。基于能源资源分配及切换调度机制的算法流程具体如下：开始之后，根据静态分族建立系统模型，然后获得相关参数，计算MUE跨层干扰、FUE跨层干扰，获得资源优化方案及存在的问题，采用NSGA-Ⅱ软件进行最优化联合资源分配方案求解，求解之后结束。

通过全面的分析，本文就以资源分配及切换调度进行仿真分析，得到限制条件及系统参数。并且基于此模型，利用仿真分析实现算法种群规律及迭代次数的确定，从而提高收敛值，利用算法对比实现算法性能的验证，然后设置算法参数，从而实现系统的全面仿真分析[8]。

3 基于能效切换调度的机制

异构网络中的微基站睡眠能够有效节约网络能源消耗，并且还能够实现网络能源消耗的最优。集中式用户切换角调度(CUSA)算法能够利用宏基站信息的收集，实现微基站和覆盖范围中睡眠的判决条件，以判决条件及微基站的状态实现正常及睡眠模式的转换，从而实现数学分析。图3为微基站和单一宏基站的场景。

图3 微基站和单一宏基站的场景

微基站和宏基站的网络功能消耗通过相应转换为：

(7)

(8)

△P能够使微基站用户到宏基站进行借还，从而降低功能消耗，其主要包以下情况：

1)在△P>0的时候不需要实现微基站睡眠模式的转换；

2)在△P为0的时候，不需要实现微基站睡眠模式转换，所以其在睡眠之前和睡眠之后的网络功耗相同，而且在实际网络中，基站在进行模式转换过程中具有一定的功耗；

3)在△P<0的时候，就要视线微基站睡眠模式的转换，所以微基站睡眠之后就会降低网络功耗[10]。为了能够避免△P在0周围摆动之后就会频繁切换模式，并且还能够实现网络功耗的节约，此时必须为△P增加阈值增量，由于在进行模式转换过程中微基站会产生额外的功耗，因此，△P中必须增加微基站的模式转换过程中产生的额外平均功率，也就是△P=△P+Ptrans。从用户角度来说，由宏基站根据计算得到的△P确定用户所要切换的基站，根据△P的判断结果，提出一种CUSA算法(Centralized User Switching scheduling Algorithm，微基站睡眠的集中式用户切换调度)。

图4为基于能效切换调度的算法，通过CUSA算法实现，在用户初始接入到网络的时候要选择最大信号强度基站接入，用户能够对基站信道质量信息进行反馈，然后对反馈信息进行收集，对宏基站和微基站的关系进行计算。

图4 基于能效切换调度的算法

表1为4种不同的切换调度算法的计算复杂度对比，通过表1可以看出来，能效切换调度算法的复杂程度最高，并且实现起来较为复杂，所以就要实现全网信息的收集。但是其能够实现调度控制的精度，还能够有效提高网络的整体能源消耗[11]。

表1 4种不同的切换调度算法的计算复杂度对比

4 基于能效资源分配及切换调度算法

通过以上分析可以看出来，要想能够有效实现网络能效的最优化近似最优解，就要实现能效资源分配(BCSA)及切换调度的相互结合。切换调度算法无法对基站提供整体资源信息，但是切换调度算法能够解决以上问题，还能够实现资源的合理分配[12]。

BCSA算法的主要思想就是基于最大化最小用户能效原则，该思想得到了C.Xiong, G.Y.Li, S.Zhang, (2012)的严格的数学推导验证，只有尽量将最小用户能效最大化，得到的能效才能在最大程度上接近最优解。一种比较简单的方法就是基于最优信道质量(Best Channel Quality Indicator, Best CQI)分配，将子载波分配给使用该信道质量最好的用户，这样可以实现无用户 QoS 限制而得到能效最优解，因此，需要提出以下命题。

定理1：对于最优能效问题，在不受QoS限制下，最优解为最优信道质量分配子载波而获得的。

假设获得最优解时的子载波分配ρ≠ρb，则与Best CQI分配相比，则最少有一个子载波将它分配给不同的用户，将这些分配给不同用户的子载波集合命名为N0。

∑k∈K∑n∈N0ρk,nWlog2(1 +pk,nγk,n)≤

(9)

∑k∈K∑n∈(N-N0 )ρk,nWlog2(1 +pk,nγk,n) =

(10)

将式(9)和(10)相加：

∑k∈K∑n∈Nρk,nWlog2(1 +pk,nγk,n)≤

(11)

将式(11)两边同时除以ζP+P：

(12)

η0的物理意义是对最优解的子载波分配进行调整，使其调整成为ρb，同时保证分配的传输功率不变，这和η≥ηi相互矛盾，因此ρ=ρb。

图5为基于能效资源分配及切换调度算法的流程，通过BCSA算法实现，宏基站实现用户信道质量信息的反馈然后通过微基站实现用户切换调度策略的控制，从而分配传输功率及子载波。

图5 基于能效资源分配及切换调度算法的流程

其主要步骤为：

1)实现初始接入用户的确定，宏基站为正常工作；

2)实现用户信道质量信息的周期性收集，包括微基站用户信道的质量信息；

3)以收集用户信道质量信息为基础，对宏基站和微基站△P进行计算，如果其小于等于0，那么微基站工作正常，对微基站进行控制，使其能够睡眠。如果其大于0，那么微基站就为睡眠模式，就要将其唤醒；

4)以服务小区用户信道质量信息为基础，使用此算法实现传输功率及子载波的分配[13]。

在对算法分析过程中，实现最优化问题的分解，使其成为资源分配及切换调度两个问题，从而相互结合得到JSRA算法，其能够实现以上问题的有效解决。图6为微基站的算法流程，通过BCSA算法实现，首先确定初始接入用户，然后对用户信道质量信息反馈进行收集，通过收集的信息对宏基站和每个微基站的值进行计算，以服务小区用户信道质量实现信息的分配，最后使用BCSA算法分配传输功率及子载波。

图6 微基站的算法流程

本文所研究算法复杂度比其他算法要高，但是从整体还是要全面考虑节约网络能源消耗[14]。

5 算法的仿真分析

通过仿真软件创建为网路场景，之后实现算法的对比仿真。在仿真过程中设置7个宏基站，每个宏基站小区中包括6个微基站，在宏基站的覆盖范围中均匀部署，用户随机的进行分布[15]，图11为资源分配和切换调度的联合算法对比。表2为系统的仿真参数。将网络能量效率作为优化模型，通过JSRA算法实现优化子信道及功率。在通过JSRA算法求解最优问题近似解的过程中，种群规模及迭代次数对算法复杂程度具有密切的联系。