异构网中基于匈牙利算法的小区接入方案

张 新, 刘亚茜, 谷 静, 王倩玉

(西安邮电大学 电子工程学院， 陕西 西安 710121)

为适应通信系统对高速率、低延时和高能效的指标要求，异构网络应运而生[1-2]，但随之而来的干扰问题令人困惑。宏基站(macrocell base station, MBS)和微微基站(picocell base station, PBS)间的发射功率存在差异，距离MBS较远的宏小区边缘用户(macrocell edge user equipment, MEUE)受到PBS的跨层干扰尤为严重，MEUE接收MBS信号强度较弱，难以达到用户对服务质量(quality of service,QoS)的需求。

用户接入控制是保证用户QoS和提升系统性能的关键技术之一[3]。在传统参考信号接收功率(reference signal receiving power,RSRP)接入控制方案[4]中，用户被过多地分流至MBS，造成小区间业务负载不均现象。增强小区(cell range expansion,CRE)技术[5-6]虽然通过加入偏置值，扩大了PBS覆盖范围，将部分宏用户分流至微微基站，缓解了低功率节点接入用户数较少的问题，却难以避免系统功耗的增加。利用中继进行设备到设备(Device to Device，D2D)通信，而不是等待宏基站进行响应[7]，可均衡系统负载，但会使得干扰环境更加复杂。

作为一种寻找最大匹配的组合优化算法，匈牙利算法(Hungarian algorithm,HA)主要用以求解在不同实际情况下遇到的指派问题，其核心是求解矩阵中独立零元素个数的问题[8-9]。将匈牙利算法引入异构网络场景中，可解决用户对基站的选择与接入问题。值得借鉴的是，为抑制干扰问题，可采用匈牙利算法对频谱资源进行分配[10]，或利用匈牙利算法给相互干扰较大的用户分配不同的资源块[11]。 利用匈牙利算法对MEUE进行合理调度，即可在提高边缘用户吞吐量的同时达到基站之间负载均衡的目的。

本文将针对蜂窝异构网路中MEUE速率较低以及基站间负载不均现象，根据用户接收到的信干噪比(signal to interference plus noise ratio，SINR)划分出部分MEUE，将其和PBS的个数作为算法的输入集合，MEUE接入不同PBS的信号强度作为权值，并利用匈牙利算法得到权值之和最大时的指派方案，以其作为MEUE的接入选择依据，从而得出一种MEUE接入选择算法。

1 系统模型

采用7小区模型，其异构网络基站分布场景如图1所示。宏基站位于正六边形中心区域，微微基站均匀分布于宏基站覆盖范围内的高热点及边缘地区[12]。根据均匀随机分布模型，当用户处于微微基站覆盖范围内时，称为微微基站用户(picocell user equipment,PUE)，否则称为宏基站用户(macrocell user equipment,MUE)。为充分利用频谱资源，MUE和PUE共享同一段频谱。

根据各用户接收到的信干噪比(signal to interference plus noise ratio，SINR)，利用相关划分方案[13]，设定阈值后，将其分为宏中心用户(MCUE)、宏正常用户(MNUE)、宏边缘用户(MEUE)、微中心用户(PCUE)、微正常用户(PNUE)和微边缘用户(PEUE)。

宏边缘用户距离MBS较远，因受障碍物阻隔难以获得较好信道质量[14]，且受来自其他MBS的同层干扰和PBS的跨层干扰，通信链路质量较差，难以满足用户对数据速率的需求。因此，需要对MEUE进行接入控制，均衡基站间负载，在保证用户通信质量的同时提升系统性能。

图1 基站场景分布

2 基于匈牙利算法的用户接入方案

根据用户的通信链路质量，取部分MEUE，将各MEUE接收到的PBS下行链路接收信号作为二分图边的权值，构成效率矩阵，利用匈牙利算法，建立使效率矩阵最大化模型进行求解，获取MEUE接入不同PBS的最优指派方案。

2.1 接入控制场景建模

对包含M个宏边缘用户，且各小区具有N个PBS的异构网络，使用匈牙利算法建立优化模型

(1)

此优化模型是为了限定宏边缘用户接入不同PBS后的信号接收强度之和最大，通过求解目标矩阵，即可得到用户分配方案。

2.2 基于匈牙利算法的模型求解

首先，求出用户的信干噪比，据以对用户进行分类。其次，以MEUE接收到来自不同微微基站的信号强度作为匈牙利算法中的权值，构成效率矩阵W。记W中的最大元素为wmax,以各元素与其差，构成新的效率矩阵W′，并对W′进行线性变换。

若M=N，直接使用匈牙利算法寻找最大匹配。若M>N，需先从W′中分出一个N行矩阵，并给其余部分添加效率值为0的虚拟用户，补充出一个N行矩阵，再对这两个矩阵使用匈牙利算法进行用户调度。若M

3 仿真结果验证与分析

考虑3种场景，即传统RSRP接入场景(场景1)、CRE接入场景(场景2)、和本文所提的基于匈牙利算法的MEUE接入控制算法(场景3)，利用MATLAB对用户的SINR和系统吞吐量加以仿真，并进行对比分析。

异构网络部署标准见表1。

表1 仿真性能参数设定

在场景1和场景3下，MEUE的SINR累积分布函数对比结果如图2所示。从中可见，直接采用RSRP接入方式，因MBS和PBS的功率差异，会导致大部分用户分流到MBS，位于MBS覆盖范围边缘区域的MEUE受到附近邻小区MBS的同层干扰和边缘PBS的跨层干扰严重，且MBS负载过重，而PBS资源没有得到有效利用，因此，RSRP接入时用户通信链路质量较差。根据匈牙利算法对MEUE进行接入控制，不同MEUE接入到其接收信号强度最大的PBS覆盖范围内，可提高部分MEUE的通信质量。利用所给算法，MEUE的SINR可提升10 dB左右。

图2 MEUE在场景1和场景3下的SINR变化

3种场景下，宏基站用户和微微基站用户的SINR变化情形如图3所示。对PUE而言，场景2的CRE技术均衡了MBS负载，PUE的信干噪比相较于场景1提升6 dB左右，相较于场景3提升近2 dB。在场景3中，因通信质量较差的部分MEUE根据匈牙利算法得到最优指派方案，重新进行接入选择，所选取的MEUE距离MBS较远，受到来自MBS的跨层干扰小于微微基站用户，所以微微基站用户SINR对比场景1算法提升近4 dB。对MUE而言，场景2算法在用户接入时对PBS的RSRP所加偏置值造成MUE的跨层干扰增加，故其MUE的通信链路质量低于所给算法。MUE和PUE在利用匈牙利算法进行接入控制后的SINR相对于传统RSRP算法都得到明显改善。

图3 宏用户与微微用户SINR变化

随着MEUE的数目变化，3种场景下系统容量的变化趋势如图4所示。从中可见，场景3算法相对于另外两种算法在边缘用户数取80时，系统吞吐量提升近10 Mb/s。其原因在于，传统RSRP算法将大部分MUE接入MBS，使微小区资源未被充分利用，网络容量较低。当边缘用户较少时，场景2优于场景3，其原因在于，小区范围扩展可有效提升边缘用户的SINR，而微小区覆盖范围越大，接入微小区的用户数增多，MUE受到的PBS跨层干扰较为严重，影响到了宏小区用户服务质量，故系统容量增长速度变慢。

图4 系统吞吐量根据边缘用户数目的变化对比

3种场景下，仿真接入不同层基站的负载变化情况，结果如图5所示。从中可见，场景2和场景3分流MUE至PBS达到了负载均衡的目的。相对于场景1，场景3将20%的宏基站边缘用户根据匈牙利算法进行接入控制，得到MEUE接收信号强度之和最大的MEUE调度方案，有效缓解了MBS的负载压力。

图5 3种场景下用户接入变化

3种场景下的系统能效变化趋势如图6所示。从中可见，场景3的能效优于另两种场景的能效。其原因在于，场景3通过合理分配用户，可使系统容量得到提升，而场景2在微小区下行参考接收信号上添加偏置值，使得MUE分流至PBS的同时，造成了系统功耗的增加。

图6 3种场景下系统能效变化

场景1、场景2、场景3方案的时间复杂度分别是O(MN)、O(M)、O(MN)，所给方案与传统RSRP方案相对于CRE，虽复杂度有所提升，但换来了系统性能的提升。

4 结语

为改善MBS覆盖范围内边缘用户的速率，在MBS-PBS异构网络场景下，给出一种宏边缘用户接入选择方案。结合匈牙利算法和异构网络场景，根据优化目标得到最优指派方案，对宏边缘用户进行调度，可在提高宏边缘用户通信链路质量的同时，减少宏基站负载。仿真结果显示，所给算法相对于原有RSRP接入模式，网络容量可提升约10%，相对于CRE技术，系统能效可提升约16.5%。