超密集组网中的自适应频谱规划算法

朱 军，荚超超，曹 军

(安徽大学 计算智能与信号处理教育部重点实验室,安徽 合肥 230039)

超密集网络(UDN)为5G网络处理高速数据的关键技术之一.为了满足无缝覆盖，必须为5G蜂窝网络密集部署大量小小区[1].虚拟小区技术是超密集网络的关键技术，它的主要思想是分离无线链路的控制面和用户面[2].小小区的超密集部署可满足用户频域资源需求，但小小区之间的干扰非常严重，这些已成为限制UDN性能的主要因素.

近年来，抑制长期演进(long term evolution，简称LTE)网络小区间干扰，提高小区边缘吞吐量已成为研究热点[3-5].网络密集化可提高大部分用户吞吐量增益[6].在传统的2G和3G网络中，小区间干扰问题在一定程度上通过频谱复用规划策略可得到解决[7].部分频谱复用(FFR)[8]和软频谱复用(SFR)可减少LTE网络小区间干扰.除了基于频谱复用的频谱规划之外，其他频谱规划方法大都基于分簇思想[9].文献[10]提出了一种基于虚拟小区技术提高系统吞吐量的方法.文献[11]提出了用新的系统优化参数解决小区干扰增大问题的方法.文献[12]提出了解决时空随机流量的异质蜂窝网络延迟问题的方法.在频谱重叠复用(FOM)算法中，低SINR用户只能使用簇内相应带宽的非重叠部分，而高SINR用户可使用簇内的整个带宽.通过频谱复用门限值的设置可区分低SINR和高SINR用户.在FOM算法基础上，基于干扰降低的频率重叠(FOIR)算法可降低干扰，基于吞吐量提高的频率重叠(FOTI)算法可提高吞吐量，然而，FOIR和FOTI算法都需要手动设置频谱复用参数，故笔者拟提出一种自适应算法，以解决当用户处于不同分布状态时必须手动设置门限值参数的问题，同时提高用户信干噪比和小区吞吐量.

1 FOIR算法

FOIR算法将相互干扰较小的小区放在同一簇内，以提高系统性能.该算法将虚拟小区分为2个簇，选择一个小区，找到与其干扰最小的簇并加入，直到所有小区均分簇.分簇会导致高SINR用户的带宽下降，这严重影响小区吞吐量，因此该算法采用频谱复用方案.频谱复用方案改变了虚拟小区资源平均分配给每个簇的模式，且在簇间使用复用频率.低SINR用户只能使用本簇相应带宽的非重叠部分，而高SINR用户可用簇内的整个带宽，因此，该方案可以有效增强小区边缘用户的性能，同时能确保小区中心用户性能稳定.

FOIR算法具体步骤如下：

(1) 初始化

(i) 遍历所有小区，找到受其他小区干扰最大的小区，将其加入簇1;

(ii) 在其余小区中，找到对簇1干扰最大的小区，将其加入簇2.

(2) 迭代

(i) 遍历所有小区，分别找到对簇1，2干扰最小的小区Cell1，Cell2，将干扰较大的小区取为Cellmax；

(ii) 找到对Cellmax干扰最小的簇Ci；

(iii) 将Cellmax小区加入簇Ci；

(iv) 遍历剩余小区直到所有小区均加入2个簇.

(3) 资源分配

(i) 确定频谱复用比例F；

(ii) 手动设置频谱复用门限值TH，以此来确定高SINR用户和低SINR用户；

(iii) 低SINR用户只能使用频谱复用以外的本簇频段，高SINR用户可以使用簇内所有频段.

小区Celli和簇Ck间的干扰值为

(1)

其中：Pj,i为小区Celli对簇Ck中Cellj的干扰接收功率，Cellj为Celli的干扰邻区.

2 FOTI算法

FOTI算法旨在提高吞吐量，对小区进行分簇，将不同的频段资源分配给不同的簇以消除簇间干扰，从而最大化所有簇的吞吐量.该算法根据吞吐量将小区分为2个簇，在资源分配阶段进行频谱复用，不仅确保了小区中心用户的频谱资源，还减少了对小区边缘用户的干扰.

FOTI算法具体步骤如下：

(1) 初始化

(i) 遍历所有小区，将吞吐量最大的小区加入簇1；

(ii) 找到对簇1吞吐量最小的小区Cellmin，将其加入簇2.

(2) 迭代

(i) 遍历所有小区，找到对2个簇吞吐量最大的小区Cellmax；

(ii) 找到一个簇Ci，使小区Cellmax对其的吞吐量最小；

(iii) 将Cellmax小区加入簇Ci;

(iv) 遍历剩余的小区直到所有小区均加入簇.

(3) 资源分配

(i) 确定频谱复用比例F；

(ii) 手动设置频谱复用门限值TH，以此来确定高SINR用户和低SINR用户；

(iii) 低SINR用户只能使用频谱复用以外的本簇频段，高SINR用户可以使用簇内所有频段.

小区Cellk所有用户的吞吐量为

(2)

其中：NUE为小区Cellk中的用户数，Bi为用户带宽，NCell为干扰小区数，Pk为小区Cellk的发射功率，Hk,i及Hj,i为信道矩阵元，σ2为噪声.

FOIR和FOTI算法更多考虑高SINR用户和低SINR用户间的频率分配问题.通过对虚拟小区中的所有小区分簇，用户可在簇与簇之间使用重叠的频谱资源，如图1所示.

图1 小区分簇中的频谱复用

在资源分配阶段，确定频谱复用门限值TH是必要的，因为据此可区分高低SINR用户.TH值大小将影响用户的频带资源，进一步影响系统性能.

3 超密集组网中的自适应频谱规划算法

在一定程度上，FOIR和FOTI算法均通过小区分簇的频谱复用来增强小区边缘用户性能，但最佳门限值将随用户的分布而变化.笔者提出基于干扰降低的自适应频谱复用(AFOIR)算法和基于吞吐量提高的自适应频谱复用(AFOTI)算法，以小区吞吐量最大化为目标，求得频谱复用门限值.

AFOIR和AFOTI算法的初始化和迭代阶段分别与FOIR和FOTI算法相同.在资源分配阶段，首先确定频谱复用的比例，并设置频谱复用门限初始值，然后遍历所有小区，计算小区已分簇及用户占用频带已确定时每个用户的SINR，通过给定模型得到复用门限值.

系统所有用户的吞吐量为

(3)

其中：NUE为小区Cellk中的用户数，Bi为每个用户的带宽，Pk为小区Cellk的发射功率，Hk,i及Hj,i为信道矩阵元，NCell为产生干扰的小区数，Njue为产生干扰的小区中的用户数量，M为小区Cellj被调度的用户数，σ2为噪声.

小区用户i的带宽为

(4)

其中：B为低SINR用户使用的带宽，F为频谱复用比例，x为频谱复用门限值，Si为用户i的信干噪比.

AFOIR和AFOTI算法在资源分配阶段的具体步骤如下：

(1) 确定频谱复用比例F；

(2) 设置频谱复用门限初始值TH0为1；

(3) 遍历n个小区获得每个用户的SINR；

(4) 根据式(3)～(4)，自动求得最佳频谱复用门限值，以此来确定高SINR和低SINR用户；

(5) 为每个用户分配频段，低SINR用户只能使用频谱复用以外的本簇频段，高SINR用户可以使用簇内所有频段.

在AFOIR和AFOTI算法资源分配阶段，最佳频谱复用门限值由算法中的公式自动求得，不需要手动设置，所以能节省人力成本.

4 仿真结果

下文分析系统的SINR的累积分布函数(CDF)及吞吐量的概率密度函数(PDF).表1列出了系统仿真中的参数设置.

表1 仿真参数

4.1 随机分布

假设用户随机分布于小区，每个小区的用户数均为5.图2,3分别为用户随机分布时SINR的CDF曲线及吞吐量的PDF柱状图.

图2 用户随机分布时SINR的CDF曲线

图3 用户随机分布时吞吐量的PDF柱状图

由图2可知，提出的两种算法的CDF曲线均位于不分簇算法的右侧，这表明提出的算法可以改善用户的SINR，其中AFOIR算法提升性能更明显.由图3可知，相比不分簇算法，AFOIR和AFOTI算法均得到了较高的吞吐量.

4.2 边缘分布

假设用户分布于小区边缘，每个小区的用户数量均为5.图4,5分别为用户边缘分布时SINR的CDF曲线及吞吐量的PDF柱状图.

图4 用户边缘分布时SINR的CDF曲线

图5 用户边缘分布时吞吐量的PDF柱状图

由图4可知，当用户分布于小区边缘时，相比不分簇算法，所提算法的SINR均明显较高，其中AFOIR算法的SINR更高.由图5可知，用户处于边缘分布时，相比不分簇算法，AFOIR和AFOTI算法均有较高吞吐量.

表2示出了AFOIR和AFOTI算法相对不分簇算法的吞吐量增益.由表2可知，当用户分布于小区边缘，相对于不分簇算法，AFOIR和AFOTI算法吞吐量增益均达到30%以上.随着用户数量的增加，AFOTI算法相对于AFOIR算法有更高的增益，这表明AFOTI算法在提高吞吐量方面表现更好.

表2 AFOIR和AFOTI算法相对于不分簇算法的吞吐量增益

5 结束语

笔者针对最佳频谱复用门限值受用户分布影响的问题，提出超密集组网中的自适应频谱规划算法.提出的算法可自适应调整在频谱复用中使用的参数门限值，使门限值接近最佳复用门限值.仿真结果表明，提出的算法能有效提高用户信干噪比和小区吞吐量，可有效解决频谱效率较低的问题，且设置参数时能节省大量人力成本.