5G冲突管理的研究

周壮 戴鹏

摘 要：随着5G的发展，多个优化参数与多个KPI关联，有时候尝试去实现多个配置目标就是冲突的。众所周知，M-MIMO的基本原理是通过增加发射天线和接收天线的数量，即设计一个多天线阵列，生成高增益、可调节的赋形波束，从而明显改善信号质量，并减少对周边的干扰。

本文要讲的优化样例是基于5G M-MIMO特性。随后谈谈多目标优化，最后介绍多目标优化在无线领域可能的应用前景和困难。

关键词：冲突管理；负载均衡；乒乓切换

一、5G冲突管理需求来源

在无线网络优化过程中经常碰到这样的场景，多个优化参数与多个KPI关联。如何在参数可配置范围中选择合适的设置以满足多个特定KPI要求，是一件非常苦恼的事情。而且，有时候尝试去实现多个配置目标就是冲突的。例如SON特性MLB（Mobility Load Balancing）和MRO（Mobility Robust Optimization）的优化都涉及切换门槛参数，如HOM（Handover Margin），TTT（Time-to-trigger）等。我们希望通过MLB特性降低切换门槛，尽快将本小区的负载均衡到周边小区，从而实现负载均衡；而降低切换门槛可能导致过早切换，甚至切换的乒乓效应。MRO特性则会想办法升高切换门槛。

二、M-MIMO多目标优化样例

众所周知，M-MIMO的基本原理是通过增加发射天线和接收天线的数量，即设计一个多天线阵列，生成高增益、可调节的赋形波束，从而明显改善信号质量，并减少对周边的干扰。

在本例中[1] [2]，作者假定有3个未知变量，即用户的数量K，天线的个数M，以及发射功率P。它们分别满足如下的一些约束（如K<=M/2，意味着每个用户至少能享受双天线；2<=M<=Mmax，意味着天线个数至少大于2，而少于某一特定值，如500）：

更进一步，作者分析平均用户速率满足如下表达式（除上述3个变量为未知，其他参数均假定有特定值设置）：

功率消耗满足如下条件：

最后，设定了3个优化目标，即1>平均用户速率；2>总的区域速率；3>能源效率。从下面的图中可以看出，我们很难找到一个点，它对应的平均用户速率最高，总的区域速率最高，而且能源效率也能达到最高。

具体就平均用户速率与能源效率的关系，一开始随着平均用户速率的增加，能源效率也得到提升，因为能源效率的分子包含了平均用户速率；但譬如通过增加天线数目使平均用户速率升高后，对应的能源消耗也增加了，会拉低能源效率。后半段的曲线即是冲突的体现。优化的目标首先是得到这个关系曲线，最终在冲突域中选择最合适的点作为此次优化的结果。

上述的曲线是通过SCALARIZATION的优化算法得到的，还有一篇论文通过NSGA II和SMPSO算法得到了类似的曲线结果[3]。

三、多目标优化基本概念

上面的样例其实是一个典型的多目标优化的问题（MOP，Multi-objective Optimization Problem）。与单目标优化只有一个最优解不同，多目标优化的解通常有多个，称为Pareto最优解。求解MOP的最终目的是在各个优化目标之间权衡处理，使所有的目标都“尽可能”达到最优。

MOP是一个研究很多年的问题，學术界已经产生了大量的算法尝试解决这个问题。简单分类如下：

上面提到是比较复杂的多目标优化，如非连续，非线性等。如果是线性类的关系，则可以通过一些简单的方法，如区间传播算法，满意度函数及多目标协商等方法，得到让步之后大家都满意的结果。

四、无线的冲突管理

从多目标优化理论回到无线领域，在5G时代，优化场景必定更复杂，如M-MIMO，多频段，多垂直业务等场景；其次，网络需要自动驾驶意味着极小的人为干预。系统将自我实现优化计算和调整，传统的人工冲突消解方法很难满足自动化Level 4及以上水平的要求。

通过ML获得无线领域目标函数表达和多目标的优化求解在学术界已经有一些研究；ML（机器学习），GA（遗传算法），ACO（蚁群算法）等AI技术在SON领域均已有一些应用。

五、冲突管理的机会和困难

1.基于无线网络的复杂性，即便我们尝试使用AI技术来学习参数和目标的关系也会很困难。同时，AI的效果还依赖更好设计的，更多场景覆盖的海量数据。对于无线某一领域的优化，要先通过良好的自生系统设计，如良好的资源建模和系统架构设计，解决大部分的问题，然后再通过AI解决少部分确实难以解决的问题；尝试通过AI解决所有问题是不必要的，也是不可能的；

2.即使通过线性/非线性回归等手段建立了超多目标的优化表达，但目前的算法很难支撑5个及其以上目标的优化。针对4个目标以下的场景，已有算法的适配性和计算效率都还比较匹配，可以尝试在某些特定的场景中使用，如前面提到的M-MIMO场景；

3.参数数量的多少对配置寻优的性能的结果影响也有一些影响，有一些技术手段，如GRA（Grey Relationship Analysis），可以挖掘出相关性高的参数集；

参考文献

[1] Multiobjective Signal Processing Optimization：The way to balance conflicting metrics in 5G systems，Emil Bjornson，etc.，2014

[2] https：//ieeexplore.ieee.org/document/6924852

[3] Energy-Efficient Communication in Wireless Networks：Small or massive MIMO？，Emil Bjornson，2014，

[4] https：//www.commsys.isy.liu.se/～ebjornson/presentation_5green.pdf

[5] Multi-Objective Optimization in 5G Wireless Networks With Massive MIMO，Sotirios K. Goudos，etc.，2018，

[6] https：//ieeexplore.ieee.org/document/8454783