基于QoS驱动的多目标优化用户动态关联研究
2022-02-24牟洁茹
牟洁茹， 何 华，2， 刘 聪， 李 琳
(1.山东理工大学 数学与统计学院 山东 淄博 255000；2.中国石油大学(华东)计算机科学与技术学院 山东 青岛 266000；3.山东理工大学 计算机科学与技术学院 山东 淄博 255000)
0 引言
用户关联算法是解决移动通信网络高能耗与用户服务质量不均衡的核心算法之一。传统的max-RSS用户关联规则算法已不再适用于异构网络，且宏基站与微基站之间传输功率的差异性使得大多数用户更倾向与宏基站关联，从而导致微基站利用率较低[1-2]。因此，在解决基站能耗过高的同时，也要考虑基站间的负载均衡，并保证用户服务质量。文献[3]指出，基站负载和用户吞吐量之间的权衡严格依赖所选偏差值的大小。因此，为了使网络效用最大化，必须对基站各因素权值仔细优化。文献[4]综合考虑了吞吐量、基站利用率等因素，对大规模MIMO蜂窝网络中用户关联的负载均衡问题进行了研究。文献[5]综合考虑了吞吐量、信道利用率等因素，对毫米微波无线网络中用户关联的负载均衡问题进行了研究。文献[6]考虑能耗、吞吐量等因素时，引入可再生能源后研究了大规模MIMO和毫米微波异构网络中的用户关联问题。
另一方面，用户关联算法中的动态迁移是解决宏基站与微基站之间负载不均衡的有效方法之一。在实际应用过程中，需要着重考虑关联、重新关联以及何时重新关联等问题[7-8]。然而，在考虑用户关联问题时，需要同时考虑资源分配、计算开销、干扰控制等，这明显增加了用户关联的复杂性。文献[9]提出了通过预测终端位置实现用户切换的算法。文献[10]考虑候选小区的负载量和用户的移动速度，提出了一种切换自优化算法。文献[11-12]分别对异构网络的下行链路和上行链路进行了联合用户关联和功率控制研究。此外，文献[13]提出一种基于决策变量分组的多目标优化算法，用于解决含有大规模决策变量的多目标优化问题。
基于上述研究，本文将讨论5G异构网络下一种基于QoS驱动的多目标优化用户动态关联算法，该算法同时考虑了用户吞吐量、基站效用、能耗等因素。同时，为了降低能耗，引入了随机梯度下降算法优化基站下行发射功率。
1 基于QoS驱动的多目标优化用户动态关联算法基本原理
1.1 系统模型
图1 混合异构网络模型Figure 1 Hybrid heterogeneous network model
根据上述系统模型有以下假设：
1)假设每个基站mi在每个时隙都有一个固定的功率预算Wi，每个基站的发射功率Pi满足Pi≤Wi。
(1)
3)假设所有的用户不具有高移动性。
1.2 基本概念
1.2.1下行链路吞吐量 本文考虑动态条件下的下行链路吞吐量。假设宏基站m0有N′条天线。根据文献[14]，最优的资源均等分配。将大规模多输入、多输出宏基站与毫米微波基站的下行链路吞吐量分别表示为
(2)
(3)
1.2.3效用 目标小区内的基站根据当前时隙k的系统状态，为每个用户选择发射功率，并评估当前时隙的基站效用u(k)，
(4)
本文应用随机梯度法在满足用户QoS需求下优化当前时刻用户的传输功率，使基站效用最大化。目标基站应用贪婪策略来确定最优发射功率。其迭代过程及策略选择如式(5)，其中γ为步长因子。
(5)
1.3 基本原理
当用户连接到基站后，每间隔时隙k基站会重新监控用户信息。在考虑基站负载的情况下，当目标用户在时隙k内的QoS需求降低幅度大于阈值η时，用户选择一个信号质量最佳的基站与之关联。为了寻找最优关联和资源配置，采用比例公平的网络效用组合优化方法[16]，从效用函数的角度考虑资源约束下的效用最大化问题。
活动模式下的基站除了传输功率外，还需要更多的功率用于计算、冷却等。对基站而言，由于冷却而消耗的能量是恒定的，因此我们只考虑能量消耗的计算因素，即运行功率。从用户的角度出发，本文建立了基于信号强度、运行功率和传输功率的目标函数，即
(6)
(7)
我们考虑能耗因素得到目标函数g2，
(8)
以最小化能耗g2和最大化信号质量g1为目标为用户选择最优基站序列M″={m″1,m″2,…,m″M}。因此，可以抽象出多目标优化问题：
minM″(mi)=[-g1(mi)，g2(mi)]。
(9)
由于两个目标函数相互制约，很难同时达到最优解，因此使用线性加权求和法将多目标优化问题转化为单目标优化问题，其中λ2是权值系数，取值范围为(0,1)，
minF(mi)=-λ2g1(mi)+(1-λ2)g2(mi)。
(10)
2 基于Pareto最优解的多目标优化用户动态关联算法描述
本文基于Pareto最优解的多目标优化用户动态关联算法伪代码如下。
输出：第k时刻的活动用户数量Nk及各自选择关联的基站，以及当前时刻下各基站的信息(用户数量、坐标、吞吐量、优化后传输功率等)。
1)初始化用户信息。随机生成初始时刻的用户数量、用户坐标以及传输功率等。
2)更新下一时刻系统用户数量信息。删除离开的用户信息，添加新用户的信息。
3)根据用户QoS服务需求变化重新关联基站。
if 用户ni的服务需求增加幅度>η:
将用户ni关联到宏基站；
更新系统信息；
elif 用户ni的服务需求减少幅度>η:
通过公式(6)～(8)计算目标用户连接到每个基站的g1和g2值；
求解公式(9)的Pareto最优解集，根据公式(10)选取使集合中目标函数值最大的基站，作为目标用户当前时刻新关联的基站对象；
更新系统信息；
else 当前时刻目标用户关联基站不变。
4)优化传输功率。
fori=1 tostep；
评估目标小区的总传输成本，通过公式(4)估计当前时刻目标基站的效用u(k)；
根据公式(5)利用随机梯度下降法更新传输功率；
5)更新各个目标基站的用户信息，作为下一时刻的输入，重复2)～4)。
3 仿真结果与分析
考虑用户持续到达且没有用户离开的状态下，动态关联前后的基站负载对比如图2所示。可以看出，基于QoS驱动实现用户动态关联后，部分QoS需求降低的用户被切换到信号质量相对较好的微基站上，使得宏基站负载数量降低，微基站负载数量上升。同时，基站负载比由原来的0.30上升为0.89，有效缓解了基站负载不均衡现象。
图2 不同环境下基站负载对比Figure 2 Comparison of base station loads
截取某一时刻的用户信息，通过随机梯度下降法迭代1 000次，选取基站最大效用时的系统信息为当前时刻活动用户分配传输功率。其中，宏基站与微基站的平均吞吐量与效用如图3、4所示。可以发现，引入随机梯度下降法能有效提升基站效用与吞吐量。
图3 优化前后系统平均吞吐量对比Figure 3 Comparison of average system throughput
图4 优化前后系统平均效用对比Figure 4 Comparison of system average utility
4 结束语
针对5G异构网络中资源分配不均、计算开销过大、负载不均衡等问题，本文综合考虑了吞吐量、基站效用以及能耗等因素，提出了一种基于QoS驱动的多目标优化用户动态关联方案。仿真结果证实该算法能有效缓解宏基站负载过重现象。同时，该方案显著提高了用户吞吐量和基站利用率，减少了由于大量用户关联宏基站造成的宏基站负载过多而微基站利用率较低现象的发生。此外，该方法在实际应用中还有若干问题有待解决，如高速移动用户、区间干扰等。
