LTE与Wi-Fi共享频谱中下行链路的CCA自适应阈值调整算法*

汪高武

(江苏自动化研究所，江苏 连云港 222061)

LTE(Long Term Evolution)已经引起了工业界和学术界的广泛关注。随着手持设备的普及，包括视频、语音等在内的数据将在未来几年内呈指数级增长。为了满足数据的巨大增长，LTE在其标准化过程中不断自我更新。为了进一步扩大系统容量，LTE考虑使用5 GHz的未授权频段，它被称为授权频谱辅助接入(LAA)。在3GPP第13版中对LAA (License Assisted Access)进行了大量讨论，并达成多项协议。

LAA技术在LTE标准化过程中被首次提出，并不断发展，以适应5 GHz未授权频段。由于授权频谱的短缺，运营商自然而然地把眼光投向了非授权频谱，尤其是未经充分利用的5 GHz频段。3GPP在R13版本中正式引入了LAA技术，以载波聚合或者双连接为基础，由授权载波辅助非授权载波接入，以实现LTE网络的数据业务承载的补充，并且引入了LBT(Listen Before Talk)等功能，可以和其他无线技术公平共存。欧洲电信标准协会将LBT作为基本的信道访问方案。LBT的意思是信道在传输之前被检测到。如果信道被检测为空闲，并且没有任何其他传输，则可以利用该信道进行传输。否则，不能将任何传输加载到该信道上。

LBT中的“Listen”步骤执行信道评估，在文献[4]中被称为空闲信道评估(Clean Channel Assessment, CCA)。空闲信道评估是在CCA槽中通过观察信号强度实现的。如果观察到的信号强度大于阈值，则认为该信道是忙碌的。否则，认定其为空闲。因此，阈值应谨慎确定，以适应不同信道条件。当在LAA下行链路中的CCA阈值设置不当时,基站将导致以下两个问题。

1)当基站在未经授权频谱中传输下行链路数据时，即使指定了一个空闲信道，过高的阈值也会导致很强的干扰。这属于隐节点问题，将导致相当数量的终端，特别是小区边缘终端接收到的信号信噪比(SNR)非常低。

2)过低的阈值将大大减少基站在未授权信道中的传输机会，即使在较好信道条件下，也无法传输数据，从而降低系统吞吐量。这属于暴露节点问题。

然而，在LAA下行链路的CCA中，信号强度检测阈值的调整问题并没有很好地解决。在最近的3GPP RAN1 83会议上，只对LAA下行链路中的基站 CCA的最大信号强度检测阈值达成了一致，而没有针对阈值调整给出具体的解决方案。如果将CCA阈值直接应用于每个LAA基站，则CCA阈值与设备的最大传输功率之间的比例将是一个恒定值。此外，LAA的业务负载使问题进一步复杂化。LAA的流量到达率由服从泊松分布的随机变量描述。当流量较大的基站的CCA信号强度检测阈值设置为恒定值或调节不当时，会出现严重的网络问题，甚至出现缓冲区溢出。此外，CCA阈值的降低或增加并不一定会导致吞吐量的提高。降低阈值将减少隐藏节点，同时减少CCA发现的传输机会数量。由于这种减少，吞吐量可能会严重下降。另一方面，增加暴露节点的CCA阈值，使得强干扰时发现的CCA传输机会数量相应增加，也不能保证吞吐量得到有效提高。

因此，为了解决上述问题，本文提出了一种自适应的CCA阈值调整算法，最大限度地发挥LAA下行链路中的未授权频谱的整体吞吐量。首先，通过分析CCA发现的传输机会数量与系统性能之间的关系，将吞吐量与CAA阈值的依赖关系分为三种。然后，应用排队论对每个LAA 基站在未授权信道中的业务负载进行建模，研究各LAA 基站的负载和传输机会，从而确定阈值调整的触发条件。该算法通过寻找最佳阈值来实现。此外，本文分析了其算法复杂度，并通过系统级仿真，验证了该算法在提高LAA和共存Wi-Fi吞吐量方面的有效性。

1 LAA介绍

1.1 基本概念

LAA的LBT机制由欧洲电信标准协会提出，包含两种方案，即基于帧结构和基于负载的侦听方式。 基于帧结构的方式具有一个确定的周期与信道占用时间和空闲时间。信道占用时间为1 ms至10 ms，空闲时间至少为信道占用时间的5%。CCA需要至少20 μs。另一方面，基于负载的方式类似于Wi-Fi中的信道评估多址接入(CSMA)。 当CCA检测到未授权的信道处于空闲状态时，使用一个计数器。当计数器清零时，设备将占用该信道并开始传输。

1.2 系统模型

本文考虑了一个两层蜂窝网络的下行链路。宏小区(Macro Cell)负责许可频谱中的覆盖，而小小区(Small Cell)负责未许可频谱中的本地流量。 它们分别是主服务小区(Primary Cell, Pcell)和辅服务小区(Secondary Cell, Scell)。对于小小区，假定其有理想的回传链路至核心网。

流量模型在文献[5]中有明确的定义。FTP流量模型描述文件大小为2 Mbyte，每个小区/用户的文件到达率为。是文件到达间隔，遵循指数分布，如公式(1)所示,其中，是文件的平均读取时间。

=-,>0

(1)

小小区不一定属于同一运营商。不失一般性，本文假定有两个运营商，一个使用LAA，另一个使用未许可频谱中的Wi-Fi(802.11ac)。共存运营商的其他情况将在稍后进行测试。CCA采用信号强度检测。为简单起见，文献[7]中基于场景3进行仿真，且不考虑宏小区的流量。

2 LAA传输机会的数量与性能的平衡

CCA阈值会影响传输机会的数量与性能之间的平衡。例如，CCA阈值相当小的情况下，只有非常低的信号强度才能超过CCA阈值，因此，所发现传输机会的噪声加干扰水平也将非常低。这些传输机会的性能非常好。增大CCA阈值将增加所发现传输机会的数量,但这些传输机会的信号干扰强度将有很大可能处于较高水平，导致其传输性能将变差。当CCA阈值非常小时，例如-90 dBm，随着CCA阈值的增大至5 dBm，性能的恶化对LAA吞吐量的影响可以忽略不计，因为LAA的内置纠错代码可以处理这种信道条件的轻微退化。同时，随着阈值的增大，传输机会的数量也随之增加，这将导致吞吐量的整体提高。因此，当CCA阈值足够小时，吞吐量随着CCA阈值的增大而增加。

另一方面，当阈值很大时，发现传输机会的数量也很大，但是性能很差。在这种情况下，按照上述相同思路可以得出类似的结论，即当阈值很大时，吞吐量随着CCA阈值的增大而降低。 因此，吞吐量和CCA阈值的关系如图1的Case1曲线。随着阈值的变化，应该有一个最大的吞吐量点。

此外，在不同复杂信道条件下，CCA阈值与吞吐量的关系将发生变化，即图1的Case1曲线迁移为Case2曲线和Case3曲线。对于Case2曲线和Case3曲线，当CCA阈值在上限和下限之间时，吞吐量可能随着边界之间的CCA阈值单调增加或减少。由此，相应调整CCA阈值可以最大限度地提高吞吐量。例如，Case1曲线情况下，应选择与最大吞吐量对应的值作为CCA阈值; Case 2曲线情况下，应选择下限作为CCA阈值; Case 3曲线情况下，应选择上限作为CCA阈值。

图1 随着CCA阈值变化的吞吐量趋势

3 阈值自适应调整算法

3.1 触发条件

为了避免缓冲区溢出，本文提供了CCA阈值调整的触发条件。不适当的CCA阈值会降低整体吞吐量，从而导致无法及时传递缓冲区中的流量。在这种情况下，这些基站的缓冲区可能溢出。阈值调整算法应避免发生此问题。

(2)

式(2)是对信道占用的度量，表示信道访问成功的概率。 设缓冲区中流量的服务速率为=1。

由于Wi-Fi流量遵循泊松分布，因此，发现的LAA传输机会也遵循泊松分布。当仅考虑一个未经授权信道时，可以将LAA的传输视为M/M/1队列。缓冲区中队列的平均长度应小于缓冲区长度。

(-)<Ø

(3)

其中，(-) 是平均队列长度，表示缓冲区大小。Ø是小区特定参数，可以由高层来设置，以平衡LAA基站之间的通信量。如果不等式(3)不成立，则启动阈值调整。

设表示LAA下行链路中基站的CCA阈值。 其上限是和下限，分别来自文献[8]和3GPP RAN1标准。 设=-55 dBm，而未达成一致。设置为-72 dBm，以便在此工作中进行测试。

3.2 调整算法

4 计算复杂度分析

该算法由两部分组成，即外循环和内搜索。

CCA阈值的自适应调整算法见图2所示。

图2 CCA阈值的自适应调整算法

(4)

考虑外循环的工作时间比内搜索的工作时间尺度要小得多，并且二分查找并不一定在每个内搜索上运行，实际的时间复杂度小于Ο(log) 。

5 仿真结果

本文首先提供仿真设置，然后给出用户感知吞吐量(UPT)和延迟的仿真结果。

5.1 参数设置

本文测试了两个运营商共存的场景。1)两家运营商均在非授权频谱使用Wi-Fi(步骤1); 2)一个运营商使用LAA，另一个运营商使用未授权频谱的Wi-Fi(步骤2)。参数设置见表1、表2、表3。宏小区的流量没有计算在内。在一个宏小区的每个扇区中有一个运营商，每个扇区中有4个小小区。本文比较了没有阈值调整的场景与有阈值调整算法的场景。阈值调整间隔设置为100 ms，LAA基站中的 Ø=0.6。

表1 常见仿真参数

表2 LAA的仿真参数

表3 WI-FI的仿真参数

5.2 UPT和延迟

表4～表7给出了基于室内环境的仿真结果。在表4中，第二列显示了两个Wi-Fi运营商在未授权频段共存的结果，给出的结果是在两个Wi- Fi运营商上取的平均值。第三列和第四列是步骤2的仿真结果，其中共存的运营商分别是Wi-Fi和LAA，并共享同一未授权频段。这里没有对LTE基站的LAA功能应用阈值调整算法。最后一列则是将算法应用到LTE基站的LAA功能。

表4为LAA在室内场景下，基于帧结构的侦听机制(FBE)，参数=0.7，分别进行有/无阈值自适应调整的性能比较。

表4 阈值调整的性能比较1

表5为LAA在室内场景下，基于帧结构的侦听机制(FBE)，参数=0.85，分别进行有/无阈值自适应调整的性能比较。

表5 阈值调整的性能比较2

表6为LAA在室内场景下，基于负载的侦听机制(FBE)，参数=0.7，分别进行有/无阈值自适应调整的性能比较。

表6 阈值调整的性能比较3

表7中LAA在室内场景下，基于负载的侦听机制(FBE)，参数=0.85，分别进行有/无阈值自适应调整的性能比较。

当业务流量相对较低(=0.7, Wi-Fi类型节点基线的缓冲区占用率为24%)时，阈值调整算法在平均UPT方面没有任何明显的改善。然而，当业务流量越来越重(=0.85，Wi-Fi类型节点基线的缓冲区占用率为38%)时，LAA的平均UPT增长了15.6%。共存Wi-Fi节点的平均UPT受益25.6%。当通信量进一步增大时，该算法具有更大的优越性。其原因是在业务量小的情况下，LAA和Wi-Fi都有足够的传输机会。阈值调整很少被触发。当流量较大时，LAA基站和Wi-Fi AP会更频繁地争夺未授权的频谱。随着竞争的加剧，缓冲区变得拥挤。因此，阈值调整经常被触发并发挥作用。仿真结果表明，该阈值调整算法是有效的。此外，与其他Wi-Fi节点共存相比，共存的LAA节点对Wi-Fi APs的影响并不大，满足非授权频谱的设计规则，分析表6和表7可以获得类似的结果。图3给出了对表7中UPT吞吐量的详细分析比较。本文进一步针对时延进行分析，该算法在LAA基站与未授权频谱的Wi-Fi节点共存的情况下，特别是在流量较大的情况下，可以减少延迟。

表7 阈值调整的性能比较4

图3 各种共存场景的吞吐量比较

6 结束语

本文提出了一种针对CCA的自适应阈值调整算法，该算法考虑了LAA 基站的负载和吞吐量，得到了吞吐量随CCA阈值变化的单调性，为阈值调整提供了依据。根据系统级仿真，该算法仅适用于LAA 基站，尤其是在流量较大的情况下，对LAA 基站和共存Wi-Fi AP的吞吐量都有益处。当流量在未来呈指数级增长时，本文所提出的方法给出了一种非常有意义的处理方案。