密集部署Wi-Fi场景下的干扰协调研究*

骆冬琼，方旭明

（西南交通大学 信息科学与技术学院，四川 成都 611756）

0 引言

随着物联网、智慧家居、云计算、人工智能等新兴行业的快速发展以及各种智能终端产品的普及，无线数据业务需求量爆炸式增长，据思科统计，近些年来的无线网络传输业务量相较于2011年之前提升了122%[1]。移动数据流量的持续快速增长和各种智能终端设备的不断涌现需要无线网络提供随时随地的高容量接入服务。无线局域网（Wireless Local Area Network，WLAN），因其成本低廉、部署灵活、易维护和扩展等优势，成为目前应用最广泛的无线带宽接入方式。面对迅猛增长的数据传输需求，为了改善网络覆盖率、提升网络传输能力，Wi-Fi网络采用密集部署方式。然而，无线接入点（Access Point，AP）的密集部署必然会带来严重的同频干扰问题，导致网络整体性能下降[2]。因此，在密集网络中寻求有效的干扰协调分配方案就愈显重要。

目前，国内外学者主要从时域、空域、频域和功率域出发，对小区间干扰协调技术展开研究[3]。时域干扰协调中常用的技术包括部分时间复用（Fractional Time Reuse，FTR）和几乎空白子帧（Almost Blank Subframe，ABS）[4]。文献[5]中的改进部分时间复用（Modified Fractional Time Reuse，MFTR）方案将边缘用户的调度权重提升3倍，以改善传统FTR方案在资源调度方面的公平性。文献[6]根据基本服务集颜色将用户分组，然后利用目标唤醒时间机制调度不同用户组在不同的时间传输数据，以最小化基本服务集（Basic Service Set，BSS）间干扰。

协作多点传输（Coordinated Multiple Point，CoMP）是空域干扰协调的主要技术，其通过干扰避免或干扰利用来降低用户受到的干扰。文献[7]提出了一种干扰对齐和干扰中和相结合的CoMP传输方案，以实现对携带不同和相同信息的干扰信号进行适当调整，从而实现有效的干扰消除和抑制。文献[8]针对CoMP协作集形成之前干扰难以预测的问题，提出了基于最大信道增益、比例公平和服务质量（Quality of Service，QoS）的3种CoMP协作集选择方法，以提高CoMP系统的性能。

频域干扰协调是最常见的干扰协调技术，其通过对频率资源的合理分配来减小BSS间同频干扰。文献[9]采用干扰信道增益比最小准则为每个用户分配正交子信道，虽然有效地降低了干扰，但频谱利用率低。文献[10]提出了一种基于改进调度策略的部分频率复用（Fractional Frequency Reuse，FFR）方案，对小区中心和边缘采用不同的调度方法组合，以弥补文献[11]中使用固定调度方案的缺陷。文献[12]针对软频率复用（Soft Frequency Reuse，SFR）网络中的能效优化问题，利用分数规划、逐次凸逼近等条件将目标函数转化为偶函数，然后通过凸优化方法求解。文献[13]基于K-means算法思想提出了一种贪婪树生长算法，以最小化用户簇内干扰为目标，将干扰较小的用户分到同一簇中，簇内用户共享相同资源。文献[14]首先利用多用户分集和图论为每个用户簇分配子载波来消除干扰，其次将QoS-satisfied用户的资源释放给QoSunsatisfied用户来保证用户间的公平性。功率域干扰协调技术的研究大多基于传输功率控制，在不影响当前信号传输的前提下，通过适当调整发射功率，来降低BSS间干扰，功率控制通常与其他干扰协调技术联合使用。

尽管当前业界对密集网络下的干扰协调技术已经有了多方面的研究，但是现有研究大多针对蜂窝网络。由于Wi-Fi网络在资源划分规则、网络架构等方面与蜂窝网络存在一定差异，所以针对蜂窝网的干扰协调方案不能完全适用于Wi-Fi网络。此外，下一代Wi-Fi标准802.11be中提出的多AP协作技术[15]虽然能够通过多AP间的协同调度降低BSS之间的干扰、提高资源利用率，但是标准只给出了多AP协作的基本框架而没有设计配套的算法。因此，针对Wi-Fi密集部署下的同频干扰问题，本文提出了一种基于协同调度和频率复用思想的干扰协调方案，通过图染色理论对用户进行分组，然后为不同的用户组分配正交的资源单元（Resource Unit，RU），以达到消除各BSS间干扰，同时提高频谱效率的目的。

1 系统模型

本文考虑一个AP密集部署的多AP协作系统，如图1所示，系统有1个主AP（Master AP，MAP）和多个从AP（Slave AP，SAP），AP与周围的多个站点（Station，STA）关联形成BSS，各BSS工作在同一频段，且相邻BSS间存在干扰区域。系统中MAP、SAP和STA均支持802.11be标准，MAP作为中心控制器负责对SAP进行统一的管理和资源调度。

图1 AP密集部署场景

假设系统中AP的集合表示为SAP={AP1,AP2,…,APN}，N是网络中AP的数量，STA的集合表示为Su={u1,u2,…,uM}，M是网络中STA的数量，可用RU的数量是K，k=1,2,…,K。则APn服务的用户u在资源块k上的信干噪比（Signal to Interference and Noise Ratio，SINR）可表示为：

根据香农公式可得到用户u的最大传输速率为：

式中：Bk是资源块k的带宽。则系统的总容量可表示为：

本文的目标是在MAP的管理控制下设计合理的调度和资源分配方案来最大化系统吞吐量，降低BSS间干扰。

2 干扰协调方案

为解决第1节中提出的问题，本文设计一种基于协同调度和频率复用思想的干扰协调方案，使得主AP可以根据STA之间的干扰关系，为彼此之间干扰较小的STA分配相同的RU，彼此之间干扰较大的STA分配正交的RU，从而降低干扰，提高频谱利用率。该方案主要包括4个部分：第1部分，基于干扰识别策略收集STA所受的干扰信息；第2部分，基于业务量、时延、传输能力等指标设计用户调度算法来确定每个调度周期进行数据传输的用户；第3部分，基于构建的用户干扰图，采用图染色算法将用户分到不同的用户组中；第4部分，采用伏格尔算法为STA分配RU。

2.1 干扰识别策略

在Wi-Fi网络中，SINR反映了当前信道的链路质量，是衡量STA性能的重要指标之一，STA的SINR值越高其所能支持的传输速率越大、传输能力越强。因此在调度和资源分配算法中，STA的SINR是一项重要的参考指标。但SINR不能直接进行测量，需要通过有用信号功率、干扰信号功率和噪声功率计算得到。为了估算STA的SINR，本文设计了一种基于接收信号强度指示（Received Signal Strength Indication，RSSI）的干扰识别策略来分辨STA接收到的有用信号功率和干扰信号功率，干扰识别的帧交互流程如图2所示。

图2 干扰识别流程

干扰识别流程主要包括RSSI集中测量和RSSI信息反馈两个阶段。在RSSI集中测量阶段，主AP通过发送Measurement Announce帧，调度从AP轮流发送Beacon帧来测量各AP与STA之间的RSSI。为了保证STA测量得到的RSSI不包含干扰成分，在某个AP发送Beacon帧时，其他AP处于静默状态。在RSSI信息反馈阶段，主AP首先通过Measurement Announce帧控制各AP依次发送RSSI Trigger帧触发其关联STA反馈测量得到的RSSI；其次发送RSSI Trigger帧触发AP反馈收集到的RSSI信息；最后主AP将获得的RSSI信息汇总生成RSSI统计表，如表1，表中的值即为STA接收到各AP的信号强度。

表1 用户RSSI信息统计表

RSSI信息反馈阶段完成后，主AP便可以根据RSSI信息统计表中的RSSI值估算STA的SINR，即对于任意STAm，将其与关联APn之间的RSSIn,m看作有用信号，与其他AP之间的RSSIi,m看作干扰信号，则STAm的SINR可表示为：

干扰识别策略周期性执行，其信令交互的时间开销相较于干扰识别策略的执行周期而言很小，因此干扰识别策略信令交互所消耗的资源对系统吞吐量的影响忽略不计。

2.2 用户调度算法

在调度算法部分，以用户的业务量、时延限制、传输能力为指标定义用户调度权重Q(t)，主AP根据系统中所有STA的调度权重确定本调度周期调度哪些STA进行数据传输。假设APn服务的STAm在t时刻的调度权重Qn,m(t)表示为：

式中：Rn,m(t)为STAm的时延限制权值；trafficn,m为STAm的实际业务量；cn,m为STAm的传输能力，其大小通过单位带宽的香农容量进行衡量。Rn,m(t)的计算方式为：

式中：Tn,m为STAm的时延上限；Wn,m(t)为STAm从上一次被调度以来的等待时间；Tn,m与Wn,m(t)的差值表示发送给STAm的数据包的剩余等待时间；Ts为时延保护间隔，可以理解为对有时延限制用户被调度的一个提前量，目的是尽量满足业务的时延需求，在时延限制之前的某个阈值就需要被调度，而不会等到时延限制为0时用户才被调度。Ts的值可以作为参数进行设置。Rn,m(t)值越大认为STAm越逼近时延要求，被调度的优先级越高。若Rn,m(t)≤1，数据包剩余等待时间大于Ts，则调度权重只与传输能力和业务量有关。若Rn,m(t)>1，数据包剩余等待时间小于Ts，则STAm必须被优先调度以避免其数据包因等待时间超过时延上限而被丢弃。

trafficn,m和cn,m的计算公式为：

式中：fn,m为STAm的业务量；datamax为一个传输周期内允许传输的最大数据量。若fn,m大于或等于datamax，可以认为满业务量场景，则trafficn,m的值取datamax；若fn,m小于datamax，则认为非满业务量场景，则trafficn,m的值取fn,m。

用户调度算法的步骤如下：

（1）主AP计算所有STA的调度权重，构成权重集合{Qn,m(t)}；

（2）从集合{Qn,m(t)}中选出调度权重值大于1的STA，放入集合{S}中，更新集合{Qn,m(t)}；

（3）对集合{S}中的STA的业务量求和，记为f(t)，系统在前几个调度周期内最大的传输数据量记为Thr(t)max；

（4）判断f(t)

用户调度算法的流程如下：

2.3 STA分组算法

完成用户调度之后，需要对被调度的STA进行分组。首先，定义复用增益G来表示STA之间的干扰强度。假设STAa和STAb位于两个不同的BSS中，则复用增益Ga,b可表示为：

式 中：SINRa,b和SINRb,a分别为STAa，STAb并 发传输时的SINR值；SINRa和SINRb分别为STAa，STAb单独传输时的SINR值；RUmax为当前带宽下规格最大的RU；V_MCSa,b，V_MCSb,a，V_MCSa和V_MCSb分别为对应RU规格和SINR值下的MCS速率。当Ga,b<1时，表示选取的两个STA间没有复用增益，共享相同的RU会产生干扰；当Ga,b≥1时，表示两个STA并发有增益，共享相同的RU不会产生干扰。

其次，根据STA间的干扰强度构建用户干扰图，图中的顶点代表STA，边代表相应STA之间的干扰。若Ga,b<1，则STA对应的顶点之间有边；若Ga,b≥1，则STA对应的顶点之间无边。同一个BSS内的STA共享相同RU会产生干扰，因此同一个BSS内的STA对应的顶点之间都有边。

最后，基于构建的用户干扰图，本文采用图染色算法对STA进行分组。先从顶点度数最大的顶点开始染色，寻找与其互不干扰且业务量差异小的顶点，使用相同的颜色为该顶点染色；然后再继续寻找与上述两个顶点均无干扰且业务量差异小的顶点，使用相同颜色为该顶点染色，直至找不到满足条件的顶点；最后再从剩余尚未染色的顶点中找到度数最大的顶点，重复上述步骤，直至图中的顶点都完成染色。染色算法的流程如下：

上述分组算法，可以通过使用尽可能少的颜色，将干扰和业务量差异小的STA分到同一组中，提高了资源利用率，降低了干扰。

2.4 资源分配算法

由STA分组算法可知，同一个用户组的STA间干扰较小，不同用户组的STA间干扰较大。因此主AP可以通过为不同的用户组分配正交的RU，为同一个用户组内的STA分配相同的RU来降低干扰，提高频谱利用率。

若经过分组算法将STA分到了N个不同的用户组，则为了最大限度地利用带宽资源，需要将整个信道划分为N个RU，而对于给定的信道带宽，将信道划分为N个RU的规格组合是有限的。例如，对于80 MHz信道，将信道划分为9个RU时的规格组合数为6，其中的一种RU规格组合为{2x242-tone，4×106-tone，3×26-tone}。若信道划分为N个RU时得到的所有RU规格组合为R，则对于某个给定的RU规格组合ρ∈R，优化问题可表示为：

式中：xi,j∈{0,1}，当xi,j=1时表示RUj分配给用户组Gi，反之不分配给用户组Gi；λi,j为用户组Gi在RUj上的速率之和；约束条件C1表示一个RU不能分配给多个用户组；约束条件C2表示一个用户组最多分配一个RU。

优化问题P是一个典型的指派问题，它可以用匈牙利算法（Hungarian）在多项式时间内解决[16]。然而对于许多实际的指派问题，匈牙利算法陷入死循环时无法求出其最优解，因此本文采用文献[17]提出的算法进行求解。该算法对伏格尔（Vogel）算法进行了改进，避免了匈牙利算法的缺陷，且可用于求解最优指派问题的最小值或者最大值。其中最大值求解的基本步骤如下文所述。

（1）步骤1。首先用伏格尔法确定一个初始解，在RU分配平衡表中给出初始解对应的数字格，其次计算出空格对应的检验数，当空格的检验数均为负数时，初始可行解即为最优解；若空格中存在正检验数，说明未达到最优解，需要对检验数进行调整，转步骤2。

（2）步骤2。采用闭合回路法来对步骤1中的某个解进行调整。若步骤1中的正检验数有多个，则选取其中最小的检验数，由其构成一个闭矩形回路。然后调整回路中数字格和空格的位置，算出新的检验数。若检验数全为负，则找到最优解，否则重复执行步骤2，直到找到最优解。

为了找到最佳的RU分配方案，本文的资源分配算法对每一种RU规格组合下的优化问题进行了求解，算法流程如下：

3 仿真结果及分析

本节通过MATLAB仿真来验证所提出的基于协同调度和频率复用思想的干扰协调方案的性能。

3.1 仿真场景及参数设置

考虑一个密集部署的Wi-Fi网络，网络中有4个同频AP，AP的传输范围存在高度重叠区域，每个AP周围随机分布了5～29个STA，AP之间的距离为18 m，AP的发送功率为23 dBm，路径损耗模型采用标准中的802.11传输模型[18]，具体参数如表2所示。

表2 仿真参数设置

3.2 仿真结果分析

本文在相同的场景下对比了4种干扰协调方案，第1种是本文所提出的基于协同调度和频率复用思想的干扰协调方案，记为CSFRV，其余3种是为了对比所提方案的性能而提出的基线方案，具体如下文所述。

（1）基线方案1。主AP为系统内所有STA统一分配RU，不执行分组算法，即所有STA的RU相互正交，且RU分配采用均分方式，记为CSOE。

（2）基线方案2。主AP为系统内所有STA统一分配RU，不执行分组算法，即所有STA的RU相互正交，且RU分配采用伏格尔法，记为CSOV。

（3）基线方案3。主AP为系统内所有STA统一分配RU，执行分组算法，组内用户复用相同RU，组间RU正交，且RU分配采用均分方法，记为CSFRE。

图3比较了4种方案在不同STA数量下的系统频谱效率，可以看出4种算法的系统频谱效率随着STA数量的增加，频谱效率也在不断提升，随后趋于稳定。本文所提的CSFRV方案的频谱效率较高，这是因为其可以根据STA之间的干扰关系复用RU资源，在相同的调度用户数量下，采用分组的方式可以使得STA获得更大规格的RU进行数据传输。而方案CSFRE的性能低于CSOV方案是因为其采用等规格RU分配方式，某些情况下会造成严重的带宽资源浪费。

图3 系统频谱效率

图4比较了4种方案在不同STA数量下的平均时延。可以看出，随着STA数量的增加，STA被调度的等待时间就越长，用户的平均时延就越大。4种干扰协调方案均能满足STA的时延要求，这是因为它们在调度算法中引入了时延优先级因子，保证了时延要求高的STA被优先调度。而本文的CSFRV方案在时延性能上优于其他3种方案，是因为其资源分配方式更加合理，在每一帧中用户的吞吐量更高，使得STA缓存的数据能够尽快被调度传输。

图4 STA平均时延

图5和图6通过比较系统平均SINR和系统平均吞吐量来分析协同调度方案的干扰抑制能力。由图5可知采用协同调度方案前后系统内的干扰情况。在不采用协同调度方案的情况下，各AP独立为其BSS内的用户分配RU，当AP并发传输时，系统内的STA将会遭受严重的同频干扰，故STA的平均SINR很低，维持在17 dB附近。而采用了协同调度方案之后，STA在主AP的协同调度下被分配了互不干扰的RU，BSS间的同频干扰得以消除，STA的平均SINR显著增加，维持在55 dB附近。

图5 协同调度方案平均SINR性能

分别对低、中、高3种拥塞场景进行了仿真，其中分别有20，52，116个STA参与通信。由图6可知采用协同调度方案前后系统的吞吐量变化。在不采用协同调度方案的情况下，系统的平均吞吐量非常低，且随着拥塞程度的增大，STA之间干扰越严重，系统平均吞吐量越低。而采用了协同调度方案后，系统的平均吞吐量显著提高，且即使在高拥塞的场景下系统的平均吞吐量也维持在较高水平，这表明提出的协同调度方案能够很好地适用于市场、机场、体育场等拥挤区域。

图6 协同调度方案系统平均吞吐量分析

4 结语

本文对密集部署Wi-Fi网络场景下的干扰协调问题进行了研究，提出了一种基于协同调度和频率复用思想的干扰协调方案。该方案首先利用干扰识别策略估计系统中各用户的干扰情况；其次根据用户的调度权重确定本周期调度的用户；再次通过图染色算法将干扰较小的用户分到同一个组，干扰较大的用户分到不同的组；最后基于用户在RU上的信道条件采用伏格尔法为用户分配RU。仿真结果表明，本文所提出的方案能够在满足用户时延限制的情况下，有效消除BSS间同频干扰，提高系统的吞吐量和频谱效率。