新兴超密集网络移动性管理探析

2022-11-26董春利王莉

电子测试 2022年15期

关键词：移动性信令蜂窝

董春利，王莉

（南京交通职业技术学院电子信息工程学院，江苏南京，211188）

0 引言

蜂窝网络中的移动性在确保为用户提供最佳体验方面发挥着关键作用。它保证移动用户不仅能够保持连接，而且在向目的地移动时获得与网络的最佳可用连接。无缝、及时的切换和小区重选，一直是包括5G在内的任何无线通信系统的主要挑战[1]。

1 新兴的人工智能辅助移动性管理

近年来，人工智能在未来蜂窝网络中，主动管理移动性方面已广受欢迎。这主要是因为配置参数数量的增加，以及网络参数和相关KPI之间的复杂交互。一旦研究界能够克服这些复杂的挑战，人工智能辅助解决方案将对电信行业产生革命性的影响。现在将介绍一些支持人工智能的移动管理解决方案。

移动性预测算法在文献[2]中提出。作者使用逼真的移动模式来捕捉人类运动，并使用符合3GPP的5G模拟器来表示HetNets场景。结果表明，对于2dB阴影，使用XGBoost可以实现几乎87%的移动性预测准确度，而使用深度神经网络(DNN)可以实现78%的移动性预测准确度。可以通过使用时间序列预测器（例如递归神经网络或LSTM）来扩展这项工作。

文献[3]中的作者使用XGBoost监督机器学习算法，来执行从sub-6GHz到共址毫米波单元的部分盲切换。作者表明，这种基于机器学习的算法可以实现部分盲切换，可以提高共址小区的实际网络设置中的切换成功率。提出的算法应与现有的切换方法在能效和无线电链路故障（RLF）方面进行比较，以进一步验证算法的有效性。

在文献[4]中提出了从宏蜂窝到占用空间低得多的非共址高频蜂窝的异频切换的想法。作者使用了随机森林分类方法，并提出了一个负载平衡用例，通过该用例可以实现静态用户的有效资源利用。所提出的方法的缺点是，对于高速用户，基于负载平衡的切换到更小的占用空间的小区可能效率低下，因为切换速率大以及由此产生的信令开销和切换失败的机会。

文献[5]中的作者通过将用户体验考虑为吞吐量和切换成本的加权和，为毫米波单元开发了一种基于强化学习（RL）的切换决策算法。根据用户的移动性信息，通过考虑方向性增益，和波束赋形失准之间的权衡，来选择最佳波束宽度。该算法根据用户设备（UE）速度和基站（BS）密度批准移动用户的切换触发。与文献中的其它现有算法相比，可以通过评估信令开销减少和吞吐量增益来扩展这项工作。

文献[6]中的作者使用长短期记忆(LSTM)和循环神经网络（RNN）预测了服务小区和切换目标小区的RSRP。该算法还仅使用RSRP作为输入特征，以84%的准确度预测RLF实例。文献[7]中提出了一种错误的切换避免算法。它使用神经网络来防止受网络中不良无线电传播场景影响的BS的切换，例如由障碍物引起的覆盖空洞。所提出的算法使UE能够从过去的经验（覆盖不可用）中学习，以根据QoE为切换选择最佳小区。作者表明，他们的算法帮助用户在超过93%的时间内，成功完成下行链路传输。然而，仿真环境非常简单，其中UE穿越一条直线，沿途只有三个BS。因此，UE的移动几乎是确定性的，神经网络可以轻松学习其模式，并识别最佳BS以执行切换。此外，单个测试UE对所提出的算法进行了有限的评估，具有HetNet场景和多个用户的任意移动的详细结果，将具有更真实的结果。

基于每小时的切换尝试，文献[8]中的作者使用K-均值算法，将小区聚集成具有相似切换配置文件的不同组。对于每个集群，使用线性回归、多项式回归、神经网络和高斯过程，预测每小时的切换尝试。使用高斯过程时获得的最高R2值为0.99。然后，建议的模型检查异常的切换行为，例如乒乓切换。未来的工作可以是提前主动预测异常切换行为，并推荐合适的建议参数以防止切换KPI退化。

2 未来研究的几个关键点

对未来蜂窝网络的移动性管理，研究人员已经添加了有益的贡献，以试图实现一个最佳和令人满意的网络。然而，一些研究领域仍然没有受到影响，或者没有得到应有的关注。

（1）基于切换延迟的SINR分布

当前的SINR建模基于最佳服务器关联，然而，UE总是在切换之前驻留在次优小区。这是切换评估过程的结果，该过程确保目标小区是切换的最佳候选小区。需要研究在切换之前捕获时间负SINR的面向移动性的SINR分布，以便进行更实际的吞吐量估计。

（2）基于切换延迟的上行链路干扰

当前的研究人员没有考虑由于同频切换延迟，高移动性用户更靠近目标小区，同时仍由相对较远的服务小区服务的实际情况。在这些情况下，在服务小区中实现目标 SINR 的高上行链路功率，会在目标小区中引起强烈的时间干扰。在以即兴方式部署的高密度BS下，该问题可能会更加严重。但是，可以通过针对高度移动用户使用eICIC ABS（几乎空白子帧）方案来解决这个问题。主动切换触发还可以通过及时切换，来消除高上行RSSI的可能性。

（3）延迟目标

小蜂窝部署的另一个挑战是小蜂窝通常不直接连接到核心网络，并且缺少Xn或N2接口（用于小区间通信），这是在宏蜂窝中协调移动过程的真正手段。缺乏与核心网络的低延迟连接，会导致显著的切换信令延迟。

（4）能效

实现UE和网络级别的能效，是未来蜂窝网络的一大挑战，特别是在考虑超密集BS部署和添加各种用户设备时。现有的大部分节能方案都有共同的租约，响应于不断变化的电池负载，电池被打开/关闭。Hasan等人做出了卓越的努力，在[9]中，作者提出了AURORA框架，利用过去的切换轨迹，来确定未来的小区负载。然后使用该预测来主动安排小蜂窝睡眠周期。负载平衡也可以通过使用适当的小区单个偏移量(CIO)来实现。

（5）智能同频搜索

密集部署对小蜂窝的发现提出了挑战，因为传统的蜂窝网络为用户广播邻居列表，以了解在哪里搜索潜在的切换小区。然而，这样的切换协议不能扩展到大量相邻的小蜂窝，并且底层网络设备并非旨在随着小蜂窝的来来去去，快速改变相邻小区列表。

（6）智能异频搜索

频间移动性是蜂窝网络的重要组成部分，但尚未得到研究界应有的重视。频间移动性需要触发事件 A2，然后 BS 为UE 配置测量间隙周期。然而，此过程会中断数据传输和接收，这是因为 UE 改变无线电去测量适当的频间小区。具有从高频到毫米波频段的各种频率的未来移动网络，可能需要 UE在启动移动性决策之前，对可用频率进行广泛搜索。当考虑＜1ms 的延迟目标时，这个问题可能会更加严重。

（7）改进移动负载平衡

移动负载平衡是异构多层蜂窝网络的重要组成部分，并且对以下挑战持开放态度。

负载平衡可以在四个不同的实例中实现，它可以是通过以下方式触发：i)空闲模式SIB4配置；ii)接入网络后，使用A4或A5测量报告；iii)处于连接模式，使用A4或A5测量报告（如配置的）；iv)当UE使用3GPP从连接模式释放到空闲模式时，提出了IMMCI（空闲模式移动控制信息）。在IMMCI中，流量转向是通过改变服务层或目标层的空闲模式SIB5优先级来实现的。空闲模式下的负载平衡是最优化的，可以避免信令和数据中断，因为信令和数据中断是与连接模式下的负载平衡相关联。此外，IMMCI的参数配置和管理的复杂性可以最小化。目前，缺乏空闲模式负载平衡的研究成果。同样，需要一种新的IMMCI变体（基于SON），它可以自适应地引导流量以在变化的负载条件下实现负载平衡。

负载平衡详细程序未由3GPP提供，出于创新目的有意留给供应商。负载平衡需要通过Xn接口在参与的BS之间交换负载信息。但是，不同的供应商都有自己专有的负载平衡实现版本，因此，供应商间的BS，由于负载平衡指标不匹配，而无法执行负载平衡。现有的LTE网络部署了卸载功能，其中高负载单元将用户卸载到另一个供应商单元，而不考虑其负载条件，这可能导致服务拒绝和乒乓切换。频繁的频间搜索会中断连续接收，并导致更高的延迟。5G异构网络可以承载众多厂商，为了从负载平衡特性中受益，需要设计一个标准的厂商间负载平衡机制。

占用空间较小的小区将具有很少的服务UE，并且即使是单个用户的，基于移动性的入口和出口，也会在可用频带之间产生严重的负载不平衡。因此，实现主动负载平衡的方法，对于公平和高效的资源利用是必不可少的。

（8）毫米波网络中的移动性

带宽高达500MHz的毫米波是高频段频谱饱和的补救措施，然而，窄波束的固有特征可能对支持新兴蜂窝网络的移动性构成严重挑战。这里介绍了几个主要挑战。

Simic等人[10]实际演示了毫米波来证明多Gbps 连接性，但得出的结论是，支持移动性是一项非常具有挑战性的任务，因为在90BS/km2部署下，中断区域高达40%。覆盖空洞的原因是毫米波中的高衍射现象，以及缺少非视线路径。

拐角效应：室内区域的小区边缘靠近门，用户更可能在此处急转弯，因此切换可用的时间会非常少，尤其是在60GHz 毫米波场景中。这个问题表明，切换触发器需要一些复杂的技术，而不是传统的方法。

当前的毫米波标准（例如IEEE 802.11ad）遵循基于最大RSSI的UE-BS关联方法，但是该解决方案对于具有超密集BS 密度的新兴网络来说，似乎是无效的。每个BS的用户数量可能会不平衡，并且很有可能会出现乒乓切换。

此外，由于缺少高频段中的参考信号广播，移动用户的小区发现是一项重大挑战。

目前，研究界的一个压倒性理解是仅将毫米波单元用于静态用户。需要解决（同频小区和异频小区）波束之间的移动性的复杂性，以支持移动性。一种可能的解决方案是提出一种混合解决方案，其中具有非常准确UE位置的高频宏蜂窝，指导UE如何、何时以及它们需要连接到哪个小蜂窝。这类似于控制-数据分离架构，毫米波提供数据支持，而UE在宏蜂窝的覆盖范围内，提供控制信号。