5G 通信中基于二分图匹配的链路均衡负载方法分析

庞小勇

（浙江逸畅通信技术有限公司，浙江 杭州 310013）

1 5G 通信链路均衡负载预测与模型建立

1.1 通信链路均衡负载预测

5G 技术作为无线通信技术的代表，将小区网络、区域网络以及蜂窝网络等整合在一起，具有通信线路众多的特征，给毫米波大规模多输入多输出（Multiple Input Multiple Output，MIMO）通信带来挑战。从技术发展思路来看，实现通信链路扩容的主要方法就是在软硬件设备采购上投入大量的资金，因此越来越多的学者提出应通过网络均衡负载与调度的方法提升网络资源利用率[1,2]。同时，文章结合5G 通信中密集蜂窝异构无线网络的通信场景，考虑基站负责载波资源发送与调配的全部过程，为实现通信链路均衡负载，需要确保网络链路信道增益zk,j大于等于通信负载值。期间假设某基站中的网络覆盖范围中存在m个通信用户与n个终端直通用户，在载波链路通信模式下，zk,j的具体数值为

式中：η为5G 通信模拟下所产生的路径损耗；α为通信链路的信道衰落系数；d为基站与5G 通信用户之间的最短间距；j为用户；k为小区内接收的干扰信道增益符号。

1.2 模型建立

文章所考虑的通信场景为超密集网络，为更深入地了解链路均衡负载值，需要尽量提升用户数量。假设系统中存在M个灵活带宽共享（Flexible Bandwidth Sharing，FBS）与n个用户，为实现在超密集无线网络环境下用户正常的通信交流，应确保在同一个簇内的不同FBS 可共同使用频谱资源。同时，分簇的目的是确保相同簇内的用户之间可保持通信资源数量相同，进而解决因为用户频繁切换网络等问题而造成的链路负载[3]。为满足簇内用户正常通信的要求，提出了基于二分图匹配的系统模型，该模型表示为

式中；bk 为基站；ui为终端用户；为基站的终端用户在子信道上的干燥比；l为信道；为信道增益值；为发送功率；σ2为信号干噪比。

2 分簇的实现

2.1 分簇计算要求

根据现有的经验可知，分簇是减少小区之间信号干扰问题的重要手段，并且有助于提升资源利用率，是实现链路均衡负载的合理手段[4]。为实现上述目标，文章提出一种改进的分簇算法，该算法的实施步骤如下。

步骤（1），利用干扰信息构建网络干扰拓扑后，根据拓扑图显示用户（或者基站）之间存在的信息干扰关系；

步骤（2），通过步骤（1）假设的拓扑关系完成初步分簇；

步骤（3），对初步分簇结果进行优化后，限定分簇的数量，提升利用率。

2.2 通信阶段优化

假设在传统的5G 通信系统中，小区基站布设方案如图1 所示。

图1 小区基站部署结构

则此时网络系统的干扰矩阵K可以表示为

在式（3）中设定干扰阈值，当I小于干扰阈值时则需做解耦处理，解耦后小区5G 通信的干扰情况可用图2 表示。

图2 解耦后的拓扑结构

2.3 分簇算法的实现

在实现分簇算法时，设定初始化条件是簇k的几何，K为干扰矩阵，则基于最小增量分簇的基本实施路径如下。

步骤（1），计算簇k集合的权重值；

步骤（2），选择权重值最小的集合系数，将其分配到簇k中，确保每个簇k均获得一个权重值；

步骤（3），将剩余的簇k集合系数加入各个簇中，并计算簇的权重值增量变化；

步骤（4），其余节点参照步骤（3）的计算方法，逐一将其分配给簇；

步骤（5），在经过上述处理后，即可将数据划分为k个簇，通过计算2 个簇之间的权重值，即可降低分簇的数量，使数据更容易计算；

步骤（6），按照要求设定2 个簇之间的合并阈值，当合并阈值低于干扰值时即可将2 个簇合并。

3 基于二分图的分簇处理

3.1 确定分簇处理目标

假设G表示无向图，若定点集G可分割成为相互不相交的子集（M，N），且图中任意边线（i，j）的关联定点表示为i∈M，j∈N，则图G属于二分图。按照上述定义可以更好地引入二分图，期间为尽可能实现最大限度的匹配，需要通过增加边的匹配边数实现上述数据处理目标，若在数据匹配中发现每个顶点均与任意一条边线之间存在关联性，即可认为此时二分图的匹配为完全匹配[5]。在经过上述虚拟转换后，二分图可使顶点集合数量与集合D之间的数量保持相同。

为充分发挥极大匹配算法的优势，文章通过链路均衡负载获得二分图模型和二分图匹配比例。此时通过增设结构与虚拟顶点的扩展数据后，即可重新界定用户与小区之间的权重关系。为最大限度上实现5G 网络资源的匹配处理要求，在二分图算法中应确保集合中顶点数量与用户数量相同，确保小区通信资源与用户之间的一对一匹配。因此，需通过优化二分图结构，将子信道与簇分为2个集合，进而达到二分图优化的目的。优化后的二分图中一方指向另一方的连线，并且每个连线都有详细的权重值。该权重值则决定了簇与子信道之间的交互性，而提升交互性则成为解决现有5G 通信链路负载问题的重要内容。

3.2 基于二分图的匹配与仿真处理

按照提出的目标，文章提出的二分图匹配仿真处理的基本流程、基本处理步骤为：（1）做系统初始化，在系统初始化中应确定本小区的用户数量与基站数量，判断5G 通信链路均衡负载的现状；（2）根据现有网络节点形成拓扑结构后，即可进入主循环程序，该程序处理的主要目标就是确定本小区用户位置与基站位置赋值，根据二者的空间分布情况确定最理想的拓扑网络链路关系；（3）预估小区链路资源占用情况，根据预估结果计算出用户数据传输中的信噪比值和判决效用函数值，判定数据处理最大值，并按照hod 值的更新结果输出数据；（4）形成最优的网络链路负载匹配结果。

4 仿真分析与结果

4.1 仿真设计

为验证所介绍方法的合理性，文章通过仿真平台对上文方法进行验证，根据验证结果做出综合评价，仿真参数设置信息如表1 所示。

表1 仿真参数设置方案

在表1 介绍的仿真条件下，对分簇算法做仿真处理，检测在600 m×600 m 的平面功能中每个FBS的干扰情况，并将小区用户做分簇后，使簇内用户连续使用频谱，最后根据仿真结果做分簇优化，实现分簇处理。同时，为验证该方法的合理性，以通用信元速率算法（Generic Cell Rate Algorithm，GCRA）为参照进行对比。

4.2 仿真结果研究

4.2.1 系统吞吐量比较

根据仿真结果可知，随着一定数量FBS 的增加，系统吞吐量明显提升，而实际上，FBS 数量的增加虽然会改善系统的吞吐量，但是该处理方法会导致小区之间的干扰度增加，使得每条子信道的运行速率降低，这种情况明显不符合本次技术处理要求。而根据本次仿真对比结果发现，5G 通信系统中的FBS 数量小于等于300 时，本文所提出的算法明显优于GCRA 算法。其中，当FBS 为150 个时，本文算法的系统吞吐量约为80 Mb/s，而GCRA 算法则为36 Mb/s；当FBS 的数量达到300 个时，本文算法的系统吞吐量为118 Mb/s，明显高于常规算法的62 Mb/s。

4.2.2 系统频谱效率比较

根据2 种方法的对比结果可知，随着FBS 密度增加，系统频谱效率整体呈下降趋势，而在5G 通信网络中为充分满足用户通信要求，则需要分布式FBS处于低速率运行。在分别比较2 种方法对系统频谱效率的影响后发现，当FBS 数量为150 个时，本文算法的系统频谱效率基本维持在0.384 ～0.386，明显高于GCRA 方法的0.251 ～0.290；而当FBS 数量增长至300 时，本文算法的系统频谱效率约为0.312 ～0.318，CGRA 算法则下降至0.121 ～0.127，可见本文方法在提升系统频谱效率中具有明显优势。出现该结果的原因可能为：通过本文方法实现了FBS的适当分组，并且该方法可通过二分图对簇做子信道分配，因此频谱效率更高。

4.2.3 丢包率比较

在分别比较2 种方法对丢包率的影响后，相关数据显示，随着FBS 用户数量的增多，2 种方法的丢包率均呈现出明显上升趋势，出现这一现象的原因可能为：随着用户数量的增多可能会导致部分用户因为无法第一时间分配到资源而出现丢包问题。根据本次的测试结果可知，当FBS 内用户数量为2 时，本文算法的丢包率为1.52%，而GCRA 方法则为3.76%；当FBS内用户数量为5时，本文算法的丢包率为6.03%，GCRA 方法的丢包率为11.06%。通过上述数据对比结果可知，本文算法的丢包率明显优于GCRA 方法。

4.2.4 系统阻塞率比较

2 种方法的数据对比结果显示，随着用户数量的增多，5G 网络系统的阻塞率呈现上升趋势，但是本文方法下的阻塞率增幅明显低于GCRA 方法。当用户数量为80 时，本文算法下的系统阻塞率为0.04%，明显低于GCRA 方法的0.87%；当用户数量提升至140 时，本文算法下的阻塞率为0.06%，低于GCRA方法的0.24%。由此可见，本文算法在降低系统阻塞率中的效果显著。

5 结 论

为满足未来5G 通信技术的要求，探索基于二分图匹配的技术优化方案具有可行性。根据本文的模拟仿真结果可知，在通过二分图匹配后，5G 通信的链路均衡负载问题得到了有效解决。与传统方案相比，该方法在提升系统吞吐量、系统频谱效率以及降低系统阻塞率、丢包率中的效果显著，具有常规技术无法比拟的优势，值得进一步推广。