基于5G 绿色宽带通信的能效资源分配优化方法研究

赵静

(中国广电青海网络股份有限公司,西宁 810000)

0 引言

大数据时代通信技术[1,2]的发展都意味着网络数据传输速度要求越来越高,网络速度越来越快,这对网络系统性能提出了更高的要求。因此,需要进一步提高网络系统性能,特别是合理解决系统在运行期间存在资源分配和能耗问题[3]。

随着无线网络控制远程对象技术的快速发展和5G 技术的支持,5G 技术[4]在频率利用率、能效、资源利用率和数据传输速度等方面都有了很大的提高,密集基站将进一步增加网络覆盖率,极大地改善用户体验。目前,通信技术的优化[5]是以最大吞吐量或最小系统能耗为目标函数,合理分配系统资源,实现系统资源的合理利用。对于5G 时代的绿色通信而言,最重要的是系统能效。因此,构建基于最大化系统能量效率的目标函数是资源分配的主要问题。

许多学者对5G 资源分配问题进行了研究。文献[6]提出基于马氏决策的5G 网络切片虚拟资源分配方法。该方法结合贝尔曼方程及马氏决策过程的动态规划迭代算法求解出运营商最优收益解和网络资源有效利用率。文献[7]针对单小区多用户上行大规模MIMO 通信系统,提出了采用分式规划理论得到最佳基站天线数优化问题。上述文献大部分研究以大规模MIMO 通信为基础,然而很少有研究对下行链路系统的能效优化进行深入的理论及优化问题研究。此外,部分方法集中解决优化算法寻优问题,然而随着网络系统能效优化和资源分配技术的不断发展,简单的优化问题已无法适应网络复杂性要求。

为改善上述问题,本研究结合了宽带无线通信系统的分析,以优化跨层和跨频带无线通信系统中的能量效率。

1 MIMO-OFDMA 建模

本研究以典型的多天线用户多输入多输出-正交频分多址(Multiple-Input Multiple-Output-Orthogonal Frequency Division Multiple Access,MIMO-OFDMA)[8,9]无线通信系统为例。首先,假定网络系统中的基站配置的信号传输天线共有M个。同时,可通过单个天线连接到基站的K个位置。假设系统运行中总共N个子载波可划分为V个频率块,这些频率块是通信系统中资源调度的最小单位。结合网络系统的信道互易性,上行链路信道矩阵Gv计算如下:

式中:Hv——频率块上用户到基站的快衰减矩阵;D——K×K对角阵;diag{·}——对角矩阵;βk——来自基站的慢衰减系数。

基于以上分析,可以知道用户接收的信号将受到多重干扰,并且多个用户之间的信号可能相互干扰。因此,这些相互干扰需要通过迫零算法[10]消除预编码矩阵Fv=[Fv,1,Fv,2,…,Fv,K],因此有:

接着,用户k第v个频率块的总信号矩阵rv,k可以表示如下:

综上所述,在胃癌根治术中,应用单纯全麻,会使患者的应激反应增强,不利于医护人员的手术操作,全麻药物作用量大,且术后患者会有明显的疼痛症状产生,而应用全麻联合硬膜外麻醉可以双向的阻滞受伤区域的神经感受器传导及中枢神经的敏感度,从而降低患者的术后疼痛及不良反应,同时术中能够减少茶氨酚的释放,降低患者应激反应,使循环系统趋于稳定,有利于手术的顺利进行[3]。并且全麻联合硬膜外麻醉的药物使用灵活,用量少,易控制患者的应激反应,有利于降低患者的术后疼痛,提高了患者的满意度,有临床推广的价值。

式中:E{·}——期望;W——信号增益;N0——噪声密度。

根据式(7),用户在第v个频率块中接收的信号的频率的下限计算如下:

式中:E{tr[·]}——追迹;K——频率块的数量;M——用户数量。

结合式(8)至式(10),用户k第v个频率块的总信号矩阵rv,k(式(7))可简化为

根据以上分析,用户在单个频率块上的分配率与用户的大规模衰减密切相关。因此,通过用户k分配获得的信号可以计算如下

式中:mk——用户k分配的频率块的数量;pk——用户k在mk个频率块中的任何一个分配中的功率。

系统中能量效率函数U的下限可以表示为

式中:pc——单个频率块的固定功率消耗。

根据以上分析,下行链路用户中的大规模MIMO-OFDMA 系统的能效资源分配中的最大化问题可以表示如下

式中:U(·)——能效资源分配目标函数;P——传输功率;m——分配给用户的频率块号;Rmin——用户的最小速率约束;V——频率块的总数。

2 能效资源分配模型

本研究提出了基于最小速率要求的能效最大化资源分配算法。主要思路为在合理分配带宽后,分配功率和天线数量,以提高系统的最佳能效。该算法首先使用用户接收的平均信噪比和比特率作为参数来计算用户获得的副载波数。带宽分配目标函数mk的优化过程可以表示如下:

为了满足系统运行期间的最小用户速率要求,需要首先分配和处理带宽。带宽分配算法可描述如下:

从形式上看,能效函数是一种分数形式,因此能效函数需要首先进行处理,使其成为减法形式,然后将其转化为凸优化问题[11]。为此,目标函数可以表示为

约束定义如下:

令中间变量f满足式(21):

式中:P——发射功率;M——基站天线数。

结合式(21),f的海赛矩阵H(f)可定义如下:

根据式(22),H(f)是一个负定矩阵,故函数f是一个凹函数。为此,可基于拉格朗日函数[12]将目标函数可以转换为凸优化问题,具体描述如下:

式中:λk——与约束相对应的拉格朗日乘数。

式(19)能效目标函数的对偶目标函数定义为

当给定λ并且采用KKT 条件时,最佳发射功率P*和基站天线数量M*可以计算如下:

拉格朗日乘数λ可通过以下递归公式获得:

式中:δ——迭代次数;j——迭代步长。

3 试验与分析

以相对常见的典型无线通信网络为例进行试验与分析。案例模拟小区最大覆盖范围为1 000 m,用户以基站为中心随机分布在100 m 范围内。为了验证所提算法优越性,对比了基于NSGA-Ⅱ[13]的带宽分配算法以及基于分式规划[8](Fractional planning,FP)的基站天线数量分配算法的性能。对比指标分别选取不同的低速率要求时系统的能效、用户的吞吐量性以及最佳基站天线数。

用户数量与系统能效分析结果如图1 所示。可以看出,与基于NSGA-Ⅱ算法和基于FP 算法相比,所提出的算法能效较高。当用户数量为20 人时,所提算法能效较NSGA-Ⅱ和FP 算法高约1.64和2.25 倍;当用户数量为50 人时,所提算法能效较NSGA-Ⅱ和FP 算法高约1.67 和2.5 倍。此外,当用户数量持续增加时,系统总能效随着用户数量的增加而逐渐减少。

图1 用户数量与系统能效分析结果图Fig.1 Analysis results of user quantity and system energy efficiency

不同数量用户的吞吐量性能变化如图2 所示。可以看出,FP、NSGA-II 以及所提出的算法均随着用户数量提升系统吞吐量增加,即用户数量与吞吐量呈正相关性。然而,所提出的算法与FP 和NSGA-II相比,吞吐量提升更加明显。例如当用户数量为50个时,所提出的算法较FP 和NSGA-II 相比提升约18.3%和11.9%。分析原因,基于NSGA-Ⅱ的带宽分配算法中未对用户速率提出任何要求,并且只要求最大化系统的能量效率,这导致了较低的系统吞吐量。基于FP 的基站天线数量分配算法通过最小化发射功率来分配带宽,因此与所提出的算法相比,基于FP 算法具有更低的能效性能。此外,当用户数量持续增加时,系统吞吐量呈现上升趋势,即随着用户数量的增加,系统的多用户多样性特征变得更加明显。

图2 不同数量用户的吞吐量性能变化图Fig.2 Throughput performance changes for different numbers of users

不同用户数条件下各算法的最佳基站天线数的性能如图3 所示。可以看出,当用户数量呈上升趋势时,系统的最佳基站天线数量也呈上升趋势。此外,FP、NSGA-II 以及所提出的算法性能相近,差异不是很大。试验结果表明FP、NSGA-II 以及所提出的算法需要的最佳基站天线数大致相同。然而综合系统能效和吞吐量分析结果,所提算法综合性能较为优异。试验结果进一步验证了所提模型的有效性及实用性。

图3 不同用户数条件下各算法的最佳基站天线数的性能图Fig.3 Performance of the optimal number of base station antennas for each algorithm under different user numbers

4 结束语

对多天线用户MIMO-OFDMA 无线通信系统进行分析,建立了基于最小速率要求的能效最大化资源分配算法。主要思路为在合理分配带宽后,分配功率和天线数量,以提高系统的最佳能效。该模型为5G 系统安全管理及稳定运行提供了一定借鉴作用。未来可对混合系统参数的优化配置和规模进行研究,从而进一步降低系统总成本。