CN102387509B - 认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法 - Google Patents

Abstract

本发明公开了认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法，基于正交频分复用调制的认知容迟网络模型，根据网络中不同用户的服务质量要求进行用户分类：高服务质量的认知用户、一般服务质量的认知用户。对于高服务质量的认知用户，采用基于余量自适应准则的子载波比特联合分配，在满足用户传输业务速率要求的同时最小化干扰功率；对于一般服务质量的认知用户，采用基于速率自适应准则的子载波功率联合分配，在满足用户总干扰功率受限条件下最大化用户的传输速率。本发明根据不同用户业务的服务质量要求采取不同的多资源联合分配与优化方法，以实现基于正交频分复用的认知容迟网络资源优化分配，在高效利用系统资源的同时实现频谱共享。

Description

认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法

技术领域

本发明属于信息与通信工程技术领域，涉及无线通信系统中的认知无线电(CognitiveRadio，CR)技术，特别是一种认知容迟网络中基于认知用户服务质量要求的多用户多资源联合分配与优化方法。

背景技术

目前，各种无线通信业务需求持续增长，导致无线通信系统对频谱资源的需求不断增加，从而使得无线频谱资源变得越来越稀缺。然而，频谱测量研究表明，授权频谱的使用率却非常低，导致授权频谱空穴浪费严重。为了开发频谱资源共享的无线通信系统，从系统级的角度提高频谱资源的利用效率，认知无线电作为一项新兴技术应运而生。

认知无线电(Cognitive Radio，CR)亦称为感知无线电，它可在不影响主用户(PrimaryUsers，PUs)通信的前提下，智能地利用大量空闲频谱以满足次用户(Secondary Users，SUs)即认知用户(Cognitive Users，CUs)的可靠通信，从而提高无线频谱的利用率，实现频谱资源共享。认知用户能够实时感知无线通信系统周围的网络环境，通过对环境的理解、主动学习来动态调整网络参数以适应外部环境的变化。在基于CR技术的认知无线网络(CognitiveRadio Network，CRN)中，认知用户利用法定授权的主用户(Primary User，PU)暂时未使用的频段，一旦侦听到主用户收发信机需要通信时，就必须在一定的时间内退出该频段并切换到其它未使用的空闲频段进行机会通信(交叉共享(overlay sharing)方式)，或者在保障主用户通信服务质量(QoS)的前提下，降低发射功率进行协作式机会传输(重叠共享(underlaysharing)方式)，从而避免认知用户对主用户通信造成干扰。因此，认知用户如何迅速可靠地检测主用户频谱空穴、利用主用户频谱空穴进行机会频谱接入、通过优化认知网络的有限资源进行机会式传输，从而实现主次用户的频谱共享，这些都是认知无线电中的关键技术。

容迟网络(Delay Tolerant Network，DTN)是一种新型的网络体系结构，泛指由于节点移动等原因而没有稳定端到端传输路径以及大部分时间处于中断状态的一类网络。这一概念最早是由Fall K在国际会议SIGCOMM2003上提出，其应用涵盖了多种通信网络，如人群网络、车辆网络、移动Ad Hoc网络和无线传感器网络、星际间通信网络等等，应用场景不同，网络使用的路由策略也不同。DTN的特点主要有：链接的间歇性、可变的延迟、节点存储约束、网络拓扑结构的不断变化等。研究DTN可以为这些网络在拓扑动态变化情况下提供一定QoS保障的服务，是实现“无处不在的网络”的一项关键技术。

发明内容

本发明公开了一种认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法，其根据不同用户业务的服务质量要求采取不同的多资源联合分配与优化方法，以实现基于正交频分复用的认知容迟网络资源优化分配，支持各种服务质量要求的认知用户数据传输，在高效利用系统资源的同时实现频谱共享。

本发明采取以下技术方案：

认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法，认知容迟网络基于正交频分复用调制模型，根据网络中不同用户的服务质量要求进行用户分类：高服务质量(对传输时延要求高)的认知用户(Delay Sensitive Secondary User，DSSU)、一般服务质量(可容忍一定时延)的认知用户(Delay Tolerant Secondary User，DTSU)，对于高服务质量认知用户(DSSU)，采用基于余量自适应准则(Margin Adaptation，MA)的子载波比特联合分配，在满足用户传输业务速率要求的同时最小化干扰功率；对于一般服务质量的认知用户(DTSU)，采用基于速率自适应准则(Rate Adaptation，RA)的子载波功率联合分配，在满足用户总干扰功率受限条件下最大化用户的传输速率。

优选的，认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法，按如下步骤：

(1)根据认知用户传输业务的服务质量要求进行K对认知用户的分类，分为高服务质量认知用户(时延敏感性认知用户，DSSU)与一般服务质量认知用户(时延容忍性认知用户，DTSU)。

(2)对K1对DSSU进行基于MA准则的多用户子载波比特联合分配，对(K-K₁)对DTSU进行基于RA准则的多用户子载波功率联合分配。

(3)基于MA准则的多用户子载波比特联合分配流程如下：

●子载波分配流程：

1)初始化K₁对高服务质量认知用户的子载波与速率；

2)寻找子载波n满足条件|h_k，n|≥|h_k，j|，j∈A₁，同时在子载波集合A₁＝{1，2，LN₁}中去除该子载波n，并更新第k个高服务质量认知用户的传输速率；

3)当子载波集合A₁≠Φ，则

a)寻找最佳的高服务质量认知用户k^*；

b)对于第k^*个用户，寻找满足条件

j∈A₁的最优子载波n^*；

c)对于找到的最佳高服务质量认知用户k^*和最优子载波n^*，更新其传输速率

d)直到子载波集合为空集A₁＝Φ；

●比特分配流程：

1)采用二维比特分配算法，在满足高服务质量认知用户多媒体业务传输速率的条件下，最小化其干扰功率；

2)得到第k个用户在第n个子载波上的最优分配比特b_k，n；

3)判断b_k，n，若b_k，n非整数，需要通过取整运算进行比特矫正；

4)结束比特分配；

(4)基于RA准则的多用户子载波功率联合分配流程如下：

●子载波分配流程：

1)初始化(K-K₁)对一般服务质量认知用户的子载波与速率；

2)寻找子载波n满足条件|h_k，n|²≥|h_k，j|²，j∈A₂，同时在子载波集合A₂＝{1，2，LN-N₁}中去除该子载波n，并更新第k个一般服务质量认知用户的传输速率；

3)当子载波集合A₂≠Φ，则

a)寻找最佳的一般服务质量认知用户k^*；

b)对于第k^*个用户，寻找满足条件

j∈A₂的最优子载波n^*；

c)对于找到的最佳的一般服务质量认知用户k^*和最优子载波n^*，更新最佳的一般服务质量认知用户的传输速率

d)直到子载波集合为空集A₂＝Φ；

●功率分配流程：

1)采用改进的开关注水功率分配算法，在满足一般服务质量认知用户的干扰功率受限条件下，最大化其传输速率；

2)得到第k个一般服务质量认知用户在第n个子载波上的最优分配功率p_kn；

3)判断p_kn，若p_kn小于零，则功率置零，并删除对应的子载波；若p_kn大于零，即为第n个子载波上分配的最优功率；

4)结束功率分配。

(一)认知用户分类与优化系统建模

本发明将CRN与DTN结合，研究基于不同用户服务质量要求的认知DTN中多资源联合分配与优化方法。

在认知容迟网络中，认知用户传输不同的业务对通信服务具有不同的QoS要求。首先根据不同认知用户需要传输的业务，对认知DTN中用户进行分类，时延敏感性认知用户(DelaySensitive Secondary User，DSSU)通常传输高服务质量(对传输时延要求高)业务流，如宽带语音传输和实时视频流等多媒体业务等，这类业务对延时非常敏感，需要保证业务的吞吐量；时延容忍性认知用户(Delay Tolerant Secondary User，DTSU)通常传输一般服务质量的业务流，如文件传输和E-mail等，业务的QoS要求相对不高，且用户对业务的延时具有一定的容忍，认知用户可以接受变速率业务传输。

在认知容迟网络中，一个最重要的问题就是如何智能地分配网络资源，支持各种QoS需求的用户通信，以高效利用系统资源。假设采用认知OFDM调制，需要对网络中子载波、比特、功率等多种资源进行最优分配。这一资源分配的问题通常抽象为一个凸集优化问题，本发明提出了一种动态多用户多资源优化分配方案。

认知DTN多用户接入网络的系统模型图如图2所示。该基于认知OFDM的DTN网络包括一对PU和K对SU。其中，SU中有K₁对DSSU，他们需要固定的传输速率R_k，k＝1，2，LK₁。(K-K₁)对DTSU对传输时延没有限制，可以用一种尽力而为(Best Effort)的方式进行传输。两类SU由一个认知基站(Cognitive Base Station，CBS)进行控制，CBS是一个中央控制器，负责数据融合与信道估计，根据各SU的信道状态信息(Channel State Information，CSI)控制认知DTN中各用户子载波、功率、比特的分配。主用户发射机(PUT)使用授权频段和主用户接收机(PUR)进行通信，同时K个认知用户发射机(SUT)机会地利用相同频段与相应的认知用户接收机(SUR)进行通信。设可利用的总信道带宽为BHz，它被划分为N个正交子载波。

通常，各SUT和PUR之间的信道为干扰链路，各SUT和对应SUR之间的信道为认知链路。K个认知用户采取OFDMA方式进行接入。|g_k，n|²和|h_k，n|²分别表示干扰链路和认知链路中第k个用户在第n个子载波的功率增益。假设CBS可以实时获得干扰和认知链路的信道状态信息(CSI)。基于CSI，CBS将不同的子载波分配给具有不同QoS时延要求的用户DSSU与DTSU，并且通过功率和比特分配算法为不同QoS要求的用户子载波分配不同的功率和比特。CBS限制的总干扰功率为P_total。将认知DTN系统场景模型抽象为图3所示。

假设链路信道均为瑞利平坦衰落，即子载波相干带宽大于符号带宽。定义第k个用户在第n个子载波上的传输速率为

$r_{k,n}={\log }_2(1+\frac{{\left|h_{k,n}\right|}^2{P}_{k,n}}{N_0\mathrm{\ΓB}/N})---\left(1\right)$

其中，N₀为AWGN单边功率谱密度。Γ为信噪比间隔，当传输符号采用MQAM调制与格雷编码映射时，

认知DTN中资源分配的目标是在总干扰功率受限条件下最优化分配子载波、功率和比特，使得在(K-K₁)个DTSU传输总速率最大的同时，满足K₁个DSSU的业务QoS要求。该优化问题的数学模型可以表示为

$\underset{P_{k,n},{\mathrm{\ρ}}_{k,n}\∈\left[\mathrm{0,1}\right]}{\arg \max }\underset{k=K_1+1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,n}{r}_{k,n}$

$s.t.\left\{\begin{array}{c}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,n}{r}_{k,n}=R_k\\ R_1:R_2:L{R}_{K_1}=r_1:r_2:L{r}_{K_1}\\ \underset{k=1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,n}{\left|g_{k,n}\right|}^2{P}_{k,n}=P_{\mathrm{total}},P_{k,n}>0,\∀k,n\\ \underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,n}=1,{\mathrm{\ρ}}_{k,n}=\left\{\mathrm{0,1}\right\},n=\mathrm{1,2},L,N\end{array}\right.---\left(2\right)$

其中，P_total为总干扰功率容限，ρ_k，n取1或0，表示子载波n是否分配给用户k。每个子载波只能分配给一个用户。是一组预先设定的值，保证DSSU之间的速率公平性。

该数学模型求解过程涉及到两类用户的资源分配问题。根据认知DTN中不同用户服务质量QoS要求，针对不同优化目标下的多资源分配问题分别进行求解。对于DSSU，优化目标是在满足DSSU速率要求的同时最小化DSSU干扰功率，采用基于余量自适应(MA)准则的多用户子载波比特联合分配。对于DTSU，优化目标是在总干扰功率的限制条件下最大化DTSU传输速率，采用基于速率自适应(RA)准则的多用户子载波功率联合分配。

(二)DSSU子载波比特联合分配

首先进行子载波分配，假设比特数在子载波间平均分配，比例速率最小的DSSU优先选择子载波。设N_k为第k个用户的子载波集合。

1)初始化：令N_k＝Φ，R_k＝0，k＝1，2，LK₁，子载波集合A₁＝{1，2，LN₁}；

2)当k＝1，2，L，K₁，寻找子载波n满足|h_k，n|≥|h_k，j|，j∈A₁。令N_k＝N_k∪{n}，A₁＝A₁-{n}，更新R_k＝R_k+R_total/N₁；

3)当A₁≠Φ，

a)寻找k^*满足

i＝1，2，L，K₁；

b)对于第k^*个用户，寻找n^*满足

j∈A₁；

c)对于找到的最佳DSSUk^*和最佳子载波n^*，令

A₁＝A₁-{n^*}，更新

$R_{k^{*}}=R_{k^{*}}+\frac{R_{\mathrm{total}}}{N_1};$

d)直到A₁＝Φ。

当DSSU子载波分配完毕后，进行子载波内的比特分配，即确定DSSU各用户的传输功率限。若DSSU采用MQAM进行符号调制，且在给定误比特率为Pr_b，第k个DSSU在第n个子载波上传输b_k，nbit的传输功率限为

$f\left(b_{k,n}\right)=\frac{N_0}{3}{\left[Q^{-1}\left(\frac{{\mathrm{Pr}}_b}{4}\right)\right]}^2(2^{b_{k,n}}-1)---\left(3\right)$

其中，f(b_k，n)为第k个DSSU在第n个子载波上可靠接收b_k，n比特所需的接收功率。f(b_k，n)为凸的增函数，传输所需功率随子载波上加载比特数的增加而增加，且f(0)＝0，即无比特传输时接收功率为零。采用二维比特分配算法

b_k，n＝f(|g_k，n|²，|h_k，n|²)            (4)

其中，|h_k，n|²和|g_k，n|²分别是认知链路和干扰链路的信道参数。记第k个DSSU在第n个子载波上加载b_k，n比特的传输功率为

$P_{k,n}\left(b_{k,n}\right)=\underset{m=1}{\overset{b_{k,n}}{\mathrm{\Σ}}}\mathrm{\Δ}{P}_{k,n,m}---\left(5\right)$

其中，ΔP_k，n，m为第k个DSSU在第n个子载波上已加载(m-1)比特，另外再加载1比特所需增加的功率。

因此，基于余量自适应准则(MA)的DSSU子载波比特联合分配，要求在满足DSSU多媒体业务传输速率的条件下最小化干扰功率，其最优化问题表示为

$\left\{\begin{array}{c}\arg \min P_{\mathrm{DS}}=\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{P}_{\mathrm{DSk}}=\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}\underset{n=1}{\overset{N_1}{\mathrm{\Σ}}}\underset{m=1}{\overset{b_{k,n}}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,n}{\left|g_{k,n}\right|}^2\mathrm{\Δ}{P}_{k,n,m}\\ s.t.\left\{\begin{array}{c}{R}_{\mathrm{total}}=\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}{R}_k=\underset{k=1}{\overset{K_1}{\mathrm{\Σ}}}\underset{n=1}{\overset{N_1}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,n}{b}_{k,n}\\ R_1:R_2:L{R}_{K_1}=r_1:r_2:L{r}_{K_1}\\ \underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{\ρ}}_{k,n}=1,{\mathrm{\ρ}}_{k,n}=\left\{\mathrm{0,1}\right\},n=\mathrm{1,2},L,N\end{array}\right.\end{array}\right.---\left(6\right)$

由式(3)和式(5)可知，序列

为一等比数列，首项

末项

公比为2。若末项最小，则DSSU的干扰功率可达到最小。由代数几何不等式：

当且仅当x₁＝x₂＝L＝x_N时，等号成立。因此，得到第k个用户在第n个子载波上的最优分配比特为

$b_{k,n}=\frac{2}{N_k}\underset{n=1}{\overset{N_k}{\mathrm{\Σ}}}{\log }_2\frac{\left|g_{k,n}\right|}{\left|h_{k,n}\right|}+\frac{R_k}{N_k}-2{\log }_2\frac{\left|g_{k,n}\right|}{\left|h_{k,n}\right|}---\left(7\right)$

其中

k＝1，2，L，K₁，n＝1，2，L，N_k。若b_k，n非整数，需要通过取整运算进行比特矫正。即若

比特矫正流程如下。

(a)B_l＝0，无需比特矫正；

(b)B_l＞0，选择B_l个子载波，比特差值按递减排序，在分配的各子载波上加载1比特；

(c)B_l＜0，选择|B_l|个子载波，比特差值按递增排序，在分配的各子载波上减去1比特。

(三)DTSU子载波功率联合分配

首先进行子载波分配，假设DTSU功率在子载波间平均分配，且比例速率最小的DTSU优先选择子载波。设N_k为第k个用户的子载波集合。

1)初始化：令N_k＝Φ，R_k＝0，k＝K₁+1，K₁+2，L，K，子载波集合A₂＝{1，2，LN-N₁}；

2)当k＝K₁+1，K₁+2，L，K，寻找子载波n满足|h_k，n|²≥|h_k，j|²，j∈A₂。令N_k＝N_k∪{n}，A₂＝A₂-{n}，更新第k个DTSU的传输速率 $R_k=R_k+{\log }_2(1+\frac{{\left|h_{\mathrm{kn}}\right|}^2(P_{\mathrm{total}}-P_{\mathrm{DS}})}{{\mathrm{\σ}}_{\mathrm{kn}}^2\mathrm{\ΓB}/(N-N_1)});$

3)当A₂≠Φ，

a)寻找k^*满足

i＝K₁+1，K₁+2，L，K；

b)对于第k^*个用户，寻找n^*满足

j∈A₂；

c)对于找到的最佳DTSUk^*和最佳子载波n^*，令

A₂＝A₂-{n^*}，更新

$R_{k^{*}}=R_{k^{*}}+{\log }_2(1+\frac{{\left|h_{\mathrm{kn}}\right|}^2(P_{\mathrm{total}}-P_{\mathrm{DS}})}{{\mathrm{\σ}}_{\mathrm{kn}}^2\mathrm{\ΓB}/(N-N_1)});$

d)直到A₂＝Φ。

当DTSU子载波分配完毕后，需要在每个子载波内进行功率分配，以满足(K-K₁)个DTSU在功率控制基础上最大化传输速率。基于速率自适应准则(RA)的子载波功率联合分配，要求在满足DTSU干扰功率受限条件下最大化用户的传输速率。在认知DTN中，若P_DS＞P_total，则DSSU中断服务，即无法保证DSSU的服务QoS，因此，对于DTSU，其干扰功率容限为(P_total-P_DS)，在此干扰功率容限下，对(K-K₁)个DTSU分配剩余子载波集合A₂和功率p_kn。最优化问题表示为

$\left\{\begin{array}{c}\underset{\left\{p_{\mathrm{kn}}\right\}}{\arg \max }{R}_k=\underset{n=1}{\overset{N_k}{\mathrm{\Σ}}}{\log }_2(1+\frac{{\left|h_{\mathrm{kn}}\right|}^2{p}_{\mathrm{kn}}}{{\mathrm{\σ}}_{\mathrm{kn}}^2\mathrm{\ΓB}/(N-N_1)})\\ s.t.\underset{n=1}{\overset{N_k}{\mathrm{\Σ}}}{\left|g_{\mathrm{kn}}\right|}^2{p}_{\mathrm{kn}}=\frac{N_k}{(N-N_1)}(P_{\mathrm{total}}-P_{\mathrm{DS}}),k=K_1+1,K_1+2,L,K\end{array}\right.---\left(8\right)$

采用拉格朗日乘子法求解上述优化问题，得到第k个DTSU在第n个子载波上分配的功率为

$p_{\mathrm{kn}}={[\frac{1}{{\mathrm{\λ}}_k\left(\ln 2\right){\left|g_{\mathrm{kn}}\right|}^2}-\frac{{\mathrm{\σ}}_{\mathrm{kn}}^2\mathrm{\ΓB}/(N-N_1)}{{\left|h_{\mathrm{kn}}\right|}^2}]}^{+}---\left(9\right)$

其中， ${\left(x\right)}^{+}=\left\{\begin{array}{cc}x& x>0\\ 0& x\≤0\end{array}\right..$ 注水水面为

令 $H_{\mathrm{kn}}=\frac{{\left|h_{\mathrm{kn}}\right|}^2}{{\mathrm{\σ}}_{\mathrm{kn}}^2\mathrm{\ΓB}/(N-N_1)},$ 由于λ_k为常数，故

$\frac{H_{\mathrm{kn}}/{\left|g_{\mathrm{kn}}\right|}^2}{1+H_{\mathrm{kn}}{p}_{\mathrm{kn}}}=\frac{H_{\mathrm{km}}/{\left|g_{\mathrm{km}}\right|}^2}{1+H_{\mathrm{km}}{p}_{\mathrm{km}}}$ n，m＝1，2，L，N_kk＝K₁+1，L，K            (10)

只要第m个子载波分配功率p_km确定，由式(10)可以递推出第n个子载波分配功率p_kn。将p_kn代入式(8)约束条件，得到

$p_{\mathrm{kn}}\≤\frac{1}{{\left|g_{\mathrm{kn}}\right|}^2{N}_k}[\frac{\underset{n=1}{\overset{N_k}{\mathrm{\Σ}}}{\left|h_{\mathrm{kn}}\right|}^2(P_{\mathrm{total}}-P_{\mathrm{DS}})}{\underset{k=K_1+1}{\overset{K}{\mathrm{\Σ}}}\underset{n=1}{\overset{N_k}{\mathrm{\Σ}}}{\left|h_{\mathrm{kn}}\right|}^2}+\underset{n=1}{\overset{N_k}{\mathrm{\Σ}}}\frac{{\left|g_{\mathrm{kn}}\right|}^2}{H_{\mathrm{kn}}}-\frac{N_k{\left|g_{\mathrm{km}}\right|}^2}{H_{\mathrm{km}}}],$ n，m＝1，2，L，N_kk＝K₁+1，L，K            (11)

通过上式计算可以得到第k个DTSU在第n个子载波上分配的功率。若p_kn＜0，则功率置零，并删除第n个子载波，使用

代替

一直到p_kn＞0。因此，由式(10)和式(11)可以递推出在第n个子载波上分配的功率p_kn。该算法和传统的注水法相比较，由于不需要迭代，直接计算出注入子载波上的功率，计算复杂度大大降低。

本发明根据网络中不同认知用户传输业务的服务质量要求进行用户分类，对于不同服务质量的认知用户采用不同准则的多资源联合分配方法，以实现认知容迟网络中基于正交频分复用的多用户多资源优化分配，在高效利用系统资源的同时实现频谱共享。

附图说明

图1为基于用户服务质量要求的认知DTN多资源联合分配与优化方法流程图。

图2为认知DTN多用户接入网络的系统模型图。

图3为认知DTN系统场景图。

图4为认知DTN中DSSU分配比特数与系统干扰功率关系仿真图。

图5为认知DTN中DTSU用户数与系统频带利用率关系仿真图。

具体实施方式

下面结合附图对本发明实施例作详细说明。

图1为基于用户服务质量要求的认知DTN多资源联合分配与优化方法流程图。该图给出了本发明对于认知DTN多资源联合分配与优化方法的具体实现过程。该方法包括首先根据DTN中不同用户的服务质量要求进行DSSU与DTSU用户的分类。而后，对于高服务质量认知用户(DSSU)，采用基于余量自适应准则(MA)的子载波比特联合分配，在满足用户传输业务速率要求的同时最小化干扰功率；对于一般服务质量的认知用户(DTSU)，采用基于速率自适应准则(RA)的子载波功率联合分配，在满足用户总干扰功率受限条件下最大化用户的传输速率。因此实现根据不同用户业务的服务质量要求采取不同的多资源联合分配与优化方法，以实现DTN中资源的最佳分配，同时支持各种服务质量要求的认知用户数据传输，在高效利用系统资源的同时实现频谱共享。

图2为本发明提出的认知DTN多用户接入网络的系统模型图。在该模型中，采用认知OFDM调制方式，即认知用户通过选择主用户不占用的子载波进行机会数据传输。通常，认知OFDM也称为不连续OFDM(NC-OFDM)，与传统OFDM收发信机相比，认知OFDM收发信机增加了子载波选择模块。根据认知用户频谱检测所得信息，认知用户发射机将相应的子载波关闭。

在认知DTN中，假设系统中有K个认知用户(包括K₁个DSSU和(K-K₁)个DTSU)，N个可用子载波。假设每个子载波的带宽远小于信道带宽，发送端已知各子载波的瞬时信道增益(信道状态信息CSI)，并且子载波、比特、功率分配的信息能够通过认知基站(CBS)在单独的控制信道上发送CSI，对各认知用户进行资源联合分配。

在认知DTN多用户接入发送端，认知基站(CBS)通过信道估计，执行自适应子载波、比特、功率算法，并通过控制信道将资源分配信息发送到资源分配器，多用户接入发送端执行相应的资源分配算法，即对DSSU进行子载波比特联合分配，对DTSU进行子载波功率联合分配。而后，各用户所分配的比特数据在各自的子载波上调制后进行快速傅立叶逆变换(IFFT)，并在每一个数据分组前插入循环前缀(CP)，以确保子载波之间的正交性，消除符号间干扰，最后经并/串变换后连接至射频发送模块与天线。在接收端，第k个认知用户接收机首先进行下变频与串/并转换，去除分组数据循环前缀，然后通过快速傅立叶变换(FFT)进行OFDM数据解调，最后按照CBS传输的子载波、比特、功率分配信息对子载波进行选择，以恢复出该认知用户在占用子载波内的传输数据，并通过相应的解码器进行解码恢复。

图3为认知DTN系统场景图。基于认知OFDM的DTN网络包括一对PU和K对SU。其中，SU中有K₁对DSSU，他们需要固定的传输速率R_k，k＝1，2，LK₁。(K-K₁)对DTSU对传输时延没有限制，可以用一种尽力而为(Best Effort)的方式进行传输。两类SU由一个认知基站(CBS)进行控制，CBS是一个中央控制器，负责数据融合与信道估计，根据各SU的信道状态信息(Channel State Information，CSI)控制认知DTN中各用户子载波、功率、比特的分配。主用户发射机(PUT)使用授权频段和主用户接收机(PUR)进行通信，同时K个认知用户发射机(SUT)机会地利用相同频段与相应的认知用户接收机(SUR)进行通信。设可利用的总信道带宽为BHz，它被划分为N个正交子载波。通常，各SUT和PUR之间的信道为干扰链路，各SUT和对应SUR之间的信道为认知链路。K个认知用户采取OFDMA方式进行接入。|g_k，n|²和|h_k，n|²分别表示干扰链路和认知链路中第k个用户在第n个子载波的功率增益。假设CBS可以实时获得干扰和认知链路的信道状态信息(CSI)。基于CSI，CBS将不同的子载波分配给具有不同QoS时延要求的用户DSSU与DTSU，并且通过功率和比特分配算法为不同QoS要求的用户子载波分配不同的功率和比特。

假设认知DTN网络中有K₁＝8对DSSU与K-K₁＝8对DTSU，可利用的子载波数N＝128。为简化分析，假设各DSSU所需的速率相同，其速率和为R_total，信道参数g_k，n和h_k，n服从复高斯瑞利平坦衰落。系统总干扰功率限制为P_total。考虑认知DTN系统误码率要求为10^-4，噪声功率N₀＝0.01mW/Hz。考虑两种资源联合分配方案：一种是DSSU和DTSU各分配64个子载波，每个用户平均分配8个子载波。而后，DSSU分别执行传统Hughes-Hartogs比特分配和基于MA的Chow比特分配算法，DTSU则分别进行平均功率分配与基于RA的自适应注水功率分配；另一种是DSSU根据多媒体业务QoS，优先分配96个子载波(即每个DSSU分配12个子载波)，而DTSU仅分配32个子载波(每个DTSU分配4个子载波)。同样，DSSU分别执行传统Hughes-Hartogs比特分配和基于MA的Chow比特分配算法，DTSU则分别进行平均功率分配与基于RA的自适应注水功率分配。

图4给出了认知DTN中DSSU分配比特数与系统干扰功率之间的关系。由图可知，随着DSSU速率R_total的增加，本方法提出的DSSU子载波优化分配方案均优于平均分配方案，它使得系统干扰功率明显降低。当DSSU子载波优化分配后，基于MA的Chow比特分配亦优于传统Hughes-Hartogs比特分配。例如，当R_total＝160比特/符号，基于MA的Chow比特分配算法较Hughes-Hartogs比特分配算法下降1dB的干扰功率，即在满足DSSU多媒体业务QoS速率的要求下，基于MA的Chow比特分配可以最小化DSSU干扰功率。这是因为，传统Hughes-Hartogs比特分配算法是一种单用户比特分配的最优贪婪算法，但不适用于多用户情况，在多用户场景下需要考虑各用户传输速率的公平性。本方法根据各DSSU子载波上的干扰功率增加值来分配比特，可以在DSSU业务QoS的目标速率要求下最小化DSSU干扰功率，是一种适合多认知用户业务QoS情况的子载波比特联合优化分配方法。

图5给出了认知DTN中DTSU用户数与系统频带利用率之间的关系。由图可知，随着DTSU用户数的增加，本发明提出改进的自适应注水功率分配算法优于平均功率分配算法，它可以大大提高系统的频带利用率。此外，DTSU子载波平均分配与优化分配的差异并不明显。例如，当DTSU为单用户时，改进的自适应注水功率分配算法仅优于平均功率分配算法约3.5bps/Hz；随着DTSU用户数的增加，基于RA的自适应注水功率分配明显优于平均功率分配，当DTSU用户数为5时，提出的改进注水算法所达系统频带利用率优于平均功率分配方案约13bps/Hz。即在满足DTSU干扰容限的条件下，本发明提出的基于RA的自适应注水功率分配方案可以最大化DTSU传输速率。此外，与子载波比特联合分配相比，DTSU子载波优化分配对于系统频带利用率的提升并不显著，这是因为对于DTSU，其传输业务QoS要求不高，DTSU占用的子载波对于系统频带利用率(容量)的提升并不明显。而在满足DTSU干扰容限的条件下，子载波内的功率优化分配则可以显著提高系统的频带利用率(容量)性能。因此，基于RA准则的自适应注水功率分配方案是一种适合一般服务质量认知用户的子载波功率联合优化分配方法。

本技术领域中的普通技术人员应当认识到，以上实施例仅是用来说明本发明，而并非作为对本发明的限定，只要在本发明的范围内，对以上实施例的变化、变型都将落在本发明的保护范围。

Claims (1)

1.认知容迟网络中基于用户服务质量要求的多资源联合分配与优化方法，其特征在于：（1）基于正交频分复用调制的认知容迟网络模型，根据网络中不同用户的服务质量要求，对K对认知用户进行分类：高服务质量的认知用户、一般服务质量的认知用户；

（2）对K₁对高服务质量的认知用户进行基于余量自适应准则的多用户子载波比特联合分配，在满足用户传输业务速率要求的同时最小化干扰功率；

●子载波分配流程：

1)初始化K₁对高服务质量认知用户的子载波与速率；

2)寻找子载波n满足条件|h_k,n|≥|h_k,j|,j∈A₁，同时在子载波集合A₁={1,2,…N₁}中去除该子载波n，并更新第k个高服务质量认知用户的传输速率；

3)当子载波集合A₁≠Φ，则

a)寻找最佳的高服务质量认知用户k^*；

b)对于第k^*个用户，寻找满足条件

的最优子载波n^*；

c)对于找到的最佳高服务质量认知用户k^*和最优子载波n^*，更新其传输速率

；

d)直到子载波集合为空集A₁=Φ；

●比特分配流程：

1)采用二维比特分配算法，在满足高服务质量认知用户多媒体业务传输速率的条件下，最小化其干扰功率；

2)得到第k个用户在第n个子载波上的最优分配比特b_k,n；

3)判断b_k,n，若b_k,n非整数，需要通过取整运算进行比特矫正；

4)结束比特分配；

（3）对（K-K₁）对一般服务质量的认知用户进行基于速率自适应准则的多用户子载波功率联合分配，在满足用户总干扰功率受限条件下最大化用户的传输速率；

●子载波分配流程：

1)初始化(K-K₁)对一般服务质量认知用户的子载波与速率；

2)寻找子载波n满足条件|h_k,n|²≥|h_k,j|²，j∈A₂，同时在子载波集合A₂={1,2,…N-N₁}中去除该子载波n，并更新第k个一般服务质量认知用户的传输速率；

3)当子载波集合A₂≠Φ，则

a)寻找最佳的一般服务质量认知用户k^*；

b)对于第k^*个用户，寻找满足条件

的最优子载波n^*；

c)对于找到的最佳的一般服务质量认知用户k^*和最优子载波n^*，更新最佳的一般服务质量认知用户的传输速率

；

d)直到子载波集合为空集A₂=Φ；

●功率分配流程：

1)采用改进的开关注水功率分配算法，在满足一般服务质量认知用户的干扰功率受限条件下，最大化其传输速率；

2)得到第k个一般服务质量认知用户在第n个子载波上的最优分配功率p_kn；

3)判断p_kn，若p_kn小于零，则功率置零，并删除对应的子载波；若p_kn大于零，即为第n个子载波上分配的最优功率；

4)结束功率分配；

所述的|h_k,n|²表示认知链路中第k个用户在第n个子载波的功率增益，N表示正交子载波数，N₁表示高服务质量的认知用户占用子载波数。

Images