CN102714605A

CN102714605A - 成簇的网络节点中配置改变的管理

Info

Publication number: CN102714605A
Application number: CN2010800618080A
Authority: CN
Inventors: 戴维德·切卢比尼; 拉扎维·鲁兹贝赫; 莱斯特·T·W·何; 米歇尔·波特兰
Original assignee: Alcatel Optical Networks Israel Ltd
Current assignee: Alcatel Lucent SAS; Alcatel Optical Networks Israel Ltd
Priority date: 2010-01-18
Filing date: 2010-12-16
Publication date: 2012-10-03
Anticipated expiration: 2030-12-16
Also published as: EP2346209A1; JP5367183B2; WO2011085785A1; KR20120109632A; US20130053046A1; JP2013517721A; CN102714605B; EP2346209B1; KR101398408B1; US9313675B2

Abstract

提供了一种配置通信网络中节点的方法，其中，节点对其各自相邻节点的至少一个的配置变化做出反应。该方法包括步骤：识别相邻节点簇；识别簇中哪些节点位于邻接另一簇的边界区域；调整所述边界区域中节点的配置，以响应所述边界区域中其他节点的配置；并在考虑所设置的所述边界区域中节点的配置时，调整该簇中节点的配置，以响应该簇中其他节点的所调整配置。

Description

成簇的网络节点中配置改变的管理

技术领域

本发明涉及通信领域，尤其涉及在通信网络中配置节点。

背景技术

用于网络中节点的自配置的分散式算法，遭受其可能无法收敛至可用的解决方案的风险。这在包括许多相互作用节点的大型网络中尤为如此。例如，在网络优化的许多情况下，网络节点——如蜂窝通信基站或光交换机——的配置，依赖于相邻网络节点的配置，反之亦然。这意味着，当网络节点改变其配置——在改变该网络节点的性能或特征的意义上——时，这触发多个相邻节点改变其配置，这导致它们的相邻网络节点改变其配置，等等。这是能够导致网络中的多次中断的问题，而且，如果中断严重且传播至整个网络，甚至可能导致灾难性的故障。

大型网络的行为是无法被精确预测的，其中，该等大型网络的交互节点是分布式的，在缺少中心控制的意义上。这是由于此类系统复杂并且精确的分析很困难或不可能。此外，各个节点所能获得的信息是受限的。

相反地，在具有中心控制或集中控制的系统中，中心控制能对整个系统有良好的了解，因而可以决定良好的网络配置，例如关于在网络节点中执行自配置算法，因此以受控的方式实现配置。然而，集中的方式面临可扩展性的问题，因为难以应用于大规模网络，例如难以应用于快速变化的网络，该网络包括大量节点，如飞小区(femtocell)部署。

在本文中，飞小区基站有时被称为毫微微基站(femto)。

发明内容

读者参照所附独立权利要求。多个优选的特征在从属权利要求中被列出。

本发明的一个示例是配置通信网络中节点的方法，其中，节点对其各自相邻节点的至少一个的配置变化做出反应。该方法包括步骤：

识别相邻节点簇；

识别该簇中哪些节点位于邻接另一簇的边界区域；

调整所述边界区域中节点的配置，以响应所述边界区域中其他节点的配置变化；

在考虑所设置的所述边界区域中节点的配置时，调整该簇中节点的配置，以响应该簇中其他节点的配置变化。

本发明优选实施例将网络划分为簇，并执行在边界区域中的节点的配置。由于每个节点调整其设置以响应相邻节点的相应设置的变化，在边界区域的节点将改变的传播限制于簇内。换句话说，通过将网络划分成具有边界区域的簇，振荡和故障可能传播至整个簇，但被阻止蔓延至其他簇。在多个实施例中，当簇的尺寸是已知的，硬件被适当地选择以执行所涉及的计算工作。

附图说明

通过举例，并参照附图，本发明的实施例现被描述，其中：

图1为示出已知的小区覆盖范围变化传播至分布式蜂窝网络的框图(现有技术)，

图2为示出在图1所示分布式蜂窝网络的小区覆盖优化中的已知振荡(现有技术)的框图，

图3为示出根据本发明第一实施例的小区簇网络的框图，

图4为示出在图3所示网络中小区覆盖的簇内优化的框图，

图5为示出随后阶段该网络中小区覆盖的框图，在此阶段，簇间的边界开始被识别，

图6为示出在随后阶段该网络中小区覆盖的框图，在此阶段簇间的边界被简绘出来，

图7为示出在随后阶段该网络中小区覆盖的框图，在此阶段通过边界优化边界被更好地定义，

图8为示出该网络中作为结果的小区覆盖的框图，

图9为从在图3所示网络中单个小区的角度来示出小区覆盖优化过程的框图，

图10为示出根据本发明第二个实施例的网络的框图，其中，簇相重叠，

图11为示出根据本发明第三个实施例的网络的框图，其中，一个簇中的部分小区形成内部和边界区域，且该部分小区处于其他簇中，及

图12为示出根据本发明第四个实施例的网络的框图，其中，一个簇中部分小区仅形成边界区域，且该部分小区处于其他簇中。

具体实施方式

作为网络节点优化的一个示例，发明人考虑小区覆盖优化，更具体地，是在飞小区部署中的小区覆盖优化，换句话说，其中，网络节点是飞小区基站。因其易于可视化，发明人考虑将小区覆盖优化作为一个示例。当然，节点的其他性能或属性可附加地或作为替代地被优化。

发明人考虑过在飞小区配置中小区覆盖优化的已知方法。这里，飞小区的覆盖被调整以实现目标，例如负载平衡、干扰最小化及防止覆盖范围盲区。这是通过改变导频信道的发射功率及改变基站天线配置来实现的。发明人认识到在使用分布式算法的已知系统中，网络一个部分中的变化可能传播至整个网络，如图1所述(现有技术)。图1示出按照时间的四个顺序示例(步骤i、ii、iii和iv)中的三个相邻飞小区(A、B和C)。例如，如图1所示，飞小区A减少其覆盖范围(步骤ii)，结果引起其相邻飞小区B增加它的覆盖范围(步骤iii)以填补覆盖缺口。这依次导致飞小区C减少(步骤iv)其覆盖范围。此类覆盖的变化可导致临时情况，其中，服务质量被降低且控制信令(相对于用户流量)被增加。

还存在不稳定振荡行为可能发生的风险，其中，网络不能收敛至稳定的配置。例如，如图2所示(现有技术)，两个相邻飞小区(这里表示为D、E)可以落入一个循环，其中，每个交替地扩展和收缩其覆盖区域以适应另一个的覆盖区域，但并未到达稳定的覆盖区域配置。此类破坏是不合需要的。

现在转至本发明的一个实施例，因其易被可视化，我们再次考虑以覆盖优化为例。我们考虑，包括至普通数字用户线接入复用器(DSLAM)的回程连接的飞小区如何被视作一个簇，每个簇如何优化该簇内的小区覆盖(“内部优化”)，如何确定簇之间的边界，以及边界上的飞小区如何在其覆盖方面被优化(“边界优化”)。通过使用边界优化，在边界上的飞小区的小区覆盖区域变得固定，如此使得在一个簇中的飞小区的小区覆盖区域内的破坏和扰动被限制在该簇中。

飞小区的成簇

如图3所示，飞小区基站(为便于理解，其中的几个被表示为2)中的每个通过各自的数据用户线(xDSL)——换句话说，互联网回程连接——被连接至与其他飞小区共享的数字用户线接入复用器(DSLAM)。连接至同一DSLAM的所有飞小区形成簇。在图3中，被表示为簇A、簇B、簇C和簇D的毫微微基站的四个此类簇被示出，簇A中的毫微微基站被示为黑色三角形，簇B中的毫微微基站被示为白心圆形，簇C中的毫微微基站被示为黑色矩形，簇D中的毫微微基站被示为黑色圆形。该等DSLAM被一起连接入包括中心局4的城域接入网(MAN)，该中心局具有至通信世界其余部分(未示出)的骨干连接6。通过该MAN，信息在多个DSLAM之间被交换。

簇内优化(“内部优化”)

如图4所示，最初每个簇独立地开始其自己的毫微微基站覆盖区域优化过程。在此实施例中，优化过程使用遗传编程，例如，正如从Ho L T W、Ashraf I和Claussen H在2009年9月的IEEE PIMRC 09会议所发表的、名为“使用遗传编程的演进式飞小区覆盖优化算法”的论文来获知，以及更一般地，由John Koza所著的、麻省理工学院出版社1992年出版的图书“遗传编程：关于通过自然选择的方式的计算机编程”来获知。

另外类似地，在其他一些实施例(未示出)中，遗传编程的替代方法被使用，如增强学习和神经模糊逻辑。在一些实施例(未示出)中，两个或更多方法被结合使用。

如图4所示，最初每个簇不知道其各自的邻居，故簇间的边界未被定义，因此可被视为仅是虚拟的。每个簇内的优化旨在将在每个簇的区域内的整体覆盖最大化并识别边界，如下面关于图5和6所解释。

定义簇间的边界

如图5所示，每个毫微微基站2具有相关的飞小区覆盖区域，为便于理解，其中的几个由引用数字10来表示。在最大化每一簇内的覆盖的过程中，邻近簇在其覆盖区域将相重叠，以定义各自的边界12。这可通过比较图5和图6来看出，其中，簇A和簇B内的覆盖区域的优化具有填充图5中无覆盖的区域8的效果，以便给出图6中所示的覆盖，图6其中包括定义簇A和簇B之间的边界。

边界定义过程是依据来自移动用户终端的反馈信息的。当移动用户终端检测到它在两个相重叠的飞小区的重叠覆盖区域内，但该两个飞小区被连接至不同的数字用户线接入复用器(DSLAM)，换句话说，该两个毫微微基站在不同的簇中，那么该移动用户终端将此情况通知该两个毫微微基站。该两个毫微微基站中的每一个依次地将该信息转发至其各自的DSLAM，其中，该信息被用于更新识别边界上的毫微微基站的数据库表格。

在一些情况下，边界上的部分毫微微基站是事先获知的。

被识别为在边界上的毫微微基站在其覆盖区域内被保持稳定

每个簇的DSLAM从簇内小区覆盖优化过程中，移除被识别为沿边界的毫微微基站。在该簇内的过程中，其覆盖区域接着被认为是稳定的而不是变化的。因此，当在小区尺寸大小的改变或扰动传播至一个簇，由于在边界上的这些毫微微基站具有稳定的覆盖区域，从而采取行动抑制或阻止该改变或扰动进入邻近簇。

被识别为在边界上的毫微微基站的覆盖区域被优化(“边界优化”)

如图7所示，沿着与邻近簇的边界的小区就其小区覆盖被优化，而未进一步考虑在其各自簇中的其余毫微微基站。这仅仅提供边界区域内的最大覆盖。为了描述，虚线仅被示出以表明边界区域边缘，在边界(实线)和边界区域边缘(虚线)之间的此类毫微微基站被认为是在各自边界中用于实现小区覆盖优化的目的。

在此示例中，该优化过程利用遗传编程，例如，正如从Ho L T W、Ashraf I和Claussen H在2009年9月的IEEE PIMRC 09会议所发表的、题为“使用遗传编程的演进式飞小区覆盖优化算法”的论文来获知，以及更一般地，由John Koza所著的、麻省理工学院出版社1992年出版的图书“遗传编程：关于通过自然选择的方式的计算机编程”来获知。另外类似地，在其他一些实施例(未示出)中，遗传编程的替代方法被使用，如增强学习和神经模糊逻辑。在一些实施例(未示出)中，两个或更多方法被结合使用。

该优化过程由被选中为每个边界进行该处理的数字用户线接入复用器(DSLAM)来执行。在一个可选的实施例中(未示出)，该过程可由相关毫微微基站以分布式的方式下来执行。在另一个可选的实施例(未示出)中，该优化过程由外部实体——如计算单元——来执行。

边界优化的结果在图8中被示出，以供与图7相比较。例如，将看出，沿边界的覆盖缺口已被关闭。

簇内优化与沿边界优化之间的关系

如上所描述的簇内优化与沿边界优化的过程是基本上独立的，以致变化在一个簇中的传播被沿其边界的毫微微基站阻挡，以免蔓延至其他簇。这意味着任何破坏被限制在一个簇中，从而限制其影响。

在本实施例中，边界小区覆盖的变化影响簇内覆盖，但反之不然。

收敛至整体小区覆盖解决方案

簇内优化和沿边界优化的过程，在两者均持续寻求对毫微微基站的覆盖区域的优化以提供整体最佳解决方案的意义上来说，均是独立的。当然，这种方式能够对拓扑变化——例如，当新的毫微微基站被引进或被开启或关闭——做出反应。

由于每一簇是由其毫微微基站被连接至的数字用户线接入复用器(DSLAM)来定义的，可能处于该簇的毫微微基站的最大数量是事先获知的。因此，在边界区域中的毫微微基站的最大数量是有限的，同样地，达到收敛的解决方案的计算复杂度也是有限的。这意味着，针对这些在所涉及毫微微基站的数量规模上的过程，用于内部优化和边界优化的计算硬件可能在速度、功耗、大小等方面被优化。在该实施例中，计算硬件被置于数字用户线接入复用器(DSLAM)中。在一个可选的分布式方法中(未示出)，该硬件被分布于毫微微基站中。在另一个可选实施例中，该硬件是位于外部实体(例如，计算单元)中。

从单个毫微微基站的角度的过程

为进一步解释上述方法，让我们考虑在一个簇内的单个毫微微基站。如图9所示，一旦启动(步骤a)，该毫微微基站自动被包括在内部优化过程中(步骤b)，该过程处理簇内毫微微基站的功率，从而覆盖区域。为此，该毫微微基站被赋予“正常”状态。

关于该毫微微基站是否(步骤c)在边界区域中的询问，随后被发起。该询问是基于每一算法迭代被做出的(在一个可选实施例中，该询问可以在每一时间帧被做出)。一旦该毫微微基站，由于来自移动用户终端关于该情况的通知消息或相邻毫微微基站发现的过程，被发现(步骤d)位于边界区域，接着该毫微微基站的状态被改变(步骤e)为“边界”。

这时候，尽管该“边界”状态的毫微微基站依然是内部优化过程(步骤h)的一部分，其功率水平从而覆盖区域为此目的而被设置为稳定(步骤g)。在另一方面，该“边界”状态的毫微微基站被包括在边界优化过程(步骤f)内，该过程未考虑非边界区域的毫微微基站。

引入边界的效果——当簇内发生变化时，阻止网络中的所有节点被重新配置——可能意味着，结果，理论上最优的全局覆盖配置可能无法实现。在一些实施例中(未示出)，与此理想的偏差可能被测量或被评估，并可能用作在成簇和优化方法中的参数。

变体

在上述示例中，数字用户线接入复用器(DSLAM)被用于协调边界区域毫微微基站的识别。一个可选方案是以分布式方式代替执行该过程。另一可选的是由外部实体，例如计算单元，执行该过程。

在上述示例中，多个毫微微基站通过被连接至相同的DSLAM被认为是成簇的。在其他实施例中，可能为其他分组方式，如根据毫微微基站的寻呼区域代码对其进行分组。

边界优化和簇内优化被执行的顺序可能取决于给定的场景和限制条件。例如，在多个其他实施例中，例如，如果毫微微基站是拓扑感知的以致在边界上的该等毫微微基站被识别而无需簇内优化，那么在簇内优化前，边界优化被执行。在多个其他实施例中(未示出)，例如，在毫微微基站需要最小化设置时间的关键应用(criticalapplication)中，边界优化和簇内优化并行地被执行。

如图10所示，在与参照图3至8A所描述场景略微不同的场景中，多个簇可略微重叠。例如，这种情况可能发生在真实的xDSL部署中，其中被不同数字用户线接入复用器(DSLAM)服务的地区有所重叠。根据图3至8所描述的方法可适用，除了导致较宽的边界区域。

如图11和12所示，其他一些场景为，多个飞小区基站属于第一簇，从第一簇的主要部分脱离而处于第二簇中。

如图11所示，处于簇B中的、大量来自簇A的毫微微基站可被认为是“岛”，同时包括在内部区域14和边界区域中的小区。在此，该内部区域依据例如网络中的拓扑记录表格中的信息std，被识别。对于在内部区域14中的毫微微基站，区域内优化(簇内类型的优化)被执行。对于在边界区域16中的毫微微基站，边界优化被执行。

如图12所示，处于簇B中的、少量来自簇A的毫微微基站可以被认为是“环状礁”，仅包括边界区域18。对于在边界区域18中的飞小区，仅边界优化被执行。

本发明可能以其他具体形式被实现，而不背离其本质特征。所描述的实施例在所有方面应被视为仅说明性的而非限制性的。因此，本发明的范围通过所附权利要求而不是上述描述来表明。来自在该等权利要求等效的意义和范围内的所有变化，均包括在该等权利要求的范围内。

本领域技术人员可以容易地识别出上述各种方法的步骤可通过编程的计算机来执行。一些实施例涉及程序存储设备，例如，数字数据存储介质，它们为机器可读或计算机可读，并对机器可执行或计算机可执行的指令程序进行编码处理，其中，所述指令执行所述上述方法的部分或全部步骤。该等程序存储设备可包括，例如，数字存储器；磁存储介质，如磁盘和磁带；硬盘驱动器或光可读数字数据存储介质。多个实施例涉及经编程以执行以上描述方法的所述步骤的计算机。

Claims

1.一种配置通信网络中节点的方法，其中，节点对其各自相邻节点的至少一个的配置变化做出反应，该方法包括步骤：

识别相邻节点簇；

识别该簇中哪些节点位于邻接另一簇的边界区域；

2.根据权利要求1所述的方法，其中，所述调整所述边界区域中节点的配置与所述调整该簇中节点的配置并行发生。

3.根据权利要求1或2所述的方法，其中，该等节点包括蜂窝基站。

4.根据权利要求3所述的方法，其中，被调整的基站配置的特征包括小区的尺寸。

5.根据权利要求3或4所述的方法，其中，所述识别簇中哪些节点位于边界区域，是依据不同簇中基站间重叠覆盖区域内的移动用户终端的位置信息。

6.根据权利要求3至5中任一项所述的方法，其中，簇的每一基站被连接至与各自的簇相关的共享回程节点，尤其为数字用户线接入复用器。

7.根据前述任一项权利要求所述的方法，其中，所述配置节点的方法也在所述另一簇中被执行。

8.根据前述任一项权利要求所述的方法，其中，所述调整所述边界区域中节点的配置连续地和/或迭代地发生。

9.根据前述任一项权利要求所述的方法，其中，所述调整该簇中节点的配置以适应该簇中其他节点的被调整配置，连续地和/或迭代地发生。

10.一种包括节点的通信网络，其中，该等节点被配置以对其各自相邻节点的特征的变化做出反应，该网络被配置以：

识别相邻节点簇；

识别该簇中哪些节点位于邻接另一簇的边界区域；

调整所述边界区域中节点的特征，以响应所述边界区域中其他节点的特征变化；

在考虑所设置的所述边界区域中节点的特征时，调整该簇中节点的特征，以响应该簇中其他节点的特征变化。

11.根据权利要求10所述的通信网络，其被配置以并行执行所述调整所述边界区域中节点的特征与所述调整该簇中节点的特征。

12.根据权利要求10或11所述的通信网络，其中，所述节点包括蜂窝基站，所述被调整的、所述节点的特征包括小区尺寸。

13.根据权利要求12所述的通信网络，其中，所述节点包括飞小区基站。

14.根据权利要求10所述的通信网络，其中，所述网络也被配置来在所述另一簇中调整多个节点的特征以响应它们的相邻小区。

15.根据权利要求10至14中任一项所述的通信网络，其中，所述网络被配置来以连续地和/或迭代地方式调整所述边界区域中节点的特征以响应所述边界区域中其他节点的特征的调节，并调整该簇中节点的特征以响应该簇中其他节点的特征的调节。