CN103686832A - 用于在多个无线电技术的情况下进行干扰和拥塞检测的方法 - Google Patents

Abstract

用于区分基站与终端之间的无线通信信道中的干扰和拥塞的方法包括：在多个时间间隔中的每一个时间间隔期间，测量所述基站与所述终端之间的网络业务的参数集合，以及确定相应集合彼此相关的程度。该方法还包括：基于所述参数集合之间的相关程度来确定所述通信信道正在经历干扰还是拥塞。

Description

用于在多个无线电技术的情况下进行干扰和拥塞检测的方法

技术领域

本文描述的实施例涉及用于区分基站与终端之间的无线通信信道中的干扰和拥塞的方法和系统。

背景技术

毫微微小区被定义为小型短距离无线电基站，其中，小型短距离无线电基站可以在无需预先规划的情况下被部署并且支持一定程度的自管理功能，使得它们可以配置和适应环境。自管理功能包括动态配置和优化，其可以由频率和无线电接入技术(RAT)选择或调谐以及触发切换或卸载业务构成。可选择地，毫微微小区还可以支持自我修复和诊断能力。

通常，毫微微小区将向管理服务器报告性能测量和故障事件，其中，管理服务器可以提供默认毫微微小区配置。然而，对于动态配置改变，该RRM方法不可扩展，因此相应的毫微微小区必须亲自做出决定或者与其它毫微微小区协作做出决定。这些决定的示例包括是否改变RAT、频带、或功率电平，或者是否进入干扰抑制模式，以及何时以及如何与其邻居协作。

通常，当在相邻毫微微小区之间存在干扰风险时，相邻毫微微小区将需要在资源利用方面协作。例如，由于两个或更多个毫微微小区利用在相同的地区共享相同的无线电资源(例如，频带)的RAT，因此可能出现干扰。通常不存在足以向相同地理区域内的不同毫微微小区分配单独的、非重叠的RAT/频带的无线电资源。实际上，由于缺乏对准确的位置和传播环境的了解，因此朝向无线电资源的更有效使用以及室内毫微微小区的快速自组织部署的发展使得分配单独的RAT没有吸引力。

从信道性能的下降可以看出在通信信道中存在干扰这样的事实。然而，问题在于区分通信信道中的干扰和拥塞是有意义的(特别是在多种无线电技术的情况下)。其原因在于，在两种情况下，尽管由于不同的原因，但是正常的性能测量动态地改变。例如，可能由于拥塞以及干扰引起帧差错以及超时。因此，毫微微小区可能难以确定性能的下降是否是由于干扰引起的(因此，需要与相邻毫微微小区协作)或者性能的下降是否是由于拥塞引起的(在该情况下，可以不需要与其它毫微微小区协作)。当网络业务本身是突发性的且不可预知的时，该问题尤其严重。

用于区分毫微微小区网络中的干扰和拥塞的传统方法包括测量毫微微小区与相应终端之间的通信信道的一个或多个参数，以及确定这些参数是否在阈值以上。例如，这些参数包括小区负载、传输差错和传输超时。例如，阈值可以用于定义执行切换、改变RAT或增加/减小发射功率的点。

重要的是，阈值本身对于某些RAT是特定的。因此，在支持多种RAT的情况下，将必须针对每一种RAT计算单独的阈值，其中，阈值是根据相关联的应用要求来映射的。虽然自组织网络(SON)原理可以以自主的方式调整阈值，但是当涉及多种RAT时，阈值的映射仍然很复杂，并且该过程容易出现转换问题。此外，相交(crossings)和误检率将很高，并且通常必须通过简单地在一段时间内对阈值相交事件的数目进行计数来对相交和误检率进行滤波。

虽然在标准(例如，3GPP LTE——参见3GPP TS36.213)中存在干扰协调方法，但是这些方法是针对大型宏小区单RAT部署而设想的，并且不容易实现在低成本毫微微小区部署中，在低成本毫微微小区部署中，回程通常在ADSL宽带连接上。例如，3GPP LTE标准指定X2接口(3GPP TS36.423)，其支持基站之间的干扰指示信号(例如，高干扰或过载指示符)，但是在针对毫微微小区基站(称作HeNB)的标准中不包括该X2接口。此外，在标准中未定义由接收方解释这些信号中的二进制标记的方式以及发送这些信号的频率，这引入了不定性。因此，在该情况下，不能可靠地以信号形式向相邻毫微微小区发送干扰指示。此外，不能在不同的RAT(例如，LTE和WiMAX毫微微小区)之间发送信号。

因此，需要提供一种用于在本地区分毫微微小区通信网络中的干扰与拥塞的改进方式。

附图说明

图1示出了具有重叠的覆盖区域、因此遭受来自彼此的干扰的两个基站的示意图；

图2示出了用于区分基站与终端之间的通信信道中的干扰和拥塞的传统方法；

图3示出了当使用图2中所示的传统方法时必须如何针对不同的RAT计算单独的阈值的示意图；

图4示出了根据本文描述的实施例的用于区分基站与终端之间的通信信道中的干扰和拥塞的方法；

图5是所描述的实施例如何避免针对不同的RAT计算单独的阈值的需要的示意图；

图6示出了根据所描述的实施例的如何测量基站与终端之间的网络业务的不同参数以及如何将这些参数分组为集合的示意图；

图7示出了指示如何使用根据所描述的实施例的方法改善不同负载等级的传递性能(在延迟分布方面)的仿真结果；以及

图8示出了指示当使用根据所描述的实施例的方法时，成功地区分无线通信信道中的干扰和拥塞的概率如何根据熵阈值、测量采样的数目(N)、以及采样的排序而改变的仿真结果。

具体实施方式

第一实施例提供了一种用于区分基站与终端之间的无线通信信道中的干扰和拥塞的方法，包括：

在多个时间间隔中的每一个时间间隔期间，测量所述基站与所述终端之间的网络业务的参数集合；

确定相应的参数集合彼此相关的程度；以及

基于所述参数集合之间的相关程度来确定所述通信信道正在经历干扰还是拥塞。

在一些实施例中，所述方法可以包括：使用相关参数对所述相关程度进行量化，以及基于所述相关参数在阈值以上还是以下，来确定所述通信信道正在经历干扰还是拥塞。

在一些实施例中，所述方法可以进一步包括：使用所述相关参数的值来决定是否将通信从所述基站切换到另一基站。

在一些实施例中，每一个测量参数集合可以用于定义相应向量。所述确定所述相应的参数集合彼此相关的程度的步骤可以包括：对所述相应向量执行聚类分析。

在一些实施例中，所述聚类分析可以包括：定义一个或多个聚类中心，以及确定每一个向量与每一个聚类中心的距离。

在一些实施例中，所述执行聚类分析的步骤可以包括：

i)指定要在所述分析中使用的聚类中心的数目；

ii)初始化隶属度矩阵；

iii)使用所述隶属度矩阵中的向量和值来计算每一个聚类中心的位置；

iv)重新计算所述隶属度矩阵的值，使得所述隶属度矩阵中的所述值指示每一个向量与相应的聚类中心的距离；

v)使用所重新计算的隶属度矩阵来计算目标函数；

vi)重复步骤iii)至v)，以最小化所述目标函数；以及

vii)使用最终计算的所述隶属度矩阵的值来确定所述相关参数。

在一些实施例中，所述聚类中心的数目被指定为2。

在一些实施例中，所测量的参数可以包括以下各项中的两项或更多项：帧差错、超时、接收信号电平、以及小区负载。

第二实施例提供了一种用于通过通信信道向一个或多个终端传送信息的蜂窝基站，所述基站被配置为执行根据第一实施例所述的方法。

第三实施例提供了一种用于通过通信信道接收从基站发送的信息的终端站，所述终端站被配置为执行根据第一实施例所述的方法。

第四实施例提供了一种计算机可读存储介质，包括计算机可读代码，当计算机执行所述计算机可读代码时，所述计算机可读代码将使所述计算机执行根据第一实施例所述的方法。

图1示出了共享网络资源以与多个用户设备进行通信的一对基站HNB1和HNB2的示例。每一个基站具有其自身的相应覆盖区域1、3，如圆形虚线所示。在该示例中，HNB1与位于其覆盖区域内的第一用户设备UE1进行通信。类似地，HNB2与位于其自身的覆盖区域内的第二用户设备UE2进行通信。

除了与UE1进行通信以外，HNB1还与第三用户设备UE3进行通信。第三用户设备位于两个毫微微小区的覆盖区域之间的重叠区域内。因为UE3位于HNB1和HNB2二者的范围内，因此即使仅期望HNB1与UE3进行通信，UE3也可能经历来自HNB2的干扰。因此，在HNB1和UE3之间的通信信道中出现下降的情况下，HNB1必须确定该下降是由于拥塞引起的还是由于来自HNB2的干扰引起的。

将下降归类为是由于干扰还是由于拥塞引起的传统方法依赖于测量通信信道的特定参数以及确定这些参数处于某一阈值以上还是以下。一个示例如图2所示，图2示出了用于确定在基站处进行拥塞避免还是干扰避免的流程图。在步骤S21，对考虑中的通信信道的SINR和差错率进行测量。如果发现差错率在第一阈值X以下(步骤S22)，则序列返回步骤S21。如果差错率在阈值X以上，则序列前进至步骤S23，在步骤S23中，将SINR与第二阈值Y进行比较。在确定SINR在阈值Y以上的情况下，做出关于增加的差错率是由于拥塞引起的决定，并且基站相应地做出响应(步骤S24)。如果发现SINR在阈值Y以下，则做出关于增加的差错率是由于来自附近的其它站的干扰引起的决定。然后，基站执行用于干扰避免的协议(步骤S25)。在这两种情况下，该方法然后返回步骤S21。

在上文描述的传统方法中出现的问题在于：测量是特定于技术的并且根据如何对它们进行定义而动态地改变；必须针对每一种无线电接入技术来计算这些阈值，并且必须根据相关联的应用要求来映射这些阈值。在图3中示意性地示出了这一点。

在图4中示意性地示出了在一个实施例中使用的对下降的原因进行归类的方法。该方法从在一系列离散时间间隔期间监控通信信道的各个参数(例如，帧差错、接收信号电平、小区负载等)开始。基于通用超时(X)的触发用于确定通信信道的下降何时严重到足以证明继续对测量参数进行进一步分析是合理的(步骤S42)。当发现超时超过某一阈值时，该方法前进至步骤S43。在这里，共同地分析在每一个时间间隔内测量的相应参数集合，以确定它们之间的相关程度。分析以计算熵值结束，该熵值对数据向量(即，相应的参数集合)彼此相关的程度进行度量。如果熵值在阈值Y以下，则可以(即，基于业务模式)解释相应的测量数据集中的性能下降，这意味着拥塞避免是适当的(步骤45)。相反，如果熵值在阈值Y以上，则这指示性能下降是由于来自相邻基站的干扰引起的，因此干扰避免是适当的响应(S46)。

所描述的实施例与图2中所示的方法之间的主要构造区别在于：不是对相应的动态测量设置绝对的、无线电技术特有的阈值(例如，用于触发相应动作的SINR阈值)，而是这些实施例试图确定在每一个间隔内测量的参数组之间的相关性，以导出不特定于具体的无线电技术或属性的通用阈值或“熵”度量。相反，熵度量指定了基本技术特有的测量之间的相关程度，因此对特定的值及其解释不予考虑。

熵不仅确定测量集合的相关程度，而且还可以帮助解释潜在的性能参数的变化原因。计算熵的优点在于：它避免了对与技术特定的测量(例如，SINR，其需要技术特定的映射)有关的阈值的需要。在图5中示意性地示出了这一点。

实施例可以对本地获得的测量进行组合，然后通过使用层3(独立于RAT的)方法的通用方式以信号形式发送干扰或拥塞通知。一些实施例可以对在每一个时间间隔内测量的参数集合使用聚类以确定这些集合之间的相关性。这样做可以提供对相应参数的变化原因的更好洞察，并且可以避免获得以及映射适当的阈值准则集合以用于可靠地检测干扰和拥塞的难度。

在一些实施例中，模糊c均值聚类算法可以用于确定测量的参数集合之间的相关程度。过去使用模糊聚类算法用于诸如图像中的模式识别、机器学习等的目的，最近使用模糊聚类算法用于实时数据流挖掘，并且如果模糊聚类算法可以快速且可靠地检测到性能特性的动态改变，则它提供了用于识别毫微微小区环境中的干扰的适当候选方式。

在使用聚类的情况下，所提出的方法可以使用诸如负载、差错率、信号电平和帧传递超时等的本地测量，并且对它们进行聚类，以导出更可靠且更容易映射到不同的无线电技术的通用熵度量。在实际应用中，该方法可以在多RAT(所谓的异构)无线电场景中实现资源利用效率增益。需要执行的映射的数目被最小化，并且因而减少了支持多个RAT部署的信令开销和复杂度。

为了实时地对测量执行聚类，使用了滑动窗，该滑动窗由最后N个测量间隔构成。以离散时间间隔进行测量，并且针对每一个UE至毫微微小区UL连接单独地对N个采样进行聚类。聚类可以在UE或毫微微小区接入点中执行，并且可以连续地(或者按需)更新。

进行的测量可以是帧差错(CRC校验失败)、超时(假设固定的延迟阈值)、接收信号电平、和/或小区负载。这些测量各自不足以确定性能下降的原因，并且与每一个相应的属性有关的阈值需要(以取决于RAT的方式)仔细的考虑和映射，这是因为它们不唯一地识别性能改变的原因。例如，干扰将使超时和帧差错增加，但是如果存在信号衰落或拥塞，则这也可能发生。聚类方法实现了不同测量之间的相关，以确定下降是由于小区负载(拥塞)引起的还是由于来自相邻毫微微小区的干扰引起的。

进行可靠的评估以确定最佳的行动方案是重要的。例如，如果下降是由于干扰引起的，则最佳的行动可以是发信号通知相邻毫微微小区确定干扰UE是否可以发起向另一RAT(或RAT操作模式)的切换。相反，如果下降是由于毫微微小区上的拥塞引起的，则必须考虑切换本地毫微微小区上的UE(即，切换至另一个RAT)。

更详细地，实施例可以包括以下步骤：

·检测性能下降(如果使用基于按需触发的方法的话；否则，周期性地触发重新计算)

·对所获得的最后N个测量集合执行聚类

·将聚类划分熵与某一阈值进行比较，以确定下降是否是由于干扰引起的

聚类步骤涉及用于确定在每一个时间间隔内测量的参数集合彼此相关的程度的迭代过程。参照图6，在多个(N个)时间窗中对不同的网络参数(例如，小区负载C、帧差错F、接收信号电平R、和超时T)进行测量。在每一个时间窗中，将测量的参数集合聚集在一起，以形成相应的向量X_k，其中X={x₁，x₂，x₃，....x_N}。(在这里，基于x_k是四维(或更多维)向量的事实，将图6中所示的值C、T、F和R映射为X矩阵——换言之，在图6中所示的示例中，在欧几里得空间中，x_k具有按照C、T、F和R值定义的4个坐标)。对C、T、F和R值进行归—化，使得它们在欧几里得坐标系中具有相同的基准(例如，它们均位于范围0..1中)，因此x_k=(C_k，T_k，F_k，R_k)。

然后，聚类算法得到数据向量集X={x₁，x₂，x₃，....x_N}，并且将其划分为c个聚类(cluster)，使得目标函数被最小化。

该算法从选择初始随机聚类隶属度矩阵(membership matrix)(U)开始，其中，对于所有的值k(1...N)：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}=1$                                       (等式1)

然后，使用等式2来计算初始聚类中心v_i：

$v_i=\frac{{\mathrm{\Σ}}_{k=1}^N{\left(u_{\mathrm{ik}}\right)}^m{x}_k}{{\mathrm{\Σ}}_{k=1}^N{\left(u_{\mathrm{ik}}\right)}^m}i=\mathrm{1,2},...,c$                     (等式2)

其中，c是聚类的总数，u_ik是隶属度矩阵的、将向量x_k与特定的聚类i相关的值。参数m是可以用于加速或减缓收敛的调谐参数(m＞1)。

在导出聚类中心以后，现在使用等式3来重新计算隶属度矩阵U的值：

$u_{\mathrm{ik}}=\frac{1}{{\mathrm{\Σ}}_{j=1}^c{\left(\frac{d_{\mathrm{ik}}}{d_{\mathrm{jk}}}\right)}^{2/(m-1)}}$ i=1，2，...，c并且k=l，2，...，N      (等式3)

在这里，d_ik=||x_k-v_i||是数据向量x_k与相应的聚类质心v_i之间的欧几里得距离。值d_jk=||x_k-v_j||表示数据向量x_k与每一个聚类中心v_j之间的欧几里得距离，其中j=1，2，...c。执行等式3中所示的计算的结果是提供了针对每一个向量x_k的更新值u_ik，其中，每一个值u_ik与以下项成反比：向量x_k到相应的聚类中心v_i的距离与向量x_k到其它聚类中心中的每一个聚类中心v_j的距离之比的总和，

然后，按下式计算目标函数J(U，v)：

$J(U,v)=\underset{k=1}{\overset{N}{\mathrm{\Σ}}}\underset{i=i}{\overset{c}{\mathrm{\Σ}}}{\left(u_{\mathrm{ik}}\right)}^m{\left(d_{\mathrm{ik}}\right)}^2$                           (等式4)

在计算出目标函数以后，现在通过将u_ik的当前值插入回等式2中，来重新计算聚类中心v_i。一旦已经重新计算出聚类中心v_i，就使用等式3来更新值u_ik，并且再次计算目标函数。该过程自我迭代地重复，直到达到最大迭代(R)或者与前一次迭代相比，目标函数值之间的最大差小于阈值量(α)为止。

实际上，目标函数最小化包括计算从每一个向量x_k到每一个候选聚类中心的距离经针对最新的聚类中心估计值v_i的相应聚类隶属度值所加权的总和，其中，然后在每次迭代之后还更新最新的聚类中心估计值V_i。

使用该模糊聚类技术使得能够根据不同的有效参数对聚类的质量进行评估。例如，划分系数度量所有输入数据向量与相应聚类中心的接近度。划分熵基于隶属度值与1或0的接近度来度量数据向量适合相应聚类的程度。

划分熵的形式定义为：

$H(U,v)=-\frac{1}{N}\underset{i=1}{\overset{c}{\mathrm{\Σ}}}\underset{k=i}{\overset{N}{\mathrm{\Σ}}}{u}_{\mathrm{ik}}\log \left(u_{\mathrm{ik}}\right)$                            (等式5)

在一些实施例中，为了确定测量集合值的相关程度，以及针对性能下降，除了已知的原因以外是否还存在额外原因，将聚类中心的数目指定为2(即，在等式2至4中，c=2)，并且计算划分熵以评估由此产生的聚类的模糊度。较低的熵指示可以在测量数据集中解释性能下降(即，性能下降是由于相同的基站小区内的本地测量变化引起的)。相反，较高的熵意味着性能下降是由于来自相邻基站小区的干扰引起的。

图7示出了指示在100ms延迟目标处具有熵计算的聚类方法可以将传递性能改善约10％的仿真结果。通过考虑在目标时间段(延迟)内传递数据单元(分组)(这对于确定延迟敏感业务的性能是一种有用的方式)来编译(compile)图7中所示的结果。假设业务在本质上是突发性的(这是由马尔可夫调制泊松过程(MMPP)确定的)，并且假设可以基于对熵值设置的单个阈值来选择四个RAT模式，其中，熵值是通过对帧延迟、差错率、信号电平和负载进行聚类而获得的。该场景假设密集部署中的六个接入点和十二个终端。这是由于能够确定干扰与拥塞之间的差别的可靠性。在该仿真中，将聚类方法应用于具有N个采样的数据集，其中，N为50、100或1000，这些数据集是在UE活动增加的同时按递增(ASC)和递减(DESC)时序(分别与最旧-最新顺序和最新-最旧顺序相对应)采集的。为了聚类的目的，所使用的值R为1000，α被设置为0.05，并且使用的m为1.2。

图8中的结果显示了可以如何通过使用归一化的相同毫微微小区负载、超时概率、和帧差错概率测量在三个维度中执行聚类，来确定这些测量是否相关从而解释变化。因此，可以针对特定的UE，基于简单的固定划分熵阈值来确定是存在拥塞还是干扰。

可以对连续时间间隔的子集(N)执行聚类。图8中所示的结果指示：即使在较小的数据集(即，N<100)的情况下，与单个阈值相比，可以获得更高的可靠性。正如预期的，当UE活动较高时(这意味着它更可能处于高负载状态)，当测量时序是从最新到最旧递减(DESC)而不是另一种方式时，归类可靠性随着N而改善并且可以实现更可靠的确定。这意味着：如果UE(以及相邻小区UE)可能处于高活动状态，则可以在估计方面得到更好的可靠性。

可以在蜂窝网络中的多个位置之一处执行本文描述的实施例。例如，可以在在其中使用本地RAT测量的终端(例如，依据IEEE1900.4中的ETSI RRS或者TRM，在JRRM-T中)中执行聚类分析。在另一种方法中，可以在可能例如位于毫微微小区接入点或核心网内的网络侧(例如，依据IEEE1900.4中的ETSI RRS或者NRM，在JRRM-N中)执行聚类。测量均是从毫微微小区／终端获得的，并且对测量进行聚类以确定熵值，并且可以将这些熵值作为干扰／拥塞严重等级或者作为策略发送回去(依据IEEE1900.4)。

虽然已经描述了某些实施例，但是这些实施例仅是通过举例说明的方式给出的，而并不旨在限制本发明的范围。实际上，可以以多种形式具体实现本文描述的新颖方法和系统；此外，可以在不偏离本发明的精神的情况下，进行本文描述的方法和系统的形式的各种省略、替换和改变。所附权利要求及其等同形式旨在涵盖将落入本发明的范围和精神内的此类形式或修改。

Claims (11)

1.一种用于区分基站与终端之间的无线通信信道中的干扰和拥塞的方法，包括：

在多个时间间隔中的每一个时间间隔期间，测量所述基站与所述终端之间的网络业务的参数集合；

确定相应的参数集合彼此相关的程度；以及

基于所述参数集合之间的相关程度来确定所述通信信道正在经历干扰还是拥塞。

2.根据权利要求1所述的方法，包括：使用相关参数对所述相关程度进行量化，以及基于所述相关参数在阈值以上还是以下，来确定所述通信信道是正在经历干扰还是拥塞。

3.根据权利要求2所述的方法，包括：使用所述相关参数的值来决定是否将通信从所述基站切换到另一基站。

4.根据权利要求1所述的方法，其中，每一测量参数集合用于定义相应向量；并且共同地分析所述测量参数集合的步骤包括：对所述相应向量执行聚类分析。

5.根据权利要求4所述的方法，其中，所述聚类分析包括：定义一个或多个聚类中心，以及确定每一个向量与每一个聚类中心的距离。

6.根据权利要求5所述的方法，其中，执行聚类分析包括：

i)指定要在所述分析中使用的聚类中心的数目；

ii)初始化隶属度矩阵；

iii)使用所述隶属度矩阵中的向量和值来计算每一个聚类中心的位置；

iv)重新计算所述隶属度矩阵的值，使得所述隶属度矩阵中的所述值指示每一个向量与相应的聚类中心的距离；

v)使用重新计算的隶属度矩阵来计算目标函数；

vi)重复步骤iii)至v)，以最小化所述目标函数；以及

vii)使用最终计算的所述隶属度矩阵的值来确定所述相关参数。

7.根据权利要求5或6所述的方法，其中，所述聚类中心的所述数目被指定为2。

8.根据权利要求1至6中任意一项所述的方法，其中，所测量的参数包括以下各项中的两项或更多项：帧差错、超时、接收信号电平、以及小区负载。

9.一种用于通过无线通信信道向一个或多个终端传送信息的蜂窝基站，所述基站被配置为执行根据权利要求1至8中任意一项所述的方法。

10.一种用于通过无线通信信道接收从基站发送的信息的终端站，所述终端站被配置为执行根据权利要求1至8中任意一项所述的方法。

11.一种计算机可读存储介质，包括计算机可读代码，当计算机处理器执行所述计算机可读代码时，所述计算机可读代码将使所述处理器执行根据权利要求1至8中任意一项所述的方法。

Images