CN103987122A - Td-lte公网下集群多媒体业务下行无线资源调度方法 - Google Patents

Abstract

TD-LTE公网下集群多媒体业务下行无线资源调度方法，它涉及一种下行无线资源调度方法。本发明为解决低优先级用户可能长时间不能获得资源的问题，实现提高用户间的公平性；以及同时满足集群多媒体业务的传输特性，即优先满足高优先级用户的多媒体业务的QoS特性。由于实时业务有时延敏感特性，每个实时业务的QoS特性中都需要定义可忍受的最大时延，当某实时业务迟迟未被调度，其数据包等待时间超过了可忍受的最大时延，那么该业务流的数据包被视为丢包。由于优先满足实时业务的QoS特性，选择实时业务流；若存在待调度的实时业务流，对选择的实时业务流使用IP/PF算法进行调度。本发明在满足LTE公网传输集群多媒体业务特性前提下，能够解决低优先级用户可能长时间不能获得资源的问题，进而提高用户间公平性。

Description

TD-LTE公网下集群多媒体业务下行无线资源调度方法

技术领域

本发明涉及一种下行无线资源调度方法。

背景技术

DTLC理论：DTLC(Discrete-Time Line Control)理论，如图2所示，令t_k,i为第i个实时业务流的第k个帧开始的时间，于是有采样间隔△t(k)＝t_k+1,i-t_k,i等于LTE帧的持续时间。由框图可得：q_i(k+1)-q_i(k)＝d_i(k)-u_i(k)。其中，q_i(k)为第i个队列在t_k,i时刻的长度，u_i(k)为在第k个帧时间内要传输的数据量，d_i(k)表示在第k个帧时间内新填充到队列中的数据量。我们假设有以下的一般控制法则：

u_i(k)＝h_i(k)*q_i(k)，其中“*”运算为离散时间卷积。H_i(z)为h_i(k)的Z变换，即H_i(z)＝Z[h_i(k)]。用h_si(k)表示系统的冲击响应，所以有q_i(k)＝h_si(k)*d_i(k)。我们设计的目的是找到合适的函数H_i(z)，来确保系统的BIBO(Bounded Input Bounded Output，有限输入有限输出)稳定性，并保证队列的时延。

利用这样一个定理：在BIBO稳定的系统下，为了保障第i个队列的延时小于M_i+1个采

样间隔，那么有系统的冲击响应有如下的表达式：

$h_{\mathrm{si}}\left(k\right)=\underset{n=0}{\overset{M_i}{\mathrm{\Σ}}}{c}_i\left(n\right)\mathrm{\δ}(k-n)$

M_i是冲击响应的长度，并且满足c_i(n)≥c_i(n+1)，n≥1；c_i(n)∈R。考虑到采样间隔为T_f，假设队列时延的上限为τ_i，那么通过τ_i＝(M_i+1)T_f计算得到M_i，并通过设置合适的c_i(n)，可以得到h_si(k)。进一步可以得到H_i(z)，同时可以得到： $u_i\left(k\right)=q_i\left(k\right)+\underset{n=2}{\overset{M_i}{\mathrm{\Σ}}}[q_i(k-n+1)-q_i(k-n+2)-u_i(k-n+1)]c_i\left(n\right).$ 所以使用DTLC算法，就能通过计算一个无线帧内需要传输的数据量u_i(k)，来保证实时业务的时延不超过上限值。

PF(Proportional Fair，比例公平)算法：是一种经典的信道感知调度算法，对调度的公平性和系统频谱效率进行了很好的折中，当用户较多的时候，该算法能够选择信道质量较好的用户进行调度，从而能够带来多用户分集增益(即当信道环境糟糕时多个用户中极可能存在一个信道质量比较好的用户，选择此用户进行调度会提高系统的频谱利用效率)。算法的表达式为其中代表PF算法第i个业务流调度第k个子信道的权值，这个值越大表明第k个子信道被第i个业务流调度的概率就越高。表示当前子帧时刻t第i个业务流在第k个子信道上的数据速率，表示第i个业务流过去的平均速率。

FLS(Frame Level Scheduler，帧级调度器)算法：这种算法是一种最新提出来的改进LTE实时多媒体业务调度性能的算法，较其他几种方法更能保障多媒体业务的QoS特性。该算法是一个双层调度算法，在顶层采用DTLC原理，为了保障实时业务的时延特性，计算实时业务在一个无线帧内需要传输的数据量。在底层，首先使用PF算法在每个子帧内优先调度实时业务，当实时业务传输完毕，再使用PF算法调度非实时业务。但该算法没有区分用户优先级，故不能用于集群多媒体业务的调度。

用户优先级：用来区分用户使用无线资源的优先顺序，来保障某些特殊用户的通信性能，尤其在集群通信中用户的优先级管理是必需的。

无线帧：在LTE系统中，一个无线帧的持续时间是10ms,包含10个子帧，每个子帧的持续时间为1ms，即一个TTI(Transmission Time Interval，传输时间间隔)。FLS和DTLCP算法顶层调度的时间单元为一个无线帧的持续时间，底层PF算法的调度时间为一个子帧持续时间。

PRB(Physical Resource Block，物理资源块)：一个PRB块由频域上12个连续的子载波和时域上的0.5ms组成。一个子载波带宽为15KHz，一个子信道是指在频域上12个连续的子载波，即180KHz的带宽。

UEPriority：为了表示方便，使用UEPriority代表用户优先级，我们使用UEPriority1表示用户优先级为1，同理UEPriority2,、UEPriority3、UEPriority4分别表示用户优先级2、3、4。

在一个存在干扰的单小区单基站的TD-LTE网络区域，存在许多用户，不同用户有不同的用户优先级，每个用户从基站同时接收实时业务和非实时业务。然而现有技术中无法解决以下两个问题：问题1：解决低优先级用户可能长时间不能获得资源的问题，进而提高用户间的公平性；问题2：同时满足集群多媒体业务的传输特性，即优先满足高优先级用户的多媒体业务的QoS特性。

发明内容

本发明的目的是提供一种TD-LTE公网下集群多媒体业务下行无线资源调度方法，以解决低优先级用户可能长时间不能获得资源的问题，实现提高用户间的公平性；以及同时满足集群多媒体业务的传输特性，即优先满足高优先级用户的多媒体业务的QoS特性。

本发明为解决上述技术问题采取的技术方案是：

一种TD-LTE公网下集群多媒体业务下行无线资源调度方法，所述方法顶层调度以一个无线帧的持续时间为时间调度单元，底层调度的时间单元为一个子帧的持续时间；调度单元在频域上占180kHz的带宽，有12个带宽为15kHz的连续子载波；

所述方法的实现过程为：

步骤1、开始下一个无线帧的调度：

步骤2、估计当前帧实时业务流的数据传输量：使用离散时间线性控制(DTLC)原理，计算在一个无线帧时间内，所有待调度的实时业务流需要传输的数据量；

步骤3、初始化子帧数量，子帧数＝n；

步骤4、开始下一个子帧调度；

步骤5、更新业务流的传输量和平均速率；

步骤6、检测丢包；

步骤7、选择实时业务流；

步骤8、判断待调度业务流数量是否为0；如果是执行步骤11，否则执行步骤9；

步骤9、使用IP/PF算法进行资源分配；

步骤10、判断PRB是否有剩余，如果还有PRB剩余则执行步骤11，否则执行步骤14；

步骤11、选择非实时业务流，开始调度非实时业务流；

步骤12、判断待调度业务流数是否为0，如果是则直接执行步骤14，否则执行步骤13；

步骤13、使用PF算法进行资源分配；

步骤14、当前子帧调度结束；

步骤15、子帧数n+1；

步骤16、判断已调度的子帧数是否小于10个，如果已调度的子帧数小于10个，那么返回步骤4开始下一个子帧的调度，否则，返回步骤1开始下一个无线帧的调度。

所述IP/PF算法为智能优先级比例公平算法，其表达式如下：

$w_{i,j}^{\mathrm{IP}/\mathrm{PF}}={\mathrm{\α}}_i\·{\mathrm{\β}}_i\·w_{i,j}^{\mathrm{PF}}=\frac{1}{P_i}\·\frac{D_{\max }^i}{D_{\max }^i-D_{\mathrm{HOL}}^i}\·w_{i,j}^{\mathrm{PF}}=\frac{1}{P_i}\·\frac{D_{\max }^i}{D_{\max }^i-D_{\mathrm{HOL}}^i}\·\frac{R_{i,j}}{{\stackrel{\‾}{R}}_i}$

其中P_i为第i个业务的用户优先流级指数，用户优先级越高，P_i值越小，α_i＝1/P_i就越大，被调度的概率也就越大；表示第i个业务流可忍受的最大延时，表示第i个业务流队列队头数据包延时；当HOL延时超过最大可忍受延时，则该数据包被丢弃；为了减少丢包，当HOL延时越接近最大可忍受延时，则就越小，就越大，即某用户等待时间越长，被调度的概率就越大；基于吞吐量和公平性，加入PF算法的权值系数调度权值是由α_i，β_i，三个系数联合决定。

本发明的有益效果是：

本发明优化了DTLCP算法。DTLCP是一种已设计好的能够在LTE公网下传输集群多媒体业务的下行无线资源调度算法，该算法在满足集群通信用户优先级特点的同时，能够保障多媒体业务(尤其是实时业务)的QoS特性。但DTLCP完全地严格按照用户优先级的高低顺序调度实时业务，所以当用户过载，资源紧张时，低优先级的用户可能因为长时间无法获得无线资源而“饿死”，同时造成DTLCP算法公平性较差。因此，本发明提出一种在满足LTE公网传输集群多媒体业务特性前提下，能够解决低优先级用户可能长时间不能获得资源的问题，进而提高用户间公平性的改善方案，命名为M-DTLCP(Modified-Discrete-TimeLine Control with Priority，修改的带优先级的离散时间线性控制)算法。

DTLCP(Discrete Time Line Control with Priority，带优先级的离散时间线性控制)算法是本发明申请的申请人提出的一种适合在LTE公网下传输集群多媒体业务的下行调度方案，是在FLS算法的基础上加入了用户优先级控制参数，顶层仍然使用DTLC算法，底层的实时业务调度部分加入了优先级控制参数，优先调度用户优先级高的实时业务，以保障LTE公网中集群通信用户多媒体业务的QoS性能，尤其在用户过载系统资源紧张的情况下，区分用户优先级更有必要。最后调度非实时业务。DTLCP算法流程如图1所示。

M-DTLCP算法的定义：M-DTLCP是Modified Discrete Time Control With Priority(修改的带优先级的离散时间控制)的缩写，同DTLCP算法一样，是在FLS算法基础上的改进，顶层仍然使用DTLC算法，不同于DTLCP的是底层使用不同的方式加入用户优先级参数，即使用我们设计的新算法IP/PF来调度实时业务，以此改善DTLCP算法的公平性问题。最后，仍然使用PF算法调度非实时业务。M-DTLCP方案具体流程如图3。

附图说明

图1是DTLCP调度方案流程图，图2是DTLC控制框图，图3是M-DTLCP调度方案流程图，图4是多媒体流场景图，图5为用户优先级为1的视频业务流的包丢失率图，图6为用户优先级为2的视频业务流的包丢失率图，图7为用户优先级为3的视频业务流的包丢失率图，图8为用户优先级为4的视频业务流的包丢失率图，图9为用户优先级为1的VOIP业务流的时延图，图10为用户优先级为2的VOIP业务流的时延图，图11为用户优先级为3的VOIP业务流的时延图，图12为用户优先级为4的VOIP业务流的时延图，图13为所有用户的视频业务流的吞吐量图，图14为所有用户的VOIP业务流的吞吐量图，图15为所有用户的BE业务流的吞吐量图，图16为所有用户的视频业务流的公平性指数图，图17为所有用户的VOIP业务流的公平性指数图，图18为所有用户的BE业务流的公平性指数图，图19为小区频谱效率图。

上述图中：M-DTLCP是指本发明所应用的方法，M-DTLCP是Modified Discrete TimeControl With Priority(修改的带优先级的离散时间控制)的缩写；DTLCP(Discrete TimeLine Control with Priority)是指带优先级的离散时间线性控制；FLS的含义参见背景技术的描述；PLR表示包丢失率(丢包率)，Delay表示延时，Users表示用户数。附图中所有的英文含义在说明书均能找到对应的含义，且均为本领域的公知常识。由于对本发明进行仿真所使用的软件为英文界面，故截图中含有英文。

具体实施方式

具体实施方式一：如图3所示，本实施方式对本发明方法进行详细描述：

本实施方式用户优先级设置了4个级别，分别为1,2,3,4，最高优先级为1，依次降低，但这并不代表实际情况，可以根据实际需要进行设置。所述的TD-LTE公网下集群多媒体业务下行无线资源调度方法是DTLCP的改善方案——M-DTLCP方法工作流程图如图3所示：本发明方法的实现背景为：TD-LTE网络，单小区单基站，多个不同优先级的用户，下行传输(基站发，用户收)多媒体实时业务和非实时业务。本方法的具体实现流程如下：

1.本方案顶层调度以一个无线帧的持续时间为时间调度单元，底层调度的时间单元为一个子帧的持续时间。调度单元在频域上占180kHz的带宽，有12个带宽为15kHz的连续子载波。

2.为了保证实时业务的时延敏感特性，使用离散时间线性控制(DTLC)原理，计算在一个无线帧时间内，所有待调度的实时业务流需要传输的数据量。

3.初始化n(子帧数量)为0。

4.开始子帧的调度。

5.对于实时业务来讲，第2步计算的数据量为在当前无线帧下的10个子帧总传输量，每执行完一次子帧调度，实时业务的待传输数据量会减少，所以需要更新。更新平均速度是为了使用IP/PF调度算法计算各个业务流的调度权值。

6.由于实时业务有时延敏感特性，每个实时业务的QoS特性中都需要定义可忍受的最大时延，当某实时业务迟迟未被调度，其数据包等待时间超过了可忍受的最大时延，那么该业务流的数据包被视为丢包。

7-10.由于优先满足实时业务的QoS特性，选择实时业务流，经过第8步的判断，

若存在待调度的实时业务流，对选择的实时业务流使用IP/PF算法进行调度。

11-13.如果还有PRB剩余，那么开始调度非实时业务流。选择非实时业务流，经过第12步的判断，选择PF算法进行调度。

14-16.当前子帧调度完毕，传输已调度的业务流，并计算在当前无线帧内，已调度的子帧数，如果已调度的子帧数小于10个，那么开始下一个子帧的调度。否则，开始下一个无线帧的调度。

M-DTLCP方案分析：通过图1和图3的比较，我们可以发现FLS、DTLCP和M-DTLCP的基本流程相似，在顶层都使用DTLC算法来确保实时业务的时延特性。不同的是，对于实时业务的底层调度采用了不同的方案。FLS算法不区分用户优先级，底层直接使用PF算法对所有待传输实时业务流进行调度。DTLCP算法是首先选择用户优先级1，也就是拥有最高用户优先级的实时业务，进行调度，然后严格地依次从高到低选择下一用户优先级的实时业务进行调度，并且每个优先级的用户都采用PF算法调度。然而，DTLCP这样的底层设计，在用户过多、业务量较大或资源紧张时，会导致低优先级用户出现长时间无法获得资源而被“饿死”的现象，从而产生极大的不公平性。因此，M-DTLCP算法摒弃了DTLCP严格按照用户优先级高低选择实时业务，并采用PF算法分布进行调度的做法，而是集中对所有用户优先级的待传输实时业务流使用IP/PF算法进行调度。IP/PF是IntelligentPriority/Proportional Fair的简称，即智能优先级比例公平算法，是为了解决DTLCP上述问题所设计的新算法，其表达式如下：

$w_{i,j}^{\mathrm{IP}/\mathrm{PF}}={\mathrm{\α}}_i\·{\mathrm{\β}}_i\·w_{i,j}^{\mathrm{PF}}=\frac{1}{P_i}\·\frac{D_{\max }^i}{D_{\max }^i-D_{\mathrm{HOL}}^i}\·w_{i,j}^{\mathrm{PF}}=\frac{1}{P_i}\·\frac{D_{\max }^i}{D_{\max }^i-D_{\mathrm{HOL}}^i}\·\frac{R_{i,j}}{{\stackrel{\‾}{R}}_i}$

其中P_i为第i个业务的用户优先流级指数，用户优先级越高，P_i值越小，α_i＝1/P_i就越大，被调度的概率也就越大。表示第i个业务流可忍受的最大延时，表示第i个业务流队列队头数据包延时。当HOL延时超过最大可忍受延时，则该数据包被丢弃；为了减少丢包，当HOL延时越接近最大可忍受延时，则就越小，就越大，即某用户等待时间越长，被调度的概率就越大。最后考虑到吞吐量和公平性，加入PF算法的权值系数所以，M-DTLCP算法的调度权值是由α_i，β_i，三个系数联合决定的，而不是由某个系数单独决定。α_i的加入使得高用户优先级的业务具有更高的概率被调度，而不是被绝对地调度，这就提高了算法的公平性。同时，β_i的加入使得等待时间比较长的用户具有更高的调度概率，从而减少出现低优先级用户长时间得不到无线资源的情况。故理论上，M-DTLCP算法是对DTLCP和FLS算法的折中，在保障高优先用户的QoS性能上应优于FLS但逊于DTLCP，但在维护用户公平性和保障低优先级用户性能上要优于DTLCP算法，逊于FLS算法，从而改善DTLCP算法上述的缺点。

对本发明方法进行性能仿真：

1.仿真环境

本次仿真分析了M-DTLCP、DTLCP和FLS三种算法在TD-LTE中的性能，将后两种算法作为与新算法的对比。使用了带干扰的单小区模型，如图4所示，用户数量从10到70，用户数间隔为10，每种优先级的用户数量从高到低呈金字塔形分布，分别占总用户数量的10％、20％、30％和40％。每个用户使用一个Video(视频)业务流，一个VoIP(Voice over InternetProtocol，IP语音)业务流，一个BE(Best Effort，尽力而为)业务流。用户持续以3km/h的速度沿任意方向移动。使用LTE-Sim仿真器来实现这个过程。LTE-Sim提供在时频域上的无线资源分配。下行仿真参数如表1。

表1 LTE下行仿真参数

2.业务模型

本次仿真使用的是数据速率为242kbps的视频业务，视频业务一种基于跟踪的业务，它基于可用的实时视频跟踪文件发送数据包。对于VOIP流，VOIP应用会产生G.729语音流。特别地，VOIP语音流使用开/关马尔可夫链模型，“开”的周期呈均值为3s的指数分布，而“关”的周期呈截断指数概率密度函数分布，上限值为6.9s，均值为3s。在“开”期间数据源每20ms发送20个字节的数据包(即数据源的速率为8.4kbps)，而在“关”期间数据速率为0因为这时假设不存在语音激活检测器。BE业务流从Infinite Buffer(无限缓存)应用产生，Infinite Buffer以理想贪婪数据源为模型，即总是有数据包传输。

LTE传播损耗模型由四个模型(衰落、多径、穿透损耗和路径损耗)组成。路径损耗：PL＝128.1+37.6log(d)，d为用户和基站之间的距离，单位为km。

多径：Jakes模型。

穿透损耗：10dB。

衰落：对数正态分布(均值为0，标准方差为8dB)。

为了计算每个业务流的公平性指数，使用Jain公平性指数：

$\mathrm{Fairness}=\frac{{\left(\mathrm{\Σ}{x}_i\right)}^2}{{(n\·\mathrm{\Σ}{x}_i)}^2}$

其中n代表用户个数，x_i表示第i个连接的吞吐量。

3.仿真结果

我们选择Packet Loss Rate(PLR，丢包率)，Delay(延时)，Fairness Index(公平性指数)，Throughput(吞吐量)和Cell Spectral Efficiency(小区频谱效率)作为性能比较指数，来分析新算法M-DTLCP的性能。丢包率和延时特性是评价QoS的主要参数，用来验证M-DTLCP保障集群多媒体业务QoS特性的能力；吞吐量和小区频谱效率用来比较算法的频谱利用率；公平性指数用来分析算法的公平性。由于实时视频业务可能对丢包率更敏感，VoIP语音业务对时延更敏感，而且时延在一定程度上影响丢包率。所以，为了简便，我们只仿真视频业务的丢包率和VoIP业务的时延。

(1)丢包率

将用户分为四个优先级，如图5、图6、图7和图8所示，分别表示各个优先级的用户在M-DTLCP、DTLCP和FLS三种算法下视频业务的丢包率随用户数变化的曲线。如图5可以看到，用户优先级为1的视频业务流在DTLCP算法下的性能最好，基本不丢包。FLS算法在少于40个用户时，性能接近于DTLCP，当过载严重时，丢包率会提高。M-DTLCP算法性能优于FLS，但逊于DTLCP，在低于50个用户时，丢包率近似于DTLCP，当用户数过载后，丢包率会升高，但上升幅度低于FLS。结合图6、7、8，我们可以看到FLS算法的性能基本不随用户优先级改变，每种用户优先级的性能曲线变化趋势都是一致的。然而DTLCP算法的性能却与用户优先级有直接的关系，用户优先级为1和2的视频业务的丢包率很低，性能要优于FLS和M-DTLCP算法，用户优先级为3丢包率开始差于M-DTLCP和FLS算法，然而用户优先级为4的用户的视频业务丢包率变化更加剧烈，丢包性能急剧恶化。M-DTLCP算法随着用户优先级的降低，PLR虽略有升高，但变化相对稳定。当用户少于50个，每个用户优先级的PLR都很小，不过当小区过载，PLR开始升高。但对于用户优先级1和2，上升的幅度小于FLS算法；对于用户优先级3和4，大部分幅度要小于DTLCP算法。所以，显然可以看到，M-DTLCP算法在优先保障高用户优先级实时视频业务的丢包性能的同时，相对于DTLCP以更小的代价牺牲低用户优先级实时业务的性能。也就是M-DTLCP算法相对于DTLCP算法容纳更少的高优先级用户，但可以容纳更多的低优先级用户。

综上，我们看到了在实时多媒体业务的调度过程中，M-DTLCP算法相对于FLS方法更适合保障高用户优先级用户的实时业务的丢包性能，虽然逊于DTLCP，但是更少的牺牲低优先级用户的性能。

(2)时延

从图9、10、11、12四个图中，我们可以看到不同用户优先级的VOIP业务在四种算法下的时延随用户数变化的曲线。从图9中我们可以看到，对于UEPriority1的VOIP业务，M-DTLCP算法性能要优于FLS，当用户数少于50时要逊于DTLCP算法，当过载时，时延性能要优于DTLCP。结合图10、11、12，我们可以看到M-DTLCP和FLS算法在UEPriority2、UEPriority3、UEPriority4下VOIP业务的丢包率变化趋势基本一致，时延基本稳定在0.01s左右。而对于DTLCP算法来说，随着用户优先级的降低，时延的曲线变化越来越剧烈，性能也越来越差。UEPriority2大部分保持在0.01s以下；UEPriority3的时延随用户的增加，从10个用户的8ms增加到70个用户的17ms；UEPriority4的时延从10个用户10ms较快的提升到70个用户的50ms。综上所述，可以看到M-DTLCP算法能够很好的保障高优先级用户的VOIP业务的时延性能，并在低用户优先级的实时VOIP业务的延时性能表现上优于DTLCP算法。

(3)吞吐量

由于不同用户优先级的用户数量是不同的，不同用户优先级的各类业务数据量也是不同的，所以我们不像评估丢包率和时延特性那样区分用户优先级，而是评估各类业务吞吐量的整体性能。如图13所示，对于视频业务，M-DTLCP算法和FLS算法的吞吐量接近，稍微低于FLS算法但要高于DTLCP算法。随着用户数的增多，M-DTLCP算法的吞吐量性能与DTLCP相差越来越大，这是由于M-DTLCP和DTLCP算法调度不仅仅决定于信道质量情况，DTLCP算法相对于M-DTLCP更严格地决定于用户优先级的高低，所以用户越多，高优先级的视频业务也就越多，若单单考虑信道质量，DTLCP算法更有可能优先调度信道环境比较差的业务流，故吞吐量之间的差距也就越大。

如图14所示，对于VOIP业务来说，其结果和视频业务基本一样。图15是BE业务的吞吐量变化曲线，对于非实时业务，一个已知的效果是，系统饱和会导致尽力而为业务的吞吐量下降。同时可以看到，FLS和M-DTLCP两种算法性能接近。并且，DTLCP算法的尽力而为业务的吞吐量要低于M-DTLCP和FLS，说明了DTLCP算法的用户优先级控制方式，使得在实时业务数据量相同的前提下，为实时业务分配了更多的资源，也从侧面表明了M-DTLCP的频谱利用率较DTLCP算法有所提高。

(4)公平性指数

与吞吐量相同，不去区分各类业务的用户优先级，我们也是评估各类业务公平性的整体性能。由图16所示，对于视频业务，当用户较少时，三种算法的公平性指数曲线相近，接近于1；小区用户超过40后，DTLCP算法的公平性急剧下降，下降幅度也越来越大，但仍在0.7以上。然而M-DTLCP和FLS算法下降缓慢，且一直保持在0.95以上。对于VOIP业务来说，如图17，公平性特性和视频业务相似。由图18可以看到，三种算法BE业务的公平性指数都小于0.7，逊于实时业务，这对于优先调度实时业务的算法来说是合理的。随着用户数的增多，公平性越来越低，但M-DTLCP和FLS性能相近，对于BE业务表现得要比DTLCP算法公平。这些说明了M-DTLCP算法的确改善了DTLCP算法的公平性问题。

(5)小区频谱效率

最后，图19表明了本仿真使用的LTE场景下的小区频谱效率，小区频谱效率表示为所有用户获得的总吞吐量除以可用带宽。M-DTLCP和FLS算法相似，有更好的频谱利用率。其中DTLCP性能最差，这是因为其在FLS基础上又加入的优先级控制方式，相对于M-DTLCP更容易优先调度信道环境比较差的业务流，从而信道利用率即小区频谱效率比较差。也就是说，M-DTLCP在频率利用率上相对于DTLCP有所改善。

结果分析

本次仿真在TD-LTE系统传输视频业务、VOIP和BE业务下，探讨了FLS、DTLCP和新提出的改进算法M-DTLCP(本发明采用的方法)三种算法，分析并验证我们所提出方案的性能和改善效果。通过仿真结果的比较，M-DTLCP算法在保障高用户优先级实时业务的丢包率和延时等QoS特性上，优于FLS算法，尤其当小区用户没有过载时，具有和DTLCP相近的性能，同时也能更好地保障低优先级用户性能。这是由于新算法以概率的方式加入了优先级系数，并且增加了时延系数以避免某个用户等待时间过长而“饿死”，M-DTLCP以更小的代价牺牲低用户优先级业务的性能。同时结果确实表明，改进算法表现得更公平。而且，无论在吞吐量还是小区频谱效率整体性能上，相对于DTLCP算法，都有很大的改善。虽然小区过载后，M-DTLCP在保障高优先级用户的QoS性能上有所下降。所以，在小区用户没有饱和或QoS特性不是限制得很严格的条件下，M-DTLCP算法在服务于即考虑用户优先级特性又考虑多媒体业务QoS特性的集群多媒体实时业务时，会有更大的应用潜力。

Claims (2)

1.一种TD-LTE公网下集群多媒体业务下行无线资源调度方法，所述方法顶层调度以一个无线帧的持续时间为时间调度单元，底层调度的时间单元为一个子帧的持续时间；调度单元在频域上占180kHz的带宽，有12个带宽为15kHz的连续子载波；

其特征在于：所述方法的实现过程为：

步骤1、开始下一个无线帧的调度：

步骤2、估计当前帧实时业务流的数据传输量：使用离散时间线性控制DTLC原理，计算在一个无线帧时间内，所有待调度的实时业务流需要传输的数据量；

步骤3、初始化子帧数量，子帧数＝n；

步骤4、开始下一个子帧调度；

步骤5、更新业务流的传输量和平均速率；

步骤6、检测丢包；

步骤7、选择实时业务流；

步骤8、判断待调度业务流数量是否为0；如果是执行步骤11，否则执行步骤9；

步骤9、使用IP/PF算法进行资源分配；

步骤10、判断PRB是否有剩余，如果还有PRB剩余则执行步骤11，否则执行步骤14；

步骤11、选择非实时业务流，开始调度非实时业务流；

步骤12、判断待调度业务流数是否为0，如果是则直接执行步骤14，否则执行步骤13；

步骤13、使用PF算法进行资源分配；

步骤14、当前子帧调度结束；

步骤15、子帧数n+1；

步骤16、判断已调度的子帧数是否小于10个，如果已调度的子帧数小于10个，那么返回步骤4开始下一个子帧的调度，否则，返回步骤1开始下一个无线帧的调度。

2.根据权利要求1所述的一种TD-LTE公网下集群多媒体业务下行无线资源调度方法，其特征在于：所述IP/PF算法为智能优先级比例公平算法，其表达式如下：

$w_{i,j}^{\mathrm{IP}/\mathrm{PF}}={\mathrm{\α}}_i\·{\mathrm{\β}}_i\·w_{i,j}^{\mathrm{PF}}=\frac{1}{P_i}\·\frac{D_{\max }^i}{D_{\max }^i-D_{\mathrm{HOL}}^i}\·w_{i,j}^{\mathrm{PF}}=\frac{1}{P_i}\·\frac{D_{\max }^i}{D_{\max }^i-D_{\mathrm{HOL}}^i}\·\frac{R_{i,j}}{{\stackrel{\‾}{R}}_i}$

其中P_i为第i个业务的用户优先流级指数，用户优先级越高，P_i值越小，α_i＝1/P_i就越大，被调度的概率也就越大；表示第i个业务流可忍受的最大延时，表示第i个业务流队列队头数据包延时；当HOL延时超过最大可忍受延时，则该数据包被丢弃；为了减少丢包，当HOL延时越接近最大可忍受延时，则就越小，就越大，即某用户等待时间越长，被调度的概率就越大；基于吞吐量和公平性，加入PF算法的权值系数调度权值是由α_i，β_i，三个系数联合决定。