CN104320813A - 异构网络中基于QoS感知的负载均衡方法 - Google Patents

Abstract

本发明公开了一种异构网络中基于QoS感知的负载均衡方法，实现异构网络中的负载均衡。首先将每个基站的负载和用户的可达速率引入到优化问题中，设立相应的优化目标函数，将它建模为一个全网络的加权效用最大化问题；其次采用分布式方法进行求解。在基站端，每个基站需要更新最佳负载和拉格朗日乘子，然后向用户广播信息；在用户侧，每个用户根据接收到的广播信息得到最佳的基站编号，并与之连接。所述方法与基于用户的接入方法相比，计算复杂度低，易于实现，有更快的收敛速度，降低了呼叫阻塞率，获得了更高的负载均衡水平。

Description

异构网络中基于QoS感知的负载均衡方法

技术领域

本发明属于无线通信技术领域，具体涉及一种异构网络中基于服务质量(Qualityof Service,QoS)感知的负载均衡方法。

背景技术

为了满足不同的无线终端设备(尤其是对媒体需求高的设备)爆炸式增长的数据业务需求，异构蜂窝通信网络成为未来5G无线通信系统发展的主要趋势之一。异构蜂窝通信网络主要包括微小区(家庭基站)、微微基站、毫微微基站和中继基站，他们之间的主要不同之处是发射功率、尺寸、回程、成本且具有易于布署和传播的特性。

只依赖于用户的接收信号强度的传统接入策略，例如最大信号干扰噪声比(SINR)、最大可达速率和最近的距离，可能不再合适于异构蜂窝网络通信技术的需求。移动用户在地理位置上呈动态随机分布可能使这些方案在不同的功率基站间造成极其不平衡的负载分布。为了充分利用具有潜力的新的网络架构，应考虑具有卸载能力的用户接入策略。通过这种方式，高功率基站的负载会减少，更多的用户可以连接到低功率基站。

根据测量负载的方法，负载均衡大致分为两类：第一种类型是与消耗的资源数目有关的负载，另一种是只与接入的用户数目有关的负载。显然，相对于后者，前者往往能反映真实系统的业务量水平，从而实现更好的负载平衡。已有很多文献对异构网络中的负载均衡进行了研究。最常见的覆盖扩展法，即将一个固定的偏差值加到低功率基站的接收信号强度指示值之上，使得更多的用户接入低功率基站。这种方法虽然是简单和有效的，但很难获得最佳偏移或偏差因子。另外，以平衡在不同的基站之间由接入的用户数目所定义的负载的分布式用户接入算法无法实现真正的负载平衡，因为它没有考虑用户的实际资源的需求以及有限资源的约束。基于第二类定义的负载均衡算法可在一定程度上平衡异构网络(HetNets)的负载，但在基站数目庞大的蜂窝网络中，其计算复杂度很高。到目前为止，针对异构网络中的基于第一类负载的策略研究比较少。

为此，本发明提出一种应用于异构网络下行链路的基于QoS感知的负载均衡方法。所提方法能够有效提高负载均衡水平，降低呼叫阻塞率。

发明内容

针对异构网络中的负载均衡问题，本发明提出一种应用于异构网络下行链路的基于QoS感知的负载均衡方法。所提方法能够有效提高负载均衡水平，降低呼叫阻塞率。

本发明提供一种应用于异构网络下行链路的基于QoS感知的负载均衡方法，该方法包括以下步骤：

步骤一：通过求解满足物理资源块约束下的系统容量最大化问题得到用户接入到基站的信息并反馈给目标基站；

步骤二：每个基站需要经过两步更新最佳负载和拉格朗日乘子，然后向系统汇报所述最新的拉格朗日乘子，返回步骤一。

本发明采用上述技术方案，能有效提高负载均衡水平，降低呼叫阻塞率，同时降低了开销。

本发明所基于的基础理论说明：针对物理资源约束的异构网络下行链路系统，以全网络效用最大化为优化目标，定义吞吐量的表达式如下所示：

$c_{\mathrm{nk}}=\frac{f\left({\stackrel{\‾}{r}}_{\mathrm{nk}}\right)}{y_n}---\left(1\right)$

表示r_nk的期望；r_nk(t)＝Wlog₂(1+SINR_nk(t))表示用户k在t时刻从基站n获得的可达速率,其单位是比特/秒；y_n＝Σ_k∈Kx_nk表示连接到基站n的用户数目；x_nk表示连接指示，当用户k与基站n连接时，x_nk＝1，否则x_nk＝0；函数f表示对平均长期吞吐量的线性计算，例如增加一个足够小的正数值Δ来确保下行链路的信干噪比定义如下：

${\mathrm{SINR}}_{\mathrm{nk}}\left(t\right)=\frac{p_n{g}_{\mathrm{nk}}\left(t\right)}{\underset{j\∈N\backslash \left\{n\right\}}{\mathrm{\Σ}}{p}_j{g}_{\mathrm{jk}}\left(t\right)+{\mathrm{\σ}}^2}$

其中p_n表示基站n的一个资源块的非负传输功率；g_nk(t)表示基站n到用户k在t时刻的信道增益，且假设信道在相当长的一段时间内变化非常很小；σ²表示每个物理资源块的噪声功率。

引入对数效用函数优化，因此相应的优化目标定义如下：

$\underset{x,y}{\max }\underset{n\∈N}{\mathrm{\Σ}}\underset{k\∈K}{\mathrm{\Σ}}{x}_{\mathrm{nk}}\{\log \left(R_{\mathrm{nk}}\right)-\log \left(y_n\right)\}$

约束条件： $\left\{\begin{array}{c}\underset{k\∈K}{\mathrm{\Σ}}{x}_{\mathrm{nk}}=y_n,\∀n\∈N\\ \underset{n\∈N}{\mathrm{\Σ}}{x}_{\mathrm{nk}}\≤1,\∀k\∈K\\ 0\≤x_{\mathrm{nk}}\≤1,\∀n\∈N,\∀k\∈K\end{array}\right.---\left(2\right)$

式中y＝{y_n,n∈N}是一个负载向量。

提到的最优化问题是将基站所连接的用户数作为基站的负载信息，由于资源受限，这样会产生较高的呼叫阻塞率，从而降低负载均衡水平。因此需要设计能够反应资源使用情况的负载模型方案。

本发明利用最优对偶分解方法来形成一种分布式算法，与直接求解主要优化问题不同，本发明中用户和基站能够分别地解决优化问题被分解成的两个子问题。基于上述理论，本发明考虑的异构网络中基于QoS感知的负载均衡方法的分布式算法流程图如图2所示，其特征在于，该方法包括以下步骤：

1).根据用户实际速率需求计算每个基站分配给该用户的资源数目，即

$l_{\mathrm{nk}}=\frac{d_k}{R_{\mathrm{nk}}}$

其中d_k表示用户k的实际速率，l_nk表示资源使用情况。

2).如果用户k连接到基站n，那么负载效率定义为

$e_{\mathrm{nk}}=\frac{R_{\mathrm{nk}}}{{\mathrm{\Σ}}_{j\∈K}{x}_{\mathrm{nj}}{l}_{\mathrm{nj}}}---\left(4\right)$

3).引入对数效用函数，优化目标函数变为：

$\underset{x}{\max }\underset{n\∈N}{\mathrm{\Σ}}\underset{k\∈K}{\mathrm{\Σ}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}\{\log \left(R_{\mathrm{nk}}\right)-\log \left({{\mathrm{\Σ}}_{j\∈K}y}_n{l}_{\mathrm{nk}}\right)\}$

约束条件： $\left\{\begin{array}{c}\underset{k\∈K}{\mathrm{\Σ}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}\≤M,\∀n\∈N\\ \underset{n\∈N}{\mathrm{\Σ}}{x}_{\mathrm{nk}}\≤1,\∀k\∈K\\ 0\≤x_{\mathrm{nk}}\≤1,\∀n\∈N,\∀k\∈K\end{array}\right.---\left(5\right)$

其中Σ_k∈Kx_nkl_nk表示基站n的所消耗的资源块的数目，该值小于可用资源块的总和M；第一个约束条件用于子分布式算法收敛性分析。实际上，目标函数可以看成最大化网络加权负载效率，权重是相应的消耗资源的数目。

为了进一步简化式子，引入另外一个变量y_n,表示基站n被使用的资源数，因此优化函数为：

$\underset{x,y}{\max }\underset{n\∈N}{\mathrm{\Σ}}\underset{k\∈K}{\mathrm{\Σ}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}\log \left(R_{\mathrm{nk}}\right)-\underset{n\∈N}{\mathrm{\Σ}}{y}_n\log \left(y_n\right)$

约束条件： $\left\{\begin{array}{c}\underset{k\&Element;K}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}=y_n,\&ForAll;n\&Element;N\\ 0<y_n\&le;M,\&ForAll;n\&Element;N\\ \underset{n\&Element;N}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}\&le;1,\&ForAll;k\&Element;K\\ 0\&le;x_{\mathrm{nk}}\&le;1,\&ForAll;n\&Element;N,\&ForAll;k\&Element;K\end{array}\right.---\left(6\right)$

5).在问题(6)的约束条件中只有一个联合约束Σ_k∈Kx_nk＝y_n，为了消除这个联合约束条件，需要引入拉格朗日乘子μ。问题(6)又可以表达为：

$F:\underset{\mathrm{\&mu;}}{\min }F\left(\mathrm{\&mu;}\right)=I\left(\mathrm{\&mu;}\right)+Q\left(\mathrm{\&mu;}\right)---\left(7\right)$

其中：

$\begin{array}{c}I\left(\mathrm{\&mu;}\right)\underset{x}{\max }\underset{n\&Element;N}{\mathrm{\&Sigma;}}\underset{k\&Element;K}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}\{\log \left(R_{\mathrm{nk}}\right)-{\mathrm{\&mu;}}_n\}\\ =\underset{n}{\max }\left\{l_{\mathrm{nk}}(\log \left(R_{\mathrm{nk}}\right)-{\mathrm{\&mu;}}_n)\right\}\end{array}---\left(8\right)$

约束条件： $\left\{\begin{array}{c}\underset{n\&Element;N}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}=1,\&ForAll;k\&Element;K\\ x_{\mathrm{nk}}\&Element;\left\{\mathrm{0,1}\right\},\&ForAll;n\&Element;N,\&ForAll;k\&Element;K\end{array}\right.$

$Q\left(\mathrm{\&mu;}\right)=\underset{y_n\&le;M}{\max }\underset{n\&Element;N}{\mathrm{\&Sigma;}}{y}_n\{{\mathrm{\&mu;}}_n-\log \left(y_n\right)\}---\left(9\right)$

上述方法中，每个用户采用分布式算法通过求解I(μ)得到用户接入到基站的信息并反馈给目标基站；

1).当t＝0时，用户k利用基站发送的导频信号估计速率R_nk,

2).用户k接收各基站发送广播的数据通过下式获得里接入基站标号n^*：

$n^{*}=\arg \underset{n}{\max }\left\{l_{\mathrm{nk}}(\log \left(R_{\mathrm{nk}}\right)-{\mathrm{\&mu;}}_n)\right\}$

如果同一时刻n^*的值不唯一，那么用户k从n^*中随机选取一个值；

3).用户将接入信息x_nk＝1反馈给基站n^*。

上述方法中，每个基站采用分布式算法通过求解Q(μ)得到拉格朗日乘子，然后向用户汇报最新的拉格朗日乘子。

1).当t＝0时，初始化迭代步长ζ和拉格朗日乘子

2).接收从用户发来的接入信息x_nk＝1,利用下式计算

$y_n^t=\min \{e^{{\mathrm{\&mu;}}_n^t-1},M\}$

3).利用接入信息更新拉格朗日乘子

${\mathrm{\&mu;}}_n^{t+1}={\mathrm{\&mu;}}_n^t-\mathrm{\&zeta;}(y_n^t-{\mathrm{\&Sigma;}}_{k\&Element;K}{l}_{\mathrm{nk}}{x}_{\mathrm{nk}}^t)$

4).向所有用户广播这个新的拉格朗日乘子

附图说明

图1为本发明方法的系统模型图；

图2为本发明中分布式算法流程图；

图3为本发明中用户呼叫阻塞率随用户数变化图；

图4为本发明中负载均衡指数随用户数变化情况图；

图5为本发明算法与其它算法的效用函数收敛情况图；

图6为本发明中不同算法所能达到的系统吞吐量的比较图。

具体实施方式

下面对本发明方法与其他方法的性能对比作出说明：

为不失一般性，本发明只考虑一个两层的异构网络，包括宏基站和微微基站，如图1所示。宏基站的位置是固定，形成了一个传统的蜂窝结构，而微微基站均匀且独立的分布在宏小区中；用户分布在宏小区中的方式与微微基站相同。在下面的仿真图中，在资源受限的条件下，基站采用两种调度方式。一种是接入用户按照最大实际速度优先(MPRF)进行降序排列，基站从队列中调用被服务用户；另一种是按照最大可达速率优先(MARF)进行降序排列的接入用户。仿真图中“QOS-Aware Association”表示本发明的算法；“Max-Rate Association”表示最大和速率接入算法；“AssociationProposed by Ye”表示Ye等人提出的算法，对三种算法的性能进行比较。

图3反映算法的呼叫阻塞率随用户数变化的特性，呼叫阻塞概率可以表示为P_r＝1-U/|K|，其中U表示接入用户序列中被调度的用户的数目；|K|表示异构网络中的用户总数。产生呼叫阻塞的原因是接入用户所需的资源数超过了基站所能提供的资源总数。从图发现采用MAPF调度方式的用户呼叫阻塞率明显低于MPRF这种调度方式，这是因为当用户分布在高功率基站附近时，所获得的可达速率将会增高，根据用户实际速率的需要，此时计算出的所需资源数将减少，这样势必节省了资源，即能降低呼叫阻塞率。从图中还可以看出，当每个宏小区中用户比较低时，本发明算法的性能都远远优于其它算法，但这种优势随着用户密度的增加逐渐变得更小。

图4反映算法的负载均衡的特性，为了测量系统负载均衡的状态，采用Jains公平性指数其中Σ_k∈Kx_nkl_nk＝ρ_n表示基站n的总负载；|N|表示网络中给定的小区数。由公式可知如果η越大，那么小区中的负载分布更均衡。从图可以发现本发明所提的算法可以获得更高的总体负载均衡水平。

图5反映算法效用函数的收敛特性，从理论上分析，本发明算法和Ye.等人提出的算法，由于两者的目标函数不同，因此最优的总效用函数数量级不同。算法效用函数(Total Utility)的迭代次数(Iteration)代表的是基站和用户交互信息所用的时间。由图上可以看出，本发明算法拥有更快的收敛速度，因此，本文提出的算法更容易实现。

图6反映算法的系统吞吐量的特性，从图可以发现，本发明算法比其他算法可以获得更高的系统吞吐量。这与实际也是符合的，在资源受限的条件下，更好的负载均衡分布算法能够提升系统吞吐量。

Claims (3)

1.一种异构网络中基于QoS感知的负载均衡方法，其特征在于，将目标优化问题转化成两个子问题，在基站和用户独立地采用分布式算法求解子问题，该方法包括以下步骤：

1).根据用户实际速率需求计算每个基站分配给该用户的资源数目，即

$l_{\mathrm{nk}}=\frac{d_k}{R_{\mathrm{nk}}}$

其中d_k表示用户k的实际速率，l_nk能够反映资源使用情况，表示r_nk的期望；r_nk(t)＝W log₂(1+SINR_nk(t))，表示用户k在t时刻从基站n获得的可达速率，其单位是比特/秒；函数f表示对平均长期吞吐量的线性计算，例如增加一个足够小的正数值Δ来确保 $\log ({\stackrel{\&OverBar;}{r}}_{\mathrm{nk}}+\mathrm{\&Delta;})\&NotEqual;-\&infin;;$

2).如果用户k连接到基站n，那么负载效率定义为

$e_{\mathrm{nk}}=\frac{R_{\mathrm{nk}}}{{\mathrm{\&Sigma;}}_{j\&Element;K}{x}_{\mathrm{nj}}{l}_{\mathrm{nj}}}$

其中x_nk表示连接指示，当用户k与基站n连接时，x_nk＝1，否则x_nk＝0；

3).优化目标函数为：

$\underset{x,y}{\max }\underset{n\&Element;N}{\mathrm{\&Sigma;}}\underset{k\&Element;K}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}\log \left(R_{\mathrm{nk}}\right)-\underset{n\&Element;N}{\mathrm{\&Sigma;}}{y}_n\log \left(y_n\right)$

约束条件： $\left\{\begin{array}{c}\underset{k\&Element;K}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}=y_n,\&ForAll;n\&Element;N\\ 0<y_n\&le;M,\&ForAll;n\&Element;N\\ \underset{n\&Element;N}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}\&le;1,\&ForAll;k\&Element;K\\ 0\&le;x_{\mathrm{nk}}\&le;1,\&ForAll;n\&Element;N,\&ForAll;k\&Element;K\end{array}\right.$

其中Σ_k∈Kx_nkl_nk表示基站n的所消耗的资源块的数目，该值小于可用资源块的总和M，用于子分布式算法收敛性分析；

在上式约束条件中只有一个联合约束为了消除这个联合约束条件，引入拉格朗日乘子μ，问题可以表达为：

$F:\underset{\mathrm{\&mu;}}{\min }F\left(\mathrm{\&mu;}\right)=I\left(\mathrm{\&mu;}\right)+Q\left(\mathrm{\&mu;}\right)$

其中：

$\begin{array}{c}I\left(\mathrm{\&mu;}\right)=\underset{x}{\max }\underset{n\&Element;N}{\mathrm{\&Sigma;}}\underset{k\&Element;K}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}{l}_{\mathrm{nk}}\{\log \left(R_{\mathrm{nk}}\right)-{\mathrm{\&mu;}}_n\}\\ =\underset{n}{\max \left\{l_{\mathrm{nk}}(\log \left(R_{\mathrm{nk}}\right)-{\mathrm{\&mu;}}_n)\right\}}\end{array}$

约束条件： $\left\{\begin{array}{c}\underset{n\&Element;N}{\mathrm{\&Sigma;}}{x}_{\mathrm{nk}}=1,\&ForAll;k\&Element;K\\ x_{\mathrm{nk}}\&Element;\left\{\mathrm{0,1}\right\},\&ForAll;n\&Element;N,\&ForAll;k\&Element;K\end{array}\right.$

$Q\left(\mathrm{\&mu;}\right)=\underset{y_n\&le;M}{\max }\underset{n\&Element;N}{\mathrm{\&Sigma;}}{y}_n\{{\mathrm{\&mu;}}_n-\log \left(y_n\right)\}.$

接下来，每个用户采用分布式算法通过求解I(μ)得到用户接入到基站的信息并反馈给目标基站；每个基站采用分布式算法通过求解Q(μ)得到拉格朗日乘子，然后向用户汇报最新的拉格朗日乘子。

2.根据权利要求1所述的异构网络中基于QoS感知的负载均衡方法，其特征在于，其中每个用户接入到基站的信息的方法如下：

1).当t＝0时，用户k利用基站发送的导频信号估计速率R_nk,

2).用户k接收各基站发送广播的数据通过下式获得相应的接入基站标号n^*：

$n^{*}=\arg \underset{n}{\max }\left\{l_{\mathrm{nk}}(\log \left(R_{\mathrm{nk}}\right)-{\mathrm{\&mu;}}_n)\right\}$

如果同一时刻n^*的值不唯一，那么用户k从n^*中随机选取一个值；

3).用户将接入信息x_nk＝1反馈给基站n^*。

3.根据权利要求1所述的异构网络中基于QoS感知的负载均衡方法，其特征在于，其中每个基站更新最佳负载和拉格朗日乘子的方法如下：

1).当t＝0时，初始化迭代步长ζ和拉格朗日乘子

2).接收从用户发来的接入信息x_nk＝1,利用下式计算

$y_n^t=\min \{e^{{\mathrm{\&mu;}}_n^t-1},M\};$

3).利用接入信息更新拉格朗日乘子 ${\mathrm{\&mu;}}_n^{t+1}={\mathrm{\&mu;}}_n^t-\mathrm{\&xi;}(y_n^t-{\mathrm{\&Sigma;}}_{k\&Element;K}{l}_{\mathrm{nk}}{x}_{\mathrm{nk}}^t);$

4).向所有用户广播这个新的拉格朗日乘子