CN105357288A - 一种在sdwn下的云业务上行调度方法 - Google Patents

Abstract

本发明公开了一种在SDWN下的云业务上行调度方法，该方法能在多用户的速率限制条件下，最大化系统吞吐量并满足无线云业务的能量需求，不仅考虑了多用户的QoS需求下的系统容量，而且考虑了新兴业务的特殊要求。具体地，该方法将云业务从传统的分类调度中抽离出来，在最大化系统容量和保障多用户速率的子信道分配方案的基础上，利用SDWN动态配置云业务的发送速率，使其在单位时间内的数据发送量与当前时刻的信道增益成正比，从而减小用户的发送能量消耗来延长电池寿命，提升了用户满意度。<!-- 2 -->

Description

一种在SDWN下的云业务上行调度方法

技术领域

本发明涉及一种在SDWN下的云业务上行调度方法，属于通信技术领域。

背景技术

近年来，无线应用的发展呈现出爆炸式增长的趋势，然而，目前的网络并不能非常有效地适配每一种应用，例如LTE(即LongTermEvolution)，其就QoS(即QualityofService)而言共定义了9类QCI(即QoSClassIdentifier)，每类QCI中的所有业务都采用同样的调度转发策略。由于3GPP(即3rdGenerationPartnershipProject)并未指定标准的LTE上行调度方案，业界广泛采用了三种典型的LTE上行调度方案，即最大化系统吞吐量的调度方案、优先保障QoS的调度方案和保障QoS并优化功率的调度方案，然而这三种调度方案都不能适配层出不穷的新业务，特别地，随着云计算的发展，无线云业务对调度方案有着与传统业务不同的要求，具体表现为，无线云业务对实时的速率并没有严格要求，而是需要在限定时间内将本地待处理的数据上传到云端，同时要求传输花费的总能量消耗最小，以延长手机电池的使用时间。因此其QoS需求被定义为在时间T内以最小的能量消耗完成数据量为L的数据传送。根据相关文献对这类问题的研究，要达到最小的能量消耗，需满足传送的速率与当前的信道状态的好坏成正比。很显然，在现有的LTE系统中，不论将云业务归入哪一类的QCI，采用哪一种调度方案，都只能将其和同类QCI的其他业务作同样处理，采用同样的、预定义的资源分配方案，不能单独地为其动态分配资源来保障其速率随信道状态的变化而变化，因而不能满足其能量消耗最小的需求。由此可见，LTE在将业务进行分类的QoS控制方法(即Class-BasedQoSControl，CBQC)的基础上采用的分类调度方案只能总体上僵硬地满足一类业务的QoS，并不能灵活地针对某一种具体的业务进行性能保障，究其原因，传统网络结构中相互隔离的节点各有自己的控制系统，它们需要相同的预先定义的配置来保障整个网络的QoS性能，因而不得不把所有数据流分成固定的几类业务来进行分类处理。

软件定义无线网络(即Software-DefinedWirelessNetworks,SDWN)为这个问题的解决提供了新的思路，它是SDN(Software-DefinedNetworks)在无线领域的拓展，可以改变整个网络不能灵活地进行动态配置的现状，在这种新的网络结构中，网络控制层和转发层互相分离，能实现逻辑上的集中控制并对应用层提供编程接口，允许应用层通过软件来集中定义网络节点的转发行为。对于LTE上行调度方案的现有研究主要集中在传统的网络结构下，其中，在以最大化系统吞吐量为主要目的的调度方案下，用户总是以最大的速率进行数据传送，显然不满足云业务能量最小的条件；在以优化所有用户总发射功率为目的的调度方案中，业务几乎总是以满足要求的最低速率传送数据，能在一定程度上减小云业务在上行调度中的能量消耗，但仍不能根据信道的变化调整对云业务的资源分配策略，因此也不是最优的。而本发明能够很好地解决上面的问题。

发明内容

本发明目的在于提供了一种在SDWN下优化云业务传输能量的LTE上行调度方法，该方法将传统的调度方法从业务分类的束缚中解放出来，根据云业务的特点进行灵活适配的LTE上行调度方法，使云业务的发送速率和当前信道条件成正比，能在最大化系统容量的同时，更好地满足云业务能量消耗最小的需求，提升用户满意度。

本发明解决其技术问题所采取的技术方案是：一种在SDWN下的云业务上行调度方法，该方法包括如下步骤：

步骤1：定义SDWN下云业务上行调度方案的数学模型；

(1)定义云业务在上行调度中的能量优化模型；

无线云业务对实时的速率并没有严格要求，而是需要在限定时间内将本地待处理的数据上传到云端，同时要求传输花费的总能量消耗最小，以延长手机电池的使用时间。因此其QoS需求被定义为在时间T内以最小的能量消耗完成数据量为L的数据传送。这就需要根据当前时隙内云业务的信道增益相应地调节该时隙内的数据发送速率b(t)，在满足T时隙内完成数据量为L的数据传送和每时隙内发送的数据量不大于剩余数据量两个限制条件下，最小化云用户总的能量消耗。

(2)云业务在传统网络调度方案中能量消耗的特点；

在传统网络中，LTE系统往往采用有QoS保障的最大化系统吞吐量调度方案或者以优化用户发送功率为主要目的的调度方案。

前者能在满足用户QoS需求的同时最大程度地提升系统吞吐量，然而其优化目标要求用户总是以最大的速率进行数据传送，在这种情况下，每时隙内都将使用最大允许的发送功率，显然不能满足无线云业务能量消耗最小的要求。

后者通过调节每个用户的发送功率来满足速率限制和优化目标，能在很大程度上减小用户的发送功率，但同时也牺牲了大量的系统吞吐量，业务几乎总是以满足要求的最低速率传送数据，此时仍然没有将用户的发送速率与信道增益联系起来，因而云业务用户的能量消耗也不是最小的，仍然有优化的空间。

(3)定义SDWN下能满足云业务能量需求的调度模型；

在SDWN下的调度方案中，每个调度时隙内的资源分配问题可归纳为：以最大化云业务以外的所有用户获得的速率之和为目标函数，限制条件为云业务外的每个用户获得的速率都不小于其速率需求，以及云业务的速率等于当前时隙内理论上的最佳发送速率，具体表示如下：

$\underset{K_{1,\mathrm{...},}{K}_M\&Element;KA}{max}\underset{m=1}{\overset{M}{\&Sigma;}}{R}_{m,K_m}$ 公式1

s.t.

$R_{m,K_m}=\underset{k\&Element;K_m}{\&Sigma;}{W}_s{\log }_2(1+\frac{p^u{h}_{m,k}}{\left|K_m\right|N_0{W}_s})\&GreaterEqual;R_m^0,\&ForAll;m\&NotEqual;i\&Element;M,$ K_m∩K_m′＝0， $\&ForAll;m\&NotEqual;m^{\&prime;}\&Element;M$

$R_{i,K_i}=\underset{k\&Element;K_i}{\&Sigma;}{W}_s{\log }_2(1+\frac{p_{i,K_i}{h}_{i,k}}{\left|K_i\right|N_0{W}_s})=\stackrel{*}{b\left(t\right)},i\&Element;M,$ K_i∩K_m＝0， $\&ForAll;i\&NotEqual;m\&Element;M$

其中b(t)是公式1所描述的问题的解，表示用户m在子信道集K_m下获得的速率，表示能保障用户m的QoS的最小速率，KA表示所有满足连续性限制的分配方案的集合，p^u为UE最大的发射功率。

步骤2：推导云业务在单时隙内的最佳传输速率；

(1)归纳成动态规划问题；

云业务在单时隙内的最佳传输速率问题是一个多阶段决策问题，本发明采用逆序迭代的方法进行递推，即先确定最后一个时隙t＝1时的最优决策，然后将结果带入t＝2时隙进行决策确定，依次类推。为方便迭代过程的表示，用 $Y_t\left(\mathrm{\&beta;}\left(t\right),\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)\right)=\underset{0\&le;b\left(t\right)\&le;\mathrm{\&beta;}\left(t\right)}{\min }\left\{{\mathrm{Er}}_t\left(b\left(t\right),\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)\right)+E\&lsqb;\underset{s=1}{\overset{t-1}{\&Sigma;}}{\mathrm{Er}}_s\left(b\left(s\right),\stackrel{\&OverBar;}{h_{i,K_i}}\left(s\right)\right)\&rsqb;\right\}$ 表示t时刻获得的最小能量消耗和，表示价值函数，即在最优决策时t-1到1的所有时隙内传送β(t-1)比特的数据预计需要耗费的能量代价，考虑到能量消耗的表达式，得动态规划问题：

$Y_t\left(\mathrm{\&beta;}\right(t),\stackrel{\&OverBar;}{h_{i,K_i}}(t\left)\right)=\left\{\begin{array}{cc}\underset{0\&le;b\left(t\right)\&le;\mathrm{\&beta;}\left(t\right)}{min}\left(\frac{\left(2^{\frac{b\left(t\right)}{\left|K_i\right|W_s}}-1\right)\left|K_i\right|N_0{W}_s}{\stackrel{\&OverBar;}{h_{mc,K_{mc}}}\left(t\right)}+\stackrel{\&OverBar;}{Y_{t-1}}\left(\mathrm{\&beta;}\left(t\right)-b\left(t\right)\right)\right),& t=T,\mathrm{...},2\\ {\mathrm{Er}}_1\left(\mathrm{\&beta;}\left(1\right),\stackrel{\&OverBar;}{h_{i,K_i}}\left(1\right)\right)& t=1\end{array}\right.$ 公式2

(2)定义价值函数并求解；

用公式3表示价值函数，即在最优决策时t至1的所有时隙内传送β(t)比特的数据预计需要耗费的能量，来对公式2进行求解：

$\stackrel{\&OverBar;}{Y_t}\left(\mathrm{\&beta;}\right(t\left)\right)=t{2}^{\frac{\mathrm{\&beta;}\left(t\right)}{t\left|K_m\right|W_s}}G(v_t,\mathrm{...},v_1)-{\mathrm{tv}}_1$ 公式3

其中表示根据信道统计信息对i时隙内信道状态的估计，为v_i的几何平均值。

接下来本发明证明用公式3来表示价值函数的合理性。

证明：

本发明采用数学归纳法，显然在t＝1时，表示对在最后一个时隙内传送β(1)所需的能量的预估，符合价值函数的定义；

假设表示在最优决策时，t-1到1的所有时隙内传送β(t-1)比特的数据预计需要耗费的能量代价，那么根据公式2，在t时隙内的优化问题变为：

$\underset{b\left(t\right)}{min}\left(\frac{\left(2^{\frac{b\left(t\right)}{\left|K_i\right|W_s}}-1\right)\left|K_i\right|N_m{W}_s}{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}+\stackrel{\&OverBar;}{Y_{t-1}}\left(\mathrm{\&beta;}\left(t\right)-b\left(t\right)\right)\right)$ 公式4

这里目标函数是一个关于b(t)的凸函数，求导并令其导数为0，可得其最优解：

$b\left(t\right)=\frac{1}{t}\mathrm{\&beta;}\left(t\right)+\frac{t-1}{t}\left|K_i\right|W_s{\log }_2\left(G\right(v_{t-1},...v_1\left)\frac{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}{\left|K_i\right|N_0{W}_s}\right)$ 公式5

将公式5带入公式4，并对信道求期望，可得公式3，即：

$\stackrel{\&OverBar;}{Y_t}\left(\mathrm{\&beta;}\right(t\left)\right)=\frac{\left(2^{\frac{b\left(t\right)}{\left|K_i\right|W_s}}-1\right)\left|K_i\right|N_0{W}_s}{\stackrel{\&OverBar;}{h_{mc,K_{mc}}}\left(t\right)}+\stackrel{\&OverBar;}{Y_{t-1}}\left(\mathrm{\&beta;}\right(t)-b(t\left)\right)$ 成立，得能表示在t至1的所有时隙内传送β(t)比特的数据预计需要耗费的能量代价，得证。

此时，b(t)即为去限制条件之后优化问题的最优解，对其加入限制条件0≤b(t)≤β(t)，作为原优化问题的次优解,即：

$b\left(t\right)=<\frac{1}{t}\mathrm{\&beta;}\left(t\right)+\frac{t-1}{t}\left|K_i\right|W_s{\log }_2\left(G\right(v_{t-1},...v_1\left)\frac{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}{\left|K_i\right|N_0{W}_s}\right){>}_0^{\mathrm{\&beta;}\left(t\right)}$ 公式6

其中表示x最大取b，最小取a。

步骤3：确定每个时隙内的资源分配方案；

(1)列出每个用户的子信道分配矩阵，代表所有可能的分配方案；

$L=\left[\begin{array}{ccccccc}0& 1& 0& 0& 1& 0& 1\\ 0& 0& 1& 0& 1& 1& 1\\ 0& 0& 0& 1& 0& 1& 1\end{array}\right],\&ForAll;m\&Element;M$

(2)分别求出每个用户在每种可能的分配方案下的速率；

$r_{m,j}=\underset{k\&Element;K_{m,j}}{\&Sigma;}{W}_s{\log }_2(1+\frac{p^u{h}_{m,k}}{\left|K_{m,j}\right|N_0{W}_s}),\&ForAll;m\&Element;M,\&ForAll;j$

(3)利用速率限制条件对方案进行筛选；

$e_{m,j}=\left\{\begin{array}{cc}{r}_{m,j},& r_{m,j}\&GreaterEqual;R_m^0\\ -\mathrm{\&infin;},& else\end{array}\right.,\&ForAll;m\&Element;M,\&ForAll;j$

(4)定义列向量Χ＝[Χ₁,...,Χ_M]^T来表示分配方案，归纳成0-1整数规划问题通过穷举法求得单时隙内的资源分配方案。

步骤4：SDWN下的云业务上行调度方案；

(1)初始化调度时隙和云业务剩余数据量；

(2)根据步骤3确定本时隙内的资源分配方案；

(3)根据步骤2确定云业务的最佳发送速率；

(4)调节云业务的最佳发送速率；

(5)更新状态进行下一时隙的资源分配。

本发明的上述方法应用于SDWN下的云业务上行调度。

有益效果：

1、本发明能够使云业务用户的传送速率曲线完全随着信道增益的变化而变化，即围绕平均发送速率而变化，在信道状况好(或坏)的情况下，实现多(或少)的数据发送。

2、本发明能够实现在保障多用户速率限制的条件下，使云业务的能量消耗最小，从而提升用户满意度。

附图说明

图1为本发明的方法流程图。

图2为SDWN的逻辑视图。

图3为SDWN下的基站调度模型。

图4为云业务发送速率与信道关系的仿真结果。

图5为云业务总能量消耗的仿真结果。

具体实施方式

下面结合说明书附图对本发明创造作进一步的详细说明。

如图1、图2和图3所示，本发明提供了一种在SDWN下优化云业务传输能量的LTE上行调度方法，该方法包括如下步骤：

步骤1：定义SDWN下云业务上行调度方案的数学模型

(1)定义云业务在上行调度中的能量优化模型；

无线云业务对实时的速率并没有严格要求，而是需要在限定时间内将本地待处理的数据上传到云端，同时要求传输花费的总能量消耗最小，以延长手机电池的使用时间。因此其QoS需求被定义为在时间T内以最小的能量消耗完成数据量为L的数据传送。这就需要根据当前时隙内云业务的信道增益相应地调节该时隙内的数据发送速率b(t)，在满足T时隙内完成数据量为L的数据传送和每时隙内发送的数据量不大于剩余数据量两个限制条件下，最小化云用户总的能量消耗，因此云业务的能量优化问题可表示为：

$\underset{b_T,\mathrm{...},b_1}{min}E\&lsqb;\underset{t=1}{\overset{T}{\&Sigma;}}{\mathrm{Er}}_t\left(b\right(t),\stackrel{\&OverBar;}{h_{i,K_i}}(t\left)\right)\&rsqb;$ 公式7

s.t.

$\underset{t=1}{\overset{T}{\&Sigma;}}b\left(t\right)=L$

$0\&le;b\left(t\right)\&le;\mathrm{\&beta;}\left(t\right),\&ForAll;t$

其中 ${\mathrm{Er}}_t=min\{P_{i,K_i}\left(t\right)\mathrm{\&Delta;}t,P^u\mathrm{\&Delta;}t\}=min\{P_{i,K_i}\left(t\right),P^u\}$ 为当前时刻的能量消耗，P^u为用户最大发送功率，为由香农公式得到的SC-FDMA下的能量与速率的关系式子，N₀为接收端的子信道噪声功率密度，|K_m|为分配给用户m的子信道个数，Ws为子信道带宽，为子信道上的平均信道增益。

(2)云业务在传统网络调度方案中能量消耗的特点；

在传统网络中，LTE系统往往采用有QoS保障的最大化系统吞吐量调度方案或者以优化用户发送功率为主要目的的调度方案，本发明先分别讨论云业务在这两种传统的LTE调度方案中能量消耗的特点。由于云业务要求在时间T内完成数据量为L的数据传送，因此在传统网络下云业务每时隙内的速率需求都至少为其中表示用户m的业务对速率的要求。

在采用有QoS保障的最大化系统吞吐量调度方案中，每个时隙内的子信道分配准则为在满足用户获得的速率不小于其速率需求的同时，最大化当前时隙内所有用户获得的速率之和，因此一个调度时隙内的资源分配优化问题可表示为：

$\underset{K_{1,\mathrm{...},}{K}_M\&Element;KA}{max}\underset{m=1}{\overset{M}{\&Sigma;}}{R}_{m,K_m}$

s.t.

$R_{m,K_m}=\underset{k\&Element;K_m}{\&Sigma;}{W}_s{\log }_2(1+\frac{p^u{h}_{m,k}}{\left|K_m\right|N_0{W}_s})\&GreaterEqual;R_m^0,\&ForAll;m\&Element;M,$ K_m∩K_m′＝0， $\&ForAll;m\&NotEqual;m^{\&prime;}\&Element;M$

$R_i^0=\frac{L}{T},i\&Element;M$

其中，KA表示所有满足连续性限制的分配方案的集合，p^u为UE最大的发射功率。这种调度方案能在满足用户QoS需求的同时最大程度地提升系统吞吐量，然而其优化目标要求用户总是以最大的速率进行数据传送，在这种情况下，每时隙内都将使用最大允许的发送功率，显然不能使优化公式7所描述的问题的目标函数最小，即：不能满足无线云业务能量消耗最小的要求。

而在以优化用户发送功率为主要目的的调度方案里，每个时隙内资源分配的目标函数为使当前时隙内所有的用户发射总功率最小，限制条件为每个业务获得的速率不小于其速率需求，因此一个调度时隙内的资源分配优化问题可表示为：

$\underset{K_{1,\mathrm{...},}{K}_M\&Element;KA}{min}\underset{m=1}{\overset{M}{\&Sigma;}}{p}_{m,K_m}$

s.t.

$R_{m,K_m}=\underset{k\&Element;K_m}{\&Sigma;}{W}_s{\log }_2(1+min(\frac{p_{m,K_m}}{\left|K_m\right|},\frac{p^u}{\left|K_m\right|})\frac{h_{m,k}}{N_0{W}_s})\&GreaterEqual;R_m^0,\&ForAll;m\&Element;M,$ K_m∩K_m′＝0， $\&ForAll;m\&NotEqual;m^{\&prime;}\&Element;M$

$R_i^0=\frac{L}{T},i\&Element;M$

这种调度方法通过调节每个用户的发送功率来满足速率限制和优化目标，能在很大程度上减小用户的发送功率，但同时也牺牲了大量的系统吞吐量，业务几乎总是以满足要求的最低速率传送数据，此时仍然没有将用户的发送速率与信道增益联系起来，因而云业务用户的能量消耗也不是最小的，仍然有优化的空间。

(3)定义SDWN下能满足云业务能量需求的调度模型；

在SDWN下，系统把传统无线网络中分散在基站、网关等单个网络设备的控制功能转移到了集中的控制器上，让物理设备仅仅负责简单的数据转发和交换，并通过控制器来进行全局的、动态的数据流量管理，其逻辑视图见附图2。因此在传统网络中分散在各基站的调度功能，在SDWN下由集中的控制器来实现，这种可编程的集中控制的方式能够给流量处理提供足够的灵活性，从而可以利用附图三所示的基于应用程序的QoS控制(ABQC)方法将云业务从传统的业务分类中抽离出来，根据每时隙内的信道条件动态地为云业务配置当前最佳的发送速率，来保证云业务的用户的能量消耗最小。因此，在SDWN下的调度方案中，每个调度时隙内的资源分配问题可归纳为：以最大化云业务以外的所有用户获得的速率之和为目标函数，限制条件为云业务外的每个用户获得的速率都不小于其速率需求，以及云业务的速率等于当前时隙内理论上的最佳发送速率，具体表示如下：

$\underset{K_{1,\mathrm{...},}{K}_M\&Element;KA}{\max }\underset{m=1}{\overset{M}{\&Sigma;}}{R}_{m,K_m}$ 公式8

s.t.

$R_{m,K_m}=\underset{k\&Element;K_m}{\&Sigma;}{W}_s{\log }_2(1+\frac{p^u{h}_{m,k}}{\left|K_m\right|N_0{W}_s})\&GreaterEqual;R_m^0,\&ForAll;m\&NotEqual;i\&Element;M,$ K_m∩K_m′＝0， $\&ForAll;m\&NotEqual;m^{\&prime;}\&Element;M$

$R_{i,K_i}=\underset{k\&Element;K_i}{\&Sigma;}{W}_s{\log }_2(1+\frac{p_{i,K_i}{h}_{i,k}}{\left|K_i\right|N_0{W}_s})=\stackrel{*}{b\left(t\right)},i\&Element;M,$ K_i∩K_m＝0， $\&ForAll;i\&NotEqual;m\&Element;M$

其中是以下问题的解：

$\underset{b_T,\mathrm{...},b_1}{min}E\&lsqb;\underset{t=1}{\overset{T}{\&Sigma;}}{\mathrm{Er}}_t\left(b\right(t),\stackrel{\&OverBar;}{h_{i,K_i}}(t\left)\right)\&rsqb;$

s.t.

$\underset{t=1}{\overset{T}{\&Sigma;}}b\left(t\right)=L$

$0\&le;b\left(t\right)\&le;\mathrm{\&beta;}\left(t\right),\&ForAll;t$

步骤2：推导在单时隙内的最佳传输速率；

(1)归纳成动态规划问题；

本发明通过动态规划来依次确定时隙t(t＝1,...,T)内应传送的数据量，其目标函数可以分为两部分之和，第一部分为当前时刻的能量消耗第二部分为剩余时刻预计的总能量消耗因此t时刻的决策问题为选择一个满足限制条件的最优速率b(t)，使得两部分之和最小，表示为：

$b\left(t\right)=\left\{\begin{array}{cc}\arg \underset{0\&le;b\left(t\right)\&le;\mathrm{\&beta;}\left(t\right)}{\min }\left\{{\mathrm{Er}}_t\left(b\left(t\right),\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)\right)+E\&lsqb;\underset{s=1}{\overset{t-1}{\&Sigma;}}{\mathrm{Er}}_s\left(b\left(s\right),\stackrel{\&OverBar;}{h_{i,K_i}}\left(s\right)\right)\&rsqb;\right\},& t=T,\mathrm{...},2\\ \mathrm{\&beta;}\left(1\right)& t=1\end{array}\right.$ 公式9

这是一个多阶段决策问题，这里采用逆序迭代的方法进行递推，即先确定最后一个时隙t＝1时的最优决策，然后将结果带入t＝2时隙进行决策确定，依次类推。为方便迭代过程的表示，本发明用表示公式9所描述的问题在作出最优决策时的最小目标函数值，即t时刻获得的最小能量消耗和，表示价值函数，即在最优决策时t-1到1的所有时隙内传送β(t-1)比特的数据预计需要耗费的能量代价，也就是的值，考虑到能量消耗的表达式，得：

$Y_t\left(\mathrm{\&beta;}\right(t),\stackrel{\&OverBar;}{h_{i,K_i}}(t\left)\right)=\left\{\begin{array}{cc}\underset{0\&le;b\left(t\right)\&le;\mathrm{\&beta;}\left(t\right)}{min}\left(\frac{\left(2^{\frac{b\left(t\right)}{\left|K_i\right|W_s}}-1\right)\left|K_i\right|N_0{W}_s}{\stackrel{\&OverBar;}{h_{mc,K_{mc}}}\left(t\right)}+\stackrel{\&OverBar;}{Y_{t-1}}\left(\mathrm{\&beta;}\left(t\right)-b\left(t\right)\right)\right),& t=T,\mathrm{...},2\\ {\mathrm{Er}}_1\left(\mathrm{\&beta;}\left(1\right),\stackrel{\&OverBar;}{h_{i,K_i}}\left(1\right)\right)& t=1\end{array}\right.$ 公式10

(2)定义价值函数并求解；

公式10所描述的问题，在t≥3时无法求得最优解b(t)和的解析表达式，本发明采取次优解法，用公式11表示价值函数，即在最优决策时t至1的所有时隙内传送β(t)比特的数据预计需要耗费的能量，来对公式10所描述的问题进行求解：

$\stackrel{\&OverBar;}{Y_t}\left(\mathrm{\&beta;}\right(t\left)\right)=t{2}^{\frac{\mathrm{\&beta;}\left(t\right)}{t\left|K_m\right|W_s}}G(v_t,\mathrm{...},v_1)-{\mathrm{tv}}_1$ 公式11

其中表示根据信道统计信息对i时隙内信道状态的估计，的几何平均值。

接下来本发明证明用公式11来表示在最优决策时，t至1的所有时隙内传送β(t)比特的数据预计需要耗费的能量是成立的。

证明：

这里本发明采用数学归纳法，显然在t＝1时，表示对在最后一个时隙内传送β(1)所需的能量的预估，符合预期的定义；

假设表示在最优决策时，t-1到1的所有时隙内传送β(t-1)比特的数据预计需要耗费的能量代价，那么根据公式10，在t时隙内的优化问题变为：

$\underset{b\left(t\right)}{min}\left(\frac{\left(2^{\frac{b\left(t\right)}{\left|K_i\right|W_s}}-1\right)\left|K_i\right|N_m{W}_s}{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}+\stackrel{\&OverBar;}{Y_{t-1}}\left(\mathrm{\&beta;}\left(t\right)-b\left(t\right)\right)\right)$ 公式12

这里目标函数是一个关于b(t)的凸函数，求导并令其导数为0，可得其最优解：

$b\left(t\right)=\frac{1}{t}\mathrm{\&beta;}\left(t\right)+\frac{t-1}{t}\left|K_i\right|W_s{\log }_2\left(G\right(v_{t-1},...v_1\left)\frac{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}{\left|K_i\right|N_0{W}_s}\right)$ 公式13

将公式13带入公式12，并对信道求期望，得公式11，即式子 $\stackrel{\&OverBar;}{Y_t}\left(\mathrm{\&beta;}\right(t\left)\right)=\frac{\left(2^{\frac{b\left(t\right)}{\left|K_i\right|W_s}}-1\right)\left|K_i\right|N_0{W}_s}{\stackrel{\&OverBar;}{h_{mc,K_{mc}}}\left(t\right)}+\stackrel{\&OverBar;}{Y_{t-1}}\left(\mathrm{\&beta;}\right(t)-b(t\left)\right)$ 成立，得能表示在t至1的所有时隙内传送β(t)比特的数据预计需要耗费的能量代价，得证。

此时，b(t)即为无限制条件时优化问题的最优解，对其加入限制条件0≤b(t)≤β(t)，作为原优化问题的次优解,即：

$b\left(t\right)=<\frac{1}{t}\mathrm{\&beta;}\left(t\right)+\frac{t-1}{t}\left|K_i\right|W_s{\log }_2\left(G\right(v_{t-1},...v_1\left)\frac{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}{\left|K_i\right|N_0{W}_s}\right){>}_0^{\mathrm{\&beta;}\left(t\right)}$ 公式14

其中表示x最大取b，最小取a。

在(14)式中，G(v_t-1,...v₁)是根据长时间内信道状态的统计信息求得的与t相关的常数，因此只要确定信道分配方案，就可以根据子信道数|K_i|和当前的信道状况得到当前的最佳发送速率b(t)。

步骤3：确定每个时隙内的资源分配方案；

公式(8)所描述的问题是一个二维优化问题，它要求资源分配方案不仅能最大化系统吞吐量，而且能确保云业务以最佳速率b(t)进行数据传送。然而根据公式14，每个时隙内的最佳传送速率b(t)由子信道数|K_i|和信道增益决定，因此在资源分配方案确定之前，b(t)无法确定，反过来b(t)的未知性又限制了资源分配方案问题的求解，从而形成了一个互为必要条件的死循环。针对这个问题，本发明采用的解法是，先不考虑云业务需以b(t)为速率进行数据传送来保障能量消耗最小这一限制条件，仅在所有用户的速率限制下确定出最大化系统容量的子信道分配方案，此时t时隙内的资源分配问题变为公式15所示；然后再将云业务的发送速率调整到最佳发送速率，达到满足其能量需求的目的。

$\underset{K_{1,\mathrm{...},}{K}_M\&Element;KA}{max}\underset{m=1}{\overset{M}{\&Sigma;}}{R}_{m,K_m}$ (公式15)

s.t.

$R_{m,K_m}=\underset{k\&Element;K_m}{\&Sigma;}{W}_s{\log }_2(1+\frac{p^u{h}_{m,k}}{\left|K_m\right|N_0{W}_s})\&GreaterEqual;R_m^0,\&ForAll;m\&Element;M,$ K_m∩K_m'＝0, $\&ForAll;m\&NotEqual;m^{\&prime;}\&Element;M$

其中表示t时隙内云业务的动态速率需求。将当前时隙开始时剩余数据量β(t)和剩余时间t的比值作为该时隙内的速率需求来参与对子信道的分配，是为了保障云业务能在时间T内完成数据量为L的数据传送。

公式(15)所描述的问题可以归纳成0-1整数规划问题来进行求解，来确定最大化系统吞吐量时每个用户的信道分配方案，步骤如下：

(1)列出每个用户的子信道分配矩阵，代表所有可能的分配方案。

由于分配连续性条件的限制，对任一用户都有种可能的分配方案，例如共有K＝3个子信道时，每个用户都有C＝7种可能的分配方案，用户m的子信道分配矩阵为：

$A_m=\left[\begin{array}{ccccccc}0& 1& 0& 0& 1& 0& 1\\ 0& 0& 1& 0& 1& 1& 1\\ 0& 0& 0& 1& 0& 1& 1\end{array}\right],\&ForAll;m\&Element;M$ 公式16

每个用户的子信道分配矩阵都是一个相同的大小为K×C的矩阵，其中K行对应K个正交的子信道，C列对应C种可能的分配方案，矩阵中的元素“1”代表子信道分配给该用户，“0”表示不分配。

(2)分别求出每个用户在每种可能的分配方案下的速率，构成一个大小为MC×1的速率矩阵r＝[r₁,...,r_M]^T，其中r_m＝[r_m,1,...,r_m,C]^T。其元素r_m,j表示用户m在采用A中第j列对应的分配方案时获得的速率，其值可根据公式17求出，其中|K_m,j|表示第j列对应的分配方案中分配给用户m的子信道的个数。

$r_{m,j}=\underset{k\&Element;K_{m,j}}{\&Sigma;}{W}_s{\log }_2(1+\frac{p^u{h}_{m,k}}{\left|K_{m,j}\right|N_0{W}_s}),\&ForAll;m\&Element;M,\&ForAll;j$ 公式17

(3)为了保证用户的速率需求得到满足，利用公式15中的速率限制条件对r进行筛选，构造目标指数矩阵e来保障用户的QoS，其元素e_m,j表示用速率限制条件对方案进行筛选后，用户m在A中第j种方案下的目标指数。筛选原则如(18)所示，如果方案满足速率限制条件，则其目标指数等于其速率，否则将其目标指数置为负无穷，以表示对方案的否定，即：

$e_{m,j}=\left\{\begin{array}{cc}{r}_{m,j},& r_{m,j}\&GreaterEqual;R_m^0\\ -\mathrm{\&infin;},& else\end{array}\right.,\&ForAll;m\&Element;M,\&ForAll;j$ 公式18

(4)定义一个大小为MC×1的列向量Χ＝[Χ₁,...,Χ_M]^T来表示分配方案，其中Χ_m＝[x_m,1,...,x_m,C]^T，x_m,j为“1”时表示用户m采用分配矩阵中第j列对应的分配方案，反之为“0”。

因此公式(15)所描述的问题的优化目标可表示为在所有可能的方案中找到使所有用户目标指数之和最大的方案，即：

公式19

由于一个子信道最多只能分配给一个用户，得限制条件：

[A₁,...,A_M]Χ≤1_K公式20

每个用户用且只能用一种分配方案，得限制条件：

$\left[\begin{array}{ccc}{1}_C^T& \mathrm{...}& 0_C^T\\ .& .& .\\ .& .& .\\ .& .& .\\ 0_C^T& \mathrm{...}& 1_C^T\end{array}\right]X=1_M$ 公式21

至此已将公式(15)所描述的问题归纳成了一个0-1整数规划问题，通过穷举法容易求得目标函数的公式19在限制条件公式20和公式21下的最优解，即可确定当前调度时隙内的资源分配方案。

步骤4：SDWN下的云业务上行调度方案；

在云业务存在的T个时隙里，满足公式8所描述的问题的SWDN下的LTE上行调度方案如下：

(1)初始化调度时隙t＝T，云业务剩余数据量β(t)＝L；

(2)利用SDWN可在每时隙动态配置业务速率需求的特点，将作为t时隙内预估的云业务速率需求带入公式15来参与信道分配，利用步骤3求出每个用户的子信道分配方案j_m，

(3)根据云业务用户的子信道分配方案j_i和公式14求得当前时隙的最佳发送速率b(t)，并带入公式3求得云业务的最佳发射功率

(4)在SDWN的控制器中单独为云业务用户调节当前时刻的发射功率保证云业务的实际发送速率R_i(t)尽可能等于b(t)；

(5)更新状态方程β(t-1)＝β(t)-R_i(t)，t＝t-1，从步骤2开始进行下一时隙的资源分配。

综上所述，本发明在新的网络结构SDWN下提出了一种新的能根据业务特点进行灵活适配的LTE上行调度方法，该方法能在保障多业务的速率需求且系统吞吐量最大的同时，使云业务的发送速率和当前信道条件成正比，从而更好地满足云业务能量消耗最小的需求，提升用户满意度。

Claims (6)

1.一种在SDWN下的云业务上行调度方法，其特征在于，所述方法包括如下步骤：

步骤1：定义SDWN下云业务上行调度方案的数学模型；

(1)定义云业务在上行调度中的能量优化模型；

(2)归纳云业务在传统网络调度方案中能量消耗的特点；

(3)定义SDWN下能满足云业务能量需求的调度模型；

步骤2：推导云业务在单时隙内的最佳传输速率；

(1)归纳成动态规划问题；

(2)定义价值函数并求解；

步骤3：确定每个时隙内的资源分配方案；

(1)列出每个用户的子信道分配矩阵，代表所有可能的分配方案；

(2)分别求出每个用户在每种可能的分配方案下的速率；

(3)利用速率限制条件对方案进行筛选；

(4)归纳成0-1整数规划问题，通过穷举法求得单时隙内的资源分配方案；

步骤4：SDWN下的云业务上行调度方案；

(1)初始化调度时隙和云业务剩余数据量；

(2)根据步骤3确定本时隙内的资源分配方案；

(3)根据步骤2确定云业务的最佳发送速率；

(4)调节云业务的最佳发送速率；

(5)更新状态进行下一时隙的资源分配。

2.根据权利要求1所述的一种在SDWN下的云业务上行调度方法，其特征在于：所述方法步骤1中，SDWN下的调度模型不仅考虑了多用户速率限制下的系统容量，而且考虑了新兴业务的特殊需求，其数学模型如下：

$\underset{K_{1,...,}{K}_M\&Element;KA}{max}\underset{m=1}{\overset{M}{\&Sigma;}}{R}_{m,K_m}$

s.t.

$R_{m,K_m}=\underset{k\&Element;K_m}{\&Sigma;}{W}_s{\log }_2(1+\frac{p^u{h}_{m,k}}{\left|K_m\right|N_0{W}_s})\&GreaterEqual;R_m^0,\&ForAll;m\&NotEqual;i\&Element;M,$ K_m∩K_m'＝0, $\&ForAll;m\&NotEqual;m^{\&prime;}\&Element;M$

$R_{i,K_i}=\underset{k\&Element;K_i}{\&Sigma;}{W}_s{\log }_2(1+\frac{p_{i,K_i}{h}_{i,k}}{\left|K_i\right|N_0{W}_s})=b\left(t\right),i\&Element;M,$ K_i∩K_m＝0, $\&ForAll;i\&NotEqual;m\&Element;M$

其中b(t)是单时隙内的最佳传送速率，表示用户m在子信道集K_m下获得的速率，表示能保障用户m的QoS的最小速率，KA表示所有满足连续性限制的分配方案的集合，p^u为UE最大的发射功率。

3.根据权利要求1所述的一种在SDWN下的云业务上行调度方法，其特征在于：所述方法步骤2中，采用SC-FDMA下的香农公式来作为能量-速率的关系表达式对单时隙内的最佳速率进行推导：

$P_{i,K_i}\left(t\right)=\frac{\left(2^{\frac{b\left(t\right)}{\left|K_i\right|W_s}}-1\right)\left|K_i\right|N_0{W}_s}{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}$

其中为t时隙内用户i的发射功率，N₀为接收端的子信道噪声功率密度，|K_i|为分配给用户i的子信道个数，Ws为子信道带宽，为子信道上的平均信道增益。

4.根据权利要求1所述的一种在SDWN下的云业务上行调度方法，其特征在于：所述方法步骤2中，价值函数定义为：

$\stackrel{\&OverBar;}{Y_t}\left(\mathrm{\&beta;}\right(t\left)\right)=t{2}^{\frac{\mathrm{\&beta;}\left(t\right)}{t\left|K_m\right|W_s}}G(v_t,...v_1)-{\mathrm{tv}}_1$

其中表示根据信道统计信息对i时隙内信道状态的估计，为v_i的几何平均值；

根据价值函数的定义求得的单时隙内最佳速率传输速率表示为：

$b\left(t\right)=<\frac{1}{t}\mathrm{\&beta;}\left(t\right)+\frac{t-1}{t}\left|K_i\right|W_s{\log }_2\left(G\left(v_{t-1},...v_1\right)\frac{\stackrel{\&OverBar;}{h_{i,K_i}}\left(t\right)}{\left|K_i\right|N_0{W}_s}\right){>}_0^{\mathrm{\&beta;}\left(t\right)}.$

5.根据权利要求1所述的一种在SDWN下的云业务上行调度方法，其特征在于：所述方法步骤3中，t时隙内云业务的动态速率需求表示为：

$R_i^0\left(t\right)=\frac{\mathrm{\&beta;}\left(t\right)}{t}$

将当前时隙开始时剩余数据量β(t)和剩余时间t的比值作为该时隙内的速率需求来参与对子信道的分配，是为了保障云业务能在时间T内完成数据量为L的数据传送。

6.根据权利要求1所述的一种在SDWN下的云业务上行调度方法，其特征在于：所述方法应用于SDWN下的云业务上行调度。