CN105379412A - 一种控制多个无线接入节点的系统和方法 - Google Patents

Abstract

在一实施例中，一种控制多个无线接入节点的方法包括：中心控制器从基站(BS)处接收指示信道状态信息(CSI)的消息，依照所述消息确定状态转移函数。所述方法还包括：依照所述状态转移函数确定信度状态，依照所述信度状态确定包括所述BS的多个BS间的协作，以产生协作决策。此外，所述方法包括：所述中心控制器将所述协作决策发送给所述BS。

Description

一种控制多个无线接入节点的系统和方法

本申请要求于2014年5月30日递交的发明名称为“一种控制多个无线接入节点的系统和方法”的申请号为14/292483的美国非临时申请的在先申请优先权，和于2013年5月31日递交的发明名称为“包含延迟的信道状态信息的上行协作多点系统的集群以及速率分配”的申请号为61/829469的美国临时申请的在先申请优先权，该两个在先申请的全部内容通过引用结合在本申请中。

技术领域

本发明涉及无线通信的系统和方法，尤其涉及一种集群的系统和方法。

背景技术

在无线网络中，为了支持复杂的服务，例如，云计算，对高数据速率的需求日益增长。无线系统采用更强劲的资源复用，这导致同频干扰增加。在异构网络(HetNet)中，同频干扰问题尤其严重，因为网络部署会依照adhoc样式。这会导致小区边缘用户的小区间干扰(ICI)增加。

一种干扰管理技术为第三代合作伙伴计划(3GPP)长期演进升级版(LTE-Advanced)中提出的协作多点(CoMP)。CoMP也被称为网络多输入多输出(MIMO)或者基站(BS)协作。CoMP通过便捷的信道状态信息(CSI)和/或用户数据共享以及多个基站共同处理的方式利用ICI。

在CoMP中，集群决定了协调基站的模式。集群方法分为两类：静态集群和动态集群。在这两种集群方法中，所述CSI在网络实体间共享或被中心控制器采集。

所述CSI可能不理想，因为信道估计不理想且传输所述CSI时存在时延。在CoMP中，所述CSI通过容量有限的回程网络传播，这导致CSI的丢失和延迟。例如，在LTE-Advanced中，BS间通信的标准接口X2的设计允许控制计划消息有20ms的时延，而预期的典型时延为10ms。

发明内容

一实施例中的控制多个无线接入节点的方法包括：中心控制器从基站(BS)处接收指示信道状态信息(CSI)的消息，依照所述消息确定状态转移函数。所述方法还包括：依照所述状态转移函数确定信度状态，依照所述信度状态确定包括所述BS的多个BS间的协作，以产生协作决策。此外，所述方法包括：所述中心控制器将所述协作决策发送给所述BS。

另一实施例中的控制多个无线接入节点的方法包括：基站(BS)从中心控制器处接收模型信息，所述BS在数据库中检索对应于多个用户设备(UE)位置和多个UE速度的多个信道信息。所述方法还包括：依照所述模型信息和所述多个信道信息确定状态转移函数，所述BS将包含所述状态转移函数的消息发送至所述中心控制器。

一实施例中的中心控制器包括：处理器和用于存储所述处理器执行的程序的非瞬时性计算机可读存储介质。所述程序包括指令，所述指令用于：从基站(BS)处接收指示信道状态信息(CSI)的消息，以及依照所述消息确定状态转移函数。所述程序还包括指令，所述指令用于：依照所述状态转移函数确定信度状态，以及依照所述信度状态确定包括所述BS在内的多个BS的集群，以产生协作决策。此外，所述程序包括用于将所述协作决策发送给所述BS的指令。

上文非常宽泛地概括了本发明实施例的特征，以便能够更好理解以下本发明的详细描述。本发明实施例的其他特征和优点将在下文中描述，这些描述构成了本发明权利要求的主题。本领域的技术人员应当理解，可以基于所公开的概念和特定实施例，修改或设计实现与本发明目的相同的其他结构或过程。本领域的技术人员还应当意识到，这种等同构造不脱离所附权利要求书所阐述的本发明的精神和范围。

附图说明

为了更完整地理解本发明及其优点，现在参考下文结合附图进行的描述，其中：

图1示出了用于数据通信的多小区无线网络的示图；

图2示出了有限状态马尔可夫链(FSMC)模型；

图3A和图3B示出了平稳均匀分布的非线性划分；

图4示出了多小区多用户无线网络中的处理流程；

图5示出了包含观测值与实际状态间关系的定向图形化模型；

图6示出了用于确定集群以及带有信道状态干扰(CSI)时延的数据速率分配的系统；

图7示出了一实施例中用于确定集群以及带有CSI时延的数据速率分配的集中式系统；

图8示出了一实施例中用于确定集群以及带有CSI时延的数据速率分配的分布式系统；

图9示出了一实施例中执行集群以及带有CSI时延的数据速率分配的方法的流程图；

图10示出了一实施例中执行集群以及中心控制器执行的数据速率分配的方法的流程图；

图11示出了一实施例中执行集群以及基站(BS)执行的数据速率分配的方法的流程图；

图12示出了均方差对比用Lloyd-Max算法量化的每个信道的状态数量的示图；

图13示出了物理层吞吐量对比无时延时的误差容限的示图；

图14示出了物理层吞吐量对比有三步时延时的误差容限的示图；

图15示出了物理层吞吐量对比有0.01的归一化多普勒频移的时延步长的示图；

图16示出了物理层吞吐量对比有0.06的归一化多普勒频移的时延步长的示图；

图17示出了物理层吞吐量对比有五步时延的归一化多普勒频移的示图；

图18示出了物理层吞吐量对比有十步时延的归一化多普勒频移的示图；

图19示出了一实施例中的通用计算机系统的框图。

除非另有指示，否则不同图中的对应标号和符号通常指代对应部分。绘制各图是为了清楚地说明实施例的相关方面，因此未必是按比例绘制的。

具体实施方式

首先应理解，尽管下文提供一项或多项实施例的说明性实施方案，但所公开的系统和/或方法可使用任何数目的技术来实施，无论该技术是当前已知还是现有的。本发明决不应限于下文所说明的说明性实施方案、附图和技术，包括本文所说明并描述的示例性设计和实施方案，而是可在所附权利要求书的范围以及其等效物的完整范围内修改。

随机控制/决策理论可以用于强调不理想的信道状态信息(CSI)的影响。在一实施例中，使用决策理论方法为带有延迟的CSI的协作多点(CoMP)系统确定最优的集群和速率分配问题。在作出集群和速率分配决策时，基站(BS)将本地CSI发送至中心控制器。在信道估计和回程网络的传输中存在时延，因此，确切的信道状态和被观测的CSI之间存在差距。所述中心控制器基于所述差距将组建BS集群，再为用户设备(UE)分配传输速率。集群可以是静态的或动态的。

随机决策理论方法强调延迟的CSI的影响。有限状态马尔可夫链(FSMC)用于建立衰落信道的模型。基于状态转移函数和时延计算包含已知时延步长的信度状态。基于状态转移函数和遵循贝叶斯法则的观测函数计算包含未知时延步长的信度状态。使用一种最优的策略解决随机优化问题。

在一实施例中，将问题公式化为带有时延的网络化马尔可夫决策过程(网络化MDP)。在网络化MDP中，每个子系统演化为马尔可夫决策过程。在本示例中，所述子系统为CoMP蜂窝网络中的BS。所述带有时延的网络化MDP相当于一个部分可观测的马尔可夫决策过程(POMDP)。形成用于集群和速率分配的低复杂度最优策略。无线信道被建模为马尔可夫链。可以同时使用上行和下行。

图1示出了用于数据通信的网络100的示例。所述网络100是协作式分层系统架构。所述网络100包括集群116中的基站108和110以及集群106中的基站102。

所述基站108、110和102耦合到中心控制器118，所述中心控制器118决定了基站协作的方式。所述中心控制器118可以为用于云随机接入网(RAN)的云控制器。云控制器可以执行流量工程、调度、功率控制以及分配预编码。这样的控制器可以用于软件定义网络(SDN)。

基站108、110和102分别与用户设备(UE)112、114和104通信。在网络100中，每个BS与一个UE相关联。在其他的示例中，每个BS有多个UE。基站108、110和102可以为任何能够特别地通过建立和UE112、114和104之间的上行和/或下行连接提供无线接入的组件，例如，基站(NB)、增强型基站(eNB)、接入点、微微小区、毫微微蜂窝基站以及其他无线设备。UE112、114和104可以为任何能够建立与基站102之间的无线连接的组件，例如，手机、智能手机、平板电脑、传感器等等。

在决定了协作模式时，集群中的上行信号由超级基站处理，所述超级基站由集群中的BS组成，或由中心控制器118组成。确定协作模式和速率分配。所述协作模式本质上是一种干扰管理方案，指示了不同的集群中的UE是如何相互干扰的。给定一个协作模式，就可以确定UE的数据传输速率。

系统中的BS的集合表示为：β＝{1,2,…,B}。在CoMP中，BS的协作模式被动态地改变。协作集中的BS表示为ωn。假设协作BS的最大数量为N_C，即，每个ω_n∈Ω的基数不大于N_C，且协作模式Ω为β的子集，即：

例如，在图1中，BS108和BS110组成一个集群，而BS102本身是另一个集群。在一个理想的系统中，使用更大的协作集实现更优的性能。然而，由于存在开销且CSI不理想，大的集群也会出现问题。

FSMC模型可以用于描述无线信道的特征。FSMC建立信道增益的时间变化的模型。例如，第一级齐次FSMC用于建立CoMP蜂窝网络中无线信道的模型。

对于UEu和BSb之间的信道，将连续的信道状态量化成离散的CSI门限值的过程表示为：V_b,u＝{V₀,…,V_M-1,V_M}，其中，0＝V₀<…<V_M-1<V_M＝∞。相应地，所述离散的信道状态表示为：I_b,u＝{0,…,M-1}。在t时隙，如果连续的信道增益满足则移动用户到BSb的信道状态和m∈I_B，U相同。图2示出了被量化为五种状态的FSMC的瑞利信道，其中，M＝5。曲线212示出了瑞利概率密度分布函数(PDF)，曲线214示出了衰落信道增益的大小。

所述FSMC的变化由初始状态分布和状态转移概率矩阵获取。两个状态i，j∈I_b，u之间的转移概率表示为：量化等级的选择对转移矩阵有很大的影响。

在基数为|ω|＝K的协作集ω中，ω中的BS所服务的UE的信号可以被解码，而不会相互干扰，但是，β–ω中的非协作BS所服务的UE会对ω造成干扰。为了方便，可以将ω中的BS编号为1至K，将β–ω中的BS编号为K+1至B。从BSi服务的用户设备到ω中所有BS的天线的信道复增益表示为：

假设为每个UE分配相同的传输功率P，如果集群ω服务的UE的复杂数据符号为[x₁…x_K]，且其他BS服务的UE的数据符号为[x_K+1…x_B]，则所述集群ω的天线接收到的信号为：

$y=\sqrt{P}{\mathrm{\&Sigma;}}_{l=1}^K{h}_l{x}_l+\sqrt{P}{\mathrm{\&Sigma;}}_{l^{\&prime;}=K+1}^B{h}_l{x}_l+n,$

其中，n为每个元素n～CN(0，N₀的独立且循环对称的自适应复高斯噪声。第一项为ω内的有用信号，而第二项为来自β＝ω的干扰信号。

可以使用最小均方差–连续干扰消除(MMSE-SIC)接收器实现多址接入信道容量。如果解码顺序固定，数据速率为：

$R_K=\log (1+\frac{P\left|\right|h_K|{|}^2}{N_K}),$

$R_{K-1}=\log (1+{\mathrm{Ph}}_{K-1}^T{\left(N_{K-1}{I}_K+{\mathrm{Ph}}_K{h}_K^{*}\right)}^{-1}{h}_{K-1}),$

$R_2=\log (1+{\mathrm{Ph}}_2^T{\left(N_2{I}_K+{\&Sigma;}_{l=3}^K{\mathrm{Ph}}_l{h}_l^{*}\right)}^{-1})h_2),$

$R_1=\log (1+{\mathrm{Ph}}_1^T{\left(N_2{I}_K+{\&Sigma;}_{l=3}^K{\mathrm{Ph}}_l{h}_l^{*}\right)}^{-1})h_1).$

N_l为造成接收器噪声N₀和来自ω外部的干扰的加性高斯白噪声(AWGN)，其中，l＝1,2,…,K。具体地，第l根天线上的总噪声为：

$N_l=N_0+{\mathrm{P\&Sigma;}}_{l^{\&prime;}=K+1}^B|h_{l^{\&prime;}}{|}^2.$

因此，给定一个集群方案Ω，则整个系统的总速率为：

R(Ω)＝∑_ω∈Ω∑_b∈ωR_b(ω).

例如，基于MMSE-SIC计算数据速率。然而，这种结构适用于其他物理层技术，例如，波束赋形。

CSI中时延及其影响的示例性分析基于将信道建模为有限状态马尔可夫链。如上所述，发射天线到接收天线的信道复增益被描述为有M种状态的马尔可夫链。量化以及将连续值信道状态划分为离散的信道状态是信道建模的一个重要步骤。例如，使用Lloyd-Max方法，使得量化均方差(MSE)最小。

图3A和图3B示出了量化方案的一个示例。图3A示出了瑞利衰落信道的柱状图220。图3B示出了这些信道是如何映射到平稳概率大致相同的三种状态中的。曲线230示出了划分规则。

在每个小区包含B个基站和一个UE的CoMP系统中，网络化MDP模型的状态空间为B²个FSMC的笛卡尔乘积。即，S＝I_1，1×I_2，1×…×I_b，u×…×I_B，B，，其中，Ｉ_b，u为从UEu的发射天线到BSb的接收天线的FSMC，所述状态空间的大小为在t时隙时的系统状态表示为S^t，其由B₂个信道决定：

$\&lsqb;I_{1,1}^{t+1},I_{2,1}^{t+1},\mathrm{...},I_{b,u}^{t_1},\mathrm{...},I_{B,B}^{t\_1}\&rsqb;.$

状态转移函数为T。根据所述网络化MDP模型，下一个系统状态的概率由当前系统状态和所有子系统所采取的动作决定。作为所述网络化MDP模型的特殊情况，下一个系统状态的概率由当前系统状态和所有子系统所采取的动作决定。在网络化MDP的一个示例中，所述系统状态，即信道状态，与BS的动作无关。因为在多小区系统中，发射天线和接收天线被分开很大的距离，我们可以认为每个信号的传播都是彼此独立的。假如当前的状态为s，则下一个系统状态的概率将是s’，s’为：

$G(s,s^{\&prime;})=\mathrm{Pr}(S^{t+1}=s^{\&prime;}|S^t=S)={\&Pi;}_{b=1,u=1}^{b=B,u=B}\mathrm{Pr}\left(I_{b,u}^{t+1}\right|I_{b,u}^t).$

相应地，d步转移概率为T_d。概念上，矩阵T的大小为然而，该矩阵是非零元素沿对角线分布的特殊的稀疏矩阵。存储这样的稀疏矩阵的数据结构可以为链表。

对于观测空间O，O＝S。例如，o∈O和s∈S分别代表观测值和状态的特定实现。

在包含中心控制器的蜂窝架构中，例如网络100中，存在连接BS和中心控制器的链接，其中，BS之间可以相互发送信号，例如，使用回程网络。可以使用其他架构，例如，分层结构。在分层结构的一个示例中，有中级控制器，即集群管理器，其中，集群管理器为中心控制器指定的BS，在集群管理器上进行信号处理。

图4示出了处理流程120。导频从UE124传输到BS126中。首先，通过在BS126上接收的导频信号获得所述CSI。在信道估计后，通过回程网络将所述CSI发送到中心控制器128。在所述中心控制器128中，在获得所述CSI之后，决定BS之间如何协作以及UE的传输速率。所述中心控制器将速率分配指令发送给所述BS，所述BS将所述速率分配指令发送给UE。然后，发送用户数据。将用户信号从所述UE发送至所述BS，再沿着回程传播到所述中心控制器。由于确定所述CSI和发送所述数据之间存在时延，所以信道的状况有所不同，这导致了决策的失误。在作决策时，可用的CSI就过时了。在作了决策之后，在决策的角度，信道动态参数还未产生。例如，在图4的决策阶段t，在接收代表某个时间前的信道的CSI之后，决定集群和速率分配。然后，在另一种信道实现中发生实际的报文传输。干扰会导致所述CSI的改变，例如，信道的改变。来自其他UE的干扰是所述干扰的一个主要来源，其可以被补偿。曲线122示出了信道衰落。本过程示出的是上行的信道衰落。

在下行方向，原理是类似的。时延参数可以大于上行情况下的时延参数。如果网络为频分复用(FDD)系统，所述UE将信道测量值反馈至所述BS，这导致作决策之前时延较大。如果所述系统是时分复用(TDD)系统，测量发生在前一个上行数据帧中，时延在信道估计中较大。信道状态信息的误差对下行的影响大于上行。

在仅基于当前观测值进行决策的方案中，获取中断概率，作为CSI中时延的函数。所述中断概率决定了吞吐量，因为吞吐量取决于速率分配和中断概率。这可以通过一个UE获得，因为系统级吞吐量为所有UE的吞吐量的和。

对于UE来说，假设CSI时延为d，则当前的观测值为o∈O，其中断概率为：

Pr(outage)＝∑_o∈OPr(o)∑_{s′∈S：R(o)＞C(s′)}T^d(o，s′)，

其中，Pr(o)为平稳状态分布，s’和C(s’)为实际信道状态及其信道容量，T^d为d步转移矩阵，R(o)为UE的速率分配。

给定集群动作和速率分配，通过概率测量确定中断概率，其中，信道容量小于速率分配。所述UE的速率分配可以为当前观测值的函数，表示为R(o)。如果实际信道状态为o，假设速率分配和信道容量相同，则实际信道状态表示为s’，其对应的信道容量为C(s’)。概念上，所述中断概率为所述状态的概率之和，其中，所述状态的信道容量小区速率分配R(o)。即：

$\mathrm{Pr}\left(outage\right|o)={\&Sigma;}_{s^{\&prime;}:R\left(o\right)>C\left(s^{\&prime;}\right)}\mathrm{Pr}\left(s^{\&prime;}\right|o)={\&Sigma;}_{s^{\&prime;}:R\left(o\right)>C\left(s^{\&prime;}\right)}{T}^d(o,s^{\&prime;}).$

因此，给定观测值Pr(o)的分布，则平均中断概率为：

Pr(outage)＝∑_o∈OPr(o)Pr(outage|o)

Pr(outage)＝∑_o∈OPr(o)∑_{s′∈S：R(O)＞C(s′)}T^d(o，s′).

因此，所述中断概率由状态分布和所述d步转移矩阵决定。

所述中断概率汇聚成无穷大的时延。假设所述FSMC不能简化以及非周期的，且历经了所有的状态，则平稳分布π_s＝Pr(S＝s)和概率转移矩阵T的关系为：

π(s)＝lim_d→∞T^d(s，s′)。

这样的平稳分布也可以应用于观测空间中。因此，当时延无穷大时，仅基于过时的CSI的CoMP的中断性能由平稳分布决定。特别地，

lim_d→∞Pr(outage)＝∑_o∈Oπ(o)∑_{s′∈S：R(o)＞C(s′})_＞C(s′)π(s″)。

此外，所述转移矩阵向平稳分布的汇聚速率由所述转移矩阵的第二大特征值决定。

例如，为每个用户分配相同的功率，确定最优的集群和速率分配。又如，也将可能的功率分配方案考虑在内。

在t时隙，所述中心控制器选择协作BS，为UE分配速率。t时隙的集群动作表示为Ω^t，所述集群动作是将整个网络和速率分配划分为B个元素的矢量：

$R^t=\&lsqb;R_1^t\mathrm{...}{R}_B^t\&rsqb;.$

整体的动作为：

$a^t\stackrel{\mathrm{\&Delta;}}{=}\{{\mathrm{\&Omega;}}^t,R^t\}\&Element;A,$

其中，A是可用动作的集合。

在每个时隙的结尾，数据传输因为中断要么成功要么失败。多小区系统将接收到即时回报。对于UEu，瞬时吞吐量表示为ζ^u(S^t,a^t)，其中，u＝1,2,…,B，所述瞬时吞吐量为系统状态S^t和所采取的动作a^t决定的随机变量。回报函数为所有UE的吞吐量之和。

${\&Sigma;}_{u=1}^{u=B}{\mathrm{\&zeta;}}_u(S^t,a^t).$

上行CoMP的目的是最大化h个时隙的平均累积速率，即，物理层吞吐量。该目的函数为网络化MDP中h个范围的期望累积回报的平均值。即：

对于特定的用户，例如，UEu，如果当前信道容量小于所分配的传输速率，会发生中断，因此，最终的传输速率为0，否则，最终的传输速率等于所分配的速率。特别地，

${\mathrm{\&zeta;}}_u(S^t,a^t)=\left\{\begin{array}{cc}0,& if{R}_u^t>C_u(S^t,a^t),\\ R_u^t,& otherewise,\end{array}\right.$

其中，C_u(S^t)为UEu的信道容量。假设对于动作a^t，用户u的中断概率表示为：

Pr_u(outage|at)。

因此，在t时隙的实际成功传输速率也取决于中断概率。即：

对于网络化MDP，本方案的理念为定义为一系列动作的策略，其中，所述动作将所述回报最大化或将成本最小化。

为了解决上述随机优化问题，一种通用的方法为使用对于信度状态的动态编程，其中，所述动态编程为前一个动作和观测历史中的充分统计量。t时隙时的信度状态b^t表示为该状态空间的概率分布。相应地，t时隙时的状态为s^t的概率由b^t中表示为b(s^t)的对应元素给定。

图5所示的定向图形化模型240示出了观测值和实际状态之间的关系。每个节点代表一个随机变量，箭头代表条件概率，虚线代表两个随机变量是相等的。第一行随机变量包括系统的状态，所述状态形成第一级马尔可夫链。第二行是一系列的观测值。相邻状态之间的箭头为状态转移函数，而一种特定状态与对应的观测值之间的箭头为观测函数。

利用诸如时间戳的技术，可以确定时延步长d的数量。所述观测值为延迟了d个步长的实际状态。即，对于两个随机变量O_t和S_t：

O^t＝S^t-d，t＝d+1。

因此，所述信度状态为：

b(s^t+1)＝Pr(s^t+1|o^t+1，o^t，…)

b(s^t+1)＝Pr(s^t+1|s^t+1-d，s^t-d，…)

b(s^t+1)＝Pr(s^t+1|s^t+1-d)

b(s^t+1)＝T^d(s^t+1-d，s^t+1)。

第三个等式由FSMC信道模型中假设的第一级马尔可夫属性得到，T^d是所述d步概率转移矩阵。

当时延步长数不易确定时，仍可以确定所述信度状态。可以假设在t时隙，系统的观测值为o∈O，这是根据B个信道的观测值决定的。观测函数O(.)本质上描述了观测值o∈O和状态s∈S之间的概率关系。形式上，观测值也是所采取的动作的函数。但是，在本示例中，所述观测值与所采取的动作无关，且被定义为：

O(s，o)＝Pr(o|s)。

给定t+1，o^t+1时刻的新观测值，则新的信度应该反映在新状态s^t+1结束的可能性，观测值o^t+1的可能性，以及前一个信度分布b^t。根据前一个信度状态以及当前的观测值更新所述信度状态的规则基于贝叶斯规则，被定义为：

b(s^t+1)＝Pr(s^t+1|o^t+1，b^t)

$b\left(s^{t+1}\right)=\frac{O(s^{t+1},o^{t+1}){\&Sigma;}_{s^t\&Element;S}T(s^t,s^{t+1})b\left(s^t\right)}{{\&Sigma;}_{s^{t+1}\&Element;S}O(s^{t+1},o^{t+1}){\&Sigma;}_{s^t\&Element;S}T(s^t,s^{t+1})b\left(s^t\right)}.$

第二个等式基于这样的事实：信道动态参数与集群以及速率分配动作无关。

CoMP系统的示例比网络化MDP的示例简单，因为只在子系统(BS)和中心控制器之间存在时延。通常，在网络化MDP中，子系统之间也存在时延。例如，因为UE和BS之间的信道相互独立，系统状态为马尔可夫。因此，如果对所述系统状态进行理想的观测，则这是一个马尔可夫决策过程(MDP)。然而，因为中心控制器只能观测到实际系统状态的过时版本，即，只能观测到所述系统状态的一部分，所以，这是一个部分可观测的马尔可夫决策过程(POMDP)。用于解决网络化MDP模型的动态编程方法的复杂性在于PSPACE，这给大状态空间和范围的实现造成问题。贪婪策略使预期即时传输速率最大化，即，在t时隙采取的动作为：

$a^t={\mathrm{argmax}}_{a^t\&Element;A}{\&Sigma;}_{u=1}^{u=B}{R}_u^t\&CenterDot;(1-{\mathrm{Pr}}_u(outage|a^t\left)\right).$

使用马尔可夫链信道模型估算中断概率。给定速率分配R^t和集群动作，则所述中断概率估算如下：

${\mathrm{Pr}}_u\left(outage\right|a^t)={\mathrm{\&Sigma;}}_{C_u\left(s^{\&prime;}\right)<R_u^t}b\left(s^{\&prime;}\right),$

这是信道处于分配的传输速率R_t大于信道容量C(s’)的状态下的概率。可以看出，在上行CoMP中，贪婪策略为最优的策略。

策略的最优性基于这样的事实：信道状态的动态与所采取的动作无关。在范围h＝1时，所采取的最优动作是将以下公式最大化：

这是用于将预期的回报最大化的贪婪策略中所给定的动作。假设在范围h中，其中，h≥1，优化策略为贪婪策略。则，在范围h+1中：

因此，假设所述贪婪策略将上述等式中的第一项最大化，则为了最大化总预期回报而采取的动作为最大化第二项，这和范围为1时的情况相同。因此，贪婪策略是CoMP集群问题的最优策略。

图6示出了用于集群和速率分配的系统130。中心控制器132包括信道预测块136和集群、功率和速率分配块138，而无线网络134包括无线网络140。在信道预测块136中预测信道。基于无线网络140中的信道测量预测信道。例如，还基于外线网络140中的CSI时延预测信道。或者，不考虑所述CSI时延。

所述集群、功率和速率分配块138基于用户流量以及信道预测块136的信道预测作出决策。

所述决策被传递到所述无线网络140中。所述无线网络140可以输出其性能。

图7示出了用于集群和速率分配的系统150。时延补偿集中于中心控制器152，所述中心控制器152与无线网络154进行交互。数据库156中存储了历史UE位置和速度的信道信息。所存储的数据包括UE的历史位置和速度以及关于信道的信息。该信息从无线网络158中接收。

控制块160基于数据库156中的信息以及无线网络158中的信息作出决策。在控制块160中，信道模型基于所述数据库156中存储的信息、所述无线网络158的性能以及所述无线网络158的CSI时延以及时间信息建立信道的模型。例如，使用FSMC信道模型。或者，使用其他信道模型。信道模型162可以为有限状态机器。

然后，集群、功率和速率分配块164基于信道模型162中的信道模型以及无线网络158中的信道测量作出决策。所述信道测量可以基于回程性能延迟大约5–10ms。确定UE传输的功率和速率分配。同时，确定多个BS的集群。这可以通过多输入多输出(MIMO)实现。伴随着衰落，确定所述信道位于预期信道的XdB内的概率。

然后，无线网络158基于中心控制器152的决策进行操作。所述集群和速率分配应用于通信系统。

图8示出了分布式系统中用于集群和速率分配的系统170。一些计算是由中心控制器172执行的，一些计算是由无线网络174执行的。中心控制器172包含控制块182。在控制块182中，中心信道模型184基于量化等级、状态转移函数以及来自于无线网络174中的本地信道模型180和本地信道模型180中的FSMC状态索引的观测函数或CSI时延建立信道的模型。所述FSMC状态索引在短信息中传输，而所述量化等级、状态转移函数、观测函数或CSI时延在长信息中传输。例如，中心信道模型184为FSMC信道模型。中心信道模型184确定预期的时延以及建模方法，以及信道状态的数量，这些都被输出到无线网络174的本地信道模型180中。

集群、功率和速率分配块186基于中心信道模型184的信道模型和用户流量作出决策。

所述决策被输出至无线网络174中的本地节点176。本地节点176可以为基站。本地节点176确定UE的信道测量、性能、位置以及速度。所述位置和速度存储在数据库178中。所述数据库178中存储了信道信息、位置和速度。所述性能和信道测量被传递至本地信道模型180。本地信道模型180可以为FSMC模型。

图9示出了用于估计CSI的系统190，其中，所述CSI造成了CSI时延。信道历史观测值存储在信道历史观测值块192中。例如，由FSMC模型建立信道的模型。所述FSMC模型包括状态转移函数194和观测函数196。

所述观测函数196为FSMC中的观测函数。

CSI时延198为所述CSI时延。

过时的信道状态200中包含已知CSI。CSI信息确定之后，信道就发生了改变。

所述状态转移函数194是马尔可夫链中两种状态的概率。所述状态转移函数194、观测函数196、CSI时延198以及过时的信道状态200用于确定信度状态202。所述信度状态202为实际信道状态的概率质量函数(PMF)。

基于所述信度状态202作出最优决策204。所述最优决策为将平均总吞吐量最大化的决策。

图10示出了确定控制器执行的集群和速率分配的方法的流程图340。首先，在步骤348中，所述控制器接收来自网络中的基站的信息。当使用集中式方法时，使用网络中UE的位置和速度、CSI时延以及时间信息。同时，接收信道测量，所述信道测量可以延迟5–10ms。当使用集中式方法时，所述控制器还接收网络的性能。在所述集中式方法中，位置和速度信息存储在包含信道信息、位置和速度的数据库中。当使用分布式方法时，可以接收短消息和长消息。所述短消息包括FSMC状态索引，而长消息包括量化等级、状态转移函数以及观测函数或CSI时延。

在步骤342中，例如，使用FSMC建立信道的模型。在集中式方法中，从数据出中读出信道信息，例如，UE的历史位置和速度。马尔可夫链是在状态空间中经历从一种状态转移到另一种状态的数学系统。其特点通常是无记忆性。确定状态转移函数，其中，所述状态转移函数是马尔可夫链中两种状态的概率。同时，确定观测函数。如果上行CoMP系统中，每个小区有B个基站和一个UE，则从UEu_j的发射天线到BSb_j的接收天线上的信道的FSMC的状态空间为S_bi,uj，其中，i,j＝1,2,…,B。整个网络化MDP系统的状态空间为所有B²个FSMC的笛卡尔乘积。

$S=S_{b_1{u}_1}\&times;S_{b_2{u}_1}\&times;\mathrm{...}\&times;S_{b_B{u}_B}.$

所述状态空间的大小为其中，M是FSMC的状态的数量。FSMC信道模型中给出状态转移函数T：

T(s[t]，s[t+1])＝Pr(S[[t+1]＝s[t+1]S[t]＝s[t]])

$(s\&lsqb;t\&rsqb;,s\&lsqb;t+1\&rsqb;)={\&Pi;}_{i=1,j=1}^{i=B,j=B}\mathrm{Pr}(h_{b_i,u_j}\&lsqb;t+1\&rsqb;|h_{b_i{u}_j}\&lsqb;t\&rsqb;).$

进行复杂优化。在t时隙，中心控制器选择协作BS，为UE分配速率。t_i时刻的集群动作表示为Ω[t]，其为整个网络的一部分。作为B个元素的矢量的速率分配表示为：

R[t]＝[R₁[t]…R_B[t]]。

整体的动作为：

a[t]＝{Ω[t]，R[t]}∈A，

其中，A是可用动作的集合。在每个时隙的结尾，数据传输因为中断要么成功要么失败。在网络化MDP术语中，多小区系统将接收即时回报。对于UEu，其中，u＝1,2,…,B，即时吞吐量表示为：

是一个由系统状态S[t]和动作a[t]决定的随机变量。回报函数为所有UE的吞吐量之和。

上行CoMP的目的是最大化h个时隙的平均累积速率，即，物理层吞吐量。该目的函数为网络化MDP中h的期望累积回报的平均值。即：

例如，所述信道的模型完全由所述中心控制器建立。又如，所述信道模型的一部分由所述中心控制器建立，一部分由BS建立。

接下来，在步骤344中，基于状态转移函数和所述FSMC、CSI时延以及过时的CSI生成的观测值确定信度状态。其为实际信道状态的PMF。所述信度状态为前一个动作和历史观测值的充分统计量。利用诸如时间戳的技术，可以确定时延步长d的数量。假定时延步长数，则观测值为延迟了d步的实际状态，即：

O[t]＝S[t＝d]，t＝d+1。

因此，当前状态和所述观测值间的明确关系为：

b(s[t+1])＝Pr(s[t+1]|o[t+1]o[t]，…)

b(s[t+1])＝Pr(s[t+1]|s[t+1-d]s[t-d]，…)

b(s[t+1])＝Pr(s[t+1]|s[t+1-d])

b(s[t+1])＝T^d(s[t+1-d]，s[t+1])。

在t时隙，系统O[t]的观测值为o[t]，所述o[t]由B个信道的观测值决定。观测函数O描述了不理想信道估计：

O(s[t]，o[t]，a[t])＝P(O[t]＝o[t]S[t]＝s[t])。

给定t+1和o[t+1]时刻的新的观测值，则新信度应该反映在新状态s[t+1]结束的可能性，观测s[t+1]的可能性，以及前一个信度分布b[t]。即：

$\begin{array}{c}b(s\&lsqb;t+1\&rsqb;)=\mathrm{Pr}(s\&lsqb;t+1\&rsqb;o\&lsqb;t+1\&rsqb;,a\&lsqb;t\&rsqb;,b\&lsqb;t\&rsqb;)\\ =\frac{O(s\&lsqb;t+1\&rsqb;,a\&lsqb;t\&rsqb;,o\&lsqb;t+1\&rsqb;){\&Sigma;}_{s\&lsqb;t\&rsqb;\&Element;S}T(s\&lsqb;t\&rsqb;,a\&lsqb;t\&rsqb;,s\&lsqb;t+1\&rsqb;)b(s\&lsqb;t\&rsqb;)}{{\&Sigma;}_{s\&lsqb;t+1\&rsqb;\&Element;S}O(s\&lsqb;t+1\&rsqb;,a\&lsqb;t\&rsqb;,o\&lsqb;t+1\&rsqb;){\&Sigma;}_{s\&lsqb;t\&rsqb;\&Element;S}T(s\&lsqb;t\&rsqb;,a\&lsqb;t\&rsqb;,s\&lsqb;t+1\&rsqb;)b(s\&lsqb;t\&rsqb;)}\\ =\frac{O(s\&lsqb;t+1\&rsqb;o\&lsqb;t+1\&rsqb;){\&Sigma;}_{s\&lsqb;t\&rsqb;\&Element;S}T(s\&lsqb;t\&rsqb;,a\&lsqb;t\&rsqb;,s\&lsqb;t+1\&rsqb;)b(s\&lsqb;t\&rsqb;)}{{\&Sigma;}_{s\&lsqb;t+1\&rsqb;\&Element;S}O(s\&lsqb;t+1\&rsqb;,o\&lsqb;t+1\&rsqb;){\&Sigma;}_{s\&lsqb;t\&rsqb;\&Element;S}T(s\&lsqb;t\&rsqb;,s\&lsqb;t+1\&rsqb;)b(s\&lsqb;t\&rsqb;)}\end{array}.$

然后，在步骤346中，基于所述信度状态确定决策。这是为了最大化平均总吞吐量。贪婪策略将预期的即时传输速率最大化。在t时隙采取的动作为：

$a*\&lsqb;t\&rsqb;={\mathrm{argmax}}_{a\&lsqb;t\&rsqb;\&Element;A}{\&Sigma;}_{u=1}^{u=B}{R}_u\&lsqb;t\&rsqb;\&CenterDot;(1-P_{out,u}(S\&lsqb;t\&rsqb;,a\&lsqb;t\&rsqb;\left)\right).$

使用马尔可夫链模型估算中断概率。给定速率分配R[t]和实际信道状态的猜想，则中断概率估算如下：

这是信道处于所分配的传输速率R[t]大于信道容量C(的状态下的概率。

在步骤350中，所述决策传输到所述BS中。当使用分布式方法时，所预期的时延和建模方法以及信道状态的数量也被传输到所述BS中。

图11示出了确定基站执行的集群和速率分配的方法的流程图360。首先，在步骤362中，BS接收来自控制器的决策。所述决策包括集群和速率分配。

接下来，在步骤372中，所述BS完成步骤362中接收的集群和速率分配。所述BS和分配给所述BS的集群的其他BS协作。同时，所述BS为其相关联的UE设置数据速率。

然后，在步骤364中，所述BS确定CSI。估计和量化所述CSI。确定CSI时延和时间信息。同时，所述BS确定关联UE的位置和速度。这可以通过请求所述UE的位置和速度以及接收UE返回的信息完成。同时，所述BS监控性能。

步骤366和368在分布式方法中执行。在步骤366中，所述BS接收来自控制器的模型信息。所接收的模型信息可以包括预期的时延和建模方法以及信道状态的数量。

在步骤368中，所述BS建立信道的模型。信道信息以及UE的位置和速度信息存储在所述BS的数据库中。从所述数据库接收历史位置和速度信息。基于从所述数据库中接收的信息、步骤364中测量的信道、UE的位置和速度信息、性能以及从中心控制器处接收的预期的时延、建模方法以及信道状态的数量建立所述信道的模型。所述BS产生状态转移函数和观测函数或CSI时延。所述BS还产生量化等级和FSMC状态索引。为此，所述BS可以发送所预估的所述中心控制器将来的变化，以将自身的决策考虑在内。

最后，在步骤370中，所述BS将信息发送至所述中心控制器。当使用集中式方法时，将UE的位置和速度、信道测量、CSI时延和时间信息、以及性能信息发送至所述中心控制器。另一方面，当使用分布式方法时，将FSMC状态索引、量化等级、状态转移函数以及观测函数或CSI时延发送至所述中心控制器。

执行计算机模拟，以估计示例性集群和速率分配方案的性能。对于随时间变化的无线信道，使用第三代合作伙伴计划空间扩展信道模型(3GPP-SCME)信道模型。系统中存在3个基站，每个BS带有一根天线，站间距离为800m。集群的数量设为2，所以，可能的集群动作的数量为3。使用三个其他的方案进行比较。

例如，基于当前的观测值进行集群。特别地，所述中心控制器选择最好的协作集，根据当前的CSI观测值分配速率。使用误差容限δ进行速率分配。特别地，给定信道信号与干扰加噪声比(SINR)的相关信息，基于SINR门限值决定传输速率。除非所述SINR比所述门限值大δ，否则使用低速率。误差容限的使用增加了数据传输的可靠性。在所述模拟过程中，所述误差容限的范围是0–9.5dB。

又如，使用非协作式的通用复用蜂窝网络，其中，来自相邻小区的干扰视作噪声。

另外一个示例基于使用基于自回归(AR)模型的技术的信道预测。其中，基于过时的CSI历史预测当前信道状态信息。然后，基于新的信道预测作出集群和速率分配的决策。在预测中，窗口的次序和大小分别为2和5。

在所述模拟中使用的参数在下面的表1中给出。快速衰落动态为归一化多普勒频移，被定义为多普勒频移次数乘以采样时长。因为所述多普勒频移大致为相关时间的相反数，所以所述归一化多普勒频移为相关时间占所述采样时长的比率。在状态转移步长数中测量时延。每一步状态转移的物理时长都为1ms。通过取信道状态样本值的平均数获得每种状态下的信道状态值。

表1

参数	值
		载波频率	2110MHz
基站天线高度	24m
		用户设备天线高度	0.5m
采样时长	1/500,000
		归一化多普勒频移	0.01-0.06
路径损耗	30.18+26*log 10(距离)
		信号带宽	15KHz
接收器噪声功率密度	-174dBm/Hz
		用户设备发射功率	20dBm

在模拟中，从衰落信道的2x106信道实现中提取平稳状态分布和状态转移概率矩阵。在量化信道状态信息时，使用Lloyd-Max算法，将均方差(MS)最小化。量化中一个重要的参数为每个信道的状态数量。图12中的曲线320描述了均方差对比用Lloyd-Max算法量化的每个信道的状态数量。所述MSE随着状态数量的增长以指数的方式增长。对于模拟，连续信道值被量化为两种状态。

设置误差容限对于一些协作方案是很重要的。例如，图13示出了没有时延时误差容限的效果。曲线330示出了在所提议的方案中，物理层吞吐量的位/秒(bps)数对比误差容限的dB数，而曲线332示出了在其他的方案中，物理层吞吐量的bps数对比误差容限的dB数。没有时延的速率分配中，使用误差容限使这两个方案的效果都减弱。所述归一化多普勒频移为0.06。误差容限越大，所提议的方案的数据速率越高，因为当误差容限限制了速率集合时，更要使用高数据速率和集群样式。图14示出了在有三步时延的情况下的误差容限的影响的示图。曲线250示出了所提议的方案中物理层吞吐量的bps数，曲线260示出了现有方案中物理层吞吐量的bps数。当误差容限小的时候，例如，小于0.5dB，误差容限有助于现有方案，其中，当误差容限为0.5dB时，性能最佳。但是，误差容限并不有利于所提议的方案。

为了研究时延的效果，要模拟各种多普勒频移。小归一化多普勒频移对应相关时间长和移动性低的场景。非协作方案作为基准线。对于所述非协作方案，时延仅来自于信道估计。另一方面，对协作性方案，如果有时延，所述时延包括一步信道估计时延加上回程时延。

图15对比了不同方案的吞吐量。曲线260示出了所提议的方案的物理层吞吐量，曲线262示出了预测方案的物理层吞吐量，曲线264示出了协作方案的物理层吞吐量，曲线266示出了非协作方案的物理层吞吐量。三种协作方案的物理层吞吐量随着时延的增加而逐渐减小。协作方案之间的差别很小。CSI的UE移动性低，时延的影响不明显。而且，所述方案在降低影响方面效率都不高。

所提议的方案的UE速率大，即，多普勒频移大，可以实现更大的性能增益。图16示出了时延对多普勒频移为0.06时的吞吐量的影响。曲线290示出了所提议的方案的物理层吞吐量，曲线292示出了预测方案的物理层吞吐量，曲线294示出了协作方案的物理层吞吐量，曲线296示出了非协作方案的物理层吞吐量。当时延少于8个步长时，AR预测方案比现有非预测方案有更多优点。然而，AR预测的性能随着时延的增加而显著减弱。当时延多于9个步长时，现有非预测方案的优势减弱。相反，对于所提议的方案，当时延较大时，观测到的吞吐量非常大。特别地，当时延多于6个步长时，实施例方案比现有协作方案优于不止30％。这主要是因为当时延大时，所提议的方案能够利用有限状态马尔可夫链的平稳分布作出好的决策。

影响信道动态参数的另一个重要因素是UE的速度，所述UE的速度与多普勒频移相关。对于不同的时延设置，通过将归一化多普勒频移置于0.01–0.06范围内调查所述影响。

图17示出了当时延为5个步长，即为中等时延时，UE移动性速度对吞吐量的影响。该实施例方案优于现有方案。曲线300示出了实施例方案的物理层吞吐量，曲线302示出了预测方案的物理层吞吐量，曲线304示出了协作方案的物理层吞吐量，曲线306示出了非协作方案的物理层吞吐量。在移动性差的情况下，现有AR预测方案只比现有协作方案多很小的增益。在移动性差的情况下，该实施例方案比AR预测方案获得多大约2％的吞吐量，在移动性好的情况下，多18％。

图18示出了当时延为10个步长，即为大时延时，UE移动性速度对吞吐量的影响。曲线310示出了实施例方案的物理层吞吐量，曲线312示出了预测方案的物理层吞吐量，曲线314示出了协作方案的物理层吞吐量，曲线316示出了非协作方案的物理层吞吐量。当移动性好的时候，AR预测方案性能减弱，且失去了预测能力。相反，实施例方案获得很大性能增益。这样的增益随着UE移动性的增强而增加。特别地，当移动性高时，本实施例方案比其他方案获得大约多45％的数据速率。

当衰落过程为联合高斯时，基于自回归的信道预测为均方差的最优信道预测。然而，其性能在时延大的高移动性场景下明显下降。相反，在本实施例决策理论方案中，不仅仅预测信道状态，还在不确定的情况下作出最优决策。当时延较大且信道动态参数大时，本实施例方案优于所述AR预测方案。

此外，本实施例方案有计算复杂度优势。表2示出了AR预测方案和本实施例方案的平均计算时间。本实施例方案可以反应更快，因为在线查表时间可忽略。相反，AR预测的计算复杂度在实时操作中会出现问题。

表2

方案	离线阶段	在线阶段
			AR预测	0	每时隙275ms
实施例	8.3s	可忽略查表

图19是处理系统270的方框图，该处理系统可以用来实现本文公开的设备和方法。特定装置可利用所有所示的组件或所述组件的仅一子集，且装置之间的集成程度可能不同。此外，设备可以包括部件的多个实例，例如多个处理单元、处理器、存储器、发射器、接收器等。处理系统可以包括配备一个或多个输入/输出设备，例如扬声器、麦克风、鼠标、触摸屏、按键、键盘、打印机、显示器等的处理单元。另外，处理系统270可配备一个或多个输出设备，例如，扬声器、打印机、显示器等。处理单元可以包括中心处理器(CPU)274、存储器276、大容量存储器设备278、视频适配器280以及连接至总线的I/O接口288。

总线可以是任意类型的若干总线架构中的一个或多个，包括存储总线或存储控制器、外设总线、视频总线等等。CPU274可包括任意类型的电子数据处理器。存储器276可包括任何类型的非瞬时性系统存储器，例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步DRAM(SDRAM)、只读存储器(ROM)或其组合等等。在一实施例中，存储器可包括在开机时使用的ROM以及执行程序时使用的程序和数据存储器的DRAM。

大容量存储器设备278可包括任意类型的非瞬时性存储设备，其用于存储数据、程序和其它信息，并使这些数据、程序和其它信息通过总线访问。大容量存储器设备278可包括如下项中的一种或多种：固态磁盘、硬盘驱动器、磁盘驱动器、光盘驱动器等等。

视频适配器280以及I/O接口288提供接口以将外部输入以及输出装置耦合到处理单元上。如图所示，输入以及输出装置的实例包含耦合到视频适配器上的显示器以及耦合到I/O接口上的鼠标/键盘/打印机。其它装置可以耦合到处理单元上，并且可以利用额外的或较少的接口卡。举例来说，串行接口卡(未图示)可以用于为打印机提供串行接口。

处理单元还包含一个或多个网络接口284，所述网络接口284可以包括例如以太网电缆或其类似者等有线链路，和/或用以接入节点或不同网络的无线链路。网络接口284允许处理单元经由网络与远程单元通信。举例来说，网络接口可以经由一个或多个发射器/发射天线以及一个或多个接收器/接收天线提供无线通信。在一实施例中，处理单元耦合到局域网或广域网上以用于数据处理以及与远程装置通信，所述远程装置例如其它处理单元、因特网、远程存储设施或其类似者。

虽然本发明中已提供若干实施例，但应理解，在不脱离本发明的精神或范围的情况下，本发明所公开的系统和方法可以以许多其他特定形式来体现。本发明的实例应被视为说明性而非限制性的，且本发明并不限于本文本所给出的细节。例如，各种元件或部件可以在另一系统中组合或合并，或者某些特征可以省略或不实施。

此外，在不脱离本发明的范围的情况下，各种实施例中描述和说明为离散或单独的技术、系统、子系统和方法可以与其它系统、模块、技术或方法进行组合或合并。示出或论述为彼此耦合或直接耦合或通信的其它项也可以采用电方式、机械方式或其它方式通过某一接口、设备或中间部件间接地耦合或通信。其他变化、替代和改变的示例可以由本领域的技术人员在不脱离本文精神和所公开的范围的情况下确定。

Claims (28)

1.一种控制多个无线接入节点的方法，其特征在于，所述方法包括：

中心控制器从基站(BS)处接收指示信道状态信息(CSI)的消息；

依照所述消息确定状态转移函数；

依照所述状态转移函数确定信度状态；

依照所述信度状态确定多个BS间的协作以产生协作决策，其中，所述多个BS包括所述BS；

所述中心控制器将所述协作决策发送给所述BS。

2.根据权利要求1所述的方法，其特征在于，所述协作决策为速率决策。

3.根据权利要求1所述的方法，其特征在于，所述协作决策为功率等级决策。

4.根据权利要求1所述的方法，其特征在于，所述协作决策为集群决策。

5.根据权利要求1所述的方法，其特征在于，确定所述状态转移函数包括：利用有限状态马尔可夫链(FSMC)。

6.根据权利要求1所述的方法，其特征在于，所述消息包括所述CSI和CSI时延，其中，确定所述状态转移函数包括：依照所述CSI和所述CSI时延确定所述状态转移函数。

7.根据权利要求1所述的方法，其特征在于，还包括：在数据库中检索对应于多个UE位置和多个UE速度的多个信道信息，其中，确定所述状态转移函数包括：依照所述多个信道信息确定所述状态转移函数。

8.根据权利要求1所述的方法，其特征在于，所述消息包括FSMC状态索引，其中，确定所述状态转移函数包括：依照所述FSMC状态索引确定所述状态转移函数。

9.根据权利要求1所述的方法，其特征在于，所述消息包括所述状态转移函数。

10.根据权利要求1所述的方法，其特征在于，所述消息包括观测函数，其中，确定所述信度状态包括：依照所述观测函数确定所述信度状态。

11.根据权利要求1所述的方法，其特征在于，确定所述信度状态包括：

确定时延步长的数量；

依照所述时延步长的数量确定所述信度状态。

12.根据权利要求1所述的方法，其特征在于，还包括：确定观测函数，其中，确定所述信度状态包括：依照所述观测函数确定所述信度状态。

13.根据权利要求1所述的方法，其特征在于，确定所述信度状态包括：依照先前的信度分布确定所述信度状态。

14.根据权利要求1所述的方法，其特征在于，确定协作包括：利用贪婪策略。

15.根据权利要求1所述的方法，其特征在于，确定协作包括：依照所述信度状态估算中断概率。

16.一种控制多个无线接入节点的方法，其特征在于，所述方法包括：

网元从设备处接收模型信息；

网元在数据库中检索对应于多个用户设备(UE)位置和多个UE速度的多个信道信息；

依照所述模型信息和所述多个信道信息确定状态转移函数；

所述网元将包含所述状态转移函数的消息发送给所述设备。

17.根据权利要求16所述的方法，其特征在于，所述模型信息包括时延和建模方法以及信道状态的数量。

18.根据权利要求16所述的方法，其特征在于，还包括：确定观测函数，其中，所述消息还包括所述观测函数。

19.根据权利要求16所述的方法，其特征在于，其中，所述网元为用户设备(UE)，所述设备为基站(BS)。

20.根据权利要求16所述的方法，其特征在于，所述网元为BS，所述设备为中心控制器。

21.根据权利要求20所述的方法，其特征在于，还包括：测量所述BS和UE之间的信道，以产生已测量的信道，其中，确定所述状态转移函数包括：依照所述已测量的信道确定所述状态转移函数。

22.根据权利要求20所述的方法，其特征在于，还包括：

生成有限状态马尔可夫链(FSMC)状态索引；

所述BS将所述FSMC状态索引发送给所述中心控制器。

23.根据权利要求20所述的方法，其特征在于，还包括：

所述BS从所述中心控制器处接收协作决策；

依照所述协作决策设置协作；

所述BS从所述中心控制器处接收速率分配；

依照所述速率分配为多个UE设置多个速率。

24.根据权利要求23所述的方法，其特征在于，所述协作决策为速率决策。

25.根据权利要求23所述的方法，其特征在于，所述协作决策为功率等级决策。

26.根据权利要求23所述的方法，其特征在于，所述协作决策为集群决策。

27.一种中心控制器，其特征在于，包括：

处理器；

非瞬时性计算机可读存储介质，用于存储所述处理器执行的程序，所述程序包括用于实现以下操作的指令：

从基站(BS)处接收指示信道状态信息(CSI)的消息；

依照所述消息确定状态转移函数；

依照所述状态转移函数确定信度状态；

依照所述信度状态确定多个BS间的协作以产生协作决策，其中，所述多个BS包括所述BS；

将所述协作决策发送给所述BS。

28.一种网元，其特征在于，包括：

处理器；

非瞬时性计算机可读存储介质，用于存储所述处理器执行的程序，所述程序包括用于实现以下操作的指令：

从设备处接收模型信息；

在数据库中检索对应于多个用户设备(UE)位置和多个UE速度的多个信道信息；

依照所述模型信息和所述多个信道信息确定状态转移函数；

所述设备发送包含所述状态转移函数的消息。