一种分布式Small Cell分层异构网络和速率最大化方法
技术领域
本发明涉及一种分布式Small Cell分层异构网络和速率最大化方法,是一种联合优化蜂窝网络中Macro Cell(宏蜂窝)与Small Cell(小蜂窝)的和速率,在满足服务质量(QoS)前提下使其最大化的算法。
背景技术
随着智能手机和移动APP的发展,无线数据的爆炸式增长,当前蜂窝网络已经趋于饱和,当前的移动通信技术已经不能满足这些需求。因此下一代移动通信系统不得不寻求新的技术以应对这些挑战。Small Cells被认为是下一代无线通信技术的关键技术,通过在宏蜂窝中密集部署低功耗的Small Cell,可以减轻宏基站的负载、提高系统的容量、增加覆盖范围和提高频谱利用率,从而缓解频谱资源缺乏、容量不足的困局。
在宏蜂窝中部署小蜂窝很自然地形成了一个双层的异构网络,这使得用户可以通过就近的Small Cell接入网络以提高传输速率、降低宏蜂窝负载、提高系统容量。从本质上来说Small Cell是对Macro Cell的一种补充,因此这两个网络的服务质量要求不尽相同,通常宏蜂窝具有更高的优先权和严格的服务质量(QoS:Quality of Service)要求以保障宏蜂窝用户的通信。由于SBSs的部署密度远高于MBS,因此如果Small Cell和Macro Cell共享频谱资源,那么Small Cell的部署将会对宏蜂窝用户的QoS需求产生巨大的影响,为此必须对Small Cell的发射功率做出一些限制;反过来,MBS的发射功率也会影响Small Cell的性能,同时小蜂窝用户(SUEs)之间也存在相互干扰,因此必须对Small Cell与Macro Cell进行联合优化。要实现对Small Cell和Macro Cell的联合优化必须面对以下三点困难:一,部分Small Cell如Femto Cell是由用户安装部署而非运营商提前规划部署;二,SmallCell的部署密度通常远远高于MBS的部署密度,并且Small Cell之间信息交互量非常少;三,部分Small Cell的回程链路是以太网或者其他无线网如Relay(中继),因此网络中存在较大延时。这对Small Cell和Macro Cell进行联合优化带来了巨大挑战,从而大大地限制了系统性能。考虑到高密度随机部署SBSs,有学者提出了对于Small Cell使用无线回程的方式。因此在这种传输环境下Small Cell网络的干扰管理必须限制各个基站之间的信息交互。为了减少信息的交互量,可通过设计分布式算法联合优化SBSs和MBS的功率。
伴随5G通信的发展,越来越多的Small Cell将接入蜂窝网中,这无疑对当前的通信技术提出了巨大挑战。本算法针对当前的困境,提出了一种基于少量信息交互的分布式方案联合优化MBS与SBSs的发射功率。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种使用更加灵活、应用范围更加广泛、系统性能媲美集中式算法的Macro Cell与Small Cell联合分布式功率优化方法。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种优化由Macro Cell(宏蜂窝)与Small Cell(小蜂窝)构成的分层异构网络的和速率最大化算法,结合凸逼近与广义纳什均衡分布式地求解基站(包括宏基站和小基站)的发射功率,从而得到所有基站在各个信道上的功率分配及整个网络的传输速率。该方法具体包括如下步骤:
对于一个部署了一个宏蜂窝和M个小蜂窝和的蜂窝系统,蜂窝系统的下行频带划分为N个子信道,每个基站均服务N个蜂窝用户,将宏基站标记为0号基站,将小基站标记为1…M号基站;该方法具体包括如下步骤:
步骤1:初始化外部迭代点Z0及外部迭代次数n=0,设置足够大的常数τ>0及误差精度∈1、∈2=10-2∈1、∈3=10-2∈2、∈4=10-2∈3;
其中:表示第n次外部迭代时基站i在蜂窝频带k上的发射功率;
步骤2:设置外部逼近点Q0及外部逼近次数m=0,通常取Q0=Zn;
其中:表示第m次外部逼近时基站i在蜂窝频带k上的发射功率;
步骤3:根据Qm计算交互信息:
其中:Bm表示第m次外部逼近时基站i所需要的所有交互信息,表示第m次外部逼近时基站i的第k个载波需要的交互信息,表示不包含的Qm;表示第m次外部逼近时基站i在蜂窝频带k上收到的所有干扰信号,表示第m次外部逼近时基站i在蜂窝频带k上接收到的所有信号,σi(k)表示基站i在蜂窝频带k上所遭受的高斯白噪声,hij(k)表示基站i到基站j在蜂窝频带k上所服务用户的信道增益;
步骤4:设置内部逼近点及内部逼近次数s=0,设置足够大的固定常数c>0;
其中:表示第s次内部逼近时基站i在蜂窝频带k上的发射功率,为内部逼近的对偶变量,且v0≥0;
步骤5:初始化内部迭代点及内部迭代次数t=0;
其中:表示第t次内部迭代时基站i在蜂窝频带k上的发射功率,为内部迭代的对偶变量,且μ0≥0;
步骤6:计算t+1次内部迭代时基站i在蜂窝频带k上的发射功率
Ai,k=2(τ+c)hii(k)
λ=[λ1,λ2,…,λk,…,λN]
其中: 表示不包含的Pt,λk是使得成立的最小正数;表示第t次内部迭代时基站i在蜂窝频带k上收到的所有干扰信号,γk表示宏蜂窝用户在蜂窝频带k上需要满足的最低传输速率,表示基站i在蜂窝频带k上允许的最大发射功率,表示基站i允许发送的最大和功率;
计算在t+1次内部迭代时内部迭代的对偶变量:
其中:[x]+=max(0,x);表示第k个宏蜂窝用户的QoS约束;
步骤7:判断是否成立:若成立则令转到步骤5;否则令t=t+1,转到步骤6;
步骤8:判断是否成立:若成立则令Qm+1=Ws+1,转到步骤3;否则令s=s+1,转到步骤5;
步骤9:判断|Qm+1-Qm|≤∈2是否成立:若成立则令Zn+1=Qm+1,转到步骤2;否则令m=m+1,转到步骤3;
步骤10:判断|Zn+1-Zn|≤∈1是否成立:若成立则输出Zn+1;否则令n=n+1,转到步骤2。
本发明的工作原理为:由于网络的速率最大化问题用本身是一个NP-Hard问题,本发明结合凸逼近与广义纳什均衡,分布式地解求解宏基站和小基站的发射功率;本算法适用于Macro Cell中部署多个Small Cell,并且这些小区之间共享频谱资源,所有基站(包括宏基站和小基站)受到和功率限制或独立功率限制,在保证蜂窝用户的QoS情况下,最大化所有基站的和通信速率。
有益效果:本发明提供的分布式Small Cell分层异构网络和速率最大化方法,与现有技术相比具有如下优势:1、本发明所提算法适用于多蜂窝用户、多Small Cell的情况;2、本发明中同一蜂窝频带同时可被所有Small Cell共享,而不仅限于被一个Small Cell或者Macro Cell使用,频谱资源共享效率更高;3、本发明适用于MBS的发射功率可调的情况,这样可以更加灵活方便的提升系统性能;4、本发明适用于所有基站具有和功率限制、独立功率限制,蜂窝用户具有QoS限制等多种情况;5、本发明提出的算法可以分布式实现,适用于Small Cell较多的场景,并且可以提高Small Cell接入的灵活性;6,本发明提出的算法在性能上可以媲美集中式控制算法。
附图说明
图1为Small Cell网络系统下行链路干扰示意图;
图2为宏蜂窝用户、小基站、小蜂窝用户随机分布的位置示意图;
图3为和速率随宏基站允许最大功率变化示意图;
图4为宏基站的各个载波通信速率示意图;GNEP:广义纳什均衡分布式算法;NEP纳什均衡分布式算法;GGNEP:本发明提出算法;NoQoS:不具有QoS约束的分布式算法;
图5为本发明分布式算法与广义纳什均衡分布式算法、纳什均衡分布式算法性能对比示意图;
图6为本发明分布式算法与集中式算法性能对比示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
基于蜂窝网的SBSs的部署密度通常较大,SBSs部署具有随机性,SBSs和MBS之间的相互干扰等特性,本发明针对MBS和SBSs进行联合功率分配,提出的分布式算法可以应用于所有基站(包括宏基站和小基站)具有和功率限制、独立功率限制,宏蜂窝用户具有QoS限制等多种情况下,分布式优化所有基站的发射功率P。采用本发明提出的算法得到的发射功率能够在保障蜂窝用户的通信速率情况下,最大化所有基站的和通信速率。下面对本发明作更进一步的说明。
设在一个蜂窝系统中部署了M个Small Cell,蜂窝网的下行频带划分为N个子信道,每个基站(包括宏基站和小基站)均服务N个蜂窝用户,即每个用户均占用一个频带(注:一个用户占用多个频带不影响算法),为了表示方便将MBS标号为0号基站,SBSs从1…M进行编号;信道参数,及干扰参数说明如下:
hij(k):表示基站i到基站j在蜂窝频带k上所服务用户的信道增益,i,j=0,1,…,M;
σi(k):表示基站i在蜂窝频带k上所遭受的高斯白噪声;
pi:表示基站i在整个频谱上的发射功率向量,pi=[pi(1),pi(2),…,pi(k),…,pi(N)],pi(k)表示基站在蜂窝频带k上的发射功率;
γk:表示宏蜂窝用户在蜂窝频带k上需要满足的最低传输速率;
表示基站i在蜂窝频带k上允许的最大发射功率
表示基站i允许发送的最大和功率。
如图1所示,宏基站在蜂窝频带k上的发射功率p0(k)、蜂窝用户k的通信速率记为R0k(P0,P-0)、基站i在所有蜂窝频带上的和通信速率记为其中:
在该系统中,我们的优化目标为最大化每个基站的通信速率,即:由于蜂窝网中有多个用户,因此对每个蜂窝用户考虑最低通信速率约束R0k(P0,P-0)≥γk;对于下行链路,蜂窝基站在蜂窝频带k上的独立发射功率限制为小基站i在蜂窝频带k上的独立发射功率限制为基站的和功率限制为小基站i发射端的和功率限制为
在本实施例中个,设宏蜂窝的覆盖半径为500m,在宏蜂窝覆盖区域内部署6个小蜂窝,宏蜂窝频带带宽10MHz,划分为10个子载波,并且所有频带由宏蜂窝与小蜂窝享,且每个频带划分给每个宏蜂窝用户和小蜂窝用户,假设小蜂窝的覆盖半径100m,其中小蜂窝用户和宏蜂窝用户均随机分布在其覆盖区域内,考虑大尺度衰落,将路径衰落按128.1+37.6log10d(km)dB衰减,其中d表示距离基站和用户之间的距离。由于建筑物或者其它因素造成的小尺度衰落,本文考虑小尺度衰落为循环复高斯变量。为了体现性能,本文只考虑总的功率约束即取其中i=1,...,M。如图2所示,宏蜂窝用户、小基站、小蜂窝用户随机分布的位置示意图。
对于图1所示的下行链路情况,我们采用如下方法获得宏基站的发射功率p0和小基站发射功率p-0,并得到对应的所有基站的和通信速率
步骤1:初始化外部迭代点Z0及外部迭代次数n=0,设置足够大的常数τ>0及误差精度∈1、∈2=10-2∈1、∈3=10-2∈2、∈4=10-2∈3;
其中:表示第n次外部迭代时基站i在蜂窝频带k上的发射功率;
步骤2:设置外部逼近点Q0及外部逼近次数m=0,通常取Q0=Zn;
其中:表示第m次外部逼近时基站i在蜂窝频带k上的发射功率;
步骤3:根据Qm计算交互信息:
其中:Bm表示第m次外部逼近时基站i所需要的所有交互信息,表示第m次外部逼近时基站i的第k个载波需要的交互信息,表示不包含的Qm;表示第m次外部逼近时基站i在蜂窝频带k上收到的所有干扰信号,表示第m次外部逼近时基站i在蜂窝频带k上接收到的所有信号,σi(k)表示基站i在蜂窝频带k上所遭受的高斯白噪声,hij(k)表示基站i到基站j在蜂窝频带k上所服务用户的信道增益;
步骤4:设置内部逼近点及内部逼近次数s=0,设置足够大的固定常数c>0;
其中:表示第s次内部逼近时基站i在蜂窝频带k上的发射功率,为内部逼近的对偶变量,且v0≥0;
步骤5:初始化内部迭代点及内部迭代次数t=0;
其中:表示第t次内部迭代时基站i在蜂窝频带k上的发射功率,为内部迭代的对偶变量,且μ0≥0;
步骤6:计算t+1次内部迭代时基站i在蜂窝频带k上的发射功率
Ai,k=2(τ+c)hii(k)
λ=[λ1,λ2,…,λk,…,λN]
其中: 表示不包含的Pt,λk是使得成立的最小正数;表示第t次内部迭代时基站i在蜂窝频带k上收到的所有干扰信号,γk表示宏蜂窝用户在蜂窝频带k上需要满足的最低传输速率,表示基站i在蜂窝频带k上允许的最大发射功率,表示基站i允许发送的最大和功率;
计算在t+1次内部迭代时内部迭代的对偶变量:
其中:[x]+=max(0,x);表示第k个宏蜂窝用户的QoS约束;
步骤7:判断是否成立:若成立则令转到步骤5;否则令t=t+1,转到步骤6;
步骤8:判断是否成立:若成立则令Qm+1=Ws+1,转到步骤3;否则令s=s+1,转到步骤5;
步骤9:判断|Qm+1-Qm|≤∈2是否成立:若成立则令Zn+1=Qm+1,转到步骤2;否则令m=m+1,转到步骤3;
步骤10:判断|Zn+1-Zn|≤∈1是否成立:若成立则输出Zn+1;否则令n=n+1,转到步骤2。
本案中,宏基站负责计算内部迭代的对偶变量μ和交互信息B,而小基站负责计算自身的发射功率,具体方案如下:宏基站设置首先设定各个基站的外部迭代点Z和外部逼近点Q,计算交互信息B,将bi广播给基站i,然后宏基站再重新设置内部迭代点并且据此每个基站更新自身的功率直到收敛,最后根据宏基站收集信息更新bi直到收敛,最后更新外部迭代点Z直到收敛,不难看出再本算法中需要交互信息有bi和μ。
如图3所示,显示了网络和速率随宏基站允许的最大功率的变化,可以看出宏基站的允许的最大功率增大网络的和速率变大,其背后的原因是可用资源变多,性能提升。
如图4~5所示,显示了网络和速率与宏蜂窝用户允许的最低速率的关系,为了体现本算法的性能,和传统的纳什均衡模型对比,纳什均衡算法中考虑将全局的QoS约束转换为单个的功率约束,也即对基站i和信道k有hi0(k)pi(k)≤ξi,k,其中从图4中不难看出本发明提出的分布式算法优于广义纳什均衡分布式算法与纳什均衡算法,也即本发明提出的分布式算法在分布式算法中具有较好性能,同时可以看出随着宏蜂窝用户的最低速率的提高,网络的整体效用越来越低,这符合实际情况。图5显示本发明分布式算法、广义纳什均衡分布式算法、纳什均衡分布式算法和不具有QoS分布式算法中宏蜂窝用户在各个载波上的通信速率,可以看出本发明分布式算法、广义纳什均衡分布式算法、纳什均衡分布式算法均满足宏蜂窝用户的最低通信速率,而不具有QoS约束的分布式算法不满足QoS要求,同时结合图4~5可以看出由于本发明算法从全局考虑系统性能,因此在宏蜂窝用户在各个载波上的QoS约束几乎分配都是恰好满足,而其他算法分配使得宏蜂窝用户在各个载波上的QoS约束都会有所剩余,这就是本发明算法性能更优的背后原因。
如图6所示,显示了本算法在最外层收敛速率很快大概十步左右就收敛,同时可以看出本发明提出的分布式算法在性能上可以媲美集中式算法。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。