CN106658572A - 一种基于负载感知的密集网络负载均衡方法 - Google Patents

Abstract

本发明涉及一种基于负载感知的密集网络负载均衡方法，涉及无线通信网络技术领域。该方法公开了一种基于部分可测马尔科夫决策过程负载感知的动态小区范围扩展实现负载均衡的方法，解决了微蜂窝密集部署下的网络的负载不均衡问题。通过对系统用户业务的观察分析，结合部分可测马尔科夫决策过程负载感知，判断出下一周期系统可能出现的负载状态，从而提前采取行动动态调整CRE偏置值，达到优化系统负载均衡性的目的。该方法能实现密集化微蜂窝部署下的负载感知，有效提高系统负载均衡性，同时有效提升系统吞吐量与系统资源利用率。可应用于密集异构网络负载均衡。

Description

一种基于负载感知的密集网络负载均衡方法

技术领域

本发明属于无线通信网络领域，涉及一种基于负载感知的密集网络负载均衡方法。

背景技术

密集异构网络的部署是在宏蜂窝保证基本覆盖，针对网络热点地区进行网络扩容的微基站部署或者网络覆盖盲区进行网络补盲的一种密集网络架构。随着数据业务的不断增加，网络中的小基站数量也不断增加，以提升网络的容量。由于小基站的密集化，容量提升的同时也带来了各种影响网络性能的问题，如负载均衡等问题。密集异构网络下的负载均衡问题主要是由于传统的宏基站(MBS)与小功率节点(LPN)之间的发射功率差异和用户的小范围密集分布，造成用户接入不均衡，从而导致网络阻塞、掉话率高、系统资源利用率低等一系列问题。

图1为能够用于实现本发明的一个系统场景图。在图1中：Marocell是宏小区；Picocell是微小区；Mue是宏基站用户；Pue是微基站用户。

从图1所示的密集异构网络场景中可以看到，和传统的通信网络系统相比，由于小基站密集部署，网络结构更加复杂。当小基站少量部署在宏小区中时，网络系统中的负载均衡方式主要是宏小区的负载向微小区卸载，以达到负载均衡和系统扩容的目的。而在小基站密集部署后，除了宏小区与微小区之间的跨层负载均衡问题，同时也需要考虑微小区之间的同层负载均衡问题。见图2为密集异构网络下小区范围扩展负载均衡的两种方式。在图2中，Marocell是宏小区；Picocell是微小区；Mue是宏基站用户；Pue是微基站用户；ERue是小区范围扩展用户。

小区范围拓展(CRE)是3GPP提出的一种负载均衡方案：用户在选择小区接入时，会针对不同层基站的RSRP附加不同的偏置值，然后再根据加偏置后的最大值进行接入。对于一个N层HetNet，用户接入准则为：

其中Bio为偏置值。在CRE方案中，LPN的偏置值大于MBS的偏置值，这样可以占用户会更多接入到LPN，拓展了LPN的覆盖范围，均衡了网络负载。

现有的通过小区范围扩展(CRE)的负载均衡方案大多考虑在测量负载基础上通过静态或动态的方式调整偏置值，以实现小区范围扩展，将过载小区边缘用户切换至范围扩展后的低负载小区，以实现负载均衡。一种基于PPP模型，从统计意义上给出了采用RE方案用户接入每层网络的概率以及每层网络的用户比例，并由此推出用户在每层网络的中断概率/平均遍历容量与偏置值之间的对应关系及变化趋势。但是其依然建立在每层基站都采用相同的偏置值的基础上。考虑到不同基站的位置、负载以及服务用户的信道质量的差异性，有另一种自适应偏置调整方案，该方案通过比较MBS边缘用户与每个LPN边缘用户的吞吐量性能调整LPN的偏置值。但是该方案并没有从系统整体的角度考虑RE方案的性能，因此RE方案中的偏置值设置需要进一步研究。

发明内容

有鉴于此，本发明的目的在于提供一种基于部分可测马尔科夫决策过程负载感知的负载均衡方法，通过负载感知保证在小区范围扩展偏置值调整时的时效性，有效地实现系统负载均衡。

为达到上述目的，本发明提供如下技术方案：

一种基于负载感知的密集网络负载均衡方法，其特征在于，包括如下步骤：

1)将UE接入系统各个基站，假设每个UE都有业务产生，进行前期测量统计分析工作；

2)采用部分可测马尔科夫决策过程进行负载感知；

3)采取负载均衡行动进行小区范围扩展偏置值动态调整，通过选取合适的小区范围扩展偏置值得到系统最佳公平性指示，使系统负载得到有效均衡。

进一步的，所述负载感知即通过对当前时刻UE业务到达情况进行观察，观察在当前决策时刻到下一决策时刻之间UE传输数据包的数量，判断分析出下一决策时刻UE数据包的可能到达情况即业务到达情况，进而通过对整个基站下所有UE的业务情况进行统计分析，判断该基站下一时刻的负载状态。

进一步的，所述判断基站下一时刻的负载状态具体方法为：

1)通过对系统各个基站内所有用户业务在两个决策时刻间的传输数据包的数量进行观察统计，在决策时刻k-1与k之间时间段t内，有观察值转移概率：

2)用户在基站下某决策时刻的业务状态概率分布即信念状态，利用贝叶斯公式更新信念状态空间：

3)在得到更新后的信念状态后，即用户业务状态得到，则对应基站的负载为：

k_u，n∈{0，1}

其中，k_u，n为用户信念状态指示变量。

进一步的，在小区范围扩展偏置值选取时，优先进行宏基站与微基站之间的跨层负载均衡，其次进行微基站之间的同层负载均衡，以整个网络负载均衡性为优化目标，提高系统网络整体负载均衡性。

进一步的，小区范围扩展偏执值选取的具体步骤为：

1)对感知结果进行分析，判断宏基站的负载状态，如果出现了高负载或超载的状态，则对宏用户通过选取合适小区范围扩展偏置值的方式将部分宏用户接入周围邻近的小基站中，以确保宏基站尽可能降低负载，而将负载尽可能向小基站卸载；定义基站小区范围扩展偏置值集合为：Θ＝{θ₁，θ₂，...，θ_n}；

根据用户接入准则：

2)通过动态算法选取小区范围扩展偏置值达到相邻小基站负载均衡的目标，而系统网络整体均衡性在采取小区范围扩展偏置选取时系统将会得到一定的回报，以Jain’sfairness指示负载均衡性：

其中基站负载情况ρ_m，因为用户列表更新与小区范围扩展偏置值选择x(θ)直接相关，可表示如下：

其中Z_m ^x(θ)表示基站m资源占用情况，Z_total表示每个基站全部资源；

均衡目标就是最大化负载均衡指示I_JF时得到最优偏置值：

其中x(θ)为偏置值选取，ρ_m ^x(θ)为小区m的负载状态。

本发明的有益效果在于：本发明通过采用部分可测马尔科夫决策过程负载感知，判断出下一周期系统可能出现的负载状态，从而提前采取行动调整CRE偏置值，达到优化系统负载均衡性的目的。该方法能实现密集化微蜂窝部署下的负载感知，有效提高系统负载均衡性，同时有效提升系统吞吐量与系统资源利用率。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为能够用于实现本发明的一个系统场景图；

图2为密集异构网络下小区范围扩展负载均衡的两种方式；

图3为基于负载感知的密集网络负载均衡方法整体简要流程图；

图4为基于部分可测马尔科夫决策过程进行负载感知详细流程图；

图5为基于负载感知的动态小区范围扩展负载均衡详细流程图；

图6为本发明的总体流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本方法在实施时主要分为两个部分：基于部分可测马尔科夫决策过程的负载感知和基于负载感知的动态小区范围扩展，两部分共同完成负载均衡。部分可测马尔科夫决策过程负载感知是在两个决策时刻之间通过对UE数据包传输量的观察统计，分析得到下一决策周期内该UE的可能数据包传输量，进而得到整个基站在下一决策周期内的负载状态。基于负载感知的动态小区范围扩展方法是在前期部分可测马尔科夫决策过程负载感知的基础上采取小区范围扩展的方式来达到系统负载均衡的目的。

图6为本发明的总体流程图。首先通过马尔科夫决策过程负载感知算法对基站负载资源占用状态进行感知，其次通过基于负载感知的CRE负载均衡优化算法实现负载均衡。为了保证CRE偏置可以随着网络业务负载的变化而动态配置，宏基站和微基站需要统计网络业务负载状态。在LTE系统中，基站间通过X2接口进行信令交互，交互过程中必然存在一定的时延。如果通过感知当前时刻的网络负载状态，再经过信令交互，调整CRE偏置，这个过程中CRE偏置的调整已经滞后于实际网络业务负载变化，很难保证CRE偏置的时效性。为了提高CRE偏置动态调整的时效性，需要我们对网络中的负载状态进行一个提前感知，根据感知结果提前进行CRE偏置调整，从而保证当前配置的时效性。

在现有的通信网络中，网络的负载变化具有随机性和波动性。因此网络负载变化过程属于典型的随机过程，同时业务负载变化趋势仅仅与现状状态相关，而与历史状态无关，具有无记忆性，所以我们可以用部分马尔科夫决策过程通过对当前时刻系统业务到达情况进行观察，感知出下一时刻系统业务到达情况，进而判断系统负载状态。

本发明基于负载感知的密集网络负载均衡方法具体过程包括如下步骤：

a.将UE接入系统各个基站，假设每个UE都有业务产生。进行前期测量统计分析工作，为接下来部分可测马尔科夫决策过程负载感知做好准备。

b.采用部分可测马尔科夫决策过程通过对当前时刻UE业务到达情况进行观察，观察在当前决策时刻到下一决策时刻之间UE传输数据包的数量，判断分析出下一决策周期内UE数据包的可能到达情况即业务到达情况，进而通过对整个基站下所有UE的业务情况进行统计分析判断该基站负载状态。

c.在得到系统基站一决策时刻的负载状态后，采取负载均衡行动，进行小区范围扩展偏置值动态调整，通过选取合适的偏置值得到系统最佳公平性指示，且该取值具有较高准确性和时效性，系统负载得到有效均衡。

其中部分可测马尔科夫决策过程负载感知具体过程如下：

b1.通过对系统各个基站内所有用户业务在两个决策时刻间的传输数据包的数量进行观察统计，在决策时刻k-1与k之间时间段t内，有观察值转移概率：

b2.用户在基站下某决策时刻的业务状态概率分布即信念状态。利用贝叶斯公式更新信念状态空间：

b3.在得到更新后的信念状态后，即用户业务状态得到，则对应基站的负载我们也可以通过如下公式得到：

k_u，n∈{0，1}

其中，k_u，n为用户信念状态指示变量。

其中在采取行动CRE偏置值选取时的具体过程如下：

c1.在均衡周期达到后，我们首先对感知结果进行分析，判断宏基站的负载状态，如果出现了高负载或超载的状态我们会对宏用户通过选取合适CRE偏置的方式将部分宏用户接入周围邻近的小基站中，以确保宏基站尽可能降低负载，而将负载尽可能向小基站卸载。我们定义基站CRE偏置值集合为：Θ＝{θ₁，θ₂，…，θ_n。}。

根据用户接入准则：

c2.在经过第一步后，宏基站的负载状态得到了保证，我们再开始考虑小基站负载均衡问题。在小基站间负载均衡时，不考虑向宏基站卸载，只将微用户向邻近小基站卸载。通过动态算法选取CRE偏置值达到相邻小基站负载均衡的目标。而系统网络整体均衡性在采取CRE偏置选取时系统将会得到一定的回报。我们以Jain’s fairness指示负载均衡性：

其中基站负载情况ρ_m，因为用户列表更新与CRE偏置值选择x(θ)直接相关，可表示如下：

其中Z_m ^x(θ)表示基站m资源占用情况，Z_total表示每个基站全部资源。

因此，我们的均衡目标就是最大化负载均衡指示I_JF时得到最优偏置值：

其中x(θ)为偏置值选取，ρ_m ^x(θ)为小区m的负载状态。

为了实施本发明，下面将结合附图进行详细介绍。

如图3所示，为基于部分可测马尔科夫决策过程负载感知的负载均衡算法的整体流程简要框图。整体思路可大致分为三部分：参数初始化、基础数据测量分析等前期准备工作；部分可测马尔科夫决策过程负载感知算法进行系统内基站负载状态的感知；基于负载感知的动态小区范围扩展算法进行偏置值的动态选择是系统负载均衡指示最优。

如图4所示，为基于部分可测马尔科夫决策过程的负载感知算法详细流程图。

步骤401：参数初始化：初始化均衡指示、基站负载、CRE偏置值等值。

步骤402：系统网络进入负载感知周期，首先根据前期系统测量分析数据得到系统状态转移概率矩阵。

步骤403：系统开始观察每个UE在均衡周期内数据包的传输数量，并进行统计分析，储存在观察值列表中。

步骤404：根据上一步观察所得系统观察值列表，对每个UE计算其观察值转移概率，该转移概率即为该UE的业务概率分布。进一步，根据系统转移概率矩阵和观察值转移概率更新信念状态，得到下一周期UE的业务状态。

步骤405：判断是否执行完该基站所有UE，“是”转到步骤406继续执行，“否”返回步骤404继续执行。

步骤406：计算基站负载。

步骤407：判断是否执行完所有基站负载计算，“是”转到步骤408继续执行，“否”返回步骤406继续执行。

步骤408：利用Jain’s公平指示函数计算系统负载均衡指示，部分可测马尔科夫决策过程负载感知周期结束。

如图5所示，为基于负载感知的动态小区范围扩展负载均衡算法流程图。

步骤501：系统网络进入负载均衡周期，首先初始化均衡指示、高低负载门限值、CRE偏置值等值。

步骤502：系统UE列表中所有用户，根据基站测量结果得到自己的RSRP列表，并且根据部分可测马尔科夫决策过程负载感知算法得到此时的负载均衡指示和基站负载值。

步骤503：开始执行基站负载均衡算法。设置偏置值集合。

步骤504：判断当前基站是否为宏基站，且基站负载高于高负载门限。“是”执行步骤505，“否”执行步骤506。

步骤505：当前基站为宏基站，且宏基站负载高于高负载门限，动态小区范围扩展算法激活，选取适合偏置值，直至宏基站负载低于高负载门限。

步骤506：判断当前小基站负载是否高于高负载门限或低于低负载门限。“是”执行步骤507，“否”返回执行步骤503。

步骤507：当前基站为小基站，且小基站负载高于高负载门限或低于低负载门限，动态小区范围扩展算法激活，选取合适偏置值，调整UE接入基站，计算基站负载。

步骤508：判断是否执行完毕所有小基站。“是”执行步骤509，“否”返回步骤503继续执行。

步骤509：当前所有基站CRE偏置选取完毕，计算系统负载均衡指示，重复执行以上步骤，搜索最优值。负载均衡周期到此结束。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (5)

1.一种基于负载感知的密集网络负载均衡方法，其特征在于，包括如下步骤：

1)将UE接入系统各个基站，假设每个UE都有业务产生，进行前期测量统计分析工作；

2)采用部分可测马尔科夫决策过程进行负载感知；

3)采取负载均衡行动进行小区范围扩展偏置值动态调整，通过选取合适的小区范围扩展偏置值得到系统最佳公平性指示，使系统负载得到有效均衡。

2.根据权利要求1所述的一种基于负载感知的密集网络负载均衡方法，其特征在于：所述负载感知即通过对当前时刻UE业务到达情况进行观察，观察在当前决策时刻到下一决策时刻之间UE传输数据包的数量，判断分析出下一决策时刻UE数据包的可能到达情况即业务到达情况，进而通过对整个基站下所有UE的业务情况进行统计分析，判断该基站下一时刻的负载状态。

3.根据权利要求2所述的一种基于负载感知的密集网络负载均衡方法，其特征在于：所述判断基站下一时刻的负载状态具体方法为：

1)通过对系统各个基站内所有用户业务在两个决策时刻间的传输数据包的数量进行观察统计，在决策时刻k-1与k之间时间段t内，有观察值转移概率：

$o_u^k\left({\mathrm{\λ}}_n\right)=\mathrm{Pr}\left(O_{m,u}^k\right|{\mathrm{\λ}}_n)=\frac{{\left({\mathrm{\λ}}_{n}t\right)}^{n_t}{e}^{-{\mathrm{\λ}}_{n}t}}{n_t!}$

其中，表示观察值转移概率，即业务状态为λ_n时观察值出现的概率，t为两决策时刻间隔时间段，n_t为数据包数量；

2)用户在基站下某决策时刻的业务状态概率分布即信念状态，利用贝叶斯公式更新信念状态空间：

$\begin{array}{c}{\mathrm{\Γ}}_{m,u}^k\left({\mathrm{\λ}}_j\right)=\mathrm{Pr}\left({\mathrm{\λ}}_j|{\mathrm{\Γ}}_{m,u}^{k-1},O_{m,u}^k\right)=\frac{\mathrm{Pr}\left(O_{m,u}^k|{\mathrm{\Γ}}_{m,u}^{k-1},{\mathrm{\λ}}_j\right)\mathrm{Pr}\left(\mathrm{\λ}|{\mathrm{\Γ}}_{m,u}^{k-1}\right)}{\mathrm{Pr}\left(O_{m,u}^k|{\mathrm{\Γ}}_{m,u}^{k-1}\right)}\\ =\frac{p_{m,u}^{ob}\left({\mathrm{\λ}}_j\right){\mathrm{\Σ}}_{\∀{\mathrm{\λ}}_i\∈N}{p}_{m,u}\left({\mathrm{\λ}}_j|{\mathrm{\λ}}_i\right){\mathrm{\Γ}}_{m,u}^{k-1}\left({\mathrm{\λ}}_i\right)}{{\mathrm{\Σ}}_{\∀{\mathrm{\λ}}_j\∈N}{p}_{m,u}^{ob}\left({\mathrm{\λ}}_j\right){\mathrm{\Σ}}_{\∀{\mathrm{\λ}}_i\∈N}{p}_{m,u}\left({\mathrm{\λ}}_j|{\mathrm{\λ}}_i\right){\mathrm{\Γ}}_{m,u}^{k-1}\left({\mathrm{\λ}}_i\right)}\\ =\frac{o_{m,u}^k\left({\mathrm{\λ}}_j\right){\mathrm{\Σ}}_{\∀{\mathrm{\λ}}_i\∈N}{p}_{m,u}\left({\mathrm{\λ}}_j|{\mathrm{\λ}}_i\right){\mathrm{\Γ}}_{m,u}^{k-1}\left({\mathrm{\λ}}_i\right)}{{\mathrm{\Σ}}_{\∀{\mathrm{\λ}}_j\∈N}{o}_{m,u}^k\left({\mathrm{\λ}}_j\right){\mathrm{\Σ}}_{\∀{\mathrm{\λ}}_i\∈N}{p}_{m,u}\left({\mathrm{\λ}}_j|{\mathrm{\λ}}_i\right){\mathrm{\Γ}}_{m,u}^{k-1}\left({\mathrm{\λ}}_i\right)}\end{array}$

其中，分别表示在信念状态业务状态λ_j时观察值为的概率分布，信念状态时业务状态为λ的概率，信念状态为时观察值为的概率分布；其中为基站m下用户u在时刻k的观察值，λ_j为第j个业务状态,N为业务状态数，p_m，u(λ_j|λ_i)为基站m下用户u从业务状态i转移到业务状态j的状态转移概率，为业务状态为i时基站m下用户u在k-1时刻的信念状态；

3)在得到更新后的信念状态后，即用户业务状态得到，则对应基站的负载为：

$Z_m=\underset{u=1}{\overset{U}{\mathrm{\Σ}}}{k}_{u,n}\·\frac{{\mathrm{\λ}}_n\·\mathrm{\δ}}{{\log }_2(1+{\mathrm{SINR}}_u)},\∀n\∈\[0,N\]$

$\underset{n=0}{\overset{N}{\mathrm{\Σ}}}{k}_{u,n}=1,\∀u\∈\[1,U\]$

k_u，n∈{0，14

其中，Z_m表示基站m的负载，U为用户集合，λ_n为第n种业务到达率，δ为数据包长度，SINR_u为用户u收到的SINR，k_u，n为用户信念状态指示变量。

4.根据权利要求3所述的一种基于负载感知的密集网络负载均衡方法，其特征在于：在小区范围扩展偏置值选取时，优先进行宏基站与微基站之间的跨层负载均衡，其次进行微基站之间的同层负载均衡，以整个网络负载均衡性为优化目标，提高系统网络整体负载均衡性。

5.根据权利要求4所述的一种基于负载感知的密集网络负载均衡方法，其特征在于：小区范围扩展偏执值选取的具体步骤为：

1)对感知结果进行分析，判断宏基站的负载状态，如果出现了高负载或超载的状态，则对宏用户通过选取合适小区范围扩展偏置值的方式将部分宏用户接入周围邻近的小基站中，以确保宏基站尽可能降低负载，而将负载尽可能向小基站卸载；定义基站小区范围扩展偏置值集合为：θ＝{θ₁，θ₂，...，θ_n}；

根据3GPP用户接入准则：

$i^{*}=\arg \underset{i=\mathrm{1...}N}{max}{\mathrm{RSRP}}_i+{\mathrm{\θ}}_n$

2)通过动态算法选取小区范围扩展偏置值达到相邻小基站负载均衡的目标，而系统网络整体均衡性在采取小区范围扩展偏置选取时系统将会得到一定的回报，以Jain’sfairness公平指示表示负载均衡性：

其中基站负载情况ρ_m，因为用户列表更新与小区范围扩展偏置值选择x(θ)直接相关，可表示如下：

${{\mathrm{\ρ}}_m}^{x\left(\mathrm{\θ}\right)}=\frac{{Z_m}^{x\left(\mathrm{\θ}\right)}}{Z_{total}}$

其中Z_m ^x(θ)表示基站m资源占用情况，Z_total表示每个基站全部资源；

均衡目标就是最大化负载均衡指示I_JF时得到最优偏置值：

$\max G\left({\mathrm{\ρ}}^{x\left(\mathrm{\θ}\right)}\right)=\begin{array}{c}{\left({\mathrm{\Σ}}_{m\∈B}{{\mathrm{\ρ}}_m}^{x\left(\mathrm{\θ}\right)}\right)}^2\\ N\·{\mathrm{\Σ}}_{m\∈B}{\left({{\mathrm{\ρ}}_m}^{x\left(\mathrm{\θ}\right)}\right)}^2\end{array}=\begin{array}{c}{\left({\mathrm{\Σ}}_{m\∈B}\frac{{Z_m}^{x\left(\mathrm{\θ}\right)}}{Z_{total}}\right)}^2\\ N\·{\mathrm{\Σ}}_{m\∈B}{\left(\frac{{Z_m}^{x\left(\mathrm{\θ}\right)}}{Z_{total}}\right)}^2\end{array}$

其中x(θ)为偏置值选取，ρ_m ^x(θ)为小区m的负载状态，N为基站数，m为基站索引，B为基

站集合，Z_m ^x(θ)表示基站m资源占用情况，Z_total表示每个基站全部资源。