CN107645731B - 一种noma系统中基于自组织资源分配的负载均衡方法 - Google Patents

Abstract

本发明提出了一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，属于无线通信领域。首先，统计分层异构网络中的每个小小区基站的移动数据量，引入流量预测模型MMSE预测每个小小区基站下一时刻的网络流量；并将所有小小区基站预测的下一时刻的网络流量需求形成负载均衡问题；对负载均衡问题建模，针对系统的吞吐量建立优化目标函数，转化成MINP问题，利用QPSO算法对该优化问题求解，根据得到的流量负载自动为网络分配资源，最终将资源有效地分配到流量负载需求大的小小区基站上，最大化网络吞吐量。同时利用改进的均衡因子EBF，衡量网络资源利用率，实现负载均衡，使系统达到最大吞吐量。

Description

一种NOMA系统中基于自组织资源分配的负载均衡方法

技术领域

本发明属于无线通信领域，具体地说，是指一种非正交多址接入系统中基于自组织资源分配的负载均衡方法。

背景技术

伴随着最近几年中移动设备数量的急剧增加，移动数据量也呈现指数型的爆炸增长。这种数据量的增长不仅仅加剧了网络的负载压力，而且可能会带来局部资源利用率的低下等问题。为了应对这种挑战，提供更高的数据速率，增大系统容量，非正交多址接入(non-orthogonal multiple access,NOMA)技术应运而生。在NOMA系统中，由于各种不同的业务需求和用户行为的复杂性，负载不均衡是一个严重影响资源利用量和网络性能的问题。一方面，由于飙升的吞吐量需求，全网的资源处于短缺状态，另一方面，传统的资源固定分配手段又很可能会导致在局部区域资源使用率低下。

目前学术界针对NOMA的资源分配问题已有了一部分研究成果。文献1：“S.N.Dattaand S.Kalyanasundaram,非正交多址接入系统中的优化功率分配以及用户选择，2016年IEEE无线通信与网络会议，2016.4.，pp.1-6”提出了一种优化的功率分配算法和一个高效的用户选择策略，该策略以功率受限时的最大化加权速率和为优化目标；但是，没有考虑到实际基站所承受的流量与分配的资源之间的关系。文献2：“F.Liu,P.Mahonen,andM.Petrova,非正交多址接入系统中基于比例公平的用户配对以及功率分配，2015年IEEE第36届国际个人、室内和移动无线电通信专题讨论会,2015.8,PP.1127-1131”在一个双用户的NOMA系统中提出了一个综合考虑用户配对和功率分配的算法，该算法应用比例公平策略，并在传输效率和用户公平性之间做出权衡。但是，只考虑了功率分配，没有提到频率资源分配方案；文献3：“L.Lei, D.Yuan,C.K.Ho,and S.Sun,5G蜂窝系统内非正交多址接入系统中的功率和信道分配，2015 年IEEE国际通信会议，2015.12，pp.1-6”对NOMA系统中的资源分配问题做出了一个详细的分析，并结合拉格朗日对偶性和动态规划方法给出了一个次优的解决方法；但是，也没有考虑流量和资源分配的关系

针对负载不均衡问题的研究成果也有很多，例如切换至邻小区，用户调度和基站开关等方法，而流量预测技术也是一种有效的解决负载不均衡问题的手段。文献4：“C.Yao,J.Guo, and C.Yang,利用预测资源分配提高系统吞吐量，2016年IEEE全球信号与信息处理会议， 2016.12，pp.768-772”提出了一种可以预先下载用户文件的资源分配算法，该算法首先对用户移动轨迹进行预测，进而获得用户需求的文件从而减小最大的传输完成时间。但是，预测的内容是用户移动轨迹，不是流量；文献5：“Y.Liu,X.Li,H.Ji,and H.Zhang，UUDN网络非正交多址接入系统中的高能效多AP协作接入方案，2017IEEE信息与计算机通信会议专题讨论会，2017.5.pp.1-5”在以用户为中心的超密集网络(user-centric ultradense network,UUDN) 场景中提出了一种多AP的接入策略，该策略主要关注的是用户的服务质量和系统能效，另外作者还设计了一个评估模型，该模型综合考虑了几个网络性能指标，对所提算法进行评估。但是，该篇文献没有考虑流量预测功能。

综上，上述文献针对负载均衡技术大多考虑的是直接切换和用户调度等方法，这些方法并没有考虑到资源和流量需求之间的关系；并且现有的资源固定分配的方式可能会造成网络资源的浪费和局部资源的短缺，造成总体资源利用率的低下。

发明内容

本发明为了解决NOMA系统中出现的资源分配不均，以及固定分配方式带来的资源利用率低的问题，提出了一种基于自组织资源分配的负载均衡方法，来实现资源更高效合理的利用，从而解决网络负载不均衡的问题。

所述方法具体步骤如下：

步骤一、在分层异构网络中，部署宏基站以及覆盖范围内的小小区基站SBS，同时随机分布用户，构建仿真场景；

宏基站用M_SBS表示；

小小区基站共N个，表示为{SBS₁,SBS₂,…,SBS_j,…,SBS_N}；

步骤二、针对小小区基站SBS_j，统计连接用户在前n个时刻向该基站发送的移动数据量；

前n个时刻用集合DT＝{T₁,T₂,…,T_n}表示，T_n表示第n个时刻；

针对小小区基站SBS_j，在T_n时刻收到用户发送的移动数据量为进而该基站SBS_j在前n个时刻内收到的所有移动数据量记为D_j；

步骤三、将小小区基站SBS_j的所有移动数据量D_j输入到流量预测模型MMSE(minimum mean square error最小均方误差)中，得到输入序列的相关矩阵和相关均值；

输入序列的相关矩阵

输入序列的相关均值向量Γ＝[ρ_n…ρ_k…ρ₁]；

元素ρ_k表示流量预测模型MMSE的线性序列{D_t}中，所有距离为k的元素的相关系数之和，且 表示线性序列{D_t}中所有元素的均值，D_t+k表示与元素D_t距离为k的时刻的数据流量；

步骤四、利用输入序列的相关矩阵和相关均值，预测小小区基站SBS_j下一时刻的网络流量；

首先，利用输入序列的相关矩阵和相关均值计算权重向量：

然后，利用权重向量中的各权值预测小小区基站SBS_j下一时刻的网络流量：

表示第t+1时刻小小区基站SBS_j上的数据流量；分别为权重向量中的元素：N_t表示高斯白噪声；

步骤五、系统对每个小小区基站SBS预测的下一时刻的网络流量需求形成负载均衡问题；

步骤六、在系统吞吐量最大的前提下对负载均衡问题进行建模和处理，得到自主分配资源的方案；

首先，利用量子粒子群算法对N个小小区基站SBS上网络流量需求进行建模，设计优化目标函数

r_kl表示用户k和资源块l之间的数据传输速率；k∈K,l∈L；K为仿真场景中的用户总数； L为仿真场景中的所有资源块总数；x_kl表示用户k占用资源块l。

然后，在优化目标函数的限制条件下计算系统最大的吞吐量；

C1:x_kl∈{0,1},k∈K,l∈L

C2:

C3:

C4:

C1表示用户k是否占用资源块l，当占用时x_kl＝1；否则，x_kl＝0。

C2表示所有用户占用资源块l的功率之和不能超过资源块l的功率上限p_l；

C3表示小小区基站SBS_j上，所有用户和资源块之间的数据传输速率大于第t+1时刻小小区基站SBS_j上的数据流量D_j,t+1；

C4表示所有用户占用所有资源块的功率之和要小于系统总传输功率p_tot；

最后，根据建模结果得到每个小小区基站应该分配的资源块数量，形成资源分配方案；

步骤七、当系统达到最大吞吐量时，根据分配结果给每个小小区基站分配对应的资源块；

对流量负载需求大的小小区基站SBS分配较多的资源块。

步骤八、根据资源随流量的分配结果，计算网络资源利用率η；

W表示总带宽；

步骤九、根据网络资源利用率η计算系统的负载因子ψ；

ψ＝ηlg F(x_kl,p_kl)

步骤十、利用负载因子ψ衡量网络资源利用率，实现负载均衡，使系统达到最大吞吐量。

本发明的优点在于：

1)、一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，能够高效的使用现有资源，利用流量预测技术实现资源随流量需求进行合理分配的功能，以此来应对网络中的负载不均衡问题。

2)、一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，流量需求利用简单高效的MMSE模型完成，该模型很适合处理流量预测问题。通过流量预测，可以提前捕获下一时刻网络的流量分布情况，从而为负载压力大的基站分配较多资源，提高资源利用效率。

3)、一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，为了评估算法的性能，本文设计了均衡因子EBF，该因子综合考虑了资源利用率和负载分布情况，用以阐述资源分配与流量负载分布的关系。

4)、一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，在NOMA异构网络场景中，引入流量预测技术来优化资源分配过程，使资源能够根据流量需求进行自主分配，提高了网络资源利用率和系统吞吐量。

5)、一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，将资源根据流量需求进行自主分配的问题建模为一个混合非线性整数规划问题，使用QPSO算法进行求解，最终形成了一套可行的负载均衡算法。

附图说明

图1是本发明基于自组织资源分配的负载均衡算法中构建的仿真场景图；

图2是本发明一种非正交多址接入系统中基于自组织资源分配的负载均衡方法流程图；

图3是本发明三种算法下随着用户数量的增加系统吞吐量的对比曲线图；

图4是本发明三种算法下随着用户数量的增加频谱效率的对比曲线图；

图5是本发明三种算法下随着用户数量的增加负载因子EBF的对比曲线图。

具体实施方式

下面将结合附图和实施例对本发明做进一步的详细说明。

本发明提出了一个基于自组织资源分配的负载均衡算法，该算法的主要思想是将资源有效地分配到流量负载需求大的小小区基站SBS上，以此来实现资源更高效合理的利用，解决网络负载不均衡的问题。

在自组织资源分配方面，本发明引入了流量预测模型MMSE，该模型很适合处理流量预测问题，小小区基站SBS利用流量预测的结果，对负载均衡问题建模，针对系统的吞吐量建立优化目标函数，转化成MINP问题，也就是混合非线性整数规划问题，利用QPSO算法对该优化问题求解，根据得到的流量负载自动为网络分配资源，最终最大化网络吞吐量。为了评估算法的性能，阐明流量负载和资源分配的关系，本发明还设计了一个改进的均衡因子EBF，该因子综合考虑了资源利用率，系统吞吐量和负载分布情况，仿真结果显示该算法的性能要好于其他对比算法，验证了算法的有效性。

如图2所示，所述方法具体步骤如下：

步骤一、在分层异构网络中，部署宏基站以及覆盖范围内的小小区基站SBS，同时随机分布用户，构建仿真场景；

如图1所示，宏基站用M_SBS表示；

小小区基站SBS共N个，表示为{SBS₁,SBS₂,…,SBS_j,…,SBS_N}；

步骤二、针对小小区基站SBS_j，统计与该基站连接的用户在前n个时刻向该基站发送的移动数据量；

前n个时刻用集合DT＝{T₁,T₂,…,T_n}表示，Tn表示第n个时刻；

针对小小区基站SBS_j，在Tn时刻收到用户发送的移动数据量为进而该基站SBS_j在前n个时刻内收到的所有移动数据量记为D_j；

步骤三、将小小区基站SBS_j的所有移动数据量D_j输入到流量预测模型MMSE中，得到输入序列的相关矩阵和相关均值；

MMSE预测器在理论和实践中都被证明为是适合于实时应用和动态网络环境的一种简单且效率高的流量预测技术。所述MMSE模型为：

D_t+1＝w_nD_t+L+w₁D_t-n+1+N_t

其中n表示回归的级数，w₁,w₂,...w_n分别为权重向量中的元素：N_t表示t时刻的高斯白噪声；{D_t}表示一组线性序列；符号表示估计权重向量有：

其中表示对于下一时刻数据D_t+1的预测值，D′表示过去t个时刻的实际数据流量的集合。预测值的均方误差为：

通过最小化均方误差，权重向量可以写成：

输入序列的相关矩阵

输入序列的相关均值向量Γ＝[ρ_n…ρ_k…ρ₁]；

元素ρ_k表示流量预测模型MMSE的线性序列{D_t}中，所有距离为k的元素的相关系数之和，且 表示线性序列{D_t}中所有元素的均值，D_t+k表示与元素D_t距离为k的时刻的数据流量；

步骤四、利用输入序列的相关矩阵和相关均值，预测小小区基站SBS_j下一时刻的网络流量；

因此，将每个时刻t时小小区基站SBS上的流量记录下来作为MMSE流量预测模型的输入序列，并结合输入序列的均值和相关矩阵，利用权重向量中的各权值预测小小区基站SBS_j下一时刻的网络流量：

表示第t+1时刻小小区基站SBS_j上的数据流量；分别为权重向量中的元素：N_t表示高斯白噪声；

步骤五、系统对每个小小区基站SBS预测的下一时刻的网络流量需求形成负载均衡问题；

步骤六、在系统吞吐量最大的前提下对负载均衡问题进行建模和处理，得到自主分配资源的方案；

首先，利用量子粒子群算法对N个小小区基站SBS上网络流量需求进行建模，设计优化目标函数

r_kl表示用户k和资源块l之间的数据传输速率；k∈K,l∈L；K为仿真场景中的用户总数； L为仿真场景中的所有资源块总数；x_kl表示用户k占用资源块l。

然后，在优化目标函数的限制条件下计算系统最大的吞吐量；

其中将小小区基站SBS_j下一时刻预测的网络流量作为优化目标函数的限制条件；具体如下：

C1:x_kl∈{0,1},k∈K,l∈L

C2:

C3:

C4:

C1表示用户k是否占用资源块l，当占用时x_kl＝1；否则，x_kl＝0。

C2表示所有用户占用资源块l的功率之和不能超过资源块l的功率上限pl；

C3表示小小区基站SBS_j上，所有用户和资源块之间的数据传输速率大于第t+1时刻小小区基站SBS_j上的数据流量D_j,t+1；

C4表示所有用户占用所有资源块的功率之和要小于系统总传输功率p_tot；

最后，根据建模结果得到每个小小区基站应该分配的资源块数量，形成资源分配方案；

分析上述优化问题不难看出，该问题是一个MILP(mixed integer non-linearprogramming 混合非线性整数规划)问题，该类问题在数学中也被称为NP-困难问题，很难在线性时间内获得全局最优解，因此，采用QPSO(quantum particle swarm optimization量子粒子群算法) 算法对该问题求局部最优解。

QPSO算法主要由三部分构成，分别是粒子的位置、适应度函数和进化方程。在本发明中，需要解决的技术问题是优化粒子的位置，包含两个部分，分别是每个SBS资源块分配的解和功率分配的解。

假设初始化时一共有P个粒子，每个粒子p的位置可以表示为：

Q_p＝(Q_p,1,…,Q_p,j,…,Q_p,J)

其中Q_p,j表示属于小小区基站SBS_j上的资源分配结果，可以写成：

其中表示用户k由基站SBS_j服务，并占用了第n个RB，则表示相应的发送功率。

这里的适应度函数就是优化目标函数，它用来表示每个粒子的性能优劣程度，适应度高的粒子说明更加接近算法的最优解。本算法的适应度函数可以用如下公式表示

在QPSO中，粒子p(p＝1,…,P)的进化方程为：

其中，m表示迭代次数；b表示收扩系数，用来控制算法的收敛速度；u和r都是0到1之间的随机变量，L_best(m)表示第m次迭代时所有粒子的平均最优位置，L_best(m)可以表示为

其中表示第p个粒子在第m次迭代的最佳位置。B_p(m)称为粒子p在第m次迭代中的局部吸引子，由如下计算式给出：

α是一个0到1之间的随机数，G_best(m)是在第m次迭代时所有粒子的全局最优位置。

步骤七、当系统达到最大吞吐量时，根据分配结果给每个小小区基站分配对应的资源块；

对流量负载需求大的小小区基站SBS分配较多的资源块。

步骤八、根据资源随流量的分配结果，计算网络资源利用率η；

本发明提出的自适应资源分配算法能够自适应地根据流量预测结果分配网络资源，因此理论上来说，更多的网络资源将会分配给流量需求大的地方，但是，需要一个参数用来评估这种资源随流量分配的性能好坏，所以本发明提出了一个增强型的负载因子EBF(evolved balance factor改进的负载因子)用来描述这种特性。在设计EBF时，本发明综合考虑了网络的流量负载分布和资源利用率。网络的资源利用率为：

η也可以称为频谱利用率，表示单位频谱能够提供的数据速率。W表示总带宽；

步骤九、根据网络资源利用率η计算适用于本系统的负载因子ψ；

ψ＝ηlg F(x_kl,p_kl)

步骤十、利用负载因子ψ衡量网络资源利用率，实现负载均衡，使系统达到最大吞吐量。

实施例1

仿真场景为一个分层异构网络，网络中部署了1个宏基站和9个SBS，SBS均在宏基站的覆盖范围内。该网络中还随机分布了5-25个用户User，仿真参数如表1所示。另外，为了更准确地看出所提算法的性能特点，仿真中还加入了下列两个对比算法：

RA-NOMA：一种在采用NOMA的网络中以最大化数据速率为优化目标的资源分配算法；

RA-OMA：一种在正交多址接入的网络中实现的传统资源分配算法。

表1

三种算法在不同用户数量的情况下的吞吐量性能曲线，如图3所示，当用户数量增加时，三个算法的吞吐量均呈上升趋势，原因是用户带来的数据流量增多了。其中，本发明所提算法达到的吞吐量较其他两种对比算法又有明显的提升。这是由于在本发明的算法中，资源分配是根据预测的数据流量进行的，流量负载重的SBS分到的资源多。另外，在图中还可以看出RA-NOMA算法的性能要优于RA-OMA，这是因为NOMA相较于正交频分多址技术(orthogonal frequency division multiple access,OFDMA)有着更高的资源利用效率，同时接收端的SIC检测器能够有效抵消干扰，从而提升信噪比。

三种算法在不同用户数量的情况下的频谱效率曲线图，如图4所示，RA-OMA算法的频谱效率是三种算法中最低的，原因是OFDMA系统中有一部分频谱资源被用来作为保护间隔，避免干扰，从而降低了频谱利用率。而当用户数量增加时，因为用户带来的数据量增多，频谱效率也会得到提高。在本发明所提的算法中，更多的资源分配给了流量负载压力大的SBS，因此本发明算法的资源利用率要明显高于其他两个对比算法。

三种算法在不同用户数量的情况下的EBF曲线对比图，如图5所示，RA-OMA算法的EBF性能最差，因为它的资源利用率较低，而系统吞吐量也不高。注意到本发明算法的EBF值明显高于其他两个对比算法，这是因为本发明所提的资源分配算法能够自动地根据数据流量负载进行调整资源分布情况，从而和其他算法相比有更好的网络性能。

Claims (2)

1.一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，其特征在于，具体步骤如下：

步骤一、在分层异构网络中，部署宏基站以及覆盖范围内的小小区基站SBS，同时随机分布用户，构建仿真场景；

宏基站用M_SBS表示；小小区基站共N个，表示为{SBS₁,SBS₂,…,SBS_j,…,SBS_N}；

步骤二、针对小小区基站SBS_j，统计连接用户在前n个时刻向该基站发送的移动数据量；

前n个时刻用集合DT＝{T₁,T₂,…,T_n}表示，T_n表示第n个时刻；

针对小小区基站SBS_j，在T_n时刻收到用户发送的移动数据量为进而该基站SBS_j在前n个时刻内收到的所有移动数据量记为D_j：

步骤三、将小小区基站SBS_j的所有移动数据量D_j输入到流量预测模型MMSE中，得到输入序列的相关矩阵G和相关均值Γ；

输入序列的相关矩阵

输入序列的相关均值向量Γ＝[ρ_n…ρ_k…ρ₁]；

元素ρ_k表示流量预测模型MMSE的线性序列{D_t}中，所有距离为k的元素的相关系数之和，且 表示线性序列{D_t}中所有元素的均值，D_t+k表示与元素D_t距离为k的时刻的数据流量；

步骤四、利用输入序列的相关矩阵和相关均值，预测小小区基站SBS_j下一时刻的网络流量；

首先，利用输入序列的相关矩阵和相关均值计算权重向量：

然后，利用权重向量中的各权值预测小小区基站SBS_j下一时刻的网络流量：

表示第t+1时刻小小区基站SBS_j上的数据流量；分别为权重向量中的元素：N_t表示高斯白噪声；

步骤五、系统对每个小小区基站SBS预测的下一时刻的网络流量需求形成负载均衡问题；

步骤六、在系统吞吐量最大的前提下对负载均衡问题进行建模和处理，得到自主分配资源的方案；

首先，利用量子粒子群算法对N个小小区基站SBS上网络流量需求进行建模，设计优化目标函数

r_kl表示用户k和资源块l之间的数据传输速率；k∈K,l∈L；K为仿真场景中的用户总数；L为仿真场景中的所有资源块总数；x_kl表示用户k占用资源块l；

然后，在优化目标函数的限制条件下计算系统最大的吞吐量；

C1:x_kl∈{0,1},k∈K,l∈L

C2:

C3:

C4:

C1表示用户k是否占用资源块l，当占用时x_kl＝1；否则，x_kl＝0；

C2表示所有用户占用资源块l的功率之和不能超过资源块l的功率上限p_l；

C3表示小小区基站SBS_j上，所有用户和资源块之间的数据传输速率大于第t+1时刻小小区基站SBS_j上的数据流量D_j,t+1；

C4表示所有用户占用所有资源块的功率之和要小于系统总传输功率p_tot；

最后，根据建模结果得到每个小小区基站应该分配的资源块数量，形成资源分配方案；

步骤七、当系统达到最大吞吐量时，根据分配结果给每个小小区基站分配对应的资源块；

步骤八、根据资源随流量的分配结果，计算网络资源利用率η；

W表示总带宽；

步骤九、根据网络资源利用率η计算系统的负载因子ψ；

ψ＝ηlgF(x_kl,p_kl)

步骤十、利用负载因子ψ衡量网络资源利用率，实现负载均衡，使系统达到最大吞吐量。

2.如权利要求1所述的一种非正交多址接入系统中基于自组织资源分配的负载均衡方法，其特征在于，步骤八中所述的资源随流量的分配性能通过增强型的负载因子EBF进行评估。