CN108366426B - 一种超密集环境下基于模拟退火算法的虚拟映射方法 - Google Patents

Abstract

本发明涉及一种超密集环境下基于模拟退火算法的虚拟映射方法，首先将超密集网络系统初始化，并建立微基站合集B和位置集合Ab，其次通过业务到达过程和业务持续时间建立业务到达模型，根据业务到达模型构建信道分配矩阵，通过信道分配矩阵和干扰模型计算各个用户的信干比，进而获得各个用户的网络吞吐量，然后将宏基站和微基站的无线资源进行虚拟化，形成一个无线频谱池，最后将频谱切片根据用户请求分配到各个微基站对用户进行服务。本发明的优点是采用无线虚拟网络映射的方法，将频谱资源虚拟化，通过最优化算法满足网络吞吐量最大，实现动态的最佳无线频率资源的配置。

Description

一种超密集环境下基于模拟退火算法的虚拟映射方法

技术领域

本发明涉及一种超密集组网中的网络建模、业务到达建模和信道建模方法以及虚拟网络资源映射方法，尤其是一种超密集环境下基于模拟退火算法的虚拟映射方法，属于无线通信技术领域。

背景技术

随着智能终端的快速普及以及网络通信容量的爆炸式增长，面向5G的无线通信技术的演进需求也更加明确及迫切。当前，制定全球统一的5G标准已成为移动通信业界的共同呼声，ITU已启动了面向5G标准的研究工作，并明确了IMT-2020(5G)工作计划：2015年完成IMT-2020国际标准前期研究；2016年开展5G技术性能需求和评估方法研究；2017年底启动5G候选方案征集；2020年底完成标准制定。作为国际移动通信行业的主要标准组织，3GPP将承担5G国际标准技术内容的制定工作。3GPP的R14阶段被业界认为是启动5G标准研究的最佳时机，R15阶段可启动5G标准工作项目，R16及以后将对5G标准进行完善以及增强。

据了解，5G网络主要有三大特点：极高的速率、极大的容量以及极低的时延，为了实现其1Gbps的用户速率、数十Gbps的峰值速率、毫秒级的端到端时延等技术目标，5G需求的完成主要依靠毫米波、小基站、Massive MIMO、全双工以及波束成形这五大技术。5G速率的提升主要依靠单位面积上部署更多小区、扩展新的频谱范围以及提高频谱利用率等来实现。

超密集组网通过小基站加密部署来提升空间复用，成为解决未来5G网络数据流量1000倍以及用户体验速率10～100倍提升的有效解决方案。目前，超密集组网网络架构一方面通过控制承载分离，实现根据业务需求灵活扩展控制面和数据面资源；另一方面通过将基站部分无线控制功能进行抽离进行分簇化集中式控制，实现簇内小区间干扰协调、无线资源协同、移动性管理等，提升了网络容量，为用户提供极致的业务体验。然而，与此同时，由于大量同频小区的距离变近，小区间干扰也较之传统蜂窝网络更加严重，这严重影响了网络的吞吐量。故降低超密集网络中小区间干扰的问题成为亟待解决的问题。

发明内容

本发明的目的在于：针对现有技术存在的缺陷，提出一种超密集环境下基于模拟退火算法的虚拟映射方法，该方法一方面具有很好的理论性能保证，另一方面非常简单而易于实现，具有很好的应用前景。

为了达到以上目的，本发明提供了一种超密集环境下基于模拟退火算法的虚拟映射方法，包括以下步骤：

第一步、将一个单宏基站的超密集网络系统初始化，在该超密集网络系统中建立微基站合集B和位置集合Ab，所述微基站合集B包括N个微基站，且B＝{b₁,b₂,...,b_N}，所述位置集合Ab包括N个与微基站相对应的位置信息，且Ab＝{Ab₁,Ab₂,...,Ab_N}，微基站的位置随机分布在整个网络系统中；

第二步、通过业务到达过程和业务持续时间建立业务到达模型，再根据业务到达模型构建信道分配矩阵，然后通过信道分配矩阵和干扰模型计算各个用户的信干比，进而获得各个用户的网络吞吐量；

第三步、利用无线虚拟化思想，将宏基站和微基站的无线资源进行虚拟化，形成一个无线频谱池，将无线频谱池记为W，将无线频谱池W分割成M个物理信道，将物理信道记为C，C＝{c₁,c₂,...,c_M}，设每个物理信道的带宽为w₀，则

第四步、通过基于模拟退火算法的虚拟网络映射算法以及分配模型将频谱切片根据用户请求分配到各个微基站对用户进行服务。

本发明的方法首先通过业务到达过程和业务持续时间分布建立业务到达模型，其次根据业务到达模型，构建信道分配矩阵，并建立干扰模型，通过信道分配矩阵和干扰模型，计算出各个用户的信干比，进而计算出各个用户的网络吞吐量，然后对无线频率资源进行虚拟化，最后通过无线网络映射方法对频谱资源进行分配。这样，通过模拟退火算法分配用户合适的信道，使得整个网络的吞吐量最大。本发明将无线网络虚拟映射的思想引入超密集网络中，对超密集网络的频率资源进行虚拟化，通过启发式算法进行频率资源的分配，使用户受到其他基站和用户的干扰降低，提高了系统的吞吐量。总之，本发明通过最优化方法对无线资源进行分配，能够有效降低小区间的干扰，提高了系统的吞吐量。

优选地，所述第一步中，单个微基站的覆盖范围和功率需满足表达式h(L)P_w＝β，其中L为单个微基站的覆盖范围，P_w为单个微基站的功率，L和P_w是固定值，β为信号能被正确接收的最小信干比，h(·)为路径损耗函数。h(·)表示一个函数，h(L_B)表示一个值。

优选地，所述第二步中，用户请求到达过程采用泊松过程，业务持续时间的分布采用重尾分布。

在通信系统中，业务的持续时间一般服从重尾分布，即大部分业务的持续时间较短，持续时间极长的业务所占的比例很小，因为使用重尾分布使得问题的分析更加复杂，因此，为了高效地分析问题，可以使用二阶超指数分布来拟合业务持续时间的重尾分布模型，故本发明使用的分布能够很好的刻画客观规律。

第二步中，所述业务到达模型具体为：

其中，P_n ^(j，i)为第j个时隙业务持续到i时隙的业务数目为n的概率，

为第i时隙业务数目为n的概率，j₁、j₂、j_i-1、j_i-2为遍历变量，

为第1时隙持续到i时隙的业务数为j₁的概率，

为第2时隙持续到i时隙的业务数为j₂的概率，

为第i-1时隙持续到i时隙的业务数为j_1-1的概率，

为第i时隙持续到达业务数为n-j₁-j₂-…j_i-1的概率。

优选地，所述第二步中，信道分配矩阵为

所述信道分配矩阵

为：

其中，

为第i时隙第n个基站的信道分配矩阵，d∈{0,1}，当d_n,m＝1时，表示用户n占用信道m，当d_n,m＝0时，表示用户n不占用信道m。那么，整个网络的信道分配矩阵是

优选地，采用信道分配矩阵

对微基站n在时隙i信道的分配进行描述，在网络中微基站n在时隙i占用的信道集合为

且

集合

为集合C的一个子集。

优选地，所述第二步中，在超密集网络中嵌入的信道模型为简化的路径损耗模型，所述路径损耗模型为：

其中，d为用户与基站之间的距离，d₀是参考距离，λ为信号的波长，n为路径损耗指数；

假设用户u的位置为A_u，用户u服务的基站位置为Ab_u，占用信道为c_u，将用户u服务的基站位置Ab_u与其他同频基站的位置集合记为Bb，Bb＝{Bb₁,Bb₂,Bb₃,...,Bb_l},l＝1,2,...,L，Bb是Ab的一个子集，所述用户u在时隙i受到的干扰功率(干扰模型)为：

其中，I(u,i)为用户u在时隙i的干扰功率，L为用户u服务的基站的同频基站的个数，P_w为用户u服务的基站的功率，h(·)为路径损耗函数，n代表基站的序号，q为每个基站中业务的序号，n、q这两个是为了遍历使用的变量,没有实际意义，

为信道分配矩阵中的值，即第i个时隙n基站的第q个用户在第u个信道上是否分配值，如果分配则

取值为1，反之则取值为0，A_u为用户u对应的位置，Ab_n为微基站b_n对应的位置，Bb_l为集合Bb中第l个基站位置；

本发明的超密集网络模型中，只考虑不同微基站对不同微基站用户信号的干扰和用户对用户信号的干扰，在超密集网络中，许多用户能够同时发生通信，由于通信场景较为复杂，采用信干比(信号噪声干扰比，SINR)来评价网络的性能，所述信干比为：

其中，SINR(u,i)为用户u在时隙i的信干比，h(·)为路径损耗函数，σ²为噪声功率；

假设整个超密集网络的吞吐量为R(i)，所述整个超密集网络的吞吐量为：

其中，n代表基站，q为每个基站中的业务,这两个是为了遍历使用的变量。

优选地，所述第四步中，所述分配模型为：

其中，

为整个网络在所有时隙的吞吐量，I为时隙的数目，W为整个网络的带宽，q为每个基站中的业务，

为信道分配矩阵中的值，即第i个时隙、n基站的第q个用户在第p个信道上是否分配值，如果分配则

为1，反之为0。

优选地，采用模拟退火算法求解分配模型。

本发明的优点是采用无线虚拟网络映射的方法，将频谱资源虚拟化，通过最优化算法满足网络吞吐量最大，实现动态的最佳无线频率资源的配置，本发明还提出了考虑小区间干扰的无线网络映射方法，易于实现，具有很好的应用前景。

附图说明

下面结合附图对本发明作进一步的说明。

图1为本发明中超密集网络的模型示意图。

图2为本发明中小区干扰的示意图。

图3为本发明中算法的流程图。

具体实施方式

实施例一

本实施例提供了一种超密集环境下基于模拟退火算法的虚拟映射方法，该包括以下步骤：通过业务到达过程和业务持续时间分布，建立业务到达模型，进而确定信道分配矩阵，并建立干扰模型；对无线频率资源进行虚拟化，再通过无线网络映射方法对频谱资源进行分配；使得用户的接收信干比得到保证，并使得干扰降低，使得整个系统的吞吐量提升。

由此可知，本实施例主要包括三个内容：一是超密集网络模型和业务到达模型的构建；二是干扰模型的建模，同时给出信干比的表达式；三是采用虚拟网络映射方法，根据最优化方法，动态分配频谱资源，计算出信道分配矩阵。本实施例具体的实施方法如下：

1.构建超密集网络模型

本实施例考虑一个单宏基站的超密集网络系统(见图1)，将其初始化，在该超密集网络系统中建立微基站合集B和位置集合Ab，微基站合集B包括N个微基站，且B＝{b₁,b₂,...,b_N}，位置集合Ab包括N个与微基站相对应的位置信息，且Ab＝{Ab₁,Ab₂,...,Ab_N}，微基站的位置随机分布在整个网络系统中。宏基站和微基站之间通过高速光纤连接，二者信息的传递将忽略时延。利用无线虚拟化思想，将宏基站和微基站的无线资源进行虚拟化，形成一个无线频谱池，将无线频谱池记为W，将无线频谱池W分割成M个物理信道，将物理信道记为C，C＝{c₁,c₂,...,c_M}，设每个物理信道的带宽为w₀，则

另外，单个微基站的覆盖范围和功率需满足表达式h(L)P_w＝β，其中L为单个微基站的覆盖范围，P_w为单个微基站的功率，L和P_w是固定值，β为信号能被正确接收的最小信干比，h(L)表示路径损耗函数一个值。

每个微基站的业务到达过程可以通过泊松过程来描述。因为每个微基站的到达率为λ_u，设时隙长度为τ，则每个时隙中，到达的请求数目的分布为：

其中，P_k(τ)为到达的请求数为k时的概率，λ_u为到达率，e为自然底数，且k＝1,2,3,...。

在通信系统中，业务的持续时间一般服从重尾分布，即大部分业务的持续时间较短，持续时间极长的业务所占的比例很小。因为使用重尾分布使得问题的分析更加复杂，因此，为了高效地分析问题，可以使用二阶超指数分布来拟合业务持续时间的重尾分布模型。那么第n个蜂窝中第k个用户业务持续时间的概率分布密度(probability densityfunction,PDF)为：

其中，f(t)为第n个蜂窝中第k个用户业务持续时间的概率分布密度，t为时间，a为对重尾分布特征的刻画，

为时长(业务持续时间)的均值，e为自然底数。

由于在这个系统中，在一个时隙中到达的业务，统一在下一个时隙进行资源分配，并且，一个业务的离开，也需要到这个时隙结束才进行资源的回收，导致每个业务持续一个时隙是必然事件，故P＝1，P表示概率。

由式(8)可得第一个时隙到达k个业务的概率，那么这k个业务延续到i时隙的分布律为：

由式(10)可以推出第一个时隙到达业务持续到i时隙的分布律为：

其中，n为业务数目，n＝1,2,3…k，

表示第一个时隙中持续到i时隙的业务数目为n的概率，

表示第一个时隙业务数目为k时持续到i时隙的业务数目为n的概率，由式(10)计算得来。

因为每个时隙的业务到达都是相互独立的，故其他时隙到达业务的持续时隙的分布律和第一时隙一样。则，第j个时隙到达的业务持续到i时隙的分布律为：

由式(11)可以算出第i时隙业务服从的分布律为：

其中，P_n ^(j，i)为第j个时隙业务持续到i时隙的业务数目为n的概率，

为第i时隙业务数目为n的概率，j₁、j₂、j_i-1、j_i-2为遍历变量，

为第1时隙持续到i时隙的业务数为j₁的概率，

第2时隙持续到i时隙的业务数为j₂的概率，

为第i-1时隙持续到i时隙的业务数为j_1-1的概率，

为第i时隙持续到达业务数为n-j₁-j₂-…j_i-1的概率。

式(13)表示了单个微基站在i时隙需要提供服务的业务数目的分布律。因为每个微基站的业务到达都是相互独立的，所以每个微基站的业务数目的分布律也服从式(13)。故i时隙各个基站需要服务的业务数目的集合为

其中每一个元素都服从式(13)的分布。

2.信道分配矩阵

通过业务到达过程和业务持续时间建立业务到达模型，再根据业务到达模型构建信道分配矩阵。在网络中，将微基站n在时隙i占用的信道集合记为

该集合为集合C的一个子集。业务到达模型具体为：

使用一信道分配矩阵

对微基站n在时隙i信道的分配进行描述，信道分配矩阵

为：

其中，

为第i时隙第n个基站的信道分配矩阵，d∈{0,1}，当d_n,m＝1时，表示用户n占用信道m，当d_n,m＝0时，表示用户n不占用信道m。在一个微基站中，满足约束：

其中，

为n基站在i时隙，e用户在f信道上的分配状态，为0则没有分配，为1则分配。式(14)表示每个微基站中不同用户分配的信道不同，不会产生同频干扰。式(15)表示每个用户占用一个信道。

3.建立干扰模型

在超密集网络模型建立之后，随之就可对干扰模型进行建立。超密集网络一般部署在建筑密集的市区，采用标准的功率衰落模型对信道进行建模分析。在超密集网络中嵌入无线信道模型，无线信道采用简化的路径损耗模型：

其中，d为用户与基站之间的距离；d₀是参考距离，在参考距离的位置，路径损耗具有自由空间损耗的特点；λ为信号的波长；n为路径损耗指数，主要取决于传播环境，市区一般取值为4～6；h(d)为路径损耗函数一个值。

假设用户u的位置为A_u，用户u服务的基站位置为Ab_u，占用信道为c_u，将用户u服务的基站位置Ab_u与其他同频基站的位置集合记为Bb，Bb＝{Bb₁,Bb₂,Bb₃,...,Bb_l},l＝1,2,...,L，Bb是Ab的一个子集，则用户u在时隙i受到的干扰功率(干扰模型)为

所述用户u在时隙i受到的干扰功率为：

其中，I(u,i)为用户u在时隙i的干扰功率，L为用户u服务的基站的同频基站的个数，P_w为用户u服务的基站的功率，h(·)为路径损耗函数，n代表基站的序号，q为每个基站中业务的序号，n、q这两个是为了遍历使用的变量,没有实际意义，

为信道分配矩阵中的值，即第i个时隙n基站的第q个用户在第u个信道上是否分配值，如果分配则

取值为1，反之则取值为0，A_u为用户u对应的位置，Ab_n为微基站b_n对应的位置，Bb_l为集合Bb中第l个基站位置。那么，用户u的信干比为：

其中，SINR(u,i)为用户u在时隙i的信干比，h(·)为路径损耗函数，σ²为噪声功率；这样，通过香农公式，可以算出用户u在时隙i的信道吞吐量：

其中，n代表基站，q为每个基站中的业务,这两个是为了遍历使用的变量。

4.虚拟网络映射方法

在建立超密集网络模型后，利用无线虚拟化思想，首先将宏基站和微基站的无线资源进行虚拟化，形成一个无线频谱池。

然后建立分配模型，分配模型为：

其中，

为整个网络在所有时隙的吞吐量，I为时隙的数目，W为整个网络的带宽，q为每个基站中的业务，

为信道分配矩阵中的值，即第i个时隙、n基站的第q个用户在第p个信道上是否分配值，如果分配则

为1，反之为0。

最后，采用模拟退火算法求解分配模型，将频谱切片根据用户请求分配到各个微基站对用户进行服务。

实施例二

本实施例提供了一种超密集环境下考虑小区间干扰的无线虚拟映射方法，如图2和图3所示，该方法包括以下步骤：

步骤1.问题的解空间和初始解

本实施例问题的解空间S是指每个微基站满足约束的信道分配矩阵D_n，通过每个微基站的信道分配矩阵，就可以求出整个网络的干扰和吞吐量。解空间S可以表示为：

即每个矩阵的每行元素相加为1，每列元素相加小于或等于1。由于模拟退火算法的最优解和初始状态没有强的依赖关系，故初始解为随机函数生成的随机矩阵。

步骤2.目标函数

本实施例的目标函数是指整个网络的吞吐量，先通过信道分配矩阵确定每个用户的信干比，然后通过香农公式求出每个用户的吞吐量，进而求出整个网络的吞吐量。假设整个超密集网络的吞吐量为R(i)，那么整个超密集网络的吞吐量为：

其中，n代表了基站，q为每个基站中的业务,这两个是为了遍历使用的变量。因为模拟退火算法是求解目标函数的最小值，所以在吞吐量计算过程中进行取负的操作。通过模拟退火算法求解出目标函数最小值所对应的解空间S，这些信道分配矩阵即为本实施例问题的最优解。

步骤3.新解产生

新解的产生对问题的求解非常重要，可以通过随机扰动行解S产生。任选序号为w，z的微基站(设w<z<N)，对其信道分配矩阵中有1的列与其他列进行互换，以完成信道的调整，得到新解。

步骤4.目标函数差

计算变换前的解和变换后的新解，获得目标函数的差值：

Δ＝R(S')-R(S) (18)

步骤5.Metropolis接受准则

以上述目标函数差定义接受概率P，即

当新解比变换前的解小时，则新解为最优解；当新解比变换前的解大时，则会以一个概率接受新解。

本实施例具体的算法流程如下：

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (8)

1.一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，包括以下步骤：

第一步、将一个单宏基站的超密集网络系统初始化，在该超密集网络系统中建立微基站合集B和位置集合Ab，所述微基站合集B包括N个微基站，且B＝{b₁,b₂,...,b_N}，所述位置集合Ab包括N个与微基站相对应的位置信息，且Ab＝{Ab₁,Ab₂,...,Ab_N}；

第二步、通过业务到达过程和业务持续时间建立业务到达模型，再根据业务到达模型构建信道分配矩阵，然后通过信道分配矩阵和干扰模型计算各个用户的信干比，进而获得各个用户的网络吞吐量，以建立分配模型；假设整个超密集网络的吞吐量为R(i)，所述整个超密集网络的吞吐量为：

其中，n代表基站，q为每个基站中的业务，i表示第i时隙，w₀为每个物理信道的带宽；

所述分配模型为：

其中，

为整个网络在所有时隙的吞吐量，I为时隙的数目，W为整个网络的带宽，q为每个基站中的业务，

为信道分配矩阵中的值，p表示第p个信道，

为第i时隙基站n需要服务的业务数目；

第三步、将宏基站和微基站的无线资源进行虚拟化，形成一个无线频谱池，将无线频谱池记为W，将无线频谱池W分割成M个物理信道，将物理信道记为C，C＝{c₁,c₂,...,c_M}，设每个物理信道的带宽为w₀，则

第四步、通过求解分配模型将频谱切片根据用户请求分配到各个微基站对用户进行服务。

2.根据权利要求1所述一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，所述第一步中，单个微基站的覆盖范围和功率需满足表达式h(L_B)P_w＝β，其中L_B为单个微基站的覆盖范围，P_w为单个微基站的功率，β为信号能被正确接收的最小信干比，h(·)为路径损耗函数。

3.根据权利要求1所述一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，所述第二步中，用户请求到达过程采用泊松过程，业务持续时间的分布采用重尾分布。

4.根据权利要求3所述一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，第二步中，所述业务到达模型具体为：

其中，P_n ^(j，i)为第j个时隙业务持续到i时隙的业务数目为n的概率，

为第i时隙业务数目为n的概率，j₁、j₂、j_i-1、j_i-2为遍历变量，

为第1时隙持续到i时隙的业务数为j₁的概率，

为第2时隙持续到i时隙的业务数为j₂的概率，

为第i-1时隙持续到i时隙的业务数为j_1-1的概率，

为第i时隙持续到达业务数为n-j₁-j₂-…j_i-1的概率，τ为时隙长度。

5.根据权利要求1所述一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，所述第二步中，信道分配矩阵为

所述信道分配矩阵

为：

其中，

为第i时隙第n个基站的信道分配矩阵，d∈{0,1}，当d_n,m＝1时，表示用户n占用信道m，当d_n,m＝0时，表示用户n不占用信道m。

6.根据权利要求5所述一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，采用信道分配矩阵D_n对微基站n在时隙i信道的分配进行描述，在网络中微基站n在时隙i占用的信道集合为

且

7.根据权利要求2所述一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，所述第二步中，在超密集网络中嵌入的信道模型为简化的路径损耗模型，所述路径损耗模型为：

其中，d为用户与基站之间的距离，d₀是参考距离，λ为信号的波长，θ为路径损耗指数；

假设用户u的位置为A_u，用户u服务的基站位置为Ab_u，占用信道为c_u，将用户u服务的基站位置Ab_u与其他同频基站的位置集合记为Bb，Bb＝{Bb₁,Bb₂,Bb₃,...,Bb_l},l＝1,2,...,L，所述用户u在时隙i受到的干扰功率为：

其中，I(u,i)为用户u在时隙i的干扰功率，L为用户u服务的基站的同频基站的个数，P_w为用户u服务的基站的功率，h(·)为路径损耗函数，n代表基站的序号，q为每个基站中业务的序号，

为信道分配矩阵中的值，A_u为用户u对应的位置，Ab_n为微基站b_n对应的位置，Bb_l为集合Bb中第l个基站位置；

在超密集网络中，许多用户能够同时发生通信，采用信干比来评价网络的性能，所述信干比为：

其中，SINR(u,i)为用户u在时隙i的信干比，h(·)为路径损耗函数，σ²为噪声功率。

8.根据权利要求1所述一种超密集环境下基于模拟退火算法的虚拟映射方法，其特征在于，所述第四步中，采用模拟退火算法求解分配模型。

Images