CN108738151B - 一种基于粗略信息的无线预测资源分配方法 - Google Patents

Abstract

本发明公开了一种基于粗略信息的无线预测资源分配方法，属于无线通信技术领域。在一个多小区系统中，负责预测信息的预测节点首先预测在未来一段时间窗内与预测资源分配相关的信息，包括用户移动轨迹和各基站网络负载等；然后将这些信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限通知给各个基站，基站对处在其覆盖范围内请求非实时业务的用户实时地进行资源分配，给当前大尺度信道增益高于大尺度信道门限，且即将接入基站的可用带宽小于可用带宽门限的瞬时数据率最大的用户分配更多资源，并进行传输，以达到提高系统吞吐量和用户服务质量(Quality of Service，QoS)的目的。

Description

一种基于粗略信息的无线预测资源分配方法

技术领域

本发明涉及一种基于粗略信息的无线预测资源分配方法，属于无线通信技术领域。

背景技术

为了支持爆炸式增长的移动通信业务需求，5G蜂窝网络中的主要技术之一是通过网络密集化提升谱效。虽然提升谱效是一个有效的方法，但长期以来的观测表明，由于移动通信业务量的时空变化，基站中网络资源的利用率非常低。

移动通信业务的动态特性来源于长期以来被认为是随机的用户行为。然而，近年来兴起的大数据分析显示，用户行为是可以预测的。例如，网络负载和用户轨迹可以通过机器学习的方法进行预测，见参考文件1：M.Mardani,G.B.Giannakis,“利用网络拓扑估计流量地图”，电气和电子工程师协会/国际计算机学会网络学报，2016,24(3),1533-1547.和参考文件2:A.Nadembega,A.Hafid,T.Taleb,“移动网络中的一种目的地和移动路径预测机制,”电气和电子工程师协会车辆技术学报,2015,64(6),2577–2590.基于以上预测信息和信号覆盖地图，可获得未来的基站平均资源利用状态和用户平均信道增益，见参考文件3:姚楚婷，杨晨阳，易芝玲,“基于流量负载预测与数据驱动的资源分配,”通信与信息网络期刊,2017,2(1),52–65.和参考文件4:H.Abou-Zeid,H.S.Hassanein,S.Valentin,“利用无线网络中数据率预测的能效自适应视频传输”,电气和电子工程师协会车辆技术学报,2014,63(5),2013–2026。因此，预测资源分配成为利用网络中剩余资源的有效方法。

对于流量占比很高的非实时业务，为了提升系统吞吐量，可以在用户处于较好的信道状态或负载较轻的基站，即用户的可达数据率较高时进行服务。假设用户未来瞬时可达的数据率可以被准确预测，建模多种预测资源规划问题并进行求解，从而决定用户移动轨迹上的哪个基站在何时为用户分配多少资源，见参考文件5:H.Abou-zeid,H.Hassanein,S.Valentin,“利用移动轨迹和信号强度地图的最优预测资源分配”,电气和电子工程师协会全球通信会议,2013。此外，通过进行预测资源规划，在用户端视频播放不产生中断的前提下最小化基站总能耗，见参考文件4。为了应对不可避免的预测误差，可以建模鲁棒性的资源规划问题，见参考文件6:R.Atawia,H.Abou-Zeid,H.S.Hassanein,A.Noureldin,“利用联合机会约束的高能效视频流预测资源分配”,电气和电子工程师协会通信领域杂志,2016,34(5),1389–1404.和参考文件7:R.Atawia,H.S.Hassanein,H.Abou-Zeid,，A.Noureldin,“预测无线网络中的鲁棒性内容分发与不确定性跟踪”,电气和电子工程师协会无线通信学报,2017,16(4),2327–2339，其中用户未来数据率的预测误差被建模为高斯噪声或有界的随机噪声。

虽然现有结果表明预测资源分配方法在提升系统吞吐量和降低基站能耗等方面具有明显的性能增益，但这些方法均要求秒级的预测信息。然而，已有研究均不能在如此细的粒度上预测用户轨迹和网络负载信息。此外，为了构造细粒度的信号覆盖地图，需要进行大量的路测，成本非常昂贵。不仅如此，对大量用户的运动轨迹进行细粒度的预测是一项具有高复杂度的工作。因此，现有的预测资源分配方法实现起来较为困难。

发明内容

本发明为了解决上述问题，实现较为粗略的用户轨迹预测，例如用户即将进入哪些小区和用户在小区中的驻留时间等，提出一种基于小区级用户轨迹和网络负载预测信息的无线预测资源分配方法；具体是一种基于粗略信息的无线预测资源分配方法，该算法复杂度低，并且易于实现。

具体包括以下步骤：

步骤一、在某个多小区系统中，每个小区内各设有一个基站，各基站均与预测节点相连；

预测节点负责预测在未来一段时间窗(称为预测窗)内与预测资源分配相关的信息；包括用户移动轨迹和各基站网络负载等，然后将这些信息通知给各个基站，基站利用预测信息为其覆盖范围内用户的非实时业务做出资源分配。

步骤二、在预测窗开始时，预测节点通过机器学习或无线大数据分别预测各个小区级信息；

预测窗分为多个帧，每一帧分为多个时隙，资源分配和传输以时隙为单元进行。

小区级信息包括：各小区内大尺度增益的中位数、非实时业务的平均请求到达率、请求非实时业务用户的平均接入时间和各基站在预测窗内的平均可用带宽。

步骤三、将预测的小区级信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限并通知给各个基站；

第m个基站的可用带宽门限计算公式如下：

λ_m为非实时业务的平均请求到达率；

为请求非实时业务用户的平均接入时间；B_seg是一个视频片段的数据量大小；

为用户与基站之间的平均距离，

h_b为基站高度；R_b为各小区的半径；N_t为每个基站配备的天线根数，σ²为噪声功率，P_max为各基站最大发射功率，T_seg为一个视频片段的播放时间。

第k个用户的大尺度信道增益门限：

m＝1,…,M为第k个用户在预测窗内经过的小区。

为第m个小区内大尺度增益的中位数。

步骤四、针对每一帧，各基站对当前时隙内处在其覆盖范围内的满足条件的各用户进行资源分配。

具体步骤如下：

步骤401、针对第m个基站，在预测窗的第j帧开始，基站估计该帧内的可用带宽

和处在小区中所有用户的大尺度信道增益，计算平均数据率

为第k个用户的大尺度信道增益；

步骤402、处在小区范围内的各个用户向基站反馈自己视频播放缓冲区内的数据量。

第k个用户的视频播放缓冲区内的数据量为D_k；

步骤403、在第j帧内每一时隙开始时，基站估计瞬时可用带宽

及各用户的小尺度信道增益

并估计瞬时数据率

针对第t个时隙，瞬时数据率

计算如下：

步骤404、在第j帧的每一时隙内，判断小区中是否有用户满足缓存中数据量D_k＜B_seg，如果是，为满足该条件且瞬时数据率最大的用户分配资源；否则，进入步骤405；

步骤405、基站选择满足以下条件的用户：

且

为满足该条件且瞬时数据率最大的用户分配资源；

第n_k个基站是用户k下一个接入的基站，

为第n_k个基站在预测窗内的平均剩余带宽，D_j,k是第k个用户在第j帧内被传输的数据量，

是第m个基站在第j帧内对用户进行传输，直至所有用户满足D_k≥B_seg时所剩余的时间资源比例；

是在第j帧内满足

且

的用户数量，Δ是一帧的时间长度，以秒为单位。

步骤五、基站给被分配了资源的用户使用最大比传输的方式进行传输。

当某帧结束后，进入下一帧，该基站重复对处在其覆盖范围内的各用户进行资源分配，直至所有用户所请求的业务均完成传输。

当预测窗在传输完成前结束，则开始新一轮的预测资源分配。

本发明的优点在于：

1)一种基于粗略信息的无线预测资源分配方法，利用预测信息找到大尺度信道门限和可用带宽门限，在用户实时大尺度信道增益高于门限，即信道较好时为用户分配更多资源，而在用户信道较差时分配较少资源。通过这种方法，可以充分利用用户的较优信道，能够显著提高网络吞吐量。

2)一种基于粗略信息的无线预测资源分配方法，通过给即将接入基站的可用带宽低于带宽门限的用户分配更多资源，可以有效减少由于基站可用资源较少带来的传输中断，因此可以提升用户的QoS。

3)一种基于粗略信息的无线预测资源分配方法，与现有技术相比，利用小区级的预测信息，实时地为基站中的多用户进行资源分配，不需要在开始传输以前建模优化问题，例如线性规划或凸优化问题等，不需要进行求解。当系统中用户数量较多时，降低了优化问题的求解复杂度，易于实现。

4)一种基于粗略信息的无线预测资源分配方法，对预测信息粒度要求较低，只需要利用现有技术，得到小区级的用户轨迹和网络负载预测信息即可，相比，现有预测资源分配方法均要求秒级的用户轨迹和网络负载预测信息，而目前已有的研究均不能在如此细的粒度上对预测用户轨迹和网络负载信息。此外，为了获取秒级的大尺度信道预测信息，需要较细粒度的信号覆盖地图。其获取需要大量路测，成本非常昂贵。

附图说明

图1是本发明一种基于粗略信息的无线预测资源分配方法流程图；

图2是本发明实施例的系统示意图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明为一种基于小区级用户轨迹和网络负载预测信息的预测资源分配方法，为了在满足用户服务质量(quality of service，QoS)的前提下达到较高系统吞吐量，基于预测信息找到两个门限，利用这两个门限设计具有鲁棒性的预测资源规划算法，分别决定用户是否处于较好的信道状态或即将接入负载较重的基站；当用户处于时为用户分配更多资源。

如图1所示，具体包括以下步骤：

步骤一、在某个多小区系统中，每个小区内各设有一个基站，各基站均与预测节点相连；

在多小区系统中，基站需对实时业务(如电话、视频会议等)和非实时业务(如视频点播(video on demand，VoD)、文件下载等)进行服务。由于实时业务具有较高优先级，基站只能利用保证了实时业务的QoS后的剩余资源为非实时业务进行服务。

预测节点(可能集中设置在一个中央单元或分布在各个基站等)负责预测在未来一段时间窗(称为预测窗)内与预测资源分配相关的信息；包括用户移动轨迹和各基站网络负载等，然后将这些信息通知给各个基站，基站利用预测信息为其覆盖范围内用户的非实时业务做出资源分配。

步骤二、在预测窗开始时，预测节点通过机器学习或无线大数据分别预测各个小区级信息；

预测窗分为多个帧，每一帧分为多个时隙，资源分配和传输以时隙为单元进行。

需要预测的小区级信息包括：各个用户即将接入的基站，接入时间以及各基站内非实时业务的平均请求到达率，各小区内大尺度增益的中位数，请求非实时业务用户的平均接入时间和各基站在预测窗内的平均可用带宽。

步骤三、将预测的小区级信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限并通知给各个基站；

第m个基站的可用带宽门限计算公式如下：

λ_m为非实时业务的平均请求到达率；

为请求非实时业务用户的平均接入时间；B_seg是一个视频片段的数据量大小(以bit为单位)；

为用户与基站之间的平均距离，

h_b为基站高度；R_b为各小区的半径；N_t为每个基站配备的天线根数，σ²为噪声功率，P_max为各基站最大发射功率，T_seg为一个视频片段的时间长度(以帧为单位)。

第k个用户的大尺度信道增益门限：

m＝1,…,M为第k个用户在预测窗内经过的小区。

为第m个小区内大尺度增益的中位数。

步骤四、针对每一帧，各基站对当前时隙内处在其覆盖范围内的满足条件的各用户实时地进行资源分配。

每一次进行资源分配时，各基站选择当前时隙内大尺度信道增益高于大尺度信道门限并且即将接入基站的可用带宽小于可用带宽门限的瞬时数据率最大的用户分配一定资源。

具体步骤如下：

步骤401、针对第m个基站，在预测窗的第j帧开始，基站估计该帧内的平均可用带宽

和处在小区中所有用户的大尺度信道增益，计算平均数据率

为第k个用户的大尺度信道增益。

步骤402、处在小区范围内的各个用户向基站反馈自己视频播放缓冲区内的数据量。

第k个用户的视频播放缓冲区内的数据量为D_k；

步骤403、在第j帧内每一时隙开始时，基站估计瞬时可用带宽

及各用户的小尺度信道增益

并估计瞬时数据率

针对第t个时隙，瞬时数据率

计算如下：

步骤404、在第j帧的每一时隙内，判断小区中是否有用户满足缓存中数据量D_k＜B_seg，如果是，为满足该条件且瞬时数据率最大的用户分配资源；否则，进入步骤405；

步骤405、基站选择满足以下条件的用户：

且

为满足该条件且瞬时数据率最大的用户分配资源；

第n_k个基站是用户k下一个接入的基站，

为第n_k个基站在预测窗内的平均剩余带宽，D_j,k是第k个用户在第j帧内被传输的数据量，

是第m个基站在第j帧内对用户进行传输，直至所有用户满足D_k≥B_seg时所剩余的时间资源比例；

是在第j帧内满足

且

的用户数量，Δ是一帧的时间长度，以秒为单位。

步骤五、基站给被分配了资源的用户使用最大比传输的方式进行传输。

当某帧结束后，进入下一帧，该基站重复对处在其覆盖范围内的各用户进行资源分配，直至所有用户所请求的非实时业务均完成传输。

当预测窗在传输完成前结束，则开始新一轮的预测资源分配。

为了使各基站覆盖范围内的用户传输不产生干扰，并尽可能地利用网络中的剩余资源，在传输开始前，基站估计各用户信道状态信息，然后给瞬时数据率最大的用户使用最大比传输方式进行传输。

实施例：

场景如图2所示，其中，系统中有N_b个小区，各小区的半径为R_b，每个小区中央有一个基站，基站高度为h_b，配备N_t根天线。预测窗的每一帧内大尺度信道增益看作不变，每一帧的每一时隙内小尺度信道增益看作不变。

资源分配和传输以时隙为单元进行；多个用户在系统内移动，并可能发起VoD业务请求。

在预测窗开始时，预测节点首先对小区级信息进行预测，包括在预测窗内，各小区内大尺度增益的中位数

VoD业务的平均请求到达率λ_m、请求VoD业务用户的平均接入时间

和各基站在预测窗内的平均可用带宽

(以第m个小区/基站为例)。

然后，计算第m个基站的可用带宽门限

和处于第m个小区中的所有用户(以第k个用户为例)的大尺度信道增益门限

在预测窗开始时，预测节点将门限值和各基站平均可用带宽的预测值通知给各个基站；各基站对用户进行筛选，对符合条件的用户进行资源分配。

具体为：在第j帧开始时，第m个基站首先估计该帧内的可用带宽

和各用户的大尺度信道增益

其中

为第j帧内用户k与最近基站间的距离，

是高斯分布的随机阴影衰落。并估计第k个用户在第j帧内的平均数据率；

然后，处在第m个小区内的所有用户向基站反馈自己视频播放缓冲区内的数据量D_k；

在每一时隙开始时(以第j帧内t个时隙为例)，第m个基站估计瞬时可用带宽

及以上各用户的小尺度信道增益

并估计各用户在第j帧内第t个时隙的瞬时数据率；

选择满足D_k＜B_seg且瞬时数据率最大的用户分配资源；如果所有用户均满足D_k≥B_seg，则基站选择满足以下条件的用户：

且

并在这些用户中进一步选择

且瞬时数据率最大的用户进行资源分配；

各基站对被分配资源的用户使用最大比传输的方式进行传输，直至所有用户所请求的视频均完成传输。若预测窗在传输完成前结束，则开始新一轮的预测资源分配。

本发明对预测信息粒度要求低，仅需要一段较短时间内小区级的预测信息，包括用户轨迹、网络负载等；采用低复杂度的方式，进行实时的预测资源分配，不需要建模并求解复杂度较高的优化问题；相对于非预测资源分配能够显著提高用户体验和网络吞吐量。

Claims (3)

1.一种基于粗略信息的无线预测资源分配方法，其特征在于，包括以下步骤：

步骤一、在某个多小区系统中，每个小区内各设有一个基站，各基站均与预测节点相连；

预测节点负责预测在未来一段时间窗内与预测资源分配相关的信息，然后将这些信息通知给各个基站，基站利用预测信息为其覆盖范围内用户的非实时业务做出资源分配；

步骤二、在预测窗开始时，预测节点通过机器学习或无线大数据分别预测各个小区级信息；

预测窗分为多个帧，每一帧分为多个时隙，资源分配和传输以时隙为单元进行；

步骤三、将预测的小区级信息转换为各个用户的大尺度信道门限和各个基站的可用带宽门限并通知给各个基站；

第m个基站的可用带宽门限计算公式如下：

λ_m为非实时业务的平均请求到达率；

为请求非实时业务用户的平均接入时间；B_seg是一个视频片段的数据量大小；

为用户与基站之间的平均距离，

h_b为基站高度；R_b为各小区的半径；N_t为每个基站配备的天线根数，σ²为噪声功率，P_max为各基站最大发射功率，T_seg为一个视频片段的播放时间；

第k个用户的大尺度信道增益门限：

m＝1,…,M为第k个用户在预测窗内经过的小区；

为第m个小区内大尺度增益的中位数；

步骤四、针对每一帧，各基站对当前时隙内处在其覆盖范围内的满足条件的各用户进行资源分配；

步骤五、基站给被分配了资源的用户使用最大比传输的方式进行传输；

当某帧结束后，进入下一帧，该基站重复对处在其覆盖范围内的各用户进行资源分配，直至所有用户所请求的业务均完成传输；

当预测窗在传输完成前结束，则开始新一轮的预测资源分配。

2.如权利要求1所述的一种基于粗略信息的无线预测资源分配方法，其特征在于，步骤二所述的小区级信息包括：各小区内大尺度增益的中位数、非实时业务的平均请求到达率、请求非实时业务用户的平均接入时间和各基站在预测窗内的平均可用带宽。

3.如权利要求1所述的一种基于粗略信息的无线预测资源分配方法，其特征在于，所述的步骤四，具体步骤如下：

步骤401、针对第m个基站，在预测窗的第j帧开始，基站估计该帧内的可用带宽

和处在小区中所有用户的大尺度信道增益，计算平均数据率

为第k个用户的大尺度信道增益；

步骤402、处在小区范围内的各个用户向基站反馈自己视频播放缓冲区内的数据量；

第k个用户的视频播放缓冲区内的数据量为D_k；

步骤403、在第j帧内每一时隙开始时，基站估计瞬时可用带宽

及各用户的小尺度信道增益

并估计瞬时数据率

针对第t个时隙，瞬时数据率

计算如下：

步骤404、在第j帧的每一时隙内，判断小区中是否有用户满足缓存中数据量D_k＜B_seg，如果是，为满足该条件且瞬时数据率最大的用户分配资源；否则，进入步骤405；

步骤405、基站选择满足以下条件的用户：

且

为满足该条件且瞬时数据率最大的用户分配资源；

第n_k个基站是用户k下一个接入的基站，

为第n_k个基站在预测窗内的平均剩余带宽，D_j,k是第k个用户在第j帧内被传输的数据量，

是第m个基站在第j帧内对用户进行传输，直至所有用户满足D_k≥B_seg时所剩余的时间资源比例；

是在第j帧内满足

且

的用户数量，Δ是一帧的时间长度，以秒为单位。

Images