CN109548048A - 一种通信网络中的干扰建模方法 - Google Patents

Abstract

本申请公开了一种网络中的下行干扰建模方法，包括：计算用户在其各个传输新数据、且正确接收/非正确接收的下行TTI与其各个干扰基站的RB复用数目，构成数据集D_i；对于每个用户，计算D_i中的每个RB复用数目与该复用数目所对应下行TTI的上一个下行TTI中用户与其干扰基站的RB复用数目之差，构成数据集D_i'；在数据集D_i'中，对一个用户与各干扰基站的所有RB复用数目之差求和，根据求和结果计算置信度；根据各置信度，计算用户与干扰基站间的相对干扰强度；其中，当下行TTI为非正确接收的TTI时，置信度越大，相对干扰强度越大；当下行TTI为正确接收的TTI时，置信度越大，相对干扰强度越小。本申请还公开了一种上行干扰建模方法。应用本申请，能够提高干扰模型的准确度、实时性和降低反馈开销。

Description

一种通信网络中的干扰建模方法

技术领域

本申请涉及通信系统中的干扰测量技术，特别涉及一种通信网络中的干扰建模方法。

背景技术

移动互联网及移动多媒体等新型业务的蓬勃式发展，使移动数据流量在过去十年经历了爆炸式的增长，对于无线通信技术提出了新的要求。第五代移动通信技术(The 5thgeneration mobile communication technology，5G)能够有效克服现有第四代移动通信技术(The 4th generation mobile communication technology，4G)中的缺陷，5G作为新一代无线通信网络被期望能够满足超高速率、超低时延、高能效、高连接数密度以及高速移动的要求。5G技术的具体表现为：(1)每单位面积吞吐量提高1000倍；(2)连接设备数和用户数据速率提升10-100倍；(3)电池寿命提高10倍；(4)网络延迟降低为原来的1/5[1]。超密集网络(Ultra-dense Network，UDN)作为5G的关键技术之一，通过密集部署基站降低基站与终端用户的传输距离，从而有效提高网络容量，进而提高频谱效率。然而，小基站的密集部署将导致严重的同信道干扰(Co-channel Interference，CCI)，使得无线通信网络迎来了新的挑战。在超密集网络中，通过对小基站进行协调使它们彼此之间相互合作进而减小同信道干扰能够有效提升网络性能。冲突图被广泛认为能够有效的反映网络节点之间的干扰约束，基于冲突图进行干扰管理是无线网络干扰管理的有效途径。因此，寻找实际的适用性广的准确的冲突图建立方法成为解决干扰管理的关键。

各干扰源的干扰强度信息对于资源分配有着至关重要的作用。现有获取干扰强度的方法主要有两种：一种是基于扫频数据建立干扰矩阵，另一种是基于手机的测量报告消息建立干扰矩阵。在上述两种方法中，第一种方法的处理过程中，扫频数据中频域信息完整，并带有经纬度信息，能准确地反映采样点上的干扰情况，但是基于扫频数据生成的干扰矩阵不能反映非采样点的干扰情况，该方法很难适应网络的动态性，如果网络部署产生变化导致干扰情况变化，则须对测量点进行重新部署，测量成本过高，无法自动适应网络动态变化，实时性较差。

在第二种方法的处理过程中，手机测量报告包含有用户的真实干扰情况，但干扰信息只包含干扰信号强的几个邻近小区，当网络较为密集的时候，缺失的干扰信息较多，建立的干扰矩阵误差较大。此外，基站仅能通过基站与接入用户之间的信息传递获取本小区内用户的干扰信息，基站不仅无法获得全网干扰信息，且干扰信息反馈开销大。

超密集网络对于干扰强度建模的敏捷性和准确程度都有更高的要求，但是通过前述分析可见，目前已有的干扰建模方案无法获取全局干扰信息，且存在准确度低、实时性差、反馈开销大以及无法适应网络动态性等诸多缺点，因而无法进行有效的干扰管理。尤其当网络部署的密集程度不断提高的时候，现有技术无法满足对于干扰信息准确性、实时性及全面性的需求。

发明内容

本申请提供一种通信网络中的干扰建模方法和装置，提高干扰模型的准确度、实时性和降低反馈开销，满足干扰信息的准确性、实时性和全面性的需求。

为实现上述目的，本申请采用如下技术方案：

一种网络中的下行干扰建模方法，包括：

对应任一用户UE_i，根据该用户在各个下行TTI的RB占用情况，以及指示该用户在各个下行TTI的传输是否正确接收的ACK和NACK数据，分别计算出该用户在其各个传输新数据、且正确接收/非正确接收的下行TTI与其各个干扰基站的RB复用数目，将与所有干扰基站的所述RB复用数目构成与所述任一用户UE_i对应的数据集D_i；其中，i为所述网络中的用户索引，所述干扰基站为除所述任一用户UE_i所在基站之外的其他基站；

对于所述任一用户UE_i，计算所述D_i中的每一个RB复用数目与该RB复用数目所对应下行TTI的上一个下行TTI中所述任一用户与其相应干扰基站的RB复用数目之差，将所有干扰基站的所述RB复用数目之差构成与所述任一用户UE_i对应的数据集D_i'；

在所述数据集D_i'中，对UE_i与其任一干扰基站SBS_k的所有所述RB复用数目之差求和，根据求和结果计算频繁二项集{UE_i,SBS_k}的置信度；其中，k为所述任一用户UE_i的干扰基站索引；

根据所述任一用户UE_i与各所述干扰基站SBS_k组成的各频繁二项集{UE_i,SBS_k}的置信度，计算每个置信度对应的所述任一用户与相应干扰基站间的相对干扰强度；其中，当所述下行TTI为非正确接收的TTI时，置信度越大，所述相对干扰强度越大；当所述下行TTI为正确接收的TTI时，置信度越大，所述相对干扰强度越小。

较佳地，在设置所有用户与其各个干扰基站间的所述相对干扰强度后，该方法进一步包括：

对应任一用户UE_i，根据当前最新的RB占用情况更新所述任一用户UE_i对应的所述数据集D_i'，并根据更新后的D_i'计算更新后的置信度，再根据更新后的置信度更新所述相对干扰强度。

较佳地，在更新所述数据集D_i'时，若没有剩余空间，则从所述数据集D_i'中删除最先写入的所述RB复用数目之差。

较佳地，计算所述任一用户UE_i在一下行TTI上与其所述任一干扰基站SBS_k的RB复用数目的方式包括：确定所述任一用户在一下行TTI上与其所述任一干扰基站SBS_k中各个用户的RB复用数目，再将与所述各个用户的RB复用数目求和，将求和结果作为所述任一用户UE_i在一下行TTI上与其所述任一干扰基站SBS_k的RB复用数目。

较佳地，所述根据求和结果计算频繁二项集{UE_i,SBS_k}的置信度c({UE_i,SBS_k})包括：

其中，A为所述求和结果，|D'_i|为数据集D_i'中所包括的下行TTI的数目。

较佳地，所述计算每个置信度对应的所述任一用户与相应干扰基站间的相对干扰强度包括：

将所述任一用户UE_i与各所述干扰基站SBS_k组成的各频繁二项集{UE_i,SBS_k}的所有置信度按照大小进行排序，并依照每个置信度的排序位置，计算该置信度对应的所述任一用户与相应干扰基站间的相对干扰强度。

较佳地，所述依照每个置信度的排序位置计算该置信度对应的所述任一用户UE_i与相应干扰基站间的相对干扰强度包括：

将所有置信度按照从大到小的顺序排列；当所述下行TTI为非正确接收的TTI时，计算所述相对干扰强度为I({UE_i,SBS_k})＝N-o({UE_i,SBS_k})，当所述下行TTI为正确接收的TTI时，I({UE_i,UE_k})＝o({UE_i,UE_k})；或者，

将所有置信度按照从小到大的顺序排列；当所述下行TTI为非正确接收的TTI时，计算所述相对干扰强度为I({UE_i,SBS_k})＝o({UE_i,SBS_k})，当所述下行TTI为正确接收的TTI时，I({UE_i,UE_k})＝N-o({UE_i,UE_k})；

其中，o({UE_i,SBS_k})∈{1,2,...,N-1}为所述频繁二项集{UE_i,SBS_k}的置信度在对应于所述任一用户UE_i的所有置信度中的排序序号，N为网络中的所有基站总数。

一种超密集网络中的上行干扰建模方法，包括：

对应任一用户UE_i，根据该用户在各个上行TTI的RB占用情况，以及指示该用户在各个上行TTI的传输是否正确接收的ACK和NACK数据，分别计算出该用户在其各个传输新数据、且正确接收/非正确发送的上行TTI与其各个干扰用户的RB复用数目，将与所有干扰用户的所述RB复用数目构成与所述任一用户UE_i对应的数据集D_i；其中，i为所述网络中的用户索引，所述干扰用户为除所述任一用户UE_i所在基站之外的其他基站的接入用户；

对于所述任一用户UE_i，计算所述D_i中的每一个RB复用数目与该RB复用数目所对应上行TTI的上一个上行TTI中所述任一用户与其相应干扰用户的RB复用数目之差，将所有干扰用户的所述RB复用数目之差构成与所述任一用户UE_i对应的数据集D_i'；

在所述数据集D_i'中，对UE_i与其任一干扰用户UE_k的所有所述复用数目之差求和，根据求和结果计算频繁二项集{UE_i,UE_k}的置信度；其中，k为所述任一用户UE_i的干扰用户索引；

根据所述任一用户UE_i与各所述干扰用户UE_k组成的各频繁二项集{UE_i,UE_k}的置信度，计算每个置信度对应的所述任一用户UE_i与相应干扰用户间的相对干扰强度；其中，当所述上行TTI为非正确接收的TTI时，置信度越大，所述相对干扰强度越大；当所述上行TTI为正确接收的TTI时，置信度越大，所述相对干扰强度越小。

较佳地，在设置所有用户与其各个干扰用户间的所述相对干扰强度后，该方法进一步包括：

对应任一用户UE_i，根据当前最新的RB占用情况更新所述任一用户UE_i对应的所述数据集D_i'，并根据更新后的D_i'计算更新后的置信度，再根据更新后的置信度更新所述相对干扰强度。

较佳地，在更新所述数据集D_i'时，若没有剩余空间，则从所述数据集中删除最先写入的所述RB复用数目之差。

较佳地，所述根据求和结果计算频繁二项集{UE_i,UE_k}的置信度c({UE_i,UE_k})包括：

其中，A为所述求和结果，|D'_i|为数据集D_i'中所包括的上行TTI的数目。

较佳地，所述计算每个置信度对应的所述任一用户与相应干扰用户间的相对干扰强度包括：

将所述任一用户UE_i与各所述干扰用户UE_k组成的各频繁二项集{UE_i,UE_k}的置信度按照大小进行排序，并依照每个置信度的排序位置，计算该置信度对应的所述任一用户与相应干扰用户间的相对干扰强度。

较佳地，所述依照每个置信度的排序位置计算该置信度对应的所述任一用户UE_i与相应干扰用户间的相对干扰强度包括：

将所有置信度按照从大到小的顺序排列；当所述上行TTI为非正确接收的TTI时，计算所述相对干扰强度的取值为I({UE_i,UE_k})＝M_i+1-o({UE_i,UE_k})，当所述上行TTI为正确接收的TTI时，I({UE_i,UE_k})＝o({UE_i,UE_k})；

或者，

将所有置信度按照从小到大的顺序排列；当所述上行TTI为非正确接收的TTI时，计算所述相对干扰强度的取值为I({UE_i,UE_k})＝o({UE_i,UE_k})，当所述上行TTI为正确接收的TTI时，I({UE_i,UE_k})＝M_i+1-o({UE_i,UE_k})；

其中，o({UE_i,UE_k})∈{1,2,...,M_i}为所述频繁二项集{UE_i,UE_k}的置信度在对应于所述任一用户UE_i的所有置信度中的排序序号，M_i为所述任一用户UE_i的所有干扰用户数目。

由上述技术方案可见，本申请中，对应任一用户，根据该用户在各个下行TTI的RB占用情况，以及指示该用户在各个下行TTI的传输是否正确接收的ACK和NACK数据，分别计算出该用户在其各个传输新数据、且正确接收/非正确接收的下行TTI与其各个干扰基站的RB复用数目，构成数据集D_i；对于每个用户，计算D_i中的每一个RB复用数目与该RB复用数目所对应下行TTI的上一个下行TTI中用户与其相应干扰基站的RB复用数目之差，将所有干扰基站的RB复用数目之差构成数据集D_i'；在数据集D_i'中，对一个用户与各干扰基站的所有RB复用数目之差求和，根据求和结果计算频繁二项集{UE_i,SBS_k}的置信度；根据各置信度，计算每个置信度对应的用户与相应干扰基站间的相对干扰强度；其中，当下行TTI为非正确接收的TTI时，置信度越大，相对干扰强度越大；当下行TTI为正确接收的TTI时，置信度越大，相对干扰强度越小。同理，可以进行网络中的上行干扰建模。通过上述方式，基于网络中的大量实际运行数据和关联规则算法进行干扰建模，提高干扰模型的准确度、实时性和降低反馈开销，满足干扰信息的准确性、实时性和全面性的需求。

附图说明

图1为本申请中网络下行干扰建模的流程示意图；

图2为3GPP dual-strip模型示意图；

图3为下行相关数据的产生及映射关系图；

图4为步骤102-103中数据预处理过程示例图；

图5为所有用户各个干扰源的预测误差示意图；

图6为所有用户各个干扰源相对干扰强度预测误差分布图。

具体实施方式

为了使本申请的目的、技术手段和优点更加清楚明白，以下结合附图对本申请做进一步详细说明。

关联规则算法是数据挖掘领域中重要的研究方法之一，旨在从大量数据中提取隐含的、先前未知的、对决策有潜在价值的信息和规则。有效地发现和运用规则是有效信息挖掘的重要手段，本申请中的干扰建摸方法就是基于关联规则算法的。下面对关联规则的基本原理进行简要介绍。

设I＝{i₁,i₂,...,i_m}是m个不同的项目组成的集合，给定一个由大量样本组成的数据集D，其中每一个样本T是I中的一组项目的集合，即如果项集且则样本T包含项集X。一条关联规则就是形如的蕴含式，其中关联规则成立的条件：a.它具有支持度s。即样本数据库D中至少有s％的样本包含X∪Y。b.它具有置信度c，即在样本数据库D中包含X的样本至少有c％同时也包含Y。

关联规则挖掘问题就是在样本数据库D中找出大于事先给定的最小支持度和最小置信度的项集。关联规则的挖掘可以分为以下两个步骤：

1)找出存在于样本数据库中的所有支持度不小于给定最小支持度的项集，称为频繁项集。

2)利用频繁项集生成关联规则，对于每个频繁项集A，若且s(A)/s(B)大于等于给定的最小置信度，则有关联规则

需要指出的是，在关联规则的挖掘过程中，寻找频繁项集是寻找可能存在相互关联的两个或多个项目的过程。而计算置信度的过程，是确认找到的频繁项集中的项目之间的关联程度，大于给定的最小置信度则认为有关联，否则认为无关联。

在本申请的应用场景中，I是由某个用户及其各个干扰基站组成，由于用户与其任意一个干扰基站在资源复用时，该干扰基站都会对该用户产生干扰，即用户与其任意一个干扰基站之间都存在关联关系。因此用户及其任意一个干扰基站就构成了上述关联规则算法的频繁项集，所以，在本申请所提方案中，频繁项集为已知参量无需计算。而只需求出用户及其任意一个干扰基站组成的频繁项集的置信度，即可确定干扰基站对用户干扰的相对大小。具体地，干扰基站为网络中除用户所在基站外的其他基站，实际应用中也就是能够获取到其相关数据的各个基站。

本申请提出的一种基于关联规则算法的网络干扰建模方法，意在利用C-RAN的集中式处理及调度全局资源的特点，利用网络运行过程中产生的巨量无线资源分配数据和无线测量数据，结合关联规则算法挖掘隐藏在海量数据中的干扰信息，建模出能够反映网络节点之间干扰约束的网络冲突图。与背景技术中介绍的传统建模网络干扰的方法不同，本申请旨在提出一个更为准确、干扰信息更全面、更适用于实际无线网络的干扰建模方案。通过对网络干扰的准确建模，为无线网络的干扰管理提供有效支撑。

在本申请提出的基于关联规则算法的网络干扰建模方法中，最基本的包括数据采集和相对干扰强度建模两个部分，为实现适应随时变化的网络状况，优选地，还包括模型更新部分。本申请的方法能够对各干扰源(下行链路的干扰源为干扰基站，上行链路的干扰源为干扰用户)的相对干扰强度进行较为准确的建模，特别是对于对网络吞吐性能有较大影响的强干扰源的相对干扰强度建模极为准确。

具体地，本申请中利用各个传输时间间隔(Transmission time interval，TTI)的肯定确认(Acknowledgement，ACK)或否定确认(Negative acknowledgement，NACK)数据、新数据指示(New data indicator，NDI)数据和资源块(Resource block，RB)分配数据来进行各干扰源的相对干扰强度建模。本申请的方法既可以应用于上行链路各干扰源相对干扰强度建模，也可以应用于下行链路各干扰源相对干扰强度建模。下面，首先以下行链路为例，具体阐述所提方案的详细过程。

图1为本申请中网络下行干扰建模方法的流程示意图。为描述更加清楚，考虑一个3GPP dual-strip模型，如图2所示，20m宽的走廊两侧各有两排房间，每一排有N个房间，每个房间大小为10m×10m，且每个房间都部署一个的小基站(Small base station，SBS)，共4×N个小基站，每个小基站接入M个用户设备(User equipment，UE)，即UE₁、...、UE_M注册于SBS₁，UE_M+1、...、UE_2M注册于SBS₂，...，UE_(j-1)M+1、...、UE_iM注册于SBS_j，...，UE_(4N-1)M+1、...、UE_4NM注册于SBS_4N。若每个小基站接入多个用户，接入相同小基站的多个用户占用正交频谱资源。小基站和其接入用户随机分布于相应的房间内。整个网络的系统带宽为10MHz(包含50个RB)，每个小基站可用频谱带宽都为10MHz。小基站的传输功率为20dBm，UE的最大传输功率为23dBm。采用3GPP TR 36.814中城市室内场景的信道模型。上述系统模型仅为系统仿真设定，本申请提出的相对干扰强度建模方法适用于任何可获得该方法中所利用的数据的超密集或非超密集组网模型。如图1和图2所示，本申请的方法包括：

步骤101，进行数据采集，确定系统中的用户在各个下行TTI的RB占用情况、所传数据是否为新传数据以及数据是否正确接收的情况。

本申请利用各个TTI的ACK数据/NACK数据、NDI数据和RB分配数据来进行各干扰源的相对干扰强度建模。其中，ACK数据/NACK数据表示ACK数据或NACK数据，在实际处理过程中，选择一类数据(ACK数据或NACK数据)用于相对干扰强度建模。上述数据均采集于无线通信网络，各数据之间的产生及映射关系如图3所示。

以下行数据传输为例，每个用户利用其服务基站在第n个下行TTI上发送的下行参考信号(Reference signal,RS)来测量该时刻各个RB上的信干噪比(Signal tointerference plus noise ratio,SINR)。用户利用第n个下行TTI时刻分配给某个用户UE_i的多个RB对应的SINR数据通过指数有效SINR映射(Effective exponential SINRmapping,EESM)，计算用户UE_i在该时刻多个RB上的等效SINR值SINR_eff,n。接下来，用户根据信道质量指示(Channel quality indicator,CQI)与等效SINR的映射关系(由设备供应商设定)从用户UE_i第n个下行TTI时刻的等效SINR映射出该时刻该用户反馈给其服务基站的CQI。用户UE_i的服务基站根据调制与编码策略(Modulation and coding scheme,MCS)与CQI的映射关系计算出第n+1个下行TTI时刻与该用户对应的下行传输的MCS。用户UE_i的服务基站在第n+1个下行TTI时刻，将以用户U_i在当前时刻的MCS为传输参数在选定的RB上进行数据传输，并利用新数据指示(New data indicator，NDI)数据表明用户本次传输的是重传数据还是新传数据。用户UE_i在接收到相应数据包之后，将对接收到的数据包进行解调和检错。若接收数据包正确解调，用户UE_i向其服务基站发送肯定确认ACK，否则发送否定确认NACK。

由图3中各个数据之间的产生及映射关系可知，用户向其服务基站反馈的ACK/NACK代表着相应时刻的数据传输是否成功。而数据是否成功传输是由相应ACK/NACK所对应的传输时刻(当前时刻)的干扰情况及其上一下行TTI的干扰情况共同决定的。即数据是否成功传输由当前时刻用于传输的各个RB的等效SINR以及当前时刻的MCS共同决定。前者反映了用户当前时刻的干扰情况。因为MCS是由反映上一下行TTI干扰情况的CQI映射而来，因此，当前时刻MCS表征了上一个下行TTI用户受到的干扰情况。可见，用户向其服务基站反馈的ACK或NACK数据反映了相邻下行TTI上用户接收到的干扰强度的变化。本申请中，结合相邻下行TTI上用户与其各个干扰基站RB复用数目的变化，基于前述关联规则算法分析各个干扰源的相对干扰强度。

上述过程即为各项数据在无线网络中产生的过程，包括本方法所利用的用于相对干扰强度建模的ACK/NACK数据、NDI数据和RB分配数据。

在获得上述数据后，利用关联规则算法建模各干扰源的相对干扰强度之前，需要对采集的数据进行预处理，具体包括步骤102～103。

步骤102，计算出各用户在其各个传输新数据、且正确接收/非正确接收的下行TTI与其各个干扰基站的RB复用数目，构成数据集D_i。

如前所述，干扰强度信息隐含在接收ACK/NACK所对应时刻用户与其各个干扰源RB复用信息及上一时刻用户与其各个干扰源RB复用信息的差异之中。因利用ACK及接收ACK所对应的相关资源分配数据建模相对干扰强度与利用NACK及接收NACK所对应的相关资源分配数据建模相对干扰强度在该方案中是等效的，因此，既可以使用正确接收的数据用于干扰建模，也可以使用非正确接收的数据用于干扰建模。考虑到数据集中NACK数据所占比例远小于ACK数据，因此，为了降低计算量，优选地，可以仅利用NACK数据及其所对应的相关资源分配数据建模相对干扰强度。下面以利用NACK数据进行干扰建模为例进行说明。

图4为步骤102～103中数据预处理过程的示例图，其中，|F|＝4N,M＝1,|U|＝4N，NDI＝re代表重传，NDI＝new代表新传。其中，F是小基站的集合，U是用户设备的集合，|F|是小基站的数目，|U|是用户设备的数目。由各个用户在各个TTI的RB占用情况(图4(a))，以及指示各个用户在各个TTI的传输是否正确接收的ACK和NACK数据(图4(b))，分别计算出每个用户在其各个传输新传数据、且非正确接收的TTI(即返回NACK)与其干扰基站的RB复用数目，将每个用户计算得到的RB复用数目组成数据集D_i。

在具体实现中计算RB复用数目时，可以首先计算出每个用户在其各个非正确接收的TTI(即返回NACK)与其干扰基站的RB复用数目(如图4(c)即为UE₁在其各个非正确接收TTI与其干扰基站的RB复用情况，其他用户同理可得，将UE_i的计算结果存放于初始数据集D_i中)；然后，删除数据集D_i(i＝1,2,...,4MN)中重传所对应的样本，更新该数据集D_i。因为在网络采用混合自动重传请求(Hybrid automatic repeat request,HARQ)的情况下，重传数据所对应的ACK/NACK反馈是由多个历史TTI的接收信号联合解调的，这种情况下的反馈结果与相邻时刻的干扰差异无直接对应关系。

步骤103，对于每一个用户UE_i(i＝1,2,...,4MN)，计算D_i中的每一个样本与该样本所对应的上一个下行TTI上该用户与其各个干扰基站RB复用数目之差，得到新的数据集D_i'。

通过本步骤的处理，能够量化出传输新传数据、且非正确传输的TTI与其相邻TTI间的RB复用数目的区别，以便于后续利用该RB复用数目之差进行干扰建模。

由于每个用户的干扰基站不尽相同，各个用户的各个干扰基站相对强度也有所不同，且ACK和NACK数据是由各个用户向其服务基站的反馈，每一个ACK和NACK数据都与某一用户相对应，因此，该方案需要针对每个用户进行干扰基站的相对干扰强度分析，因此需要为每个用户执行上述步骤102～103给出的数据预处理步骤，为每个用户计算得到图4(d)中的数据集D_i'。

下面以图4(每个小基站SBS接入一个用户的情况，即M＝1)中UE 1在TTI 5时刻的数据为例，阐述上述步骤102～103的预处理过程。由图4(b)可知，UE 1在TTI 5的传输未能正确接收，返回NACK，因此TTI 5时刻相应数据将依照上述算法用于计算UE 1各个干扰源相对干扰强度。由图4(a)可知，UE 1与SBS 2在TTI 5时刻共用RB 6和RB7(因为此时每个SBS只接入一个用户，即M＝1，UE 1接入SBS 1，UE 2接入SBS 2，因此UE 1与UE 2在TTI 5时刻共用的各个RB即为UE 1与SBS 2在TTI 5时刻共用的各个RB)，因此在图4(c)UE 1的数据集D₁中与TTI 5和SBS2所对应的位置填写数字2，数据集D₁中其余数据同理可得。因为UE 1在TTI 5时刻为新传数据，因此可以用于干扰建模。此时需要计算UE 1在上一个下行TTI(TTI 0)与其各个干扰源共用RB数目。由图4(a)中样本S1可知，在TTI 0时刻，UE 1与SBS 2(UE 2)共用RB 3、RB 4、RB 5和RB 6，即共用4个RB。因此UE 1在TTI 5及其上一个下行TTI与干扰源SBS2共用RB数目之差为-2，代表UE 1在TTI 5时刻比上一个下行TTI与干扰源SBS 2少共用2个RB，因此在数据集D₁'与TTI 5和SBS 2对应的位置填数字-2,数据集D₁'中其余数据同理可得。数据集D₁'中的数据即可用相对干扰强度的计算。

需要说明的是，上述算法同样适用于多个UE同时接入同一个SBS的情况，即M>1。在这种情况下，计算用户UE_i与其某个干扰基站SBS_k在某个TTI的RB复用数目时，需要计算相应TTI用户UE_i与接入干扰基站SBS_k的所有用户的RB复用数目之和。

在完成步骤102～103的数据预处理后，通过下述步骤104～105的处理为每个用户分析其各个干扰基站的相对干扰强度大小。

步骤104：基于数据集D_i'，对UE_i与其任意一个干扰基站SBS_k之间的所有RB复用数目之差求和，根据求和结果计算UE_i与SBS_k组成的频繁二项集{UE_i，SBS_k}的置信度。

在根据求和结果计算置信度时，求和结果越大，置信度越大。利用求和结果计算置信度的具体方式可以根据需要进行设定。例如，频繁二项集{UE_i，SBS_k}的置信度c({UE_i,SBS_k})的计算方法可以如下：

其中，为数据集D_i'中与某一样本s”及干扰基站SBS_k相对应的数值(也就是图4(d)中的任一RB复用数目之差)，为对应干扰基站SBS_k的所有RB复用数目之差的求和结果(也就是图4(d)中某一SBS列中所有数据的求和结果)，|D'_i|为数据集D_i'中样本的数目(也就是图4(d)所示表格中除去表头以外的数据的行数)。当然，实际应用中计算置信度时还可以是在上述计算方式的基础上进行的其他演化，例如上述计算方式基础上进行加权处理。

步骤105，根据用户UE_i与各干扰基站SBS_k组成的各频繁二项集{UE_i,SBS_k}的置信度，计算每个置信度对应的用户UE_i与相应干扰基站间的相对干扰强度的取值。

如前所述，优选的处理是在步骤101～104的各项处理中利用NACK数据进行，那么，本步骤中在计算用户与一干扰基站间的相对干扰强度时，置信度越大，则相对干扰强度越大；如果步骤101～104的各项处理中利用ACK数据进行，那么，本步骤中在计算用户与一干扰基站间的相对干扰强度时，置信度越大，则相对干扰强度越小。

下面给出一种计算相对干扰强度的具体方式，以利用NACK数据进行计算为例：

将步骤104中计算得到的UE_i与其各干扰基站SBS_k组成的频繁二项集{UE_i,SBS_k}的置信度按照大小进行排序，并依照置信度的排序位置计算用户与相应干扰基站间的相对干扰强度的取值。

其中，在进行置信度排序时，可以按照由大到小的顺序进行排序，得到排序结果o({UE_i,SBS_k})∈{1,2,...,4N-1}，也就是某个置信度在整个队列中的排列位置。由于置信度按照由大到小排序，因此相对干扰强度越大，排序结果越小，反之亦然。即干扰最强的干扰源排序结果为1，干扰强度最小的干扰源排序结果为4N-1。UE_i与其干扰基站SBS_k的相对干扰强度大小为：

I({UE_i,SBS_k})＝4N-o({UE_i,SBS_k})

I({UE_i,SBS_k})表征了UE_i的各个干扰基站产生干扰的相对大小，即相对干扰强度，I({UE_i,SBS_k})值越大，代表相对于UE_i的其他干扰基站，SBS_k产生的干扰越强，反之亦然。

在进行置信度排序时，还可以按照由小到大的顺序进行排序，得到排序结果o({UE_i,SBS_k})∈{1,2,...,4N-1}，也就是某个置信度在整个队列中的排列位置。由于置信度按照由小到大排序，因此排序结果越大，相对干扰强度越大，反之亦然。即干扰强度最小的干扰源排序结果为1，干扰强度最大的干扰源排序结果为4N-1。UE_i与其干扰基站SBS_k的相对干扰强度大小为：

I({UE_i,SBS_k})＝o({UE_i,SBS_k})

上述为以NACK数据为例计算相对干扰强度大小的示例。如果根据ACK数据进行相对干扰强度大小，可以按照如下方式进行：

在进行置信度排序时，按照由大到小的顺序进行排序，得到排序结果o({UE_i,SBS_k})∈{1,2,...,4N-1}，UE_i与其干扰基站SBS_k的相对干扰强度大小为：I({UE_i,SBS_k})＝o({UE_i,SBS_k})；

或者，在进行置信度排序时，也可以按照由小到大的顺序进行排序，得到排序结果o({UE_i,SBS_k})∈{1,2,...,4N-1}，UE_i与其干扰基站SBS_k的相对干扰强度大小为：I({UE_i,SBS_k})＝4N-o({UE_i,SBS_k})。

上述为置信度排序后，计算相对干扰强度大小的示例，实际应用中，可以根据需要设置计算相对干扰强度的方式，只要满足前述的条件即可：当利用NACK数据进行计算时，置信度越大，相对干扰强度越大；当利用ACK数据进行计算时，置信度越大，相对干扰强度越小。

上述处理以一个用户的数据处理为例，实际应用中，需要针对所有用户执行上述所有步骤，获取网络中各个用户与其干扰基站的相对干扰强度关系。

至此，本申请中的网络下行干扰建模方法的基本流程结束。如前所述，在上述基本流程的基础上，为适应网络的实时变化，优选地，还可以通过步骤106描述的更新过程来实时更新干扰模型。

步骤106，对应每个用户UE_i，根据当前最新的RB占用情况更新用户UE_i对应的数据集D_i'，并根据更新后的D_i'计算更新后的置信度，再根据更新后的置信度更新相对干扰强度。

本方案中用于建模相对干扰强度大小的数据被不断从无线网络中采集，并存储于数据集之中，新产生的数据被不断写入数据集，因此数据集中的数据可以是不断更新的，周期性地根据数据集中的数据更新数据集D_i'，再按照前述步骤104～105的方式建模所有用户的各个干扰基站的相对干扰强度，即可保证所建模的相对干扰强度的准确性及时效性，实现了模型的周期性更新。另外，用于存储数据的数据集不是无限大的，当没有空间存储新产生的数据的时候，最早被写入数据集的数据将会被覆盖。

以上即为本申请中下行干扰建模方法的具体实现。同理，本申请还提供一种上行干扰建模方法，与图1所示的下行干扰建模方法类似，区别仅在于，用于建模的数据是UE向基站发送上行数据时占用的RB情况、UE向基站发送的NDI数据以及基站向UE反馈的ACK/NACK数据，同时，计算RB复用数目时，计算的是用户与其他干扰用户间的RB复用数目。具体上行干扰建模方法包括：

步骤1，进行数据采集，确定系统中的用户在各个上行TTI的RB占用情况，所传数据是否为新传数据以及数据是否正确接收的情况；

步骤2，计算出各用户在其各个传输新数据、且正确接收/非正确接收的上行TTI与其各个干扰用户的RB复用数目，构成数据集D_i；

在进行上行干扰建模时，目的是建立任一用户与其他基站接入用户间的干扰关系，因此，本步骤中计算RB复用数目时，需要针对任一用户UE_i计算该用户与其他各干扰用户UE_k之间的RB复用数目。其中，干扰用户也就是除任一用户UE_i所在基站之外的其他基站的接入用户。

步骤3，对于每一个用户UE_i，计算D_i中的每一个样本与该样本所对应的上一个上行TTI上该用户与其各个干扰用户的RB复用数目之差，得到新的数据集D_i'；

步骤4，基于数据集D_i'，对UE_i与其任意一个干扰用户UE_k之间的所有RB复用数目之差求和，根据求和结果计算UE_i与UE_k组成的频繁二项集{UE_i，UE_k}的置信度；

本步骤的处理与步骤104相同，区别仅在于计算的频繁二项集是{UE_i，UE_k}；

步骤5，根据用户UE_i与各干扰用户UE_k组成的各频繁二项集{UE_i,UE_k}的置信度，计算每个置信度对应的用户UE_i与相应干扰用户间的相对干扰强度的取值；

本步骤的处理原则与步骤105相同，区别在于计算的频繁二项集是{UE_i，UE_k}，在进行置信度排序时，得到排序结果o({UE_i,UE_k})∈{1,2,...,M_i}；其中，M_i为用户UE_i的所有干扰用户数目。由于对于不同用户而言，干扰用户的数目可能是不相同的，因此，利用M_i表示对应某用户UE_i的干扰用户总数。

针对用户UE_i计算相对干扰强度时，如果将所有置信度按照从大到小的顺序排列，那么：

当上行TTI为非正确接收的TTI时，计算相对干扰强度的取值为I({UE_i,UE_k})＝M_i+1-o({UE_i,UE_k})，当上行TTI为正确接收的TTI时，I({UE_i,UE_k})＝o({UE_i,UE_k})；

在计算相对干扰强度时，如果将所有置信度按照从小到大的顺序排列，那么：

当上行TTI为非正确接收的TTI时，计算相对干扰强度的取值为I({UE_i,UE_k})＝o({UE_i,UE_k})，当上行TTI为正确接收的TTI时，I({UE_i,UE_k})＝M_i+1-o({UE_i,UE_k})。

步骤6，对应每个用户UE_i，根据当前最新的RB占用情况更新用户UE_i对应的数据集D_i'，并根据更新后的D_i'计算更新后的置信度，再根据更新后的置信度更新相对干扰强度。

至此，本申请中的上行干扰建模方法流程结束。

如上所述，本申请提出了一种基于关联规则算法的网络干扰建模方法，该方法用于建模各干扰源的相对干扰强度，依据置信度排序结果计算得到各干扰源相对干扰强度值。接下来，利用依据本申请所提出的方法得到的各干扰源相对干扰强度值与实际各干扰源相对干扰强度值(由用户、基站位置及路径损耗模型计算得到)之差(即预测误差)衡量本申请所提出方案建模相对干扰强度的准确度。

以下仿真结果的仿真场景与前述图2所示的系统模型相同，其中每一排有4个房间，即N＝4，每个小基站接入1个用户，即M＝1。

如图5所示，分别展示了所有用户各个干扰源的预测误差，仿真场景中布置了4排房间，每排4个房间，每个房间部署了1个小基站以及一个用户，因此该仿真场景中共有16个小基站以及16个用户，每个用户有15个干扰基站。图5的纵坐标代表标号为1-16的用户，横坐标代表各个用户的15个干扰基站(横坐标非干扰基站标号，而是各个用户15个干扰基站的相对干扰强度，如图5中(4,1)的值为1，代表UE₁的第4个最强的干扰基站的预测误差等于1)。由图5可知本申请所提干扰建模方法对所有用户的各个干扰源的相对干扰强度预测误差在0-3范围波动。且对于所有用户的强干扰源的相对干扰强度预测准确度极高，因为对于各个用户的强干扰的预测误差几乎都为0。因此本专利所提出的相对干扰强度建模方案能够准确的建模各个干扰源(尤其是强干扰源)之间的相对干扰强度。

图6为所有用户各个干扰源相对干扰强度预测误差分布情况，横坐标对应着不同的预测误差，纵坐标为不同预测误差所对应的比例。由图6可知预测误差随着考虑的最强干扰源数目的增加而增大。从图6的仿真结果可以看出，本专利所提出的相对干扰强度建模方案对于干扰源相对干扰强度建模较为准确，对于大部分干扰源预测误差均为0。尤其当每个用户只考虑最强的5个强干扰源时，对其中93.75％的干扰源的预测误差为0，对其余6.25％的干扰源的预测误差为1(因为网络性能主要受强干扰影响，在无线网络中，为了简化分析和计算的复杂度，通常只考虑干扰最强的几个干扰源)。

在本申请中，将关联规则算法引入到相对干扰强度建模中，利用网络运行过程中产生的无线资源分配数据以及网络性能数据进行干扰建模。

与现有技术对比，该方法的主要优点如下：

现有的干扰建模方法中基于扫频数据建立干扰矩阵，需要部署大量物理设备，不便于实施，且不能反映未知地点处的干扰情况。现有的另一干扰建模方法中基于手机测量报告消息建立干扰矩阵，仅包含周围若干个强干扰基站信息，当网络中的干扰源较为密集时，信息不够完整，因而无法进行有效的干扰管理，其有效性受网络中强干扰源的数目限制，有效性及普适性较差。

本方法提出的基于关联规则算法的网络相对干扰强度建模方法不需要物理设备部署，而是利用无线网络运行过程中产生的大量无线资源分配数据和网络性能数据，通过大数据分析和机器学习算法，提供了完整和较为精确的相对干扰强度建模结果，实施简单，算法复杂度低，且不会为网络增加额外信息传输负担，实现了准确且完整的干扰建模。此外，该方法能够通过对模型的定期更新来适应网络的动态变化。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (13)

1.一种网络中的下行干扰建模方法，其特征在于，包括：

对应任一用户UE_i，根据该用户在各个下行TTI的RB占用情况，以及指示该用户在各个下行TTI的传输是否正确接收的ACK和NACK数据，分别计算出该用户在其各个传输新数据、且正确接收/非正确接收的下行TTI与其各个干扰基站的RB复用数目，将与所有干扰基站的所述RB复用数目构成与所述任一用户UE_i对应的数据集D_i；其中，i为所述网络中的用户索引，所述干扰基站为除所述任一用户UE_i所在基站之外的其他基站；

对于所述任一用户UE_i，计算所述D_i中的每一个RB复用数目与该RB复用数目所对应下行TTI的上一个下行TTI中所述任一用户与其相应干扰基站的RB复用数目之差，将所有干扰基站的所述RB复用数目之差构成与所述任一用户UE_i对应的数据集D_i'；

在所述数据集D_i'中，对UE_i与其任一干扰基站SBS_k的所有所述RB复用数目之差求和，根据求和结果计算频繁二项集{UE_i,SBS_k}的置信度；其中，k为所述任一用户UE_i的干扰基站索引；

根据所述任一用户UE_i与各所述干扰基站SBS_k组成的各频繁二项集{UE_i,SBS_k}的置信度，计算每个置信度对应的所述任一用户与相应干扰基站间的相对干扰强度；其中，当所述下行TTI为非正确接收的TTI时，置信度越大，所述相对干扰强度越大；当所述下行TTI为正确接收的TTI时，置信度越大，所述相对干扰强度越小。

2.根据权利要求1所述的方法，其特征在于，在设置所有用户与其各个干扰基站间的所述相对干扰强度后，该方法进一步包括：

对应任一用户UE_i，根据当前最新的RB占用情况更新所述任一用户UE_i对应的所述数据集D_i'，并根据更新后的D_i'计算更新后的置信度，再根据更新后的置信度更新所述相对干扰强度。

3.根据权利要求2所述的方法，其特征在于，在更新所述数据集D_i'时，若没有剩余空间，则从所述数据集D_i'中删除最先写入的所述RB复用数目之差。

4.根据权利要求1所述的方法，其特征在于，计算所述任一用户UE_i在一下行TTI上与其所述任一干扰基站SBS_k的RB复用数目的方式包括：确定所述任一用户在一下行TTI上与其所述任一干扰基站SBS_k中各个用户的RB复用数目，再将与所述各个用户的RB复用数目求和，将求和结果作为所述任一用户UE_i在一下行TTI上与其所述任一干扰基站SBS_k的RB复用数目。

5.根据权利要求1所述的方法，其特征在于，所述根据求和结果计算频繁二项集{UE_i,SBS_k}的置信度c({UE_i,SBS_k})包括：

其中，A为所述求和结果，|D'_i|为数据集D_i'中所包括的下行TTI的数目。

6.根据权利要求1所述的方法，其特征在于，所述计算每个置信度对应的所述任一用户与相应干扰基站间的相对干扰强度包括：

将所述任一用户UE_i与各所述干扰基站SBS_k组成的各频繁二项集{UE_i,SBS_k}的所有置信度按照大小进行排序，并依照每个置信度的排序位置，计算该置信度对应的所述任一用户与相应干扰基站间的相对干扰强度。

7.根据权利要求6所述的方法，其特征在于，所述依照每个置信度的排序位置计算该置信度对应的所述任一用户UE_i与相应干扰基站间的相对干扰强度包括：

将所有置信度按照从大到小的顺序排列；当所述下行TTI为非正确接收的TTI时，计算所述相对干扰强度为I({UE_i,SBS_k})＝N-o({UE_i,SBS_k})，当所述下行TTI为正确接收的TTI时，I({UE_i,UE_k})＝o({UE_i,UE_k})；或者，

将所有置信度按照从小到大的顺序排列；当所述下行TTI为非正确接收的TTI时，计算所述相对干扰强度为I({UE_i,SBS_k})＝o({UE_i,SBS_k})，当所述下行TTI为正确接收的TTI时，I({UE_i,UE_k})＝N-o({UE_i,UE_k})；

其中，o({UE_i,SBS_k})∈{1,2,...,N-1}为所述频繁二项集{UE_i,SBS_k}的置信度在对应于所述任一用户UE_i的所有置信度中的排序序号，N为网络中的所有基站总数。

8.一种超密集网络中的上行干扰建模方法，其特征在于，包括：

对应任一用户UE_i，根据该用户在各个上行TTI的RB占用情况，以及指示该用户在各个上行TTI的传输是否正确接收的ACK和NACK数据，分别计算出该用户在其各个传输新数据、且正确接收/非正确发送的上行TTI与其各个干扰用户的RB复用数目，将与所有干扰用户的所述RB复用数目构成与所述任一用户UE_i对应的数据集D_i；其中，i为所述网络中的用户索引，所述干扰用户为除所述任一用户UE_i所在基站之外的其他基站的接入用户；

对于所述任一用户UE_i，计算所述D_i中的每一个RB复用数目与该RB复用数目所对应上行TTI的上一个上行TTI中所述任一用户与其相应干扰用户的RB复用数目之差，将所有干扰用户的所述RB复用数目之差构成与所述任一用户UE_i对应的数据集D_i'；

在所述数据集D_i'中，对UE_i与其任一干扰用户UE_k的所有所述复用数目之差求和，根据求和结果计算频繁二项集{UE_i,UE_k}的置信度；其中，k为所述任一用户UE_i的干扰用户索引；

根据所述任一用户UE_i与各所述干扰用户UE_k组成的各频繁二项集{UE_i,UE_k}的置信度，计算每个置信度对应的所述任一用户UE_i与相应干扰用户间的相对干扰强度；其中，当所述上行TTI为非正确接收的TTI时，置信度越大，所述相对干扰强度越大；当所述上行TTI为正确接收的TTI时，置信度越大，所述相对干扰强度越小。

9.根据权利要求8所述的方法，其特征在于，在设置所有用户与其各个干扰用户间的所述相对干扰强度后，该方法进一步包括：

对应任一用户UE_i，根据当前最新的RB占用情况更新所述任一用户UE_i对应的所述数据集D_i'，并根据更新后的D_i'计算更新后的置信度，再根据更新后的置信度更新所述相对干扰强度。

10.根据权利要求9所述的方法，其特征在于，在更新所述数据集D_i'时，若没有剩余空间，则从所述数据集中删除最先写入的所述RB复用数目之差。

11.根据权利要求8所述的方法，其特征在于，所述根据求和结果计算频繁二项集{UE_i,UE_k}的置信度c({UE_i,UE_k})包括：

其中，A为所述求和结果，|D'_i|为数据集D_i'中所包括的上行TTI的数目。

12.根据权利要求8所述的方法，其特征在于，所述计算每个置信度对应的所述任一用户与相应干扰用户间的相对干扰强度包括：

将所述任一用户UE_i与各所述干扰用户UE_k组成的各频繁二项集{UE_i,UE_k}的置信度按照大小进行排序，并依照每个置信度的排序位置，计算该置信度对应的所述任一用户与相应干扰用户间的相对干扰强度。

13.根据权利要求12所述的方法，其特征在于，所述依照每个置信度的排序位置计算该置信度对应的所述任一用户UE_i与相应干扰用户间的相对干扰强度包括：

将所有置信度按照从大到小的顺序排列；当所述上行TTI为非正确接收的TTI时，计算所述相对干扰强度的取值为I({UE_i,UE_k})＝M_i+1-o({UE_i,UE_k})，当所述上行TTI为正确接收的TTI时，I({UE_i,UE_k})＝o({UE_i,UE_k})；

或者，

将所有置信度按照从小到大的顺序排列；当所述上行TTI为非正确接收的TTI时，计算所述相对干扰强度的取值为I({UE_i,UE_k})＝o({UE_i,UE_k})，当所述上行TTI为正确接收的TTI时，I({UE_i,UE_k})＝M_i+1-o({UE_i,UE_k})；

其中，o({UE_i,UE_k})∈{1,2,...,M_i}为所述频繁二项集{UE_i,UE_k}的置信度在对应于所述任一用户UE_i的所有置信度中的排序序号，M_i为所述任一用户UE_i的所有干扰用户数目。