CN111741478A - 一种基于大尺度衰落跟踪的业务卸载方法 - Google Patents
一种基于大尺度衰落跟踪的业务卸载方法 Download PDFInfo
- Publication number
- CN111741478A CN111741478A CN202010568484.5A CN202010568484A CN111741478A CN 111741478 A CN111741478 A CN 111741478A CN 202010568484 A CN202010568484 A CN 202010568484A CN 111741478 A CN111741478 A CN 111741478A
- Authority
- CN
- China
- Prior art keywords
- user
- time
- scale fading
- moment
- estimation value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0413—MIMO systems
- H04B7/0456—Selection of precoding matrices or codebooks, e.g. using matrices antenna weighting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Abstract
一种基于大尺度衰落跟踪的业务卸载方法,它属于Cell‑Free Massive MIMO技术领域。本发明首先得到在t=0时刻下所有用户与所有接入点之间的大尺度衰落信息β0,并利用这一数据信息对用户下一时刻的大尺度衰落信息进行预测,接着依据大尺度衰落信息估计结果进行降序排列,对下一时刻为用户提供服务的接入点集合进行筛选。在获取接入点集合后,将用户所需业务向对应接入点进行卸载,这样当用户下一时刻更新与其通信的接入点集合后,可以直接进行对应业务的卸载。这一方法通过筛选与用户进行通信的接入点,相较于标准Cell‑Free Massive MIMO系统可以降低约70%的回程链路负载量。本发明可以应用于Cell‑Free Massive MIMO技术领域。
Description
技术领域
本发明属于Cell-Free Massive MIMO技术领域,具体涉及一种基于大尺度衰落跟踪的业务卸载方法。
背景技术
相比于传统集中式Massive MIMO系统中仍存在小区的概念,Cell-Free MassiveMIMO系统取消了小区的概念,在这一系统中大量分布式接入点(Access-point,AP)被部署在一定区域内。通过大量AP在同一时频资源下同时为较少的用户提供服务,所有的AP通过回程链路网络进行协作。每个用户可以充分获得分布式天线结构带来的增益,对小尺度衰落及不相关的噪声进行平均,从而使性能仅取决于大尺度衰落。因而其可以较好的抵抗阴影衰落,从而增强用户的公平性。此外,由于在这一系统中用户靠近AP,相比集中式MassiveMIMO可以提供较高的覆盖率和更高的频谱效率。
但如果在标准Cell-Free Massive MIMO架构下进行完整的业务卸载算法的设计,势必会由于其所有AP与所有用户同时通信的特性带来极高的回程链路负载负担,这种复杂度是制约业务卸载实现的重要因素。
发明内容
本发明的目的是为解决在标准Cell-Free Massive MIMO架构下设计业务卸载算法会带来极高的回程链路负载负担的问题,而提出了一种基于大尺度衰落跟踪的业务卸载方法。
本发明为解决上述技术问题所采取的技术方案是:一种基于大尺度衰落跟踪的业务卸载方法,所述方法具体包括以下步骤:
步骤一、将初始t=0时刻的大尺度衰落真实值作为输入值进行大尺度衰落跟踪,获取用户k与第l个AP在t=1时刻的大尺度衰落估计值k=1,2,…,K,l=1,2,…,L,L代表AP的总个数,l代表第l个AP,K代表用户的总个数,k代表第k个用户;
步骤三、CPU获取t=1时刻为用户k提供服务的AP簇后,将t=1时刻用户k所需业务向对应AP缓存;
步骤四:在t=1时刻,用户发送上行导频信息,获得t=1时刻用户k与第l个AP的大尺度衰落真实值;
系统利用导频信息对信道进行估计获得预编码矩阵,并按照预编码矩阵将提前缓存到对应AP的业务数据下发给用户;
步骤五、利用t=1时刻用户k与第l个AP的大尺度衰落真实值,来重复步骤一至步骤四的过程,直至完成全部业务数据的卸载。
本发明的有益效果是:本发明提出了一种基于大尺度衰落跟踪的业务卸载方法,本发明首先得到在t=0时刻下所有用户与所有接入点之间的大尺度衰落信息β0,并利用这一数据信息对用户下一时刻的大尺度衰落信息进行预测,接着依据大尺度衰落信息估计结果进行降序排列,对下一时刻为用户提供服务的接入点集合进行筛选。在获取接入点集合后,将用户所需业务向对应接入点进行卸载,这样当用户下一时刻更新与其通信的接入点集合后,可以直接进行对应业务的卸载。这一方法通过筛选与用户进行通信的接入点,相较于标准Cell-Free Massive MIMO系统可以降低约70%的回程链路负载量,同时在这种架构下可以实现业务的流水线式卸载,可以提升业务卸载的效率。
附图说明
图1是本发明的一种基于大尺度衰落跟踪的业务卸载方法的流程图。
具体实施方式
具体实施方式一、结合图1说明本实施方式。本实施方式所述的一种基于大尺度衰落跟踪的业务卸载方法,所述方法具体包括以下步骤:
步骤一、将初始t=0时刻的大尺度衰落真实值作为输入值进行大尺度衰落跟踪,获取用户k与第l个AP(分布式接入点)在t=1时刻的大尺度衰落估计值k=1,2,…,K,l=1,2,…,L,L代表AP的总个数,l代表第l个AP,K代表用户的总个数,k代表第k个用户;
步骤二、为了为保证下行链路用户服务质量,根据用户k下行链路数据传输速率的最小约束值Rmin,确定出在t=0与t=1时刻之间使得用户k数据传输速率大于Rmin的AP个数再添加一个冗余量则实际为用户k提供服务的AP数量为
步骤三、CPU获取t=1时刻为用户k提供服务的AP簇后,将t=1时刻用户k所需业务向对应AP缓存;
步骤四:在t=1时刻,用户发送上行导频信息,用户与AP进行通信,获得t=1时刻用户k与第l个AP的大尺度衰落真实值;
系统利用导频信息对信道进行估计获得预编码矩阵,并按照预编码矩阵将提前缓存到对应AP的业务数据下发给用户;
步骤五、利用t=1时刻用户k与第l个AP的大尺度衰落真实值,来重复步骤一至步骤四的过程,直至完成全部业务数据的卸载。
具体实施方式二:本实施方式与具体实施方式一不同的是,所述步骤一的具体过程为:
步骤一一、初始化:
式中,σlk,0为用户k与第l个AP在t=0时刻的阴影衰落标准差,0≤δ≤1,al,0为第l个AP在t=0时刻的阴影衰落影响因子,bk,0为第k个用户在t=0时刻的阴影衰落影响因子,al,0和bk,0均为独立随机变量,
式中,sp代表从t=0时刻到t=1时刻用户k移动的距离,代表用户k与第l个AP在t=0时刻的第j个阴影衰落影响因子,为第k个用户在t=0时刻的阴影衰落影响因子的第j个值;对于的情况,令这一操作的目的是使得距离估计始终保持为正值。其中均值为0,方差为1,服从均匀分布;服从[-π,π]的均匀分布。
步骤一四、更新粒子权重:
步骤一六、依据粒子权重,分别进行重采样;
本实施方式的理论基础是:由于用户在数据传输阶段的可实现速率与其大尺度衰落系数有较强的相关性,大尺度衰落系数可以表示为如下形式:
PLlk,t=-L-135log10(dlk,t) (12)
其中,dlk,t为用户k与第l个AP在时刻t的距离,单位为km;中间变量L的表达式为:
其中,hu为用户天线的高度,单位为m;hAP为AP天线的高度,单位为m;f为载波频率,单位为MHz;
在实际环境中,当时间间隔足够小时,用户在相邻时间间隔的位置改变很小,而由于AP的位置是固定的,此时用户与AP周围的环境相对变化会比较小,因此阴影衰落具有一定的相关性。
时刻t下的阴影衰落zlk,t的表达式为:
参数δ的作用是合理评估AP与UE在阴影衰落中的占比。al,t为第l个AP在阴影衰落中产生的影响,这一影响也会作用于第l个AP周围的用户(UE),类似地,bk,t为第k用户的阴影衰落影响因子。随着δ的取值不同,阴影衰落中AP与UE主导占比会随之相应变化。随机变量al,t与bk,t符合以下条件:
其中,E{al,tal,t'}代表al,t和al,t'的均值,dAP(l,t;l,t′)为第l个AP在时刻t与时刻t′间的距离,dUE(k,t;k,t')为用户k在时刻t与时刻t′间的距离,ddecorr为去相关距离;去相关距离越长,表明这一环境的平稳度越高。由于AP的位置固定,在不同时刻下,其阴影衰落影响因子并不会发生变化,因此式(14)与式(15)中的al,t可以改写为al,并且这一数值是可以通过观测得到,因此在这里可以假设AP已经知晓其对应阴影衰落值;
在t时刻,用户k与所有AP的大尺度衰落值βlk,t的分贝形式为:
10log10(βlk,t)=-136-35log10(dlk,t)+σshzlk,t (17)
假设从t时刻到t+1时刻用户的移动距离为sp,AP到用户之间的连线与用户移动方向的夹角为θlk,t,则从t时刻到t+1时刻,大尺度衰落值的变化为:
对公式(18)进行进一步整理,得到相邻时刻大尺度衰落的变化方程:
大尺度衰落的真实值与观测值之间的关系为:
由于式(19)与式(20)共同构成的大尺度衰落的系统模型符合非线性变化特性,因此可以使用粒子滤波算法进行大尺度衰落信息的预测。
具体实施方式三:本实施方式与具体实施方式一不同的是,所述用户k下行链路数据传输速率的最小约束值Rmin的表达式为:
其中,D1表示任务单元的数据量,Δt表示t=0时刻与t=1时刻之间的实际时间间隔。
用户速率约束值为在算法更新间隔时间内完成一个任务单元的值。
本发明考虑AP与远程CPU都具有缓存UE业务需求的能力,这一能力可以帮助最大化的减小时延。同时,应用业务数据可分性,将业务所需下行传输数据分割为其中Dt表示每个任务单元的数据量,T表示分割的任务单元的数量,即经过T个更新周期完成这一业务的卸载。在业务卸载过程中,定义回程链路负载量为Zback。
其中,τ表示一个相干间隔内上行链路阶段的持续时间的长度,ηlk,1代表用户k与第l个AP在t=1时刻的功率系数,ρu为每个导频符号的归一化发送信噪比,ρd为每个AP的最大归一化传输功率,N为每个AP上的天线数量,ηlk′,1代表用户k′与第l个AP在t=1时刻的功率系数,k′=1,2,…,K,k′≠k。
具体实施方式五:本实施方式与具体实施方式一不同的是,所述将t=1时刻用户k所需业务向对应AP缓存,缓存的时延代价tb为:
式中,Ck表示业务需要的计算资源,D1表示任务单元的数据量,Rb为回程链路传输速率。
实际上若所需缓存的业务数据量适中,则在下一时刻更新为用户服务AP簇之前,该部分业务数据就可以在相应AP中缓存好。
本发明中设置总面积为1×1km2的正方形区域,同时假定整个区域是环绕的,即当用户在移动过程中超出边界,则会发生反转,确保在用户整个仿真过程中都处于仿真范围中。整个仿真区域内随机分布有L=200个APs,每AP上天线数N=2,仿真区域内随机分布K=40个用户。载波频率为1.9GHz,考虑用户天线与AP天线存在10m的高度差。所有UE的传输功率为pk=pjk=200mW,带宽为20MHz,噪声功率为σ2=-96dBm,相关块内包含200个可用信道,去相关距离为200m。
本发明的上述算例仅为详细地说明本发明的计算模型和计算流程,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (6)
1.一种基于大尺度衰落跟踪的业务卸载方法,其特征在于,所述方法具体包括以下步骤:
步骤一、将初始t=0时刻的大尺度衰落真实值作为输入值进行大尺度衰落跟踪,获取用户k与第l个AP在t=1时刻的大尺度衰落估计值L代表AP的总个数,l代表第l个AP,K代表用户的总个数,k代表第k个用户;
步骤三、CPU获取t=1时刻为用户k提供服务的AP簇后,将t=1时刻用户k所需业务向对应AP缓存;
步骤四:在t=1时刻,用户发送上行导频信息,获得t=1时刻用户k与第l个AP的大尺度衰落真实值;
系统利用导频信息对信道进行估计获得预编码矩阵,并按照预编码矩阵将提前缓存到对应AP的业务数据下发给用户;
步骤五、利用t=1时刻用户k与第l个AP的大尺度衰落真实值,来重复步骤一至步骤四的过程,直至完成全部业务数据的卸载。
2.根据权利要求1所述的一种基于大尺度衰落跟踪的业务卸载方法,其特征在于,所述步骤一的具体过程为:
式中,σlk,0为用户k与第l个AP在t=0时刻的阴影衰落标准差,0≤δ≤1,al,0为第l个AP在t=0时刻的阴影衰落影响因子,bk,0为第k个用户在t=0时刻的阴影衰落影响因子,al,0和bk,0均为独立随机变量,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568484.5A CN111741478B (zh) | 2020-06-19 | 2020-06-19 | 一种基于大尺度衰落跟踪的业务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010568484.5A CN111741478B (zh) | 2020-06-19 | 2020-06-19 | 一种基于大尺度衰落跟踪的业务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111741478A true CN111741478A (zh) | 2020-10-02 |
CN111741478B CN111741478B (zh) | 2022-08-02 |
Family
ID=72651890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010568484.5A Active CN111741478B (zh) | 2020-06-19 | 2020-06-19 | 一种基于大尺度衰落跟踪的业务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111741478B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112887995A (zh) * | 2021-01-21 | 2021-06-01 | 哈尔滨工业大学 | 在虚拟化多租户CF-mMIMO系统中的资源分配方法 |
CN116761150A (zh) * | 2023-08-18 | 2023-09-15 | 华东交通大学 | 一种基于ap和star-ris单元选择的高铁无线通信方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150271728A1 (en) * | 2014-03-19 | 2015-09-24 | Futurewei Technologies, Inc. | System and method for ue-specific offloading |
WO2017061724A1 (ko) * | 2015-10-08 | 2017-04-13 | 엘지전자 주식회사 | 단말이 트래픽 조종을 수행하는 방법 및 장치 |
CN109195222A (zh) * | 2018-08-03 | 2019-01-11 | 北京邮电大学 | 一种基于统计特性参考的功率分配方法 |
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
-
2020
- 2020-06-19 CN CN202010568484.5A patent/CN111741478B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150271728A1 (en) * | 2014-03-19 | 2015-09-24 | Futurewei Technologies, Inc. | System and method for ue-specific offloading |
WO2017061724A1 (ko) * | 2015-10-08 | 2017-04-13 | 엘지전자 주식회사 | 단말이 트래픽 조종을 수행하는 방법 및 장치 |
CN109195222A (zh) * | 2018-08-03 | 2019-01-11 | 北京邮电大学 | 一种基于统计特性参考的功率分配方法 |
CN109302709A (zh) * | 2018-09-14 | 2019-02-01 | 重庆邮电大学 | 面向移动边缘计算的车联网任务卸载与资源分配策略 |
Non-Patent Citations (3)
Title |
---|
SEUNG-WOO KO等: "Energy efficient mobile computation offloading via online prefetching", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 * |
TIANWEI HOU等: "Exploiting NOMA for UAV Communications in Large-Scale Cellular Networks", 《 IEEE TRANSACTIONS ON COMMUNICATIONS》 * |
张海波等: "车辆异构网中基于移动边缘计算的任务卸载与资源分配", 《物联网学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112887995A (zh) * | 2021-01-21 | 2021-06-01 | 哈尔滨工业大学 | 在虚拟化多租户CF-mMIMO系统中的资源分配方法 |
CN112887995B (zh) * | 2021-01-21 | 2021-09-03 | 哈尔滨工业大学 | 在虚拟化多租户CF-mMIMO系统中的资源分配方法 |
CN116761150A (zh) * | 2023-08-18 | 2023-09-15 | 华东交通大学 | 一种基于ap和star-ris单元选择的高铁无线通信方法 |
CN116761150B (zh) * | 2023-08-18 | 2023-10-24 | 华东交通大学 | 一种基于ap和star-ris单元选择的高铁无线通信方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111741478B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
Ram et al. | Distributed non-autonomous power control through distributed convex optimization | |
CN107682935B (zh) | 一种基于系统稳定性的无线自回传资源调度方法 | |
US9338753B2 (en) | Method and apparatus for performance management in wireless backhaul networks via power control | |
CN111741478B (zh) | 一种基于大尺度衰落跟踪的业务卸载方法 | |
CN103249157B (zh) | 不完美csi条件下的基于跨层调度机制的资源分配方法 | |
CN110856259A (zh) | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 | |
CN111970033B (zh) | 能效谱效联合优化的大规模mimo多播功率分配方法 | |
CN113179109A (zh) | 一种去蜂窝大规模mimo上行频谱效率优化方法 | |
CN114337976A (zh) | 一种联合ap选择与导频分配的传输方法 | |
Kim et al. | Online learning-based downlink transmission coordination in ultra-dense millimeter wave heterogeneous networks | |
CN113438002A (zh) | 基于lstm的模拟波束切换方法、装置、设备及介质 | |
CN113490219B (zh) | 一种面向超密集组网的动态资源分配方法 | |
CN114389658A (zh) | 一种迫零接收的去蜂窝大规模mimo系统的上行功率优化方法 | |
CN114302497A (zh) | 一种应用于非授权毫米波段异构网络共存的调度方法 | |
Sun et al. | Long-term transmit point association for coordinated multipoint transmission by stochastic optimization | |
CN107087279B (zh) | 一种基于稳定接入关系的基站激活和波束成形方法 | |
CN110505604B (zh) | 一种d2d通信系统接入频谱的方法 | |
CN115622595B (zh) | 一种实现自适应大规模urllc的高能效组网方法 | |
CN115866787A (zh) | 融合终端直传通信和多接入边缘计算的网络资源分配方法 | |
CN113644946B (zh) | 一种面向用户为中心网络的深度学习动态波束赋形方法 | |
CN115767703A (zh) | 面向swipt辅助去蜂窝大规模mimo网络的长期功率控制方法 | |
Hsu et al. | Federated deep reinforcement learning for THz-beam search with limited CSI | |
WO2019062822A1 (zh) | 资源分配方法及服务器 | |
TWI741619B (zh) | 多輸入輸出系統之參數估測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |