CN111741478A - 一种基于大尺度衰落跟踪的业务卸载方法 - Google Patents

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

一种基于大尺度衰落跟踪的业务卸载方法

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；

步骤二、根据用户k下行链路数据传输速率的最小约束值R_min，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R_min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

将步骤一计算出的大尺度衰落估计值

进行降序排列，筛选出t＝1时刻为用户k提供服务的

个AP；

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R_min，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R_min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

考虑到算法对大尺度衰落跟踪具有一定误差，添加一个冗余量

则实际为用户提供服务的AP数量为

将步骤一计算出的大尺度衰落估计值

进行降序排列，筛选出t＝1时刻为用户k提供服务的

个AP；选取的是序列的前

个AP；

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：

初始t＝0时刻下的大尺度衰落真实值为β₀，令

代表初始t＝0时刻下的大尺度衰落估计值，且

表示L×K维矩阵，

代表实数，其中：

式中，

为

中的元素，上角标T代表转置，l＝1,2,…,L，

代表用户k与第l个AP在t＝0时刻的大尺度衰落估计值，k＝1,2,…,K；

步骤一二、下一时刻AP与用户间距离及大尺度衰落粒子生成：依据t＝0时刻大尺度衰落估计值

进行预测。

生成初始粒子权重

根据初始粒子权重生成J个粒子，J为粒子数量；其中

代表用户k与第l个AP在t＝1时刻的第j个粒子权重；

用户k与第l个AP在t＝0时刻的距离估计值为

式中，σ_lk,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，a_l,0为第l个AP在t＝0时刻的阴影衰落影响因子，b_k,0为第k个用户在t＝0时刻的阴影衰落影响因子，a_l,0和b_k,0均为独立随机变量，

则用户k与第l个AP在t＝1时刻的第j个距离估计值

为：

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。

步骤一三、生成

对应的大尺度衰落估计值

式中，

代表用户k与第l个AP在t＝1时刻的第j个大尺度衰落估计值，

代表用户k与第l个AP在t＝1时刻的大尺度衰落估计值，

步骤一四、更新粒子权重：

采用

和

对粒子权重进行更新，获得更新后的粒子权重

其中，

代表更新后的第j个粒子权重，σ_lk,1为用户k与第l个AP在t＝1时刻的阴影衰落标准差；

对更新后的粒子权重

进行归一化，获得归一化后的粒子权重

步骤一五、利用归一化后的粒子权重

对用户k与第l个AP在t＝1时刻的第j个大尺度衰落估计值

进行更新；

代表更新后的用户k与第l个AP在t＝1时刻的第j个大尺度衰落估计值；

步骤一六、依据粒子权重，分别进行重采样；

生成中间变量

若j满足条件

则令

其中，j从1开始逐步增加到J-1，步长为1；若

则令

p的取值始终与

中的j的取值相同；

利用

对用户k与第l个AP在t＝1时刻的第j个距离估计值进行更新：

式中，

为更新后的用户k与第l个AP在t＝1时刻的第j个距离估计值；

步骤一七、将

赋值给

重复步骤一三至步骤一六的过程，直至达到设置的重复时间时停止(本发明设置重复至0.5秒时停止)，将最后一次迭代获得的

作为最终的用户k与第l个AP在t＝1时刻的大尺度衰落估计值

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：

其中，PL_lk,t为第l个AP与第k个用户在时刻t下的路径损耗因子，

表示时刻t下的阴影衰落，符合

代表正态分布，σ_sh为阴影衰落标准差；使用COST-Hata传播模型，将路径损耗因子表示为：

PL_lk,t＝-L-135log₁₀(d_lk,t) (12)

其中，d_lk,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，h_u为用户天线的高度，单位为m；h_AP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z_lk,t的表达式为：

其中，

a_l,t和b_k,t为独立随机变量；0≤δ≤1；

参数δ的作用是合理评估AP与UE在阴影衰落中的占比。a_l,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，b_k,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a_l,t与b_k,t符合以下条件：

其中，E{a_l,ta_l,t'}代表a_l,t和a_l,t'的均值，d_AP(l,t；l,t′)为第l个AP在时刻t与时刻t′间的距离，d_UE(k,t；k,t')为用户k在时刻t与时刻t′间的距离，d_decorr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a_l,t可以改写为a_l，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β_lk,t的分贝形式为：

10log₁₀(β_lk,t)＝-136-35log₁₀(d_lk,t)+σ_shz_lk,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θ_lk,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：

式中，

代表T时刻下的小尺度衰落，

代表

的复共轭，N为每个AP上装配的天线数。

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R_min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。

业务需求U_k可以表示为一个三元组

其中

表示业务所需上行传输数据大小，C_k表示业务需要的计算资源，一般用CPU周期数衡量，

表示业务所需下行传输数据大小。

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D_t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Z_back。

具体实施方式四：本实施方式与具体实施方式一不同的是，所述用户k数据传输速率

的表达式为：

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，η_lk,1代表用户k与第l个AP在t＝1时刻的功率系数，ρ_u为每个导频符号的归一化发送信噪比，ρ_d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，η_lk′,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t_b为：

式中，C_k表示业务需要的计算资源，D₁表示任务单元的数据量，R_b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。

具体实施方式六：本实施方式与具体实施方式五不同的是，在t＝1时刻，回程链路的负载量

为：

本实施方式中，冗余量

的值需要根据经验选择。

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p_k＝p_jk＝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；

步骤二、根据用户k下行链路数据传输速率的最小约束值R_min，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R_min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

将步骤一计算出的大尺度衰落估计值

进行降序排列，筛选出t＝1时刻为用户k提供服务的

个AP；

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：

步骤一一、初始t＝0时刻下的大尺度衰落真实值为β₀，令

代表初始t＝0时刻下的大尺度衰落估计值，且

表示L×K维矩阵，

代表实数，其中：

式中，

为

中的元素，上角标T代表转置，l＝1,2,…,L，

代表用户k与第l个AP在t＝0时刻的大尺度衰落估计值，k＝1,2,…,K；

步骤一二、生成初始粒子权重

根据初始粒子权重生成J个粒子，J为粒子数量；其中

代表用户k与第l个AP在t＝1时刻的第j个粒子权重；

用户k与第l个AP在t＝0时刻的距离估计值为

式中，σ_lk,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，a_l,0为第l个AP在t＝0时刻的阴影衰落影响因子，b_k,0为第k个用户在t＝0时刻的阴影衰落影响因子，a_l,0和b_k,0均为独立随机变量，

则用户k与第l个AP在t＝1时刻的第j个距离估计值

为：

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

步骤一三、生成

对应的大尺度衰落估计值

式中，

代表用户k与第l个AP在t＝1时刻的第j个大尺度衰落估计值，

代表用户k与第l个AP在t＝1时刻的大尺度衰落估计值，

步骤一四、采用

和

对粒子权重进行更新，获得更新后的粒子权重

其中，

代表更新后的第j个粒子权重，σ_lk,1为用户k与第l个AP在t＝1时刻的阴影衰落标准差；

对更新后的粒子权重

进行归一化，获得归一化后的粒子权重

步骤一五、利用归一化后的粒子权重

对用户k与第l个AP在t＝1时刻的第j个大尺度衰落估计值

进行更新；

代表更新后的用户k与第l个AP在t＝1时刻的第j个大尺度衰落估计值；

步骤一六、生成中间变量

若j满足条件

则令

若

则令

利用

对用户k与第l个AP在t＝1时刻的第j个距离估计值进行更新：

式中，

为更新后的用户k与第l个AP在t＝1时刻的第j个距离估计值；

步骤一七、将

赋值给

重复步骤一三至步骤一六的过程，直至达到设置的重复时间时停止，将最后一次迭代获得的

作为最终的用户k与第l个AP在t＝1时刻的大尺度衰落估计值

3.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，所述用户k下行链路数据传输速率的最小约束值R_min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。

4.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，所述用户k数据传输速率

的表达式为：

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，η_lk,1代表用户k与第l个AP在t＝1时刻的功率系数，ρ_u为每个导频符号的归一化发送信噪比，ρ_d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，η_lk′,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。

5.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t_b为：

式中，C_k表示业务需要的计算资源，D₁表示任务单元的数据量，R_b为回程链路传输速率。

6.根据权利要求5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，在t＝1时刻，回程链路的负载量

为：

Images