CN113810883A - 物联网大规模随机接入控制方法 - Google Patents

Abstract

物联网大规模随机接入控制方法，涉及物联网技术。本发明包括下述步骤：(1)基站广播限制因子初值，(2)设备生成随机数与其进行比较，若大于限制因子则接入失败，被禁止一段时间后再次发起接入请求，若小于限制因子则顺利到达基站再通过随机竞争接入基站；(3)基站根据前导码的连接状态计算下个时隙到达的设备数量，并依据计算出的设备数量动态调整接入限制因子，并在下一时隙广播更新的限制因子。本发明能够准确估计下一时隙网络负载情况，并根据接入数量最优原则动态调整限制因子。

Description

物联网大规模随机接入控制方法

技术领域

本发明涉及物联网技术。

背景技术

物联网的发展促进了信息技术与各个行业的深度融合，其大容量、低时延、 高可靠的特点为“万物互联”的新通信时代奠定了坚实的基础。机器类通信技术 作为物联网关键技术，为物联网的发展提供了多样化的应用和服务。

随着机器类通信设备数量爆发式增长、网络规模进一步扩大，现有的网络架 构会出现诸多问题，首当其冲的就是大规模设备的接入问题。现有的长期演进系 统中，接入控制技术的操作流程复杂而繁琐，在移动性管理、服务质量控制及认 证过程等各项流程中都采取了不同的接入方式，导致网络构架十分庞杂。同时， 臃肿的接入机制增加了网络中的信令数据，加大了网络的数据负荷。由于网络资 源有限，若在以机器类通信为基础的网络中继续沿用该接入机制，则当大量机器 类通信设备向基站发出接入请求时，在接入过程中前导码一定会发生冲突碰撞， 从而产生积压设备。积压设备再次发起接入请求时会产生更大的碰撞概率，此时 设备接入时延增加，网络接入成功率下降，各项接入性能均无法得到保证，接入 过程陷入恶性循环，导致数据包丢失，严重时甚至会造成网络瘫痪，且这一问题无法通过增加基础设施的数量得到改善。另一方面，积压设备持续、重复地发起 接入请求，会在造成网络拥塞的同时不断增加设备耗能，大大缩短了终端设备的 使用寿命。因此，现有网络架构中的接入机制明显无法满足机器类通信的通信要 求。

发明内容

本发明所要解决的技术问题是，提出一种提高网络接入成功率并降低平均接 入时延的物联网大规模随机接入控制方法。

本发明解决所述技术问题采用的技术方案是，物联网大规模随机接入控制方 法，其特征在于，包括下述步骤：

(1)基站广播限制因子初值，

(2)设备生成随机数与其进行比较，若大于限制因子则接入失败，被禁止 一段时间后再次发起接入请求，若小于限制因子则顺利到达基站再通过随机竞争 接入基站；

(3)基站根据前导码的连接状态计算下个时隙到达的设备数量，并依据计 算出的设备数量动态调整接入限制因子，并在下一时隙广播更新的限制因子。

所述步骤(3)中，基站根据时隙下接入数量最优原则动态调整接入限制因 子。

所述步骤(1)中，基站广播高、低两种优先级的限制因子初值，所述步骤 (2)中，设备生成随机数并与对应的限制因子进行比较。

所述步骤(3)中，基站采用下述方法计算下个时隙到达的设备数量：

当设备接入时，前导码连接状态发生改变，根据接入时的前导码状态变化求 得相应的状态转移矩阵；对于网络中的前导码连接状态而言，每一个设备的接入 表示前导码状态发生一次变化，向基站发起接入请求的设备数M表示前导码状态 发生M次变换，由此通过马尔科夫模型估算出每个时隙下的网络负载。

本发明适用于具有相同业务类型的常规网络和具有两种不同业务类型的分 级网络，在接入等级限制机制的基础上动态调整限制因子，提高网络接入成功率 并降低了平均接入时延，从而提高网络性能。本发明能够准确估计下一时隙网络 负载情况，并根据接入数量最优原则动态调整限制因子，在网络发生拥塞时能有 效控制接入数量，从而提高网络的接入成功率并降低平均接入时延，并且在分级 网络中同样具有优越性。

附图说明

图1是本发明的操作流程图，其中，网络中设备具备相同优先级时为常规网 络，网络中设备具备不同优先级时为分级网络。

图2为系统模型示意图，包括一个基站和多个设备。其中设备分布均匀，机 器类通信设备在接入过程中具有两种状态：空闲和活跃，当设备处于活跃状态时 表示此时设备正在向基站发起接入请求。

图3为MTC设备到达模型曲线图。

图4是ACB机制的流程图。

图5是ACB机制中不同限制因子下的系统性能曲线图。

图6是常规场景下的接入成功率曲线图。

图7是常规场景下的平均接入时延曲线图。

图8是常规场景下不同退避次数下的接入成功率曲线图。

图9是常规场景下不同退避次数下的平均接入时延曲线图。

图10是分级场景下的接入成功率曲线图。

图11是分级场景下的平均接入时延曲线图。

图12是分级场景下不同退避次数下的接入成功率曲线图。

图13是分级场景下不同退避次数下的平均接入时延曲线图。

具体实施方式

接入等级限制机制作为一种有效且经典的拥塞控制机制，是目前大规模接入 机制的重点研究方向，可以将现有的基于接入等级限制机制的改进机制分为三类。 第一类：从性能指标上对接入等级限制机制进行优化，例如从时延角度、接入成 功率角度等方向优化接入流程，进而提高系统性能。第二类：结合其他信息一同 进行接入控制，例如结合上行链路时序校准值进行联合优化，能大幅降低网络时 延。第三类：考虑机器类设备特性需求采取多级接入控制。在更为复杂的网络中， 设备存在优先级特性，因此采用多个接入限制因子对不同类别的设备进行控制， 从而保证优先接入时延敏感度高的设备。本发明在接入等级限制机制的基础上根 据每个时隙接入数量最优原则动态调整限制因子，避免一次性接入大量设备，从 而减少网络中的冲突碰撞，并且适用于分级网络。

本发明提出了一种物联网中大规模随机接入的接入控制方案。该方案适用于 具有相同业务类型的常规网络和具有两种不同业务类型的分级网络，在接入等级 限制机制的基础上动态调整限制因子，从而提高网络性能。其特征在于：当设备 到达基站后，基站根据此时前导码连接状态估计出下一时隙到达的设备数量，并 根据每个时隙下接入数量最优原则实现限制因子的动态调整，与现有方案相比， 提高了网络接入成功率并降低了平均接入时延。其步骤依次是： A常规网络中的接入控制方案

在常规网络中，机器类通信设备分布均匀且具备相同业务类型，网络中的机 器类通信设备在一个基站覆盖范围内通信，在每个时隙下，到达的设备数量服从 Beta分布。

开始接入时，基站广播限制因子初值，设备生成随机数与其进行比较，若大 于限制因子则接入失败，被禁止一段时间后再次发起接入请求，若小于限制因子 则顺利到达基站再通过随机竞争接入基站。此时基站根据前导码的连接状态估计 出下个时隙到达的设备数量，再根据时隙下接入数量最优原则动态调整接入限制 因子，并在下一时隙广播更新的限制因子。

B分级网络下的接入控制方案

在分级网络中，机器类通信设备分布均匀且具备两种不同业务类型，网络中 的机器类通信设备在一个基站覆盖范围内通信，在每个时隙下，两种类型的设备 到达依然服从Beta分布。

开始接入后，基站广播高、低两种优先级的限制因子初值，设备生成随机数 并与对应的限制因子进行比较，若大于限制因子则接入失败，被禁止一段时间后 再次发起接入请求，若小于限制因子则顺利到达基站再通过随机竞争接入基站。 此时基站根据前导码的连接状态估计出下个时隙到达的设备数量，再根据时隙下 接入数量最优原则动态调整限制因子，并在下一时隙广播更新的限制因子。未能 接入的设备对比等待时间和自身时延容忍度后动态更新优先级，以避免设备出现 饥饿现象。

参照图1～图2，本操作方式由以下几个步骤组成：记当前时隙为t,基站向 网络中的设备广播信息，其中包含限制因子初始值，网络中的活跃设备向基站发 起接入请求，并生成一个随机数，

实施例1：常规网络中的接入方案

此时设备具有相同优先级，设备生成的随机数与基站的限制因子进行比较， 若小于限制因子则顺利到达基站，若大于限制因子则设备此次接入失败，设备被 禁止一段时间后再次活跃。成功到达基站的设备采取竞争接入的方式继续接入过 程，若竞争失败则退避一段时间后再重新发起接入请求。基站可以根据此时的设 备接入情况估计下一时隙中活跃设备数量，再根据这一估计值计算网络该时隙下 使接入数量最大的限制因子，更新的限制因子由基站在下一时隙中广播。至此， 一个时隙内的接入过程全部结束。

实施例2：分级网络中的接入方案

在分级网络中，设备具有高、低两种优先级，对发起接入请求的设备根据其 等待时延进行优先级判断，之后分级进行接入限制；此时积压设备再次活跃首先 需更新等待时延，再与设备自身容忍度比较，判断是否需要更新设备优先级，从 而避免饥饿现象；当高、低优先级设备生成的随机数小于各自对应的限制因子时， 设备到达基站，再由随机竞争接入基站；未能通过的设备禁止一段时间后才能重 新在网络中活跃并开始新的接入。随机竞争后失败的设备退避一段时间后重新生 成随机数开始新的接入；基站根据此时前导码连接状态估计下一时隙的设备到达 情况，再根据动态调整规则对限制因子进行调整，调整后的限制因子将在下一个 时隙中广播。

实施例3

本实施例提出一种具体的算法实施例。

对于大规模接入网络而言，有两种流量到达模型：异步到达流量模型和同步 到达流量模型。其中异步到达流量指的是常规的接入流量模型，同步到达流量指 的是突发性流量。通常情况下，异步到达模型中，某一时隙下基站接收到的设备 发起接入请求的数量服从泊松分布。同步到达模型中大多为事件驱动型的物联网 应用场景，通常到达基站的接入请求数量服从Beta分布。根据3GPP提出的流 量模型，此处讨论MTC设备为同步到达模型的情况，假设时间t∈[0,T]，其概率 密度函数p(t)为：

其中

根据3GPP^[12]中的建议取α＝3、β＝4， 此时设备到达的概率密度函数p(t)为：

图3所示为设备数N＝30000，时隙L＝2000时，MTC设备到达情况的理论 仿真结果。由图可知，对于同步到达流量模型而言，设备到达数量的整体趋势为 先上升再下降。当到达设备的数量在短时间内迅速上升时，若不采取有效的方法 加以控制，则到达的设备无法全部接入基站，随着时间的推移积压设备数量增加， 网络也会因为大量积压设备的接入请求而拥塞甚至瘫痪。

参见图8，ACB机制作为一种有效且经典的拥塞控制机制，是目前大规模接 入机制的重点研究方向。ACB机制中提出了限制因子的概念，通过限制因子控制 到达基站的设备数量，从而减缓前导码的冲突碰撞。在接入周期内，时间被划分 为k(k＝1,2,…,L)个时隙，基站广播的消息中包含限制因子p(p∈[0,1])的取值， 网络中向基站发起接入请求的每个设备产生一个[0,1]的随机数q。当q≥p时， 设备未能通过ACB机制的限制，接入请求无法到达基站，此次接入失败，设备被 禁止一段时间才能再度处于活跃状态。当q＜p时，设备的接入请求能够顺利到 达基站，剩余步骤与随机竞争接入相同。若成功接入则与基站建立连接，传输数 据信息。若在接入过程中前导码发生冲突碰撞，则接入失败，设备退避一段时间后再重新发起接入请求。接入失败设备再次发起接入请求时需重新生成新的随机 数q，并判断其能否通过ACB机制的限制。值得注意的是，竞争接入失败后的退 避时间和未能到达基站被禁止的时间是两个不同的变量。可以看出，当网络中活 跃设备数量增多时，ACB机制能够有效的控制到达基站的接入请求数量，是一种 有效的拥塞控制方案。

为了更加形象的说明ACB机制的拥塞控制效果，对无拥塞控制的网络和使用 ACB机制的网络分别进行仿真，并从接入成功率分析仿真结果，仿真结果如图9 所示，其中p＝1表示网络中无拥塞控制机制。可以很明显的看到，当网络中设 备数量大于30000时，采用了ACB机制的网络接入成功率明显高于无拥塞控制的 网络，说明ACB机制能有效缓解网络的接入拥塞，并且不同的限制因子p对网 络的控制能力不同。当网络中设备数量为10000时，无拥塞控制的网络接入成功 率最高，这是因为此时网络不会发生拥塞，ACB机制反而限制了网络的接入能力。 除此之外，由p＝0.1的曲线可以看出，当网络规模不一样时，相同的p既能够 一定程度的控制拥塞，也可能减弱网络原本的接入能力，所以在ACB机制中，限 制因子p的选取就变得至关重要。

ACB机制下，网络中可用前导数量为K，时隙k下的活跃设备数为D_k，通 过ACB限制的设备数量为M_k，则：

M_k＝D_k×p (3-3)

M_k个设备到达基站后通过随机竞争接入，那么成功接入的设备数量S_k为：

由上述分析可知，每个时隙下发起请求接入的设备数目不同导致D_k不同。 若D_k很小，能够无碰撞接入网络，则此时不采用ACB机制网络的接入成功率更 高，而D_k很大时则需要ACB机制大概率的阻止该时隙下设备的接入请求，从而 避免发生拥塞。然而ACB机制中限制因子p为固定值，基站广播后无法改变， 所以当D_k发生变化时ACB机制无法通过调整p实现对接入设备数量的动态控制。

本实施例提出了一种新的控制机制，称为DACB机制。

在DACB机制中，限制因子p是一个动态变化的参数。基站由前导码连接状 态估计网络的活跃设备数量D_k，再根据最优接入数量原则调整限制因子p，在 下一个时隙的接入中，基站广播更新后的p，具体接入过程如下：

(1)基站向网络中的设备广播信息，其中包含限制因子p的初始值；

(2)网络中的活跃设备向基站发起接入请求，并生成一个[0,1]的随机数q；

(3)比较q与p的大小：当q＜p时，设备发出的接入请求可以到达基站， 继续进行步骤(4)；而q≥p时设备的接入请求无法到达基站，此次接入失败， 设备被禁止一段时间后再次活跃，下一次接入从步骤(2)重新开始；

(4)成功到达基站的设备采取竞争接入的方式继续接入过程，若竞争失败 则退避一段时间后再重新发起接入请求，由步骤(2)开始新一轮接入；

(5)基站可以根据此时的设备接入情况估计当前网络中活跃设备数量D_k， 再根据D_k调整p，更新的p将作为下一时隙的限制因子由基站在步骤(1)中 重新广播。至此，一个时隙内的接入过程全部结束。

在DACB中涉及到两个新的问题，分别是对当前网络负载D_k的估计和限制因 子p的调整规则。

现有技术中有通过马尔科夫模型估计出时隙k下的网络负载D_k，而基站广 播的p是对下一时隙的调整，因此本实施例通过进一步分析得到下一时隙的网络 负载D_k+1。首先将时隙k下的设备分为三种状态，分别为：时隙k下新到达的设 备A_k；在之前未能通过DACB机制限制，被禁止l₂个时隙后重新到达的设备B_k； 在之前由于前导码冲突碰撞退避l₁个时隙后重新到达的设备C_k。所以，时隙k下 的到达设备总数为：

D_k＝A_k+B_k+C_k (3-5)

此时D_k个设备同时向基站发起接入请求，经过DACB的限制后，可向基站发 起请求接入的设备数量M_k。若此时M_k已知，那么就能够由式(3-3)进一步得 到D_k的值，即知晓该时隙下网络负载情况。到达基站的M_k设备通过随机竞争接 入，由式(3-3)知，M_k的大小直接影响最终的接入数量。接入的设备数量和发 生碰撞的设备数量可由前导码连接状态体现，且基站已知每个前导码的连接情况， 因此可以采用马氏链模型进行分析，从而得到M_k的估计值。

网络中可用前导码的数量K一定，那么在接入过程中，对某一个前导码而 言可能出现三种连接状态：只有一个设备请求该前导、两个及以上的设备请求了 该前导码以及没有设备请求该前导码。对于整个网络的前导码而言，每种状态的 前导码数量分别用X,Y,Z表示，那么可以很容易得到：

X+Y+Z＝K (3-6)

规定前导码连接状态为(0,0,K)时对应的状态码n＝1，那么下一状态为 (0,1,K-1)，此时状态码n＝2。则当网络中的前导码连接状态为(X,Y,Z)时，对 应的状态码n为：

所以当前导码数量K一定时，其连接状态对应的状态码总数为：

接下来对前导码的连接状态进行动态分析。假设网络中的多个设备同时请求 前导码的过程可以等价为多个设备分多次请求前导码。当网络中前导码连接状态 为(X,Y,Z)时，讨论下一个设备连接前导码的情况。若下一个设备请求的前导码 此时已经有一个设备与之连接，即该前导码原本属于X，那么连接后该前导码 将变为两个设备连接的状态，网络中的前导码连接状态变为(X-1,Y+1,Z)。规 定当前时隙下状态码为i，下一时隙下状态码为j，则由状态i转至状态j的转移 概率为：

此时状态码更新为：

同理可得，当网络中前导码连接状态为(X,Y,Z)时，若下一个设备请求原本 属于Z中的前导码，该前导码状态由空闲状态转为连接一个设备，那么网络中前 导码连接状态更新为(X+1,Y,Z-1)，此时状态转移概率为：

状态码更新为：

当设备请求属于Y中的前导码时，因为Y中前导码状态为连接两个及以上设 备，所以新设备的连接不会改变该前导状态，相应的此时网络中前导码连接状态 和对应的状态码均保持不变，状态转移概率为：

由上述分析可以得到转移状态矩阵P中的部分转移概率值。在实际的接入中， 下一个设备的接入只有上述三种情况，所以矩阵P中未能求得的转移概率所对应 的实际情况均为不可能事件，即空缺值对应的状态码间的转移概率为零，此时得 到了完整的矩阵P。对于网络中的前导码连接状态而言，每一个设备的接入表示 前导状态发生一次变化，相应的状态码进行一次更新，那么向基站发起接入请求 的设备数M表示前导状态发生M次变换。假设前导码的初始状态为(0,0,K)， 则对应的概率初始向量为S(0)＝(1,0,…,0)，则根据马氏链的性质，m步之后概 率为：

S(m)＝S(0)P^m (3-14)

此时概率向量S(m)中第n个元素的值表示状态码为n时对应的前导码连接 状态，若此时网络中前导码状态为(X,Y,Z)，则表示为：

P^m(X,Y,Z)＝[S(m)]_n (3-15)

竞争接入完成后前导码连接状态不再改变，基站已知此时的(X,Y,Z)，由此 可以得到网络中参与竞争接入的设备数量M与前导状态间的关系为：

根据Bayes理论可以将上式转化为：

M取值服从均匀分布，于是使用最大似然估计可以将式(3-16)转化为：

再结合式(3-17)中基于马氏链的分析结果，可以得到此时网络中向基站发 起请求的设备数M为：

在不考虑其他因素的干扰下，该方法的估计值存在一个不可避免的误差。在 实际情况中，M的值可能为0，但是根据式(3-19)可知，参数n表示矩阵的 元素编号，所以n对应的最小值为1。但是这一误差不会对后续造成影响，因为 在大规模接入中，无论设备数量为0还是1都不会造成接入拥塞，因此这两种情 况下限制因子p都调整为动态范围内的最小值。

此时基站已经估计出时隙k下参与竞争接入的设备数量M_k，再根据式(3-3) 即可明确网络的负载情况，即此时的活跃设备数量D_k。联合式(3-3)—(3-5) 可以得到下一个时隙下的负载估计值D_k+1为：

当D_k+1值很大时，网络很可能发生拥塞，此时基站需要重新广播一个较小的 p_k+1，从而减少M_k+1的数量，而当D_k+1值很小时，表示此时网络不会发生拥塞， 那么p_k+1应为一个较大值，使更多的活跃设备能够接入基站，于是本文根据每个 时隙下接入数量最大这一原则动态调整限制因子p。在时隙k下，假设向基站发 起请求接入的设备数量为M_k，可用前导数为K，根据定义可得某一时隙下的接 入成功概率为：

每个时隙下接入成功的设备为S_k，则S_k表示最终能成功接入基站的设备数 量，结合式(3-3)、(3-21)可得出：

根据式(3-22)求出使下个时隙中成功接入数量最大的最佳限制因子p：

实施例4：分级DACB机制

考虑到MTC设备具有各式各样的特性需求及应用，于是结合优先级这一特性， 在分级MTC网络中应用DACB机制。分级场景中首先基于设备的时延容忍度将MTC 设备分为高、低两个优先级。为保证高优先级设备优先接入，限制因子也进行分 级设计，并且为了避免设备出现饥饿现象，每个设备对比等待时间和自身容忍度 后动态更新优先级。

此时系统模型中，MTC设备仍为均匀分布，但不再具备相同业务类型，网络 中的设备按比例分为高、低两个优先级。此时设备的到达依然为同步到达模型， 无论是单独观察高、低优先级设备还是观察设备的整体到达情况，均服从Beta 分布，所以在分级场景中，式(3-2)同样适用。由于设备存在不同优先级，DACB 机制需要进行适当调整才能应用于分级场景下。在该场景下，因为高优先级设备 优先接入网络，所以两级设备的限制因子有不同要求。高优先级设备的接入限制 因子为p_h，那么低优先级设备限制因子p_l需小于p_h。为了沿用DACB机制同时 降低算法复杂度，令p_l＝mp_h，m＜1。分级场景中，DACB机制的具体步骤如下：

(1)网络中的设备开始活跃，活跃设备向基站发起接入请求，此时所有发 起接入请求的设备产生一个[0,1]的随机数q；

(2)基站广播消息，其中包含当前时隙的限制因子p_h，对基站而言m是一 个已知参数，所以此时也同时广播p_l的值；

(3)对发起接入请求的设备根据其等待时延进行优先级判断，之后分级进 行接入限制；此时积压设备再次活跃首先需更新等待时延，再与设备自身容忍度 比较，判断是否需要更新设备优先级，从而避免饥饿现象；

(4)当高优先级设备q＜p_h，低优先级设备q＜p_l时，设备的接入请求通过 DACB机制限制后到达基站，再由随机竞争接入基站；未能通过的设备禁止t₂时 间后才能重新在网络中活跃并重复步骤(1)；

(5)随机竞争后失败的设备退避t₁时间后重复步骤(1)；基站根据此时前 导码连接状态估计网络当前负载情况，再根据动态调整规则对p_h进行调整，调 整的p_h将在下一个时隙的步骤(2)中广播。

以下主要通过接入成功率和平均接入时延两个指标来比较不同方案的接入 性能。

(1)接入成功率：成功完成接入的MTC设备数量与网络中设备总数之比。

接入周期内，时间被划分为k(k＝1,2,…,L)个时隙，在时隙k下，D_k个活跃 设备首先通过DACB机制，虽然此时限制因子p是一个动态变量，但估计出D_k后 成功通过DACB机制限制的设备数量M_k依旧式(3-3)得到，所以未能通过的设 备数量为：

C_k+1＝D_k-M_k (3-24)

设备的接入请求到达基站后通过随机竞争接入，由式(3-4)计算出成功接 入的设备数量S_k，则竞争失败的设备数量为：

B_k+1＝M_k-S_k (3-25)

此时失败的B_k个设备退避t₁时间后才能重新在网络中活跃。N为网络中的 设备总数，则网络的接入成功率为：

在分级场景下，高、低两级设备的设备到达率依然满足式(3-2)，于是在 时隙k下到的到达设备D_k＝D_h+D_l，其中D_h为高优先级设备，D_l为低优先级 设备。高、低两级设备的限制因子分别为p、mp，所以经过DACB机制后能到向 基站发起接入请求的设备数为：

M_k＝D_h×p+D_l×mp＝p×(D_h+mD_l) (3-27)

同样的，每一时隙下接入成功的设备为S_k，则S_k表示通过DACB机制限制后 成功接入基站的设备，结合式(3-27)得到：

M_k可由前导码连接状态估计得到，因此可以得到满足式(3-28)的最大的 限制因子p，p的调整规则如下：

因此网络中平均接入成功率表示同式(3-26)，同理，高优先级设备的接入 成功率为：

(2)平均接入时延：接入时延由三部分组成：完成一次接入的时间t_a、因 前导码碰撞而退避的时延t₁以及未能通过DACB机制的禁止时延t₂。网络的平均 接入时延定义为网络中所有可接入设备完成接入所需时间与接入成功的设备数 量的比值：

分级场景中，由于高优先级设备依然有限制因子，所以时延仍然由三部分组 成，高优先级平均接入时延为：

对于分级DACB机制而言，核心思想是对网络中存在的两级设备设置不同的 限制因子来保证高优先级设备优先接入。而由此式(3-27)可以看出，高、低优 先级设备的限制因子必须有所关联才能使DACB机制在分级的情况下依然可用， 因此不能直接去掉高优先级设备的限制因子。同理，若考虑多级设备存在的情况， 只需合理设计多级设备间限制因子的关系就将其能应用于更复杂的网络中。

使用蒙特卡罗方法，针对常规及分级两种场景模拟不同机制的性能表现，通 过MATLAB进行验证对比。常规场景中，MTC设备均匀分布且具有相同业务类型， 选取三个方案进行对比，分别为ACB机制、文献[13]中的流量感知动态ACB(TACB) 机制及本文所提的DACB机制。分级场景中将MTC设备分为两个优先级并与ACB 机制进行对比。仿真中部分参数如表3-1所示，其余参数参考3GPP标准的建议， 在接入成功率和平均接入时延两个指标下分析网络性能，仿真结果如下。

表3-1仿真参数

表3-2(续)

图10为常规场景下接入成功率仿真结果。由图可知，随着设备数量的增加， 网络的接入成功率逐渐下降。由于ACB机制无法动态调整限制因子，因此其接入 成功率始终最低。在TACB机制与DACB机制中，因为两者都能动态估计网络负载， 所以在设备数量较低时，性能相差无几。随着设备数量增大，前导码碰撞次数逐 渐增多，DACB机制能更加准确估计下一时隙中网络的负载情况，并动态调整限 制因子，说明相比于TACB机制，DACB机制能够减少网络中前导码碰撞次数，从 而增大接入成功率。

图11为常规场景下平均接入时延仿真结果，由图可知，随着网络设备数量 的增多，平均接入时延逐渐增大，ACB机制中接入时延始终大于100ms，不满足 仿真中MTC设备的时延敏感要求。DACB机制的时延始终低于TACB机制，且在设 备数量超过18000时差异更加明显，这与图11的接入成功率曲线相符。因为随 着网络设备数量的增多，每个时隙下的设备数量差异增大，而TACB机制只能估 计当前时隙的负载情况，导致限制因子调整不够准确，进一步造成前导码冲突碰 撞增加，所以网络在接入成功概率降低的同时时延也逐渐增大。并且在设备数量 为26000的网络中，TACB机制中的平均接入时延超过100ms，已经无法满足网络 接入需求，而DACB机制此时仍然使适用，说明DACB机制在接入成功率和时延方面都具有更有的性能且适用网络规模更大。

为了更加突出DACB机制的优越性，改变设备最大退避次数这一参数对比仿 真结果。由前面的分析可知，ACB机制无法满足设备时延要求，所以此时只选取 TACB机制与DACB机制进行比较，图12为常规场景中不同退避次数下接入成功 概率仿真结果。由图可知，当网络中设备数量较低时，多次接入后仍然失败的设 备数量很少，增大设备允许的退避次数不会对网络造成很大的负荷，还能提高网 络的接入成功率，此时两种机制下最大退避次数为10的接入成功率均高于最大 退避次数为5的情况。随着网络设备数量的增加，对TACB机制而言，在最大退 避次数为5的时候接入失败的数量逐渐增多，此时增大允许退避的最大次数会导 致前导码碰撞后网络的活跃设备数量仍然持续增加，TACB机制中网络负载估计值误差增大，限制因子调整不及时，导致接入成功率急剧下降，而DACB机制中 估计的是下一时隙的负载值，且随时根据最大接入数量这一原则调整动态限制因 子，所以当最大退避次数增加到10时，网络的接入成功概也随之提高。

图13为常规场景中不同退避次数下平均接入时延仿真结果。由图可知，DACB 机制的接入时延始终低于TACB机制。对比不同的退避次数可知，当设备退避次 数增加时会导致网络整体时延增大，虽然此时能够提高网络的接入成功率，但从 时延的角度上看DACB机制中退避次数为5时网络性能最优。

分级场景中，由于TACB机制不适用于分级场景，于是选取分级ACB机制及 本文所提分级DACB机制进行仿真。此时，MTC设备分为高优先级和低优先级， 其中高优先级设备时延容忍度为100ms，承担网络中对时延要求高的业务，例如 报警等。低优先级设备时延容忍度1000ms，承担周期性信息采集等时延不敏感 业务，网络中两级设备数量之比为1：4。为了对比说明DACB机制的利弊，分级 ACB机制中高优先级限制因子为1，即高优先级设备的接入请求不受限制直接到 达基站，低优先级限制因子为0.8，其余仿真参数参照表3-1，从接入成功率和 平均接入时延两个指标对比分析网络性能。

图10为分级场景下接入成功率仿真结果。由图可知，当设备数量增加时， 网络的接入成功率曲线与图10具有相同趋势，且高优先级设备始终高于整体网 络。分级ACB机制中，因为高优先级设备可以直接接入网络，而低优先级设备需 要通过ACB机制限制再接入网络，所以此时牺牲了低优先级设备的接入成功率， 才使高优先级设备尽可能接入网络。在分级DACB机制中，高优先级设备保留限 制因子且高于低优先级设备，虽然高优先级设备也需要通过DACB机制，但由于 动态机制的优越性，限制因子能够根据网络负载动态调整，所以其接入成功率几 乎不受设备数量影响。而当设备数量增大时，DACB机制中同样以低优先级设备 的接入作为代价换取高优先级设备的优先接入，所以此时低优先级设备接入成功 率降低。对网络整体接入情况而言，因为网络中主要为低优先级设备，所以分级 DACB机制接入成功概率更高。

图11为分级场景下平均接入时延仿真结果。可以明显看到，设备的接入时 延随着设备数量的增加而增加，说明此时网络中会发生前导码冲突碰撞，设备需 要被禁止一段时间后才能接入，由此带来了时延的增加。分级ACB中高优先级设 备直接接入网络，所以其接入时延最低，且设备数量大于24000时，其优势更加 明显，此时网络中低优先级设备接入时延很高。分级DACB中由于高优先级设备 保留了限制因子，所以此时会受到网络负载的影响，当设备数量增多时其接入时 延明显增大，但网络中低优先级设备的接入时延始终低于分级ACB的低优先级设 备。综上，分级DACB机制虽然不能使高优先级设备的接入时延最低，但能在满 足高、低优先级设备的时延要求的前提下提高接入成功率的并降低网络的整体时 延。

进一步分析分级场景下最大退避次数对网络性能的影响。图12为分级场景 中不同退避次数下接入成功概率仿真结果。分级场景中高优先级设备需优先接入 网络，所以退避次数的增加对高优先级设备的接入成功率影响较小，并且由于分 级ACB中的高优先级设备直接到达基站，所以其接入成功率几乎不受退避次数影 响，始终高与分级DACB机制。对于低优先级设备而言，退避次数的增加不会造 成网络过载，所以此时接入成功率提升，且两种退避次数下分级DACB机制中低 优先级设备接入成功率远远高于分级ACB机制。

图13为分级场景中不同退避次数下平均接入时延仿真结果。由图可知，因 为分级ACB中的高优先级设备直接到达基站，所以其接入时延不受退避次数影响， 始终最低。在分级DACB中，由图12可知，退避次数的增加对高优先级设备的接 入成功率影响较小，但此时由于设备退避次数增多而带来的时延会使其接入时延 明显增大，当设备数量超过25000时高级设备的接入时延超过100ms，不满足设 备接入的时延要求。对于低优先级设备而言，因为两种机制中均牺牲了低优先级 的接入性能，所以接入时延随着退避次数的增大而增加，且在低优先级的时延范 围内，分级DACB的低优先级接入时延始终低于分级ACB。

Claims (4)

1.物联网大规模随机接入控制方法，其特征在于，包括下述步骤：

(1)基站广播限制因子初值，

(2)设备生成随机数与其进行比较，若大于限制因子则接入失败，被禁止一段时间后再次发起接入请求，若小于限制因子则顺利到达基站再通过随机竞争接入基站；

(3)基站根据前导码的连接状态计算下个时隙到达的设备数量，并依据计算出的设备数量动态调整接入限制因子，并在下一时隙广播更新的限制因子。

2.如权利要求1所述的物联网大规模随机接入控制方法，其特征在于，所述步骤(3)中，基站根据时隙下接入数量最优原则动态调整接入限制因子。

3.如权利要求1所述的物联网大规模随机接入控制方法，其特征在于，所述步骤(1)中，基站广播高、低两种优先级的限制因子初值，所述步骤(2)中，设备生成随机数并与对应的限制因子进行比较。

4.如权利要求1所述的物联网大规模随机接入控制方法，其特征在于，所述步骤(3)中，基站采用下述方法计算下个时隙到达的设备数量：

当设备接入时，前导码连接状态发生改变，根据接入时的前导码状态变化求得相应的状态转移矩阵；对于网络中的前导码连接状态而言，每一个设备的接入表示前导码状态发生一次变化，向基站发起接入请求的设备数M表示前导码状态发生M次变换，由此通过马尔科夫模型估算出每个时隙下的网络负载。

Images