CN115103377A

CN115103377A - 无人机辅助无线接入网中noma增强的svc视频多播机制

Info

Publication number: CN115103377A
Application number: CN202210619366.1A
Authority: CN
Inventors: 童子源; 沈航; 白光伟; 王天荆
Original assignee: Nanjing Tech University
Current assignee: Nanjing Tech University
Priority date: 2022-06-02
Filing date: 2022-06-02
Publication date: 2022-09-23
Anticipated expiration: 2042-06-02
Also published as: CN115103377B

Abstract

本发明提出一种无人机辅助无线接入网中NOMA增强的SVC视频多播机制，该方案允许地面基站和无人机同时多播基于SVC的连续视频层并在终端设备处进行连续干扰消除。本发明最大化终端接收的视频质量的问题被建模为混合整数非线性规划问题来确定无人机部署‑关联、多播组的RAN频谱分配和无人机发射功率。整体优化问题被解耦为无人机部署‑关联子问题、频谱划分子问题和无人机发射功率控制子问题。设计的启发式策略旨在确定无人机部署和关联模式。开发了改进的背包算法来解决频谱划分，然后进行无人机功率的快速微调以进一步提高性能。仿真结果验证了所提出的方案与其他方案相比提高了平均峰值信噪比、总视频接收率和频谱利用率。

Description

无人机辅助无线接入网中NOMA增强的SVC视频多播机制

技术领域

本发明创造属于通信网络技术领域，具体是一种无人机辅助无线接入网中NOMA增强的SVC视频多播机制。

背景技术

高清视频服务已成为快速部署的第五代(Fifth Generation,5G)无线接入网(Radio Access Networks,RAN)[1]的主要驱动力。视频流量的激增导致了网络资源短缺，采用视频多播利用无线媒体的广播特性能够有效提高传输效率。多播可以通过相同的无线频谱资源将数据从一个数据源发送到多个目标设备。然而，视频多播需要保证多播组中每个终端设备(End Device，ED)的接收速率，其中信道质量最差的ED会导致多播速率的瓶颈而无法满足接收视频要求[2]。可扩展视频编码(Scalable Video Coding,SVC)可以作为突破瓶颈的方案之一。

SVC将视频流分离为一个基本视频层(Basic Layer,BL)和多个增强视频层(Enhancement Layers,ELs)。EDs可以根据信道条件和解码能力对不同的视频层进行解码。由于抗错能力强，EL的缺失不会影响BL的解码和播放。在传统SVC多播中，受制于正交多址接入(Orthogonal Multiple Access,OMA)从每个视频层都在不同的正交信道上传输，这样降低了频谱利用率。非正交多址(Non-Orthogonal Multiple Access,NOMA)通过功率域复用可以在同一信道上为多个EDs提供服务[3]。在发送端可以为每个视频层分配不同的功率。通过到达接收端信号功率的不同，接收端使用连续的干扰消除(SuccessiveInterference Cancellations,SIC)[4]来解调信号。在这种情况下,尤其是在不同的信道条件下，NOMA实现的视频传输质量和资源使用效率优于OMA[5]。

由于地面基站(base station,BS)是固定的，基站边缘的EDs与基站的非视距通信只能提供低质量的视频服务并会造成低资源利用率。例如，在一些重大体育赛事、音乐会等活动中，场外观众和视角受限的用户通常会选择在线观看直播。这些热点区域的基站不可避免地会发生过载。在这种情况下，无人机作为空中支援可以临时部署在这些地方，其具有很大的潜力来提升视频服务的质量。无人机更有可能建立视距(line-of-sight,LoS)通信链路有助于减少视频传输中的资源消耗[6]。此外，无人机可以调整位置来增强热点区域的视频质量[7]和通过调整发射功率来提高资源利用率。

NOMA增强的SVC视频多播机制设计在无人机部署、传输功率、关联模式以及资源分配这些方面都面临着重大挑战。首先，最优的多播组与无人机的关联很大程度上取决于无人机的放置和资源分配。其次，无人机的发射功率显著影响了视频层的顺序叠加和不同多播组之间的频谱资源分配[8]。第三，由于独特的通信模型[9]，每架无人机不同的飞行高度都决定了其有效的覆盖区域。即使给定无人机位置，资源分配也必须考虑其有效覆盖范围。

现有的大部分工作考虑地面网络中SVC多播的资源管理，其中功率分配的优化是研究热点之一。Zhu等人探索多播组间资源分配和组内功率分配方案[2]。Wu等人研究了采用垂直分解的NOMA下行中继传输，并提出了一种分层功率分配算法来最大化吞吐量[10]。Liu等人提出车对万物的合作NOMA广播/多播来提高服务质量并保证公平性。他们将问题建模并转化为一系列凸可行性问题，并通过基于二等分的功率分配算法来解决[11]。

另一个研究方向侧重于用户分组优化。Zhou等人设计了对蜂窝网络范围的扩展策略和几乎空白子帧方案，并对SVC多播的资源分配和用户关联进行了联合优化[12]。Araniti等人研究了在多个蜂窝网络内同时传输相同内容的策略并设计动态区域划分算法以提高总数据速率[13]。Jiang等人在质量驱动的SVC视频传输框架中提出了一种新颖的用户分组策略，并实现了对多用户NOMA的跨层支持[14]。

无人机辅助的资源分发已引起学术界的关注，其中考虑与NOMA技术的融合的文献相对较少。通过优化用户调度和无人机轨迹，Pang等人提出了一个无人机辅助NOMA网络，以最大化被无人机服务的用户的总速率[15]。Nguyen等人研究了无人机支持的无线网络的无人机轨迹控制和子信道分配的迭代优化，旨在最大化用户的最小接收速率[16]。文献[17]提出了一种联合无人机高度优化、信道分配和功率分配方案，以最大限度地提高无人机覆盖范围内小区边缘用户的总速率。Amin等人研究无人机辅助的反向散射网络，其中无人机充当信息收集器，通过权衡无人机高度、反向散射设备数量和反向散射系数，以最大化解码比特数的同时最小化无人机飞行持续时间[18]。

无人机是否可以增强支持NOMA的SVC视频多播机制的性能仍有待商榷，但研究自适应的资源管理和无人机信号发射功率调整的方案是有必要。

发明内容

本发明提出了无人机(Unmanned Aerial Vehicle,UAV)辅助无线接入网(RadioAccess Networks,RAN)中基于非正交多址(Non-Orthogonal Multiple Access，NOMA)的可扩展视频编码(Scalable Video Coding，SVC)视频多播机制，其旨在探索无人机辅助无线接入网中NOMA增强的SVC视频多播机制中资源的联合优化，并确定影响视频服务质量的关键因素。

本发明的一种无人机辅助无线接入网中NOMA增强的SVC视频多播机制，在无人机辅助无线接入网中，基站和无人机在同一信道上使用不同功率传输不同的视频层信号。

本发明的改进主要是在无人机辅助无线接入网中，采用联合优化方法优化无人机部署关联模式、频谱划分和无人机发射功率调整；联合优化方法的步骤包括：

(一)考虑视频流量大小和环境因素的影响，把无人机部署关联模式、频谱划分和无人机发射功率调整的联合优化被建模为混合整数非线性规划问题；

(二)把联合优化问题解耦为无人机部署-关联UDA、频谱划分SP和无人机传输功率调整TPA这三个子问题；

(三)解决这三个子问题，步骤包括：

1)采用基于k-means的启发式方法来确定UDA子问题的无人机部署和关联模式选择；

2)采用多重背包算法来解决SP子问题，以确定每个多播组的子通道数；

3)快速功率微调策略来解TPA子问题，进一步提高系统性能；

所述无人机辅助无线接入网的系统模型为：多个无人机被放置在一个基站的通信覆盖范围内；无人机具有高容量前传链路用以与基站通信来获取视频内容；无人机有能力通过无线电力传输从基站获取电力；所有终端设备随机分布在基站覆盖范围内，其中请求同一个视频流的终端设备属于一个多播组。

仿真结果验证了所提出的方案与其他方案相比提高了平均峰值信噪比、总视频接收率和频谱利用率。

附图说明

图1是本发明的无人机辅助的SVC视频多播场景示意图。

图2是有效的无人机覆盖范围示意图；

图3是NOMA中基站-无人机合作多播示意图；

图4是NOMA中的干扰消除示意图；

图5是问题解决框架示意图；

图6分别显示了2、3和4架无人机时，不同子信道数下每个ED的平均PSNR；

图7分别显示了2、3和4架无人机时，不同子信道数下总视频接受率；

图8分别显示了2、3和4架无人机时，平均PSNR和总视频接收率。

具体实施方式

下面结合附图与具体实施方式对本发明创造进一步说明。

1.本发明概述

本发明提出了无人机辅助无线接入网中NOMA增强的SVC视频多播机制，该方案允许地面基站和无人机同时多播基于SVC的连续视频层并在终端设备处进行连续干扰消除(Successive Interference Cancellation,SIC)。最大化终端接收的视频质量的问题被建模为混合整数非线性规划问题来确定无人机部署和关联、多播组的RAN频谱分配和无人机发射功率。整体优化问题被解耦为无人机部署-关联子问题、频谱划分子问题和无人机发射功率控制子问题。设计的启发式策略旨在确定无人机部署和关联模式。开发了改进的背包算法来解决频谱划分，然后进行无人机功率的快速微调以进一步提高性能。

本发明的主要贡献

通过考虑基站-无人机的合作，本发明提出了NOMA增强的SVC视频多播中的资源管理问题，旨在最大限度地提高多播组中EDs的整体视频服务质量。主要技术贡献如下：

1)提出了一种NOMA增强的SVC视频多播方案，其中基站和无人机在同一信道上使用不同功率传输不同的视频层信号。考虑视频流量大小和环境因素的影响，无人机部署、关联模式、频谱划分和无人机发射功率调整的联合优化被建模为混合整数非线性规划(MINLP)问题。

2)提出的优化问题被解耦为无人机部署关联(UAV deployment-association，UDA)、频谱划分(Spectrum Partition，SP)和无人机传输功率调整(UAV Transmit PowerAdjustment，TPA)子问题。采用基于k-means的启发式方法来确定UDA子问题的无人机部署和关联模式选择。然后为SP子问题设计了一个改进的多重背包算法，以确定每个多播组的子通道数，以及为TPA子问题设计快速功率微调策略来进一步提高系统性能。

3)仿真表明，所提出的方案的性能优于其他方案。在平均峰值信噪比(PeakSignal to Noise Ratio,PSNR)方面，本发明的方法最差仅比最优解低0.7％，并且在大多数情况下直接达到最优解。

以下，在第2节中介绍了网络模型。分别在第3节和第4节中提出了联合优化和解决方案。在第5节中，提供了大量的模拟结果来评估本发明提出的策略和算法的性能。最后，在第6节中对论文进行总结。

本发明涉及到主要符号如表1。

表1重要符号

2、系统模型

如图1所示，本发明考虑了一个无人机辅助的NOMA增强的无线接入网，该场景下有多个无人机被放置在一个基站的通信覆盖范围内。假定无人机具有高容量前传链路可以通过自由空间光学或毫米波与基站通信来获取视频内容[19]。必要时，无人机可以通过无线电力传输从基站获取电力[20]。所有EDs随机分布在基站覆盖范围内，其中请求同一个视频流的ED属于一个多播组。

2.1分层视频流

SVC将视频流分成不同分辨率的多个视频层，由一个BL和多个ELs组成。在系统中，BS将BL发送给所有的EDs，而无人机将一个EL发送给位于热点区域的EDs，其中BL(EL)又被称为第一(第二)视频层。将λ_l,n表示为多播组n请求的第l视频层的比特率，也表示视频正常解码的最小速率。接收速率最低应达到λ_l,n才可以正常的播放视频。多个视频层可以重构为一个完整的视频。当且仅当BL被完全接收时，EL才能被解码。

2.2无人机覆盖模型

在视频传输中存在两种类型的通信链路，即基站到终端设备(BS-to-ED，B2E)链路和无人机到终端设备(UAV-to-ED，U2E)链路。与B2E信道不同，U2E信道质量受无人机飞行高度、仰角以及LoS或非视距(Non-LoS)通信概率等因素的影响。ED i的位置坐标表示为(x_i,y_i,0)。让v_j＝(x_j,y_j,z_j)代表无人机j的部署位置。无人机j和ED i之间的LoS概率定义为[21]。

其中

代表ED i到无人机j的水平距离。o₁和o₂是由环境因素决定的常数。由[21]可知，平均路径损耗为

其中c₁是载波频率，c₂是光速。η_LoS和η_NLoS代表U2E链路对于LoS接收和NLoS接收的额外路径损耗。从无人机j到ED i的信道增益计算为

无人机的有效覆盖半径主要取决于LoS概率和自由空间路径损耗，可以由下式确定[6][22]。

其中ξ代表每个无人机的LoS概率，ψ代表自由空间路径损失的阈值。图2显示了z_j对R_j的影响。在这种情况下，ξ和ψ分别为89dB和0.5，o₁和o₂分别为9.61和0.16。无人机飞行高度范围从下限z^(min)＝10m到上限z^(max)＝190m。需要注意的是，z_j和R_j之间不是简单的线性关系。R_j先单调增加，然后随着z_j的增加而减小。无人机在78m高度飞行时，有效覆盖半径达到最大值175.7m。

2.3无人机辅助的NOMA视频多播

假设可以将B个正交子信道分配给N个多播组，每个子信道的带宽为w。分配给多播组n的子信道数量表示为b_n。如图1所示，每个多播组需要被分配不同的正交子信道，并且最多关联一个无人机。如果多播组n关联无人机j，则0-1变量a_j,n设置为1，否则，设为0。如果无人机j选择发射功率s(记为p_j,s)，则0-1变量e_j,s设置为1；否则，设为0。图3解释了针对多播组n基站和无人机j之间的合作策略。基站通过第一个NOMA层用p_m传输BL，而无人机j通过第二个NOMA层用p_js传输EL。这些信号可以在功率域中叠加编码。让

表示无人机的可选传输功率索引的集合，S_j是它集合中元素的数量。将

表示为可用无人机ID的集合。分配给多播组n的子信道的传输功率为

ED处的接收端可以进行SIC解码。

让(x_m,y_m,z_m)表示基站的位置坐标。多播组n中的EDs集合及其数量分别表示为

和I_n。当多播组n接收到BL的信号时，从基站到

的B2E信道增益计算为

其中

表示基站和ED i之间的水平距离，以及γ是路径损耗指数。由于来自基站的BL信号受到来自无人机j的功率为p_j,s的EL信号的干扰，

处解码BL信号的可达速率表示为关于

b_n和

的函数，由下式给出

这里σ²是平均背景噪声功率。

成功接收/解码BL的约束可以表示为

令

为无人机j覆盖的

中的ED集合。在

的有着最大的信道增益ED的ID可以表示为

作为SIC和视频层解码重构的约束条件，

接收到BL的信号强度必须大于EL的信号强度。因此，决策变量e_j,s必须满足

其中τ∈(0,1)是适应环境的参数。上式也可以表示为

可以接收到EL的信号。由于EL上没有叠加NOMA层，来自无人机j的功率为p_j,s的EL信号不受干扰。在

处解码EL信号的可实现的速率表示为关于

b_n和ε的函数，为

如果式5和10都满足，则

所请求的EL可以成功接收/解码。

以图4为例说明SIC解码。BL通过信号X_1,n以基站的信号发射功率传播，EL通过信号X_2,n以无人机的传输功率传播。X_1,n和X_2,n同时发送。

中的ED可以解码X_1n和X_2,n得到BL和EL。

中的ED无需使用SIC就可以解码X_1,n获得BL。

3、问题建模

在提出的无人机辅助的NOMA增强的SVC视频多播框架中，一个具有挑战性的问题是确定如何部署无人机、选择发射功率和关联模式，以及应该为每个多播组分配多少子信道。

如果满足(5)则令u_1,n,i为1，否则为0。如果u_1,n,i＝1和(10)都满足，则令u_2,n,i为1，否则为0。在集合

中同时收到BL和EL的ED数量由

计算，以及仅收到BL的ED的数量是

将PSNR_1,n表示为多播组n接收到的BL的PSNR，将PSNR_2,n表示为BL和EL都可以被接收时的PSNR。在被分配b_n个子信道的情况下，多播组n接收到的视频层的PSNR是两部分乘以PSNR_2,n和PSNR_1,n的总和，可以表示为一个关于

b_n和ε的函数，是

多播组的集合及其个数表示为

和N。基于(11)，所有多播组的总PSNR表示为一个关于

所有EDs对应的总视频接收率计算为

为了最大化(12)，无人机部署、关联模式、频谱划分和无人机发射功率控制的联合优化被建模为

Subject to：

在(13a)和(13b)中，

是一个足够大的常数来保证

在(13c)和(13d)中，θ是一个足够大的常数，以确保

约束(13e)源自(8)。约束(13f)确保每个无人机只能选择一个传输功率。约束(13g)规定每架无人机的x-y轴位置必须在基站覆盖范围内，其中R_m代表基站的覆盖半径。约束(13h)是飞行高度的范围，[z^(min),z^(max)]，如图2所示。约束(13i)防止分配给所有多播组的频谱资源超过子信道总数。在约束(13j)下，每个多播组只能与一个无人机关联。

中包含整数变量e_j,s，b_n，a_j,n和连续变量v_j(x_j,y_j,z_j)。在目标函数和信息传输约束中使用整数变量的非线性组合变换和连续变量的变换。因此，

属于MINLP这一类问题，通常是NP难题，所以必要设计有效的算法以获得次优解。

4、解决方案

被分解为无人机部署-关联(UAV deployment-association，UDA)、频谱划分(spectrum partition，SP)和无人机传输功率调整(UAV transmit power adjustment，TPA)子问题，使其易于处理和处理。问题解决包括三个连续的步骤，如图5所示。本发明接下来讨论实现细节。

4.1 UDA子问题的解决方案

UDA子问题旨在最大化无人机覆盖范围内的ED数量，同时通过无人机飞行高度调整优化信号传输性能。在无人机j服务的ED数量(即

)不变的情况下，无人机j应降低飞行高度z_j以提高传输质量。以此目的，无人机的飞行高度可以设置为

其中α是确保

的常数。结合(16)，UDA子问题被建模为

Subject to：

(13g)(13h)(13j) (17)

所有ED的位置和无人机的数量都被输入到k-means[23]中进行聚类。输出的质心对应于无人机在x-y平面上的部署位置，表示为

联合

和在(16)中的

无人机j放置在

无人机位置的集合是

以及和多播组n关联的无人机ID表示为

基于(18)，多播组n和无人机j之间的关联模式被确定为

这最大化了无人机覆盖范围下多播组中用户的数量(即I_n)。这样就可以获得关联模式的集合

4.2 SP子问题的解决方案

因为频谱划分依赖于无人机传输功率，所以在进行频谱划分之前需要对功率进行初始化。需要注意的是无人机可能与多个多播组相关联。对于与无人机j关联的每个多播组，无人机的发射功率需要满足(13e)。因此，无人机j的发射功率被初始化为

相应的决策变量可以被定义为

通过把

代入到

可以使用更少的变量来将问题重新建模为

Subject to：

(13a)(13b)(13c)(13d)(13i)(13f) (22)

现在可以推导出分配给多播组n的子信道数量的上限。基于(4)(9)(18)和(21)，在b_n＝1的情况下，基础层和增强层的最小接收速率在

可以被计算为

和

根据(23)和(24)，分配给视频层的多播组n的子信道数量的上限近似为

对于剩余的b个子信道，前n多播组的最大PSNR被标记为F(n,b)。如果

只考虑将

个子频道分配给多播组n。基于(26)的递归，一个改进的多重背包算法旨在解决

N个多播组可以看作是N种类型的物品，每种类型都有B个物品。这些物品需要放在容量为B的背包中。第n个种类中第b_n个物品的利润是由

决定，以及它的重量为b_n。问题的本质是从每种类型中选择一个物品，在总重量不超过容量的情况下最大化总利润。

F(n,b)从n＝1和b＝1开始递归计算，它依赖于前n-1个多播组的最大总PSNR和

的值。基于(26)，过滤不合适的子信道数量以减少不必要的计算。在NB轮迭代后可以获得最优总的PSNR(即F(n,b))和频谱分配方案(即

)。

4.3TPA子问题的解决方案

资源利用率受限于由(21)确定的初始的无人机传输功率，因此有必要进行功率微调以提高性能。给定

和

TPA子问题被建模为

Subject to:

(13a)(13b)(13c)(13d)(13e)(13f)(13k)(13l) (27)

由于ε中的决策变量之间没有耦合，

可以转化为最大化与无人机j相关联的多播组的PSNR之和，表示为

算法2中开发了一种快速搜索策略来优化每架无人机的发射功率。假设所有集合下标按照无人机发射功率升序排列。该算法从初始的功率

开始向下搜索，以加快搜索速度。换句话说，无人机j传输功率的决策空间减少到

4.4计算复杂度分析

在

中，k-means的复杂度为

关联模式计算需要搜索所有1≤n≤N和1≤j≤J，复杂度为O(NJ)。对于

被分配了b_n个子信道的多播组n的PSNR(由

决定)应在所有1≤n≤N和1≤b≤B上计算，并且每次迭代的最大复杂度为O(B)。因此，最坏情况的复杂度是O(NB²)。基于(28)，算法2求解

的复杂度为

其中S_j是

集合中元素的个数。累积的计算复杂度达到

低于

的复杂度。

以下验证所提出的方案是否可以接近最优解或直接达到最优解。

5、性能评估

5.1实验设计

通过MATLAB进行了大量的数值模拟来验证所提出解决方案的有效性和优越性。来自[24]的真实视频数据，包括10个具有不同视频层的标准视频测试序列，以及每个视频层的平均比特率和PSNR，目的是让模拟更加真实。详细参数设置见表2。

为了评估所提出策略(proposed scheme)的性能，本发明将其与最佳解决方案和下面介绍的其他四种方案进行了比较。

·最优解(optimal solution)：依靠穷举来寻找最优解，以观察所提出的方法如何接近性能上限。

·OMA+Alg-1[2]：其中基站和无人机通过正交信道以固定发射功率将BL和EL广播到多播组。

·NOMA+Alg-1+功率固定(Power Fixed,PF)[17]：专注于优化频谱资源分配不考虑无人机发射功率。

·NOMA+资源平均(resource average,RA)+Alg-2，通过算法2调整无人机发射功率，并在N多播组之间平均分配子信道。

表2仿真参数

5.4结果分析

可用子通道数量的影响：图6分别显示了2、3和4架无人机时，总子信道数从8到16不等时，每个ED的平均PSNR，并进一步生成了三个子图来观察无人机数量的影响。随着可以支持更多视频层传输的b_n的增加，每个方案的平均PSNR呈现增长趋势，并且在B足够大时趋于不变。首先，所提出的策略消耗的频谱资源比基于OMA的解决方案要低。其次，即使频谱资源很少，所提出的方案也可以获得比OMA+Alg-1更高的平均PSNR。由于所提出的无人机传输功率自适应方案减轻了EL信号对BL信号的干扰，当J＝4和B＝8时，本发明提出的方法比NOMA+Alg-1+PF提高了0.5dB。第三，所提出的频谱划分策略优于NOMA+RA+Alg-2的资源平均策略。

图7显示了与图6相同参数下的总视频接收率。当J＝4和B＝8时，所提出方案的总视频接收率比OMA+Alg-1提高了15％。可以看到，提出的方案获得的平均PSNR和总视频接收率在几种方案中处于最高，数值逼近或直接达到最优解的值。

无人机数量的影响：图8描述了当无人机数量从1到4不等时，总子信道数B固定为8时平均PSNR和总视频接收率的变化。随着系统中无人机数量的增加，可以覆盖更多的ED，从而能够提高平均PSNR和总视频接收率。在OMA+Alg-1中，由于传输BL和EL的频谱资源不足，即使系统中放入更多的无人机，也很难实现平均PSNR的提高。当热点越靠近BS覆盖的边缘，ED的信道条件就会越差。在NOMA+Alg-1+PF中，无人机的传输功率无法适应异构的信道条件。因此所提出的NOMA中的高效资源利用和发射功率自适应的方案优于其他三种方案。从图8的总视频接受率与子信道数量的关系中的可以看出，在大多数情况下，无人机数量的增加会提高接收视频的质量。

6、总结

本发明提出了在无人机辅助RAN中NOMA增强的SVC视频多播机制，通过高效的资源管理来最大化多播组中EDs的整体视频服务质量。由于无人机部署、无人机和多播组之间的关联模式、频谱分配和无人机传输功率选择的联合优化问题是一个MINLP问题，因此将其解耦为三个子问题以促进该解决方案。本发明设计了低复杂度启发式算法来确定无人机部署、关联模式、频谱分配和无人机发射功率。通过真实数据的仿真结果证实，所提出的方案比其他方案有显著提升。

参考文献

[1]Ioan-Sorin

Gabriel-Miro Muntean,and Ramona Trestian,Aninnovative machine-learning-based scheduling solution for improving live UHDvideo streaming quality in highly dynamic network environments,IEEETrans.Broadcast.67(2021),no.1,212–224.2.

[2]Hao Zhu,Yang Cao,Tao Jiang,and Qian Zhang,Scalable NOMA multicastfor SVC streams in cellular networks,IEEE Trans.Commun.66(2018),no.12,6339–6352.

[3]Linglong Dai,Bichai Wang,Yifei Yuan,Shuangfeng Han,I.Chihlin,andZhaocheng Wang,Non-orthogonal multiple access for 5G:Solutions,challenges,opportunities,and future research trends,IEEE Commun.Mag.53(2015),no.9,74–81.

[4]Zhiguo Ding,Yuanwei Liu,Jinho Choi,Qi Sun,Maged Elkashlan,I.Chih-Lin,and H.Vincent Poor,Application of non-orthogonal multiple access in LTEand 5G networks,IEEE Commun.Mag.55(2017),no.2,185–191.

[5]Ming Zhang,Hancheng Lu,Feng Wu,and Chang Wen Chen,NOMA-basedscalable video multicast in mobile networks with statistical channels,IEEETrans.Mobile Comput.20(2021),no.6,2238–2253.

[6]Hang Shen,Qiang Ye,Weihua Zhuang,Weisen Shi,Guangwei Bai,and GengYang,Drone-small-cell-assisted resource slicing for 5G uplink radio accessnetworks,IEEE Trans.Veh.Technol.70(2021),no.7,7071–7086.

[7]Nan Zhao,F.Richard Yu,Lisheng Fan,Yunfei Chen,Jie Tang,ArumugamNallanathan,and Victor C.M.Leung,Caching unmanned aerial vehicle-enabledsmall-cell networks:Employing energyefficient methods that store and retrievepopular content,IEEE Veh.Technol.Mag.14(2019),no.1,71–79.

[8]S.M.Riazul Islam,Nurilla Avazov,Octavia A.Dobre,and Kyungsup Kwak,Power-domain non-orthogonal multiple access(NOMA)in 5G systems:Potentials andchallenges,IEEE Commun.Surveys Tuts.19(2017),no.2,721–742.

[9]Aziz Altaf Khuwaja,Yunfei Chen,Nan Zhao,Mohamed-Slim Alouini,andPaul Dobbins,A survey of channel modeling for UAV communications,IEEECommun.Surveys Tuts.20(2018),no.4,2804–2821.

[10]Yuan Wu,Li Ping Qian,Haowei Mao,Xiaowei Yang,HaiBo Zhou,andXuemin Shen,Optimal power allocation and scheduling for non-orthogonalmultiple access relay-assisted networks,IEEE Trans.Mobile Comput.17(2018),no.11,2591–2606.

[11]Gang Liu,Zhiqing Wang,Jiewen Hu,Zhiguo Ding,and Pingzhi Fan,Cooperative NOMA broadcasting/multicasting for low-latency and high-reliability 5G cellular V2X communications,IEEE Internet Things J.6(2019),no.5,7828–7838.

[12]Hao Zhou,Yusheng Ji,Xiaoyan Wang,and Baohua Zhao,Joint resourceallocation and user association for SVC multicast over heterogeneous cellularnetworks,IEEE Trans.Wireless Commun.14(2015),no.7,3673–3684.

[13]Giuseppe Araniti,Federica Rinaldi,Pasquale Scopelliti,AntonellaMolinaro,and Antonio Iera,A dynamic MBSFN area formation algorithm formulticast service delivery in 5G NR networks,IEEE Trans.Wireless Commun.19(2020),no.2,808–821.

[14]Xiaoda Jiang,Hancheng Lu,and Chang Wen Chen,Enabling quality-driven scalable video transmission over multi-user NOMA system,IEEE INFOCOM,2018,pp.1952-1960.

[15]Xiaowei Pang,Zan Li,Xiaoming Chen,Yang Cao,Nan Zhao,Yunfei Chen,and Zhiguo Ding,UAV-aided NOMA networks with optimization of trajectory andprecoding,International Conference on Wireless Communications and SignalProcessing(WCSP),2018,pp.1–6.

[16]Minh Dat Nguyen,Long Bao Le,and

Girard,Trajectory controland resource allocation for UAV-based networks with wireless backhauls,IEEEICC,2021,pp.1–6.

[17]Daosen Zhai,Huan Li,Xiao Tang,Ruonan Zhang,Zhiguo Ding,and FeiRichard Yu,Height optimization and resource allocation for NOMA enhanced UAV-aided relay networks,IEEE Trans.Commun.69(2021),no.2,962–975.

[18]Amin Farajzadeh,Ozgur Ercetin,and Halim Yanikomeroglu,UAV datacollection over noma backscatter networks:UAV altitude and trajectoryoptimization,IEEE ICC,2019,pp.1–7.

[19]M.S.Shokry,D.Ebrahimi,C.Assi,S.Sharafeddine,and A.Ghrayeb,Leveraging UAVs for coverage in cell-free vehicular networks:A deepreinforcement learning approach,IEEE Trans.Mobile Comput.20(2021),no.9,2835–2847.

[20]Xiaoyan Hu,Kai-Kit Wong,and Yangyang Zhang,Wirelesspowered edgecomputing with cooperative uav:Task,time scheduling and trajectory design,IEEE Trans.Wireless Commu.19(2020),no.12,8083–8098.

[21]Akram Al-Hourani,Sithamparanathan Kandeepan,and Simon Lardner,Optimal LAP altitude for maximum coverage,IEEE Wireless Commun.Lett.3(2014),no.6,569–572.

[22]Weisen Shi,Junling Li,Wenchao Xu,Haibo Zhou,Ning Zhang,ShanZhang,and Xuemin Shen,Multiple drone-cell deployment analyses andoptimization in drone assisted radio access networks,IEEE Access 6(2018),12518–12529.

[23]Hua Qu,Wenna Zhang,Jihong Zhao,Zhirong Luan,and Chen Chang,Rapiddeployment of UAVs based on bandwidth resources in emergency scenarios,Information Communication Technologies Conference(ICTC),2020,pp.86–90.

[24]Joohyung Lee,Byung Chul Yeo,Ji-Su Kim,Min Seok Jang,and Jun KyunChoi,Energy efficient scalable video coding based cooperative multicastscheme with selective layer forwarding,IEEE Wireless Commun.Lett.17(2013),no.6,1116–1119.

[25]Ioannis-Prodromos Belikaidis,Andreas Georgakopoulos,EvangelosKosmatos,Valerio Frascolla,and Panagiotis Demestichas,Management of 3.5-GHzspectrum in 5G dense networks:A hierarchical radio resource managementscheme,IEEE Veh.Technol.Mag.13(2018),no.2,57–64.

Claims

1.一种无人机辅助无线接入网中NOMA增强的SVC视频多播机制，在无人机辅助无线接入网中，基站和无人机在同一信道上使用不同功率传输不同的视频层信号，其特征是在无人机辅助无线接入网中，采用联合优化方法优化无人机部署和关联模式、频谱划分和无人机发射功率调整；联合优化方法的步骤包括：

(一)考虑视频流量大小和环境因素的影响，把无人机部署和关联模式、频谱划分和无人机发射功率调整的联合优化建模为混合整数非线性规划问题；

(三)解决这三个子问题，步骤包括：

2)采用改进的多重背包算法来解决SP子问题，以确定每个多播组的子信道数；

3)快速功率微调策略来解决TPA子问题，进一步提高系统性能；

所述无人机辅助的无线接入网的系统模型为：多个无人机被放置在一个基站的通信覆盖范围内；无人机具有高容量前传链路用以与基站通信来获取视频内容；无人机有能力通过无线电力传输从基站获取电力；所有终端设备随机分布在基站覆盖范围内，其中请求同一个视频流的终端设备属于一个多播组。

2.根据权利要求1所述的无人机辅助无线接入网中NOMA增强的SVC视频多播机制，其特征是在无人机辅助无线接入网中：

分层视频流：

可扩展视频编码SVC将视频流分成不同分辨率的多个视频层，由一个基本视频层BL和多个增强视频层EL组成；

基站将BL发送给所有终端设备，无人机将一个增强视频层EL发送给位于热点区域的ED，这里BL也称为第1视频层，EL被称为第2视频层；

用λ_l,n表示为多播组n请求的第l视频层的比特率，也表示视频正常解码的最小速率；接收速率至少为λ_l,n方能正常的播放视频；多个视频层重构为一个完整的视频；当且仅当BL被完全接收时，EL才能被解码；

无人机覆盖模型：

在视频传输中存在两种类型的通信链路，即基站到终端设备B2E链路和无人机到终端设备U2E链路；

终端设备ED i的位置坐标表示为(x_i,y_i,0)，设v_j＝(x_j,y_j,z_j)代表无人机j的部署位置；无人机j和ED i之间的LoS概率定义为

其中

代表ED i到无人机j的水平距离，o₁和o₂是由环境因素决定的常数；则平均路径损耗为

其中c₁是载波频率，c₂是光速；η_LoS和η_NLoS代表U2E链路对于LoS接收和NLoS接收的额外路径损耗；

从无人机j到ED i的信道增益计算为

无人机的有效覆盖半径取决于LoS概率和自由空间路径损耗，由下式确定：

其中ξ代表每个无人机的LoS概率，ψ代表自由空间路径损失的阈值；

无人机辅助的NOMA视频多播

假设将B个正交子信道分配给N个多播组，每个子信道的带宽为w；分配给多播组n的子信道数量表示为b_n；每个多播组需要被分配不同的正交子信道，并且最多关联一个无人机；如果多播组n关联无人机j，则0-1变量a_j,n设置为1，否则，设为0；如果无人机j选择发射功率s(记为p_j,s)，则0-1变量e_j,s设置为1；否则，设为0；

基站通过第一个NOMA层用p_m传输BL，而无人机j通过第二个NOMA层用p_j,s传输EL，这些信号在功率域中叠加编码；设

表示无人机的可选传输功率索引的集合，S_j是它集合中元素的数量，将

表示为可用无人机ID的集合；分配给多播组n的子信道的传输功率为

ED处的接收端可以进行SIC解码；

设(x_m,y_m,z_m)表示基站的位置坐标；多播组n中的终端设备ED集合及其数量分别表示为

和I_n；当多播组n接收到BL的信号时，从基站到

的B2E信道增益计算为

其中

表示基站和ED i之间的水平距离，以及γ是路径损耗指数；

由于来自基站的BL信号受到来自无人机j的功率为p_j,s的EL信号的干扰，

处解码BL信号的可达速率表示为关于

b_n和

的函数，由下式给出

这里σ²是平均背景噪声功率；

成功接收/解码BL的约束表示为

设

为无人机j覆盖的

中的ED集合，在

的有着最大的信道增益的ED的ID表示为

作为SIC和视频层解码并重构的约束条件，ED

接收到BL的信号强度必须大于EL的信号强度，则，决策变量e_j,s必须满足

其中τ∈(0,1)是适应环境的参数；上式也可以表示为

可以接收到EL的信号；

由于EL上没有叠加NOMA层，来自无人机j的功率为p_j,s的EL信号不受干扰；

在

处解码EL信号的速率表示为关于

b_n和ε的函数，为

如果式5和10都满足，则

所请求的EL可以成功接收/解码。

3.根据权利要求2所述的无人机辅助无线接入网中NOMA增强的SVC视频多播机制，其特征是所述步骤(一)中，无人机部署和关联模式、频谱划分和无人机发射功率控制的联合优化建模为

Subject to：

如上约束条件中：

在(a)和(b)中，

是一个足够大的常数来保证

在(c)和(d)中，θ是一个足够大的常数，以确保

约束(e)与无人机j与传输功率之间的决策变量相关；约束(f)确保每个无人机只能选择一个传输功率；约束(g)规定每架无人机的x-y轴位置必须在基站覆盖范围内，其中R_m代表基站的覆盖半径；约束(h)是飞行高度的范围，[z^(min),z^(max)]；约束(i)防止分配给所有多播组的频谱资源超过子信道总数；在约束(j)下，每个多播组只能与一个无人机关联；