CN115209423B - 面向切换性能的6g智能超表面网络配置方法 - Google Patents

面向切换性能的6g智能超表面网络配置方法 Download PDF

Info

Publication number
CN115209423B
CN115209423B CN202210766126.4A CN202210766126A CN115209423B CN 115209423 B CN115209423 B CN 115209423B CN 202210766126 A CN202210766126 A CN 202210766126A CN 115209423 B CN115209423 B CN 115209423B
Authority
CN
China
Prior art keywords
irs
network
user
distance
base station
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.)
Active
Application number
CN202210766126.4A
Other languages
English (en)
Other versions
CN115209423A (zh
Inventor
张鸿涛
魏皓琰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202210766126.4A priority Critical patent/CN115209423B/zh
Publication of CN115209423A publication Critical patent/CN115209423A/zh
Application granted granted Critical
Publication of CN115209423B publication Critical patent/CN115209423B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/0005—Control or signalling for completing the hand-off
    • H04W36/0055—Transmission or use of information for re-establishing the radio link
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/08—Reselecting an access point

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提供了面向切换性能的6G智能超表面网络配置方法。在所述方法中，通过统计智能超表面网络的固定参数，并作为平均网络切换概率估计算法的输入参数；考虑有限的小区内IRS单元总数和典型的用户移动速度，面向网络切换性能，以最小化网络平均切换概率为优化目标，通过合理的网络模型建模，获得平均网络切换概率的估计方法，比较不同的每个IRS单元个数N和对应IRS部署密度下的网络平均切换概率的估计值，获得面向切换性能的6G智能超表面网络最佳配置参数，即每个IRS单元个数N和对应的IRS部署密度，最小化网络切换次数，减少网络切换开销。

Description

面向切换性能的6G智能超表面网络配置方法
技术领域
本发明涉及无线通信技术领域，特别涉及未来第五代移动通信(Beyond 5thgeneration，B5G)和第六代移动通信(6th Generation,6G)中,面向切换性能的6G智能超表面网络配置方法。
背景技术
智能反射面(Intelligent Reflecting Surface,简称IRS)成为一种有前途的应用于未来网络的新技术，用于通过软件控制的反射来重新配置无线传播环境。具体而言，IRS是一种超表面，由大量低成本无源反射元件组成，每个元件都能够独立地将振幅和/或相位变化加入到入射信号，从而协同实现细粒度三维反射波束成形。与发射器/接收器现有的无线链路适配技术形成鲜明对比的是，IRS通过高度可控和智能的信号反射主动修改它们之间的无线信道。因此，这提供了一个新的自由度，以进一步增强无线通信性能，并能够实现智能和可编程的无线环境。由于IRS消除了发射前端的使用，并且仅在短距离内运行，因此可以以可扩展的成本和低能耗进行密集部署，而无需在无源IRS之间进行复杂的干扰管理。IRS的增益还可以体现在减少切换次数，然而目前却缺少以最佳切换性能为目标的IRS网络配置方法。
发明内容
本发明提出面向切换性能的6G智能超表面网络配置方法，该方法中，首先统计智能超表面网络的固定参数，包括基站的密度、小区内最多可分配的智能超表面(IRS)单元个数，IRS服务距离，信道路损因子，载波频率，用户的典型速度；然后考虑用户在典型速度下用户在基站之间的切换，以网络平均切换概率的概率为关键指标，根据指标和每个IRS上单元个数的关系情况，考虑典型用户速度下最小化切换概率的IRS配置参数，最后得到最佳的每IRS单元个数和IRS部署密度，从而完成面向切换性能的6G智能超表面网络配置。
本发明的面向切换性能的6G智能超表面网络配置方法包括一下步骤：
步骤200，统计智能超表面网络的固定参数，包括基站的密度、小区内最多可分配的智能超表面(IRS)单元个数，IRS服务距离，信道路损因子，载波频率，用户的典型平均速度。
考虑在一种IRS辅助的多小区无线网络，在估计用户切换概率时，将基站的位置建模为二维泊松点过程，每个基站配置了相同的发射功率，将IRS的位置也建模为二维泊松点过程；在平面内选择随机位置的典型用户进行分析，每个IRS配备了N个反射单元，并联合基站共同为用户提供传输，考虑有限的IRS服务距离D，典型用户最初连接到最近基站和IRS(如果IRS存在于D的距离内)。
考虑小区内可分配的IRS单元个数有限，最大的小区内可分配单元总数记为Nc；所以，为确定每块IRS的最佳单元数和最佳IRS密度，需要统计网络的其他必要参数，包括：IRS服务距离，记为D；信道路损因子，记为α；载波频率，记为fc；用户典型平均速度，记为v；基站的密度，记为λb；作为切换概率估计算法的输入参数。
步骤210，结合网络参数，计算最大小区内可分配单元总数约束下的不同IRS单元数和IRS密度的典型用户单位时间的切换概率。
为了量化IRS、基站级联链路的反射增益，对于原服务基站的链路，考虑具IRS反射波束成形的信道增益模型，原基站的IRS增益Γo(d)如式(1)为：
其中，d为用户距离IRS的距离，Γbf(d)为用户距离IRS小于D时IRS的信道增益，Γsc(d)为用户距离IRS大于D时或者没有服务用户时IRS的信道增益，两种增益由式(2)和(3)给出：
Γsc(d)＝1+Ngr(d)+Gsc(d) (3)
其中，gr(d)＝βd-α，β＝(4πfc/c)-2， c为光速；所以，对于原基站的路损表示为式(4)：
lo(ro,d)＝Γo(d)gb(ro) (4)
其中，ro为用户距离原基站的距离。
对于邻基站的路损表示为式(5)：
ln(rn,d)＝Γsc(d)gb(rn) (5)
其中，rn为用户距离邻基站的距离。
不失一般性，考虑典型用户在t1时刻位于初始位置l1，并在单位时间内以典型速度v,和随机选择的角度移动单位时间。在t2移动到l2。运动方向与BS和IRS之间的角度分别记为θ和φ。θ和建模为独立地遵循(-π,π]中的均匀分布。用户会切换到提供最高平均接收功率的基站。
定义等效距离r'，等效距离r'的物理意义是，在用户与原始基站之间的距离为ro以及IRS与用户之间的距离为d下,发生切换时用户与邻基站的最小距离，等效距离的计算如式(6)：
考虑用户时刻连接距离自己最近的IRS，在t1时刻，用户距离最近IRS的距离为d1，所以t2时刻，用户距离IRS的最大距离如式(7)：
由于存在连接到更近IRS的可能，算法中将t2时刻用户与IRS的距离d2建模为随机变量，而且d2的概率分布函数如式(8)：
其中，中间变量S∩(x1,x2,a)和S′∩(d1,d2,v)分别为式(9)和(10)：
δ(x)为冲击函数。
基于等效距离和IRS距离的分布，获得切换概率的计算方法，如式(11)：
其中，中间变量的计算方法如式(12)：
中间变量的计算方法如式(13)：
步骤220，考虑有限的小区内IRS单元总数，比较不同的每个IRS单元个数N下的网络平均切换概率的估计值，选择典型用户速度下估计值最小时的每个IRS单元个数N和IRS部署密度，确定切换性能最优的智能超表面网络配置。
考虑有限的小区内IRS单元总数且每个IRS分配的单元相同，即小区内每个IRS单元单元的总和一定，所以，每个IRS的单元数量N、IRS部署密度λr、小区内IRS单元总数Nc和基站密度λb的关系满足式(14)：
基站密度和小区内IRS单元总数为定值，所以优化的参量为每个IRS的单元个数N和IRS部署密度λr，且二者为反比例关系。
分别计算每个IRS的单元个数N取值为1至Nc下和对应的IRS部署密度λr的网络平均切换概率，选择网络平均切换概率最小时候的每个IRS的单元个数N和对应的IRS部署密度λr作为最佳的IRS配置，最小化网络切换开销。
有益效果
本发明通过统计智能超表面网络的固定参数，包括基站的密度、小区内最多可分配的智能超表面(IRS)单元个数，IRS服务距离，信道路损因子，载波频率，用户的典型速度，并作为平均网络切换概率估计算法的输入参数；考虑有限的小区内IRS单元总数，比较不同的每个IRS单元个数N，选择典型用户速度下最小值时的切换概率的每个IRS单元个数N，得到最优的每IRS单元个数和IRS部署密度；该发明面向网络切换性能，以最小化切换概率为优化目标，通过合理的网络模型建模，获得平均网络切换概率的紧致的理论表达式，比较不同网络参数下的估计值，获得最佳参数，完成面向切换性能的6G智能超表面网络配置，最小化网络切换次数，从而减少网络切换开销。
附图说明
图1是本发明的面向切换性能的6G智能超表面网络系统模型图；
图2是本发明的算法实施流程图；
图3是本发明的基站密度为200每平方千米时网络平均切换概率随每IRS单元个数变化关系的示意图；
图4是本发明的基站密度为5000每平方千米时网络平均切换概率随每IRS单元个数变化关系的示意图；
具体实施方式
下面结合附图对本发明实施例作详细说明。本发明面向切换性能，提出了一种6G智能超表面网络配置方法。
图1为面向切换性能的6G智能超表面网络系统模型。考虑在一种IRS辅助的多小区无线网络，在估计用户切换概率时，将基站的位置建模为二维泊松点过程，每个基站配置了相同的发射功率，将IRS的位置也建模为二维泊松点过程；在平面内选择随机位置的典型用户，并在典型用户速度下进行分析，每个IRS配备了N个反射单元，并联合基站共同为用户提供传输，考虑有限的IRS服务距离D，典型用户最初连接到最近基站和IRS(如果IRS存在于D的距离内)。考虑小区内可分配的IRS单元个数有限，即小区内每个IRS单元单元的总和一定，移动用户会切换到提供最高平均接收功率的基站。
本案例的算法流程如附图2所示，其具体实施步骤为：
步骤300，统计智能超表面网络的固定参数，包括基站的密度、小区内最多可分配的智能超表面单元个数，IRS服务距离，信道路损因子，载波频率，用户的典型平均速度。所述的固定参数为网络平均切换概率估计算法的输入参数。
步骤310，结合网络参数，计算最大小区内可分配单元总数约束下的不同IRS单元数和IRS密度的典型用户单位时间的切换概率。估计算法的输入参数为每IRS单元个数、IRS部署密度、IRS服务距离、信道路损因子、载波频率、用户的典型平均速度，计算式为式(15)
其中，中间变量的计算方法如式(16)：
中间变量的计算方法如式(17)：
λr为IRS部署密度，λb为基站部署密度，v为用户典型速度，θ为移动方向和基站夹角，为移动方向与IRS夹角，/>为典型用户移动单位时间后距IRS的最大距离，r1为初始时刻用户与基站距离，d1为初始时刻用户与IRS距离，/>为典型用户移动单位时间后距IRS的距离的概率分布，r2′为典型用户移动单位时间后的等效距离，其计算式为式(18)：
步骤320，考虑有限的小区内IRS单元总数，比较不同的每个IRS单元个数N下的网络平均切换概率的估计值，选择典型用户速度下估计值最小时的每个IRS单元个数N和IRS部署密度，确定切换性能最优的智能超表面网络配置。实现最小化网络切换开销。
仿真与估计结果如附图3和附图4所示。定量分析IRS单元分配对网络平均切换概率的影响。若无特殊说明，网络的参数设置如下：fc＝2GHz，α＝4，v＝15m/s。
附图3为基站密度为200每平方千米时网络平均切换概率随每IRS单元个数和小区内IRS单元总数比值的变化关系；标记点为仿真值；当IRS服务距离D为5m时，在小区内IRS单元总数分别为100、500、2500时，最佳的每IRS单元个数分别为：34、105、350，相比没有部署IRS，切换概率分别下降了22％、43％、62％。当IRS服务距离D为20m时，在小区内IRS单元总数分别为100、500、2500时，最佳的每IRS单元个数分别为：100、500、2500，相比没有部署IRS，切换概率分别下降了48％、70％、84％。
附图4为基站密度为5000每平方千米时网络平均切换概率随每IRS单元个数和小区内IRS单元总数比值的变化关系；标记点为仿真值；当IRS服务距离D为5m时，在小区内IRS单元总数分别为100、500、2500时，最佳的每IRS单元个数分别为：4、1、1，相比没有部署IRS，切换概率分别下降了23％、54％、73％。当IRS服务距离D为20m时，在小区内IRS单元总数分别为100、500、2500时，最佳的每IRS单元个数分别为：10、35、125，相比没有部署IRS，切换概率分别下降了62％、84％、92％。

Claims (3)

1.面向切换性能的6G智能超表面网络配置方法，其特征在于，包括：通过统计智能超表面网络的固定参数，包括：基站的密度、小区内最多可分配的智能超表面单元个数，IRS服务距离，信道路损因子，载波频率，用户的典型速度；以网络平均切换概率为关键指标，根据指标和每个IRS上单元个数的关系情况，比较最大小区内可分配单元总数下，不同每IRS单元个数和IRS部署密度下的典型用户速度下切换概率估计值，网络平均切换概率估算值的计算式为：
其中，和/>为中间变量，其计算式分别为：
λr为IRS部署密度，λb为基站部署密度，v为用户典型速度，θ为移动方向和基站夹角，为移动方向与IRS夹角，/>为典型用户移动单位时间后距IRS的最大距离，r1为初始时刻用户与基站距离，d1为初始时刻用户与IRS距离，/>为典型用户移动单位时间后距IRS的距离的概率分布，S∩(x1,x2,a)为中间变量，其计算式为：
r′2为典型用户移动单位时间后的等效距离，等效距离为在用户与原始基站之间的距离为ro以及IRS与用户之间的距离为d下,发生切换时用户与邻基站的最小距离，等效距离的计算式为：
其中，Γsc(d)为用户距离IRS大于IRS服务距离D时或者没有服务用户时IRS的信道增益，Γo(d)为原基站的IRS增益，α为信道路损因子；确定网络平均切换概率最小时的每IRS单元个数和IRS部署密度，从而完成最小化切换开销的智能超表面网络配置。
2.根据权利要求1所述的方法，其特征在于，考虑有限的小区内IRS单元总数，比较不同的每个IRS单元个数N下的网络平均切换概率的估计值，选择典型用户速度下估计值最小时的每个IRS单元个数N和IRS部署密度，确定切换性能最优的智能超表面网络配置。
3.根据权利要求1所述的方法，每个IRS的单元数量N、IRS部署密度λr、小区内IRS单元总数Nc和基站密度λb，在计算典型用户速度下切换概率估计值时满足以下关系：
且基站密度和小区内IRS单元总数为定值。
CN202210766126.4A 2022-06-30 2022-06-30 面向切换性能的6g智能超表面网络配置方法 Active CN115209423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210766126.4A CN115209423B (zh) 2022-06-30 2022-06-30 面向切换性能的6g智能超表面网络配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210766126.4A CN115209423B (zh) 2022-06-30 2022-06-30 面向切换性能的6g智能超表面网络配置方法

Publications (2)

Publication Number Publication Date
CN115209423A CN115209423A (zh) 2022-10-18
CN115209423B true CN115209423B (zh) 2023-12-29

Family

ID=83578014

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210766126.4A Active CN115209423B (zh) 2022-06-30 2022-06-30 面向切换性能的6g智能超表面网络配置方法

Country Status (1)

Country Link
CN (1) CN115209423B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017168297A1 (en) * 2016-03-27 2017-10-05 King Abdullah University Of Science And Technology Reducing handover signaling through base station skipping
CN111245493A (zh) * 2020-01-10 2020-06-05 北京邮电大学 智能反射面辅助毫米波通信系统的高效波束训练方法
CN111641955A (zh) * 2020-06-01 2020-09-08 北京邮电大学 智能反射面辅助毫米波通信网络的前摄性波束切换方法
CN113055816A (zh) * 2021-03-23 2021-06-29 南通大学 一种基于位置信息的多智能反射面辅助两跳中继无线通信方法及其系统
WO2021221603A1 (en) * 2020-04-27 2021-11-04 Nokia Technologies Oy Ue positioning aided by reconfigurable reflecting surfaces such as intelligent reflecting surfaces (irs)
CN113993102A (zh) * 2021-10-21 2022-01-28 北京邮电大学 一种6g下异构无人机网络切换参数设定方法
CN114286312A (zh) * 2021-12-06 2022-04-05 北京科技大学 一种基于可重构智能表面增强无人机通信的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017168297A1 (en) * 2016-03-27 2017-10-05 King Abdullah University Of Science And Technology Reducing handover signaling through base station skipping
CN111245493A (zh) * 2020-01-10 2020-06-05 北京邮电大学 智能反射面辅助毫米波通信系统的高效波束训练方法
WO2021221603A1 (en) * 2020-04-27 2021-11-04 Nokia Technologies Oy Ue positioning aided by reconfigurable reflecting surfaces such as intelligent reflecting surfaces (irs)
CN111641955A (zh) * 2020-06-01 2020-09-08 北京邮电大学 智能反射面辅助毫米波通信网络的前摄性波束切换方法
CN113055816A (zh) * 2021-03-23 2021-06-29 南通大学 一种基于位置信息的多智能反射面辅助两跳中继无线通信方法及其系统
CN113993102A (zh) * 2021-10-21 2022-01-28 北京邮电大学 一种6g下异构无人机网络切换参数设定方法
CN114286312A (zh) * 2021-12-06 2022-04-05 北京科技大学 一种基于可重构智能表面增强无人机通信的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Novel Utility-Based Handover Decision Policy for a Two-Tier HetNets;Edenalisoa Rakotomanana et al.;《2017 IEEE 85th Vehicular Technology Conference (VTC Spring)》;全文 *
An Equivalent Analysis for Handoff Probability in Heterogeneous Cellular Networks;Shin-Ying Hsueh et al.;《IEEE Communications Letters 》;全文 *
IRS辅助的认知反向散射通信网络性能增强方案;吕斌 等;《通信学报》;全文 *
基于可重构智能表面的移动通信简要综述;周儒雅 等;移动通信;全文 *

Also Published As

Publication number Publication date
CN115209423A (zh) 2022-10-18

Similar Documents

Publication Publication Date Title
CN112616189B (zh) 一种静态和动态相结合的毫米波波束资源分配与优化方法
US8295859B1 (en) System and method of exploiting location awareness to improve wireless cognitive radio
Sun et al. Energy efficient collaborative beamforming for reducing sidelobe in wireless sensor networks
CN110972312B (zh) 一种毫米波蜂窝网络的小区间干扰协调方法
CN115278707B (zh) 基于智能反射面辅助的noma太赫兹网络能效优化方法
Sarma et al. Symbiosis between D2D communication and industrial IoT for industry 5.0 in 5G mm-wave cellular network: An interference management approach
CN114980169A (zh) 一种基于轨迹与相位联合优化的无人机辅助地面通信方法
Li et al. Physical layer security for edge caching in 6G networks
Zhao et al. Uplink resource allocation in mobile edge computing-based heterogeneous networks with multi-band RF energy harvesting
CN115209423B (zh) 面向切换性能的6g智能超表面网络配置方法
Fatahi-Bafqi et al. Analytical framework for mmWave-enabled V2X caching
CN117412391A (zh) 一种基于增强型双深度q网络的车联网无线资源分配方法
CN102348265A (zh) 一种基于隐马氏模型的cdma无线网络功率控制方法
Wu et al. Research on RSS based indoor location method
Yang et al. Coverage analysis of heterogeneous cellular networks in urban areas
CN113784313A (zh) 一种基于可重构反射超表面的车联网通信优化方法及系统
Pattanayak A genetically trained neural network for prediction of path loss in outdoor microcell
Lou et al. Terrain-Based UAV Deployment: Providing Coverage for Outdoor Users
Liao et al. 3D stochastic geometry channel model of cell-free massive MIMO system
Chin et al. Pipelined neural network assisted mobility speed estimation over doubly-selective fading channels
Fazliu et al. A belief propagation solution for beam coordination in mmWave vehicular networks
Xie et al. Cluster-based geometrical dynamic stochastic model for MIMO scattering channels
Zhang et al. Optimization algorithm of communication resource allocation in a complex network based on an improved neural network
CN113630887B (zh) 一种基于在线学习的毫米波网络的车联网通信方法
Ojo et al. Deep Learning Based Software-Defined Indoor Environment for Space-time Coded Wireless Communication Using Reconfigurable Intelligent Surfaces.

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