CN117425211A - 一种基于链路自适应的资源调度方法 - Google Patents
一种基于链路自适应的资源调度方法 Download PDFInfo
- Publication number
- CN117425211A CN117425211A CN202311543665.2A CN202311543665A CN117425211A CN 117425211 A CN117425211 A CN 117425211A CN 202311543665 A CN202311543665 A CN 202311543665A CN 117425211 A CN117425211 A CN 117425211A
- Authority
- CN
- China
- Prior art keywords
- embb
- urllc
- slot
- resource
- modulation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000005540 biological transmission Effects 0.000 claims abstract description 67
- 230000007246 mechanism Effects 0.000 claims abstract description 56
- 238000001228 spectrum Methods 0.000 claims abstract description 50
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000004080 punching Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000005094 computer simulation Methods 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims 1
- 230000006978 adaptation Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000000411 transmission spectrum Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/1215—Wireless traffic scheduling for collaboration of different radio technologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/51—Allocation or scheduling criteria for wireless resources based on terminal or device properties
- H04W72/512—Allocation or scheduling criteria for wireless resources based on terminal or device properties for low-latency requirements, e.g. URLLC
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于链路自适应的资源调度方法,包括:响应于URLLC业务到达基站,将URLLC数据包与当前传输的eMBB频谱进行叠加得到信道增益;根据信道增益,基于匹配理论寻找可叠加复用的eMBB频谱资源,并确定调度机制;若确定调度机制为穿刺打孔机制,对当前传输的eMBB频谱进行穿刺打孔,得到URLLC在eMBB频谱上的穿刺打孔情况;获取当前时隙用于eMBB传输的代码块长度以及降维后的一串资源块RBs的信道条件向量、降维后的URLLC在eMBB频谱上的穿刺打孔情况,输入训练好的网络模型,得到输出的多个调制编码方案对应的预测误码率;在预测误码率不超过设定值的约束下,将eMBB传输的吞吐量最大时对应的调制编码方案作为最终eMBB调制编码方案;根据eMBB调制编码方案,实现资源调度。
Description
技术领域
本发明属于无线通信技术领域,涉及一种基于链路自适应的资源调度方法。
背景技术
随着5G技术的不断发展,其衍生出的各类新型应用和服务也在不断扩大。为了处理不同场景下的各项业务,国际电信联盟提出了5G三大场景的概念,即增强型移动带宽(eMBB)、超可靠低时延通信(URLLC)和大规模机器通信(mMTC)。然而,实际应用的复杂性与多样性导致其无法被单一场景所覆盖,不同业务在某一应用中共存。eMBB与URLLC作为5G技术中最基本、覆盖最广业务,主要有资源预留、叠加复用和穿刺打孔三类资源调度方案。
然而,资源预留无法充分利用频谱资源,易造成浪费;叠加复用使业务之间相互干扰,给解码操作带来难度;穿刺打孔对当前传输数据造成了损坏,可能导致数据重传。单一的调度机制在实际传输中具有一定的缺陷,所以需要考虑融合多种机制来优化对前述场景的资源调度。
发明内容
链路自适应技术指通信系统根据信道情况,通过动态调整传输参数来提高系统的频带利用率,使资源利用程度最大化。在LTE中,系统基于先前时隙的信道质量报告来实现调制和编码方案(MCS)自适应,但由于穿刺机制下信道情况几乎没有相关性,这种方案不再可行。
利用机器学习在时隙开始之前为eMBB业务寻找最佳调制编码方案,能够实现穿刺机制下的链路自适应。
多业务共存场景虽然能够带来更佳的用户体验与服务质量,但业务之间的异构性也为共存带来了困难。eMBB业务旨在提升用户体验,支持高体验速率,技术方面要求较大的吞吐量,因此往往占据较多的频谱资源。而URLLC业务较为零星,但具有高可靠、低延迟的特点,对端到端的时延有着极为严苛的要求,同时可靠性需要达到99.999%以上。通过现有调度机制进行资源分配时,首先需要满足URLLC严苛的业务要求,其次要尽可能降低对eMBB数据造成的伤害,保证eMBB业务的正常传输。
目的:本发明所要解决的技术问题是eMBB与URLLC共存场景下的资源调度问题,主要解决如何将现有资源调度机制进行融合,利用链路自适应技术改变调制和编码方案,满足URLLC时延要求的同时降低对eMBB频谱的伤害,从而优化资源调度效果。
为了解决上述问题,本发明提供一种基于链路自适应的资源调度方法,针对抢占穿刺打孔情况下无法根据CQI进行链路自适应LA的情况,通过设计机器学习平面和调度平面,为目前传输的eMBB业务选择其中的一个最佳MCS方案,在保障链路可靠性的前提下最大化eMBB数据的吞吐量。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
第一方面,本发明提供一种基于链路自适应的资源调度方法,包括:
响应于URLLC业务到达基站,获取URLLC数据包;
将URLLC数据包与当前传输的eMBB频谱进行叠加得到信道增益;
根据所述信道增益以及多种调度机制下的eMBB用户、URLLC用户可实现数据传输速率计算模型,基于匹配理论寻找可叠加复用的eMBB频谱资源,并确定调度机制;
若确定调度机制为穿刺打孔机制,对当前传输的eMBB频谱进行穿刺打孔,得到URLLC在eMBB频谱上的穿刺打孔情况
获取当前时隙用于eMBB传输的代码块长度和一串资源块RBs的信道条件向量
对一串资源块RBs的信道条件向量URLLC在eMBB频谱上的穿刺打孔情况/>进行降维,分别得到降维后的一串资源块RBs的信道条件向量/>URLLC在eMBB频谱上的穿刺打孔情况/>
将输入数据输入训练好的网络模型,得到输出的多个调制编码方案对应的预测误码率;
在预测误码率不超过设定值的约束条件下,将eMBB传输的吞吐量最大时对应的调制编码方案作为最终eMBB调制编码方案;
根据所述eMBB调制编码方案,实现资源调度。
在一些实施例中,所述多种调度机制下的eMBB用户可实现数据传输速率的计算模型包括:
其中为在第t个时隙下第m个迷你时隙使用多个资源块进行传输的eMBB用户可实现数据传输速率,/>分别为eMBB用户在叠加复用、穿刺打孔和未被调度情况下的信噪比;/>为在第t个时隙下第m个迷你时隙使用第r个资源块进行传输的eMBB用户的数据传输速率;
分别表示在叠加复用、穿刺打孔和未被调度的情况下资源的分配向量;
因此,在第t个时隙边缘调度eMBB资源时,数据传输速率为 为在第t-1个时隙下第m个迷你时隙使用多个资源块进行传输的eMBB用户可实现数据传输速率;
所述多种调度机制下的URLLC用户可实现数据传输速率的计算模型包括:
其中为在第t个时隙下第m个迷你时隙使用多个资源块进行传输的URLLC用户可实现数据传输速率,/>分别表示在叠加复用、穿刺打孔情况下资源的分配向量,分别为eMBB用户在叠加复用、穿刺打孔情况下的信噪比;/>为在第t个时隙下第m个迷你时隙使用第r个资源块进行传输的eMBB用户的数据传输速率;
在时隙t∈T的迷你时隙m∈M中传输的一个URLLC用户所分配到的一串资源块RBs由其在叠加复用、穿刺打孔两种调度机制下抢占到资源组成,用表示该URLLC传输资源块的分配向量,其表达式如下:
根据可靠性约束,每个迷你时隙中到达的URLLC用户能够进行传输的概率达到99.999%的要求,其中P表示概率,U表示URLLC用户数量。
在一些实施例中,基于匹配理论寻找可叠加复用的eMBB频谱资源,并确定调度机制,包括:
若有可叠加复用的频谱资源,确定调度机制为叠加复用机制;
若无可叠加复用的频谱资源,确定调度机制为穿刺打孔机制。
在一些实施例中,所述的方法,还包括:
若确定调度机制为叠加复用机制,获取最佳匹配用户对,基于前一时隙的信道质量报告和所述最佳匹配用户对选择eMBB调制编码方案;其中所述最佳匹配用户对为URLLC用户与寻找到的可叠加复用的eMBB用户最佳匹配对。
根据所述最佳匹配用户对,在URLLC业务到达基站时,优先考虑跟匹配的eMBB用户进行叠加复用;所述最佳匹配用户对在选择调度机制时作为一个优先的参考。
信道质量报告(CQI)由用户设备(UE)进行测量并上报,现有协议中并没有定义CQI的测量方式;UE根据测量结果(比如SINR信干比)评估下行链路特性,并采用内部算法确定此SINR条件下能获得块误码率(BLER)值,并根据BLER<10%的限制,上报对应的CQI值。
在一些实施例中,获取当前时隙用于eMBB传输的代码块长度包括:
其中表示用于eMBB传输的代码块长度,/>表示用于第t个时隙内eMBB用户数据传输的资源块RB数量;F表示一个时隙内的OFDM符号数量;S表示一个资源块RB内的子载波数量;M表示资源单元RE携带的比特数。
在一些实施例中,获取一串资源块RBs的信道条件向量包括:
表示指示一串资源块RBs的信道条件向量;/>表示用于第t个时隙内eMBB用户数据传输的资源块RB数量;F表示一个时隙内的OFDM符号数量;S表示一个资源块RB内的子载波数量。
在一些实施例中,对一串资源块RBs的信道条件向量URLLC在eMBB频谱上的穿刺打孔情况/>进行降维,分别得到降维后的一串资源块RBs的信道条件向量/>URLLC在eMBB频谱上的穿刺打孔情况/>包括:
中每个元素都表示一个资源单位RE的信道条件记作/> 数值范围落在(-∞,+∞),将整个实数域划分为L个区间{(-∞,σ1],(σ1,σ2],(σ2,σ3],...,(σL-1,+∞)},其中σ1<σ2<σ3<...<σL;
其中表示/>中元素的数值落入第j个区间内的百分比。
在一些实施例中,所述网络模型为由一个输入层和多个隐藏层组成的前馈神经网络;
利用带标签的训练样本对所述前馈神经网络进行训练,其中分别为对应调制编码方案下的实际误码率;
输入数据为输出结果为/>v为训练过程中的参数集,则前馈神经网络在/>样例上的均方误差Ek为:
其中为第m个调制编码方案对应的预测误码率,/>为实际误码率,/> 为eMBB用户在第m个调制编码方案下的解码结果,E为eMBB用户数量;
对每个eMBB用户的解码结果引入校准参数χe,则预测误码率与实际误码率之间的近似误差为:
其中为第m个调制编码方案对应的预测误码率,/>为实际误码率, 为eMBB用户在第m个调制编码方案下的解码结果,E为eMBB用户数量;
修正后的均方误差为:
对于校准参数χe的更新采取梯度下降策略,并使用sgn(.)函数对其更新方向进行控制,
χe←χe+sgn(Δχe)
深度学习就是要在每一次迭代中对参数进行更新估计,找到一组参数使均方误差最小;基于梯度下降的策略,在迭代结束后,对于参数的更新估计式为:
ν←ν+Δν
其中η表示学习率。
在一些实施例中,在预测误码率不超过设定值的约束条件下,将eMBB传输的吞吐量最大时对应的调制编码方案作为最终eMBB调制编码方案,包括:
最终eMBB调制编码方案的确定目标为:
目标且subject to:实际误码率/>
其中ε={1,2,3,...,29},每个调制编码方案对应一种特定的调制类型,Th(ε,t)为第t个时隙内eMBB传输的吞吐量。
第二方面,本发明提供了一种5G场景下基于混合数字命理的资源调度装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。
第三方面,本发明提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
有益效果:本发明提供一种基于链路自适应的资源调度方法,基于URLLC的时延敏感性,优先考虑叠加复用技术。通过匹配理论筛选可复用的eMBB频谱,若筛选无果则允许URLLC抢占当前频谱进行传输。对于未遭到破坏的eMBB资源,本方案仍以信道质量为标准进行MCS的选择,但对于遭到破坏的eMBB资源,本方案通过机器学习为其选择一种最佳方案。本方案不但考虑了多种调度机制,而且考虑利用链路自适应技术对每种机制的调度效果进行优化;其次,本方案通过机器学习来实现链路自适应,降低决策时延以满足URLLC的时延要求。
附图说明
图1为根据本发明一实施例中URLLC抢占eMBB频谱资源示意图;
图2为根据本发明一实施例中以基站为中心的包含多个用户的小区资源调度示意图;
图3为根据本发明一实施例中基于链路自适应的资源调度方法流程示意图;
图4至图6为实施例中仿真效果示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
实施例1
一种基于链路自适应的资源调度方法,包括:
响应于URLLC业务到达基站,获取URLLC数据包;
将URLLC数据包与当前传输的eMBB频谱进行叠加得到信道增益;
根据所述信道增益以及多种调度机制下的eMBB用户、URLLC用户可实现数据传输速率计算模型,基于匹配理论寻找可叠加复用的eMBB频谱资源,并确定调度机制;其中所述调度机制包括叠加复用机制和穿刺打孔机制;
若确定调度机制为穿刺打孔机制,对当前传输的eMBB频谱进行穿刺打孔,得到URLLC在eMBB频谱上的穿刺打孔情况
获取当前时隙用于eMBB传输的代码块长度和一串资源块RBs的信道条件向量
对一串资源块RBs的信道条件向量URLLC在eMBB频谱上的穿刺打孔情况/>进行降维,分别得到降维后的一串资源块RBs的信道条件向量/>URLLC在eMBB频谱上的穿刺打孔情况/>
将输入数据输入训练好的网络模型,得到输出的多个调制编码方案对应的预测误码率;
在预测误码率不超过设定值的约束条件下,将eMBB传输的吞吐量最大时对应的调制编码方案作为最终eMBB调制编码方案;
根据所述eMBB调制编码方案,实现资源调度。
在一些实施例中,本申请根据eMBB与URLLC业务特点及不同资源调度机制的优劣,结合链路自适应技术为eMBB频谱动态选择调制编码方案,构建一个面向eMBB与URLLC共存场景的资源调度方案。
本发明采用的系统模型如图2所示,在5G NR标准下建立一个以基站为中心的小区,其中覆盖了多个eMBB和URLLC用户。
用户集由两个子集组成,即eMBB服务用户集E={1,2,3...,e},URLLC服务用户集U={1,2,3,...,u}。在下行链路上,eMBB用户和URLLC用户可以在同一信道上进行资源动态复用。为了关注零星到来的URLLC如何调用目前频谱资源及其调用后对eMBB传输的影响,设置下行链路始终在进行eMBB资源传输,即基站处的eMBB服务要求始终存在。在下行链路中,分配给eMBB的资源块集合为R={1,2,3,...,r},将传输过程分为多个时隙,T={1,2,3,...,t}。一个时隙又可被进一步划分为多个迷你时隙,M={1,2,3,...,m},从而有效满足零星的URLLC业务负载要求。由于信道的快衰落效应,本申请考虑信道条件在时隙维度上的变化。
由于信道的快衰落效应,本方案主要考虑信道条件在时隙维度上的变化。一个OFDM符号与一个子载波组成资源单元RE,一个时隙内所有OFDM符号与子载波组成资源块RB。每个时隙中用于eMBB传输的资源块数量取决于前一时隙的资源调度情况,遵循比例公平算法进行选择。
当URLLC业务到达基站BS时,首先需要为其寻找可叠加复用的频谱资源,若无可用资源,则对当前传输的eMBB资源进行穿刺打孔。同时,基于URLLC用户的操作,在每个时隙为传输的eMBB选择合适的MCS方案。
所述多种调度机制下的eMBB用户可实现数据传输速率为:
其中为在第t个时隙下第m个迷你时隙使用多个资源块进行传输的eMBB用户可实现数据传输速率,/>分别为eMBB用户在叠加复用、穿刺打孔和未被调度情况下的信噪比;
分别表示在叠加复用、穿刺打孔和未被调度的情况下资源的分配向量;
此外,在第t个时隙边缘调度eMBB资源时,数据传输速率为 为在第t-1个时隙下第m个迷你时隙使用多个资源块进行传输的eMBB用户可实现数据传输速率;
所述多种调度机制下的URLLC用户可实现数据传输速率为:
其中为在第t个时隙下第m个迷你时隙使用多个资源块进行传输的URLLC用户可实现数据传输速率,/>分别表示在叠加复用、穿刺打孔情况下资源的分配向量,分别为eMBB用户在叠加复用、穿刺打孔情况下的信噪比;
在时隙t∈T的迷你时隙m∈M中传输的一个URLLC用户所分配到的一串资源块RBs由其在叠加复用、穿刺打孔两种调度机制下抢占到资源组成,用表示该URLLC传输资源块的分配向量,其表达式如下:
根据可靠性约束,每个迷你时隙中到达的URLLC用户能够进行传输的概率达到99.999%的要求,其中P表示概率,U表示URLLC用户数量。
调制编码方案选择:在eMBB与URLLC业务共存的场景中,零星到来的URLLC服务将会导致BS对频谱资源进行重新调度,原本正常传输的eMBB用户将会不可避免地受到干扰,损失一定程度的吞吐量,还可能带来数据重传负担。为此本申请提出一种链路自适应机制,通过在时隙边缘动态调整传输的MCS方案,在满足eMBB传输可靠性要求的前提下,最大程度提高其吞吐量。根据5G NR标准,eMBB传输的误码率应控制在10%以下。因此本申请的目标可表示为:
Th(ε,t)为第t个时隙内eMBB传输的吞吐量。吞吐量是网络的流量,受到数据速率的限制。
在5G传输中,3GPP组织提出了29个调制编码方案,记作ε={1,2,3,...,29},每个MCS方案对应一种特定的调制类型(例如QPSK、16-QAM和64-QAM)和LDPC码率(在0和1之间)的组合。由于不同资源块RB使用不同的调制编码方案并不能显著提升性能指标,因此本申请对一个eMBB传输所使用的所有资源块使用同一种调制编码方案。
为了帮助传输中的eMBB用户选择最佳的MCS方案,本申请通过深度学习,根据输入数据,利用前馈神经网络输出能够最大化eMBB吞吐量的调制编码方案。实现上述功能要求深度学习平面的输入数据包括以下三点:ⅰ)用于eMBB传输的代码块长度;ⅱ)一串资源块RBs的信道条件;ⅲ)URLLC在该eMBB频谱上的穿刺打孔情况。
整个学习平面的设计包括三个阶段:
阶段一:降低输入数据的维度;由于信道中传输的数据量非常多,且属于高维矢量,将会导致决策时间超出限制。因此本申请基于信息量损失最小的原则对输入数据进行降维。
阶段二:学习并输出结果;这阶段属于整个机器学习方案中的核心部分,利用前馈神经网络寻找输入与输出之间的映射关系,根据降维后的信道条件数据输出适合的调制编码方案。
阶段三:预测结果校准;机器学习的过程中无法避免误差,引入校准参数,对预测结果进行微调,减小误差对MCS选择的影响。
A、降低输入数据维度
根据学习平面的设计要求,每个时隙中需要输入高维矢量分别对其中的三个分量进行讨论。
ⅰ)表示用于eMBB传输的代码块长度,5G NR标准下的29个调制编码方案对应着三种不同的调制类型,每种调制类型下资源单位RE所携带的比特数如表1所示,每个资源块RB中包含的资源单位RE数量恒定,即S×F。
表1不同调制类型下资源单位RE所携带的比特数
因此一个时隙内传输eMBB数据的代码块长度等于分配的资源块RB数目乘以特定的常数。
其中表示用于第t个时隙内一个eMBB用户数据传输的资源块RB数量;F表示一个时隙内的OFDM符号数量,等于14;S表示一个资源块RB内的子载波数量,等于12;M表示资源单位RE携带的比特数。
ⅱ)表示指示一串资源块RBs的信道条件向量,在资源单位RE级别上具有粒度,因此该向量中元素数量与资源单位RE数量相等,即/>其中的每个元素都表示一个资源单位RE的信道条件记作/> 通过后检测信噪比来表示信道条件,其数值范围落在(-∞,+∞),本申请考虑划分离散区间并用ri(t)落入离散区间内的百分比对R(t)进行降维。将整个实数域划分为L个区间{(-∞,σ1],(σ1,σ2],(σ2,σ3],...,(σL-1,+∞)},其中σ1<σ2<σ3<...<σL。则/>其中/>表示/>中元素的数值落入第j个区间内的百分比。在一些实施例中,通过实验取L=100。
另一个关键性问题是关于离散区间的划分,即σ的取值。本申请通过信息量损失来衡量不同区间的划分效果,记H(σi,σi+1)为PD-SNR落入(σi,σi+1)区间时的信息量,P(σi,σi+1)为PD-SNR落入(σi,σi+1)区间的概率,则整体的信息量可表示为由于PD-SNR的概率密度函数(PDF)未知,其落入某一区间的概率也未知,因此本申请通过实际采样,利用样本观测值估计信息量与概率,并通过贪婪算法不断更新σ的取值。
ⅲ)用于指示URLLC在eMBB频谱上的穿刺打孔情况,为了充分表示每个迷你时隙的穿刺打孔情况,该向量也需要在资源单位RE级别上具有粒度,则有/>由于eMBB的传输频谱使用了完全位交错技术,在标记其打孔情况时不需要维护资源单位RE的位置信息,可以使用标量/>表示第t个时隙内用于eMBB传输的资源单位RE被打孔的百分比。当eMBB资源被URLLC打孔抢占后,其有效信号功率趋近于0,PD-SNR的数值可以看作-∞,并未落入上述划分的L个区间中。基于上述讨论,被打孔的概率可以记作/>
ⅳ)经过上述讨论,可以将输入数据转化为:
其中 都为标量,/>为L维矢量,与/>的维度相比有了明显降低。
深度学习的核心阶段就是寻找输入数据与输出结果之间的映射关系,为输入的信道数据选择合适的调制编码方案作为输出。记对于输入向量的预期输出结果为/>两者之间的映射函数为f(.),则有/>由于映射函数未知,考虑利用不同调制编码方案下传输的解码误码率来衡量适配程度。调制编码方案MCS共有29个水平,则转化后的输出矢量应含有29个元素,分别为对应调制编码方案下的误码率,/>
由于实际传输的不确定性,利用采样结果对误码率进行近似表示,引入0-1变量表示eMBB用户在MCS m水平下的解码结果。
构建由一个输入层和多个隐藏层组成的前馈神经网络,利用该网络对输入数据进行训练,记输出结果为v为训练过程中的参数集,则网络在样例上的均方误差为;
深度学习就是要在每一次迭代中对参数进行更新估计,找到一组参数使均方误差最小。基于梯度下降的策略,在迭代结束后,对于参数的更新估计式为:
ν←ν+Δν
其中η表示学习率,取10-3。
A、预测结果校准
深度学习的给出的MCS选择方案是基于输出结果其中利用预测误码率/>代替了实际误码率,因此必然存在一定的计算误差,这种误差可能会导致eMBB传输的误码率超出10%,需要引入校准参数χ对其进行约束,从而进一步逼近真实误码率,使MCS选择结果更为可靠。/>
对于神经网络输出层的输出结果,其与真实误码率的近似误差为:
这种基于不同调制编码方案解码结果求解的近似误差需要大量数据的支持,但实际的传输过程中高电平MCS的使用情况较少,需要强大的信道条件支撑。在没有足够多的解码结果情况下,近似误差也会存在偏差。所以本申请考虑对每个eMBB用户的解码结果引入参数χe,则预测值与实际值之间的近似误差为:
修正后的均方误差为:
对于参数χe的更新仍采取梯度下降策略,并使用sgn(.)函数对其更新方向进行控制,
χe←χe+sgn(Δχe)
为进一步说明本专利提出的算法,本专利进行了仿真验证。
补充仿真验证效果如下:
图4中,打孔前的调制方式都为64QAM,在t=10处发生了URLLC穿刺情况,固定调制方式时吞吐量下降了约17.3%,但是通过改变MCS,吞吐量的损失只有11.5%,大约2.3*10^4比特。图5中,打孔前的调制方式都为16QAM,在eMBB被穿刺后,信道条件发生较大变化,固定调制方式的数据吞吐量约为原来的65.3%,而改变MCS后其吞吐量提升至原来的88.4%。图6中,展示了打孔前调制方式都为QPSK的数据吞吐量变化情况,发现固定调制方式数据吞吐量下降了33.3%,调整MCS之后吞吐量能够达到约2.3*10^4比特,远超前者。
综上所述,本申请基于链路自适应的eMBB和URLLC业务共存场景下的资源调度方法,在保证URLLC可靠性的前提下,最大化eMBB的吞吐量。当零星的URLLC业务到来时,首先基于匹配理论寻找可叠加复用的eMBB频谱资源,若无可叠加复用的eMBB频谱资源则选择穿刺打孔机制。对于未遭到破坏的eMBB资源,本申请仍利用LTE标准中信道质量报告进行MCS方案的选择,但对于遭到破坏的eMBB资源,本申请通过机器学习为其选择一种能实现吞吐量最大化的MCS方案。
1)同时考虑叠加复用和穿刺打孔两种资源调度机制,能够根据URLLC业务特性动态选择合适的调度机制,这样的好处是能够在保证URLLC资源需求的前提下,最大程度降低eMBB受到的干扰,充分节约频谱资源,提高传输效率。
2)设计链路自适应机制,动态调整传输过程中eMBB资源的MCS方案。对于未被破坏的eMBB频谱,直接利用信道质量报告进行链路自适应LA调整;对于被穿刺的eMBB频谱,信道条件发生巨大变化,因此利用机器学习为其选择合适的MCS。
3)通过区间划分对输入数据进行降维,以信息损失最少为原则,将高维的信道数据映射到低维空间,这样的操作简化了前馈神经网络结构,降低了计算复杂度与决策时间。
实施例2
第二方面,本实施例提供了一种基于链路自适应的资源调度装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。
实施例3
第三方面,本实施例提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于链路自适应的资源调度方法,其特征在于,包括:
响应于URLLC业务到达基站,获取URLLC数据包;
将URLLC数据包与当前传输的eMBB频谱进行叠加得到信道增益;
根据所述信道增益以及多种调度机制下的eMBB用户、URLLC用户可实现数据传输速率计算模型,基于匹配理论寻找可叠加复用的eMBB频谱资源,并确定调度机制;
若确定调度机制为穿刺打孔机制,对当前传输的eMBB频谱进行穿刺打孔,得到URLLC在eMBB频谱上的穿刺打孔情况
获取当前时隙用于eMBB传输的代码块长度和一串资源块RBs的信道条件向量/>
对一串资源块RBs的信道条件向量URLLC在eMBB频谱上的穿刺打孔情况/>进行降维,分别得到降维后的一串资源块RBs的信道条件向量/>URLLC在eMBB频谱上的穿刺打孔情况
将输入数据输入训练好的网络模型,得到输出的多个调制编码方案对应的预测误码率;
在预测误码率不超过设定值的约束条件下,将eMBB传输的吞吐量最大时对应的调制编码方案作为最终eMBB调制编码方案;
根据所述eMBB调制编码方案,实现资源调度。
2.根据权利要求1所述的方法,其特征在于,所述多种调度机制下的eMBB用户可实现数据传输速率的计算模型包括:
其中为在第t个时隙下第m个迷你时隙使用多个资源块进行传输的eMBB用户可实现数据传输速率,/>分别为eMBB用户在叠加复用、穿刺打孔和未被调度情况下的信噪比;/>为在第t个时隙下第m个迷你时隙使用第r个资源块进行传输的eMBB用户的数据传输速率;
分别表示在叠加复用、穿刺打孔和未被调度的情况下资源的分配向量;
因此,在第t个时隙边缘调度eMBB资源时,数据传输速率为 为在第t-1个时隙下第m个迷你时隙使用多个资源块进行传输的eMBB用户可实现数据传输速率;
所述多种调度机制下的URLLC用户可实现数据传输速率的计算模型包括:
其中为在第t个时隙下第m个迷你时隙使用多个资源块进行传输的URLLC用户可实现数据传输速率,/>分别表示在叠加复用、穿刺打孔情况下资源的分配向量,分别为eMBB用户在叠加复用、穿刺打孔情况下的信噪比;/>为在第t个时隙下第m个迷你时隙使用第r个资源块进行传输的eMBB用户的数据传输速率;
在时隙t∈T的迷你时隙m∈M中传输的一个URLLC用户所分配到的一串资源块RBs由其在叠加复用、穿刺打孔两种调度机制下抢占到资源组成,用表示该URLLC传输资源块的分配向量,其表达式如下:
根据可靠性约束,每个迷你时隙中到达的URLLC用户能够进行传输的概率达到99.999%的要求,其中P表示概率,U表示URLLC用户数量。
3.根据权利要求1所述的方法,其特征在于,基于匹配理论寻找可叠加复用的eMBB频谱资源,并确定调度机制,包括:
若有可叠加复用的频谱资源,确定调度机制为叠加复用机制;
若无可叠加复用的频谱资源,确定调度机制为穿刺打孔机制。
4.根据权利要求1所述的方法,其特征在于,还包括:
若确定调度机制为叠加复用机制,获取最佳匹配用户对,基于前一时隙的信道质量报告和所述最佳匹配用户对选择eMBB调制编码方案;其中所述最佳匹配用户对为URLLC用户与寻找到的可叠加复用的eMBB用户最佳匹配对。
5.根据权利要求1所述的方法,其特征在于,获取当前时隙用于eMBB传输的代码块长度包括:
其中表示用于eMBB传输的代码块长度,/>表示用于第t个时隙内eMBB用户数据传输的资源块RB数量;F表示一个时隙内的OFDM符号数量;S表示一个资源块RB内的子载波数量;M表示资源单元RE携带的比特数。
6.根据权利要求1所述的方法,其特征在于,获取一串资源块RBs的信道条件向量包括:
表示指示一串资源块RBs的信道条件向量;/>表示用于第t个时隙内eMBB用户数据传输的资源块RB数量;F表示一个时隙内的OFDM符号数量;S表示一个资源块RB内的子载波数量。
7.根据权利要求6所述的方法,其特征在于,对一串资源块RBs的信道条件向量URLLC在eMBB频谱上的穿刺打孔情况/>进行降维,分别得到降维后的一串资源块RBs的信道条件向量/>URLLC在eMBB频谱上的穿刺打孔情况/>包括:
中每个元素都表示一个资源单位RE的信道条件记作ri t,/>数值范围落在(-∞,+∞),将整个实数域划分为L个区间{(-∞,σ1],(σ1,σ2],(σ2,σ3],...,(σL-1,+∞)},其中σ1<σ2<σ3<...<σL;
其中表示/>中元素的数值落入第j个区间内的百分比。
8.根据权利要求1所述的方法,其特征在于,所述网络模型为由一个输入层和多个隐藏层组成的前馈神经网络;
利用带标签的训练样本对所述前馈神经网络进行训练,其中 分别为对应调制编码方案下的实际误码率;
输入数据为输出结果为/>v为训练过程中的参数集,则前馈神经网络在/>样例上的均方误差Ek为:
其中为第m个调制编码方案对应的预测误码率,/>为实际误码率,/> 为eMBB用户在第m个调制编码方案下的解码结果,E为eMBB用户数量;
对每个eMBB用户的解码结果引入校准参数χe,则预测误码率与实际误码率之间的近似误差为:
其中为第m个调制编码方案对应的预测误码率,/>为实际误码率,/> 为eMBB用户在第m个调制编码方案下的解码结果,E为eMBB用户数量;
修正后的均方误差为:
对于校准参数χe的更新采取梯度下降策略,并使用sgn(.)函数对其更新方向进行控制,
χe←χe+sgn(Δχe)
深度学习就是要在每一次迭代中对参数进行更新估计,找到一组参数使均方误差最小;基于梯度下降的策略,在迭代结束后,对于参数的更新估计式为:
ν←ν+Δν
其中η表示学习率。
9.根据权利要求1所述的方法,其特征在于,在预测误码率不超过设定值的约束条件下,将eMBB传输的吞吐量最大时对应的调制编码方案作为最终eMBB调制编码方案,包括:
最终eMBB调制编码方案的确定目标为:
目标且subject to:实际误码率/>
其中ε={1,2,3,...,29},每个调制编码方案对应一种特定的调制类型,Th(ε,t)为第t个时隙内eMBB传输的吞吐量。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至9任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311543665.2A CN117425211A (zh) | 2023-11-20 | 2023-11-20 | 一种基于链路自适应的资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311543665.2A CN117425211A (zh) | 2023-11-20 | 2023-11-20 | 一种基于链路自适应的资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117425211A true CN117425211A (zh) | 2024-01-19 |
Family
ID=89526502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311543665.2A Pending CN117425211A (zh) | 2023-11-20 | 2023-11-20 | 一种基于链路自适应的资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117425211A (zh) |
-
2023
- 2023-11-20 CN CN202311543665.2A patent/CN117425211A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5038491B2 (ja) | ワイヤレス通信における学習ベースのセミパーシステント(semi−persistent)スケジューリング | |
CN101578801B (zh) | 在sc-fdma系统中的使用可变功率偏移的控制与数据的复用 | |
Soret et al. | Interference coordination for 5G new radio | |
JP5259596B2 (ja) | 無線通信システムにおけるリソース不整合からの回復 | |
CN101682497B (zh) | 单载波频分多址中对通信信道的分层调制 | |
CN101682582B (zh) | 用于中止分组化的无线通信的方法 | |
EP2520120B1 (en) | Adaptive scheduling data transmission based on the transmission power and the number of physical resource blocks | |
US20080095110A1 (en) | Method and apparatus for data and control multiplexing | |
CN109561504B (zh) | 一种基于深度强化学习的URLLC和eMBB的资源复用方法 | |
CN105704824B (zh) | 一种无线网络的多维资源分配的方法 | |
US20230199720A1 (en) | Priority-based joint resource allocation method and apparatus with deep q-learning | |
CN103826312A (zh) | 一种基于指数准则改进的lte调度方法 | |
EP1727296A1 (en) | Method and device for downlink resource allocation for packet transmission of users of radio communication systems | |
CN117425211A (zh) | 一种基于链路自适应的资源调度方法 | |
Parruca et al. | Rate selection analysis under semi-persistent scheduling in LTE networks | |
Wu et al. | Q-learning based link adaptation in 5G | |
Anwar et al. | A study on link adaptation techniques for IEEE 802.11 bd based eV2X communications | |
Filin et al. | QoS-guaranteed cross-layer adaptive transmission algorithms for the IEEE 802.16 OFDMA system | |
Awal et al. | Opportunistic periodic feedback mechanisms for ofdma systems under feedback budget constraint | |
Caponi et al. | Performance evaluation of a link adaptation technique for high speed wireless communication systems | |
AU2021107065A4 (en) | Optimal resource allocation in next-generation heterogeneous mobile network | |
Moiseev et al. | Optimal average number of data block transmissions for the ARQ mechanism in the IEEE 802.16 OFDMA system | |
CN113691350B (zh) | 一种eMBB和URLLC的联合调度方法及系统 | |
US11997693B2 (en) | Lower analog media access control (MAC-A) layer and physical layer (PHY-A) functions for analog transmission protocol stack | |
US20230239881A1 (en) | Lower analog media access control (mac-a) layer and physical layer (phy-a) functions for analog transmission protocol stack |
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 |