KR101003225B1

KR101003225B1 - 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감방법

Info

Publication number: KR101003225B1
Application number: KR1020080094836A
Authority: KR
Inventors: 쿤 후 테오; 잉다 첸; 필립 브이 올리크; 진윤 장
Original assignee: 미쓰비시덴키 가부시키가이샤
Priority date: 2007-09-27
Filing date: 2008-09-26
Publication date: 2010-12-21
Also published as: US20090088176A1; JP5274140B2; EP2043398A3; KR20090033133A; EP2043398A2; JP2009089361A; EP2043398B1; US7813739B2

Abstract

OFDM/OFDMA/SC-FDMA 기반 무선 네트워크를 위한 프로토콜이, 명확히 스펙트럼 또는 주파수를 계획하는 것 없이, 적응적인 셀간 간섭 관리를 제공한다. 기지국 및 이동국이 핸드오프 프로토콜로부터 서브캐리어 할당에 관한 정보를 입수한다. 이동국은 코그니티브 센싱을 이용하여 이 정보를 입수할 수도 있다. 코그니티브 센싱은 기지국에 의해 보수를 받을 수도 있다. 이 정보를 이용하여, 서브캐리어를 랜덤하게, 또는 블라인드 최적화 또는 동시 최적화에 의해 할당할 수 있다. 그 국은 게임 이론을 이용하여 다른 최적화 전략 중에서 선택할 수 있다.

Description

무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법{METHOD FOR REDUCING INTER-CELL INTERFERENCE IN WIRELESS OFDMA NETWORKS}

본 발명은, 전반적으로는 무선 네트워크에서 간섭을 관리하는 것에 관한 것이고, 보다 상세하게는, 무선 직교 주파수 분할 다중화(OFDM : orthogonal frequency division multiplexing) 네트워크에서 셀간 간섭(inter-cell interference)을 저감하는 것에 관한 것이다.

OFDM, OFDMA 및 SC-FDMA

직교 주파수 분할 다중화(OFDM)에서는, 이용가능한 무선 주파수(RF : radio frequency) 스펙트럼이 서로 직교하는 서브캐리어로 분할된다. 스펙트럼 효율, 고속 푸리에 변환(FFT: fast Fourier transformation)을 이용하여 용이하게 실시할 수 있는 것, 및 멀티패스(multipath) 효과를 완화하는데 유효한 것 등의, OFDM 기술의 매력적인 특징으로 인하여, OFDM은 네트워크의 물리층(PHY : physical layer)의 설계에 있어서 널리 이용된다.

직교 주파수 분할 다중 액세스(OFDMA : orthogonal frequency-division multipl access)에서는, 동시에 송수신하기 위해서, 서브캐리어가 복수의 세트로 분할되어, 상이한 이동국에 할당된다. OFDMA는 업 링크 및 다운링크의 양쪽에 관한 IEEE802.16e, 및 다운링크에 관한 3GPP-LTE와 같이, 광대역 무선 통신을 위한 다양한 표준 규격에 채용되고 있다.

3GPP LTE의 기본적인 업 링크(UL : uplink) 전송 방식은, 사이클릭 프리픽스(CP : cyclic prefix)를 갖는 단일 캐리어 FDMA(SC-FDMA : single-carrier FDMA)를 이용하여, 업 링크 유저간의 직교성을 달성하고, 또한 수신기측에서 주파수 영역 등화를 효율적으로 할 수 있게 한다. 이로써, 다운링크 OFDM 방식과 비교적 높은 정도로 공통화할 수 있어, 동일한 클럭 주파수 등의 동일 파라미터가 이용될 수 있다.

네트워크 구조

무선 OFDMA 네트워크에서는, 셀의 대략 중앙에 있는 기지국이 그 서비스 구역(area of coverage) 내의 이동국과 통신한다. 이동국이 셀로부터 나갈 때, 그 이동국은 인접하는 기지국으로 핸드오버된다. 네트워크 내의 기지국은 백본(backbone) 또는 인프라스트럭처(infrastructure)를 통해 서로 정보를 교환한다.

셀간 간섭

지리적으로 인접한 기지국이 같은 스펙트럼을 할당할 때, 특히 이동국(MS : mobile station)이 하나의 기지국보다 큰 범위 내에 있는 경우, 셀간 간섭이 네트 워크 스루풋(throughput)에 영향을 미친다. 충돌하는 메시지가 재송되어야 하기 때문에, 이 간섭은 전력 소비도 증가시킨다.

서브캐리어 충돌로 인한 셀간 간섭을 저감하기 위해서, 일반적으로 2개의 기법이 이용된다. 한가지 기법은, 인접하는 셀내의 이동국이 같은 서브캐리어에 할당되는 확률을 감소시키 위해, 임의의 서브캐리어 할당을 이용한다.

다른 기법은, 협력적인 서브캐리어 할당을 이용한다. 이것은, 이동국이 셀간 간섭을 받지 않는 경우에도, 기지국이 모든 서브캐리어 할당 정보를 교환하는 것을 필요로 한다. 서브캐리어가 할당될 때, 양쪽 셀에서 모든 서브캐리어가 이용가능할 것도 필요로 하여, 실제로 스케줄링하는 것은 거의 불가능하다.

게임 이론

게임 이론은, 경제학에서 합리적 의사 결정을 가능하게 하는 엔티티 거동의 연구에 널리 적용되는 응용 수학의 한 분야이다. 게임 이론에서는, 대화형 의사 결정의 과정이 게임으로서 모델화된다. 그 개념은 사람의 이익을 최대로 하는 것이다. 게임의 결과는 일반적으로 효용으로서 알려진 수로 표현된다. 효용은 결과에 따른 만족도, 즉 이익을 나타낸다.

게임에서의 내쉬 균형(Nash Equilibrium)은, 현재 전략으로부터 혼자서 일탈해도 게임 플레이어가 보다 높은 효용을 달성할 수 없는, 안정된 동작점이다. 즉, 다른 플레이어의 전략이 결정되어 있을 때, 플레이어가 내쉬 균형에서 선택된 전략을 계속할 때, 게임의 어떤 개별 플레이어도 최선의 이익을 달성한다.

코그니티브 센싱(cognitive sensing)

트랜스시버(transceivers)가 면허가 있는 다른 트랜스시버 또는 무면허의 다른 트랜스시버와 간섭없이 서로 효율적으로 통신할 수 있도록, 송신 파라미터 또는 수신 파라미터를 학습하기 위해, 무선 네트워크에서 코그니티브 센싱이 이용된다. 코그니티브 센싱은, 무선 주파수 스펙트럼, 및 트랜스시버와 네트워크 상태 등의 외부 무선 환경과 내부 무선 환경 내의 몇몇 요인의 능동적인 감시에 근거한다.

본 발명은, OFDMA 무선 네트워크에서 서브캐리어 충돌을 적응적으로 저감한다. 본 발명의 실시예는 셀간 간섭을 받는 이동국(MS)을 특정한다.

기지국은 핸드오프 프로토콜로부터 서브캐리어 할당에 관한 정보를 입수 할 수 있다. BS는 인프라스트럭처를 통해 서로 통신하지만, BS에 사전 결정된 행동이 강제되지 않아, 비적응적인 서브캐리어 할당이 회피된다.

MS는 또한 코그니티브 센싱을 이용하여, 이 정보를 입수할 수 있다. 코그니티브 센싱은 BS에 의해 보수를 부여받을 수 있습니다. 이러한 보수는, 전력을 소모하게 되지만, MS에게 코그니티브 센싱을 행하게 하는 동기를 부여한다.

이 정보를 이용하여, 서브캐리어를 랜덤하게, 블라인드 최적화(blind optimization)에 의해, 또는 동시 최적화(joint optimization)에 의해, 할당할 수 있다. 이들 국은 게임 이론을 이용하여, 3개의 다른 전략 중에서 선택할 수 있다. 또한, 실시예는 음성 및 데이터의 트래픽과 같은 다른 트래픽 유형에 대해, 간섭 정보가 최적 방식으로 획득되는 주기성을 판정하는 방법과 무선 자원의 다른 유형의 스케줄링에 대해 최적화하는 방법을 특정한다.

본 발명에 의하면, OFDMA 무선 네트워크에서 서브캐리어 충돌을 적응적으로 저감할 수 있다.

네트워크 토폴로지(네트워크 토폴리지)

도 1은 본 발명의 일 실시예에 따른 무선 OFDMA 네트워크를 나타낸다. 그 네트워크는, 기지국(101)과, 이동국(102, 103)을 포함한다. 원(104)은 대략 기지국의 범위(R)에 가깝다. 그 범위 내에 있는 서비스 영역을 셀이라 부른다. 기지국은 그 셀 내의 서브캐리어를 할당한다. 실제 세상의 네트워크에서는, 셀은 원일 필요는 없고, 서비스 영역은 안테나 구성 및 환경 조건에 달려 있음을 알 수 있다. 본 발명자는 단지 적당한 근사치로서 원을 이용한다.

셀이 교차하는 세그먼트 내의 이동국은 셀간 간섭을 받을 수 있다. 두 셀은 αR(107)의 겹치는 반경을 갖는다. 즉, 두 기지국간의 거리는 2R-αR이고, 여기에서 α는 기지국의 지리적인 배치에 따른 정수이다.

주파수 재이용

인접하는 기지국간에 스펙트럼을 할당하는 과정을 주파수 재이용이라 부른다. 네트워크가 인접하는 기지국에 같은 스펙트럼을 할당할 때, 주파수 재이용 계수는 1이다.

트래픽 부하

트래픽 부하 β는, 이용가능한 전체 서브캐리어 N에 대한 이용되는 서브캐리어 S의 비율, 즉, β_i=N_i/S이다. 본 발명자들은 트래픽 부하가 β_i∈[0,1]인 경우를 고려한다.

간섭 존(interference zone)

간섭 존(IZ)(105)은, 셀간 간섭 또는 서브캐리어 충돌이 발생할 수 있는 곳이다. 서비스 영역의 나머지의 부분은 비간섭 존(nlZ : non-interference zone)(106)이다. IZ에서, BSi에 의해 서비스를 받는 MS은 집합

에 속하고, BSj에 의해 서비스를 받는 MS은 집합

에 속한다. 집합

내의 MS은 BSj에 의해 집합

내의 MS에 동일한 서브 캐리어가 할당될 때 셀간 간섭을 받고, 그 반대 상황도 일어날 수 있다.

예시된 네트워크에서, 전체 셀의 서비스 영역에 대한 IZ(105)의 부분 면적은 하기의 식 (1)과 같다.

간섭 존의 크기 및 윤곽은 핸드오프 임계값 및 RF 전파 환경의 함수이다.

비간섭 존

nIZ(106) 내의 MS은 집합

및 집합

에 속한다.

OFDMA 시스템의 경우의 동일-채널(co-channel) 간섭 관리

재이용 계수가 1일 때, 인접하는 셀내의 동일 스펙트럼은, S개의 직교하는 서브캐리어로 분할된다. 이들 서브캐리어가 OFDMA을 이용하여 상이한 MS에 할당된다. 본 발명의 실시예에 따른 간섭 관리는, 집합

및 집합

내의 MS에 상이한 서브캐리어를 할당한다.

셀내의 MS의 분포

MS이 셀내에 균일하게 분포되는 경우, MS의 위치는 2차원 포아송 점 과정(two-dimensional Poisson point process)에 의해 모델화될 수 있고, 그것은 밀도 λ_i=M_i/(πR²)을 가지며, 여기서, M_i는 셀내의 MS의 총 개수이며, R은 셀의 반경이다. 본 발명은 MS의 불균일한 분포에서도 기능할 수 있다고 이해되어야 한다.

핸드오프에서 IZ 내의 MS를 특정하는 것

도 2에 도시된 바와 같이, 이동 네트워크는 전형적으로 핸드오프를 실행하여 셀로부터 다른 셀로 이동국을 이동시킨다. 다수의 핸드오버 기법이 알려져 있는다. 핸드오프를 실행하기 위해서, MS는 액티브 세트(201, 202)를 유지할 수 있다. 핸드오프 임계값 H_Add 및 H_Delete는 액티브 세트에 BS를 추가할지의 여부를 결정한다. BS의 반송파대 간섭 잡음비(CINR : carrier to interference-plus-noise ratio)가 삭제 핸드오프 임계값 H_Delete 보다 낮은 경우에, MS는 액티브 세트로부터 그 BS를 삭제한다. CINR이 추가 핸드오프 임계값 H_Add보다 큰 경우에, BS는 그 기지국을 액티브 세트에 추가한다. 현재 MS에 서비스를 제공하는 BS는 액티브 세트 내의 앵커(anchor) BS이다.

또한, 상기의 핸드오프 임계값은, ClNR은 크지 않지만 간섭을 야기하기에 충분한 전력을 갖는 서브캐리어 또는 서브캐리어의 블록을 포함하도록 감소될 수 있다. 전형적으로, 간섭 임계값이라고 불리는 이들 「변경된 핸드오프 임계값」은 상기의 통상의 핸드오프 임계값보다 10dB 이상 작다. 이들 간섭 임계값은 핸드오프 목적으로 이용되는 것이 아니다. 대신에, 간섭 임계값은 본 명세서에서 설명하는 바와 같이 간섭 관리를 위한 점유 스펙트럼의 정보를 제공한다.

즉, 본 발명은, 점유 채널 및 스펙트럼의 정보를 전달하기 위해서, 종래의 핸드오프 프로토콜을 이용한다. 간섭 임계값은, 시스템 요건에 따라 변경되어, 캐리어, 채널 또는 스펙트럼이 점유되는지를 정의하는 데 이용될 수 있다. 또한, 간섭 임계값의 판정은 동일한 캐리어, 채널 또는 스펙트럼에서 RF 간섭에 대한 허용도 또는 여유도도 정의된다. 간단히 하기 위해서, 본명세서에서는, 핸드오프 또는 핸드오프 정보라고 언급하는 것은 간섭 임계값을 설정하기 위한 핸드오프 정보의 이용을 잠재적으로 포함할 것이다.

도 2에서는, MSx_j는 IZ(105) 내에 위치하고, BSj에 의해 서비스된다. 그 때문에, MSx_j를 위한 액티브 세트는 {j(A),i}(202)이며, BSj는 앵커(anchor)(A)로서 표시된다. 그 액티브 세트가 BS로 송신되는 경우에, 그 BS는 MS가 IZ 내에 위치하는지의 여부를 판정할 수 있다. 도 2의 예의 경우, 액티브 세트가 BSi를 포함하므로, BSj는 MSx_j가 IZ 내에 있는지 판정할 수 있다. 또한, 그 액티브 세트가 {j(A)}(201)이며, 그것이 앵커(anchor) BSj만을 포함하기 때문에, BSj는 MSy_j가 nIZ 내에 있다고 판정할 수 있다.

본 발명의 일 실시예에 따라, 본 발명자들은 핸드오프 정보(201∼203)를 이용하여, 셀간 간섭을 저감한다.

부분 정보 교환에 의한 정보 수집

BS간의 정보 교환

BS는 도2의 백본(backbone) 또는 인프라스트럭처(210)를 통해, 상기 정보를 교환할 수 있다. 후술하는 동시 서브캐리어 최적화 과정에서, BS는 모든 서브캐리어 정보(211)를 교환한다. 랜덤 할당에서, BS간에 서브캐리어 사용 정보는 교환되지 않는다. 본 발명의 실시예에서, 부분 서브캐리어 사용 정보가 교환된다.

부분 서브캐리어 정보 교환에 의한 간섭 회피를 위한 운용 방식

도 3은 본 발명의 일 실시예에 따른 셀간 간섭을 관리하는 방법을 나타낸다. 제 1 단계에서, 두 BS는, 상술한 바와 같이, 핸드오프 정보로부터 IZ(105) 및 nIZ(106) 내에 위치하는 MS를 특정한다(310). IZ(105)에서 MS를 특정하면, 각 BS는 nIZ(106) 내의 MS에, 즉 집합

및

내의 MS에 서브캐리어를 랜덤하게 할당한다(320). 그 후, BS는 인프라스트럭처를 통해, 여전히 이용가능한 서브캐리어에 대한 정보(211)를 교환한다(330). 교환 중에, 셀 i 내의 이용가능한 서브캐리어의 집합

가 BSj에 통신되고, 집합

는 BSi에 통신된다. 입수가능하면, 다른 정보, 예를 들어 서브캐리어 사용의 이력 정보도 교환될 수 있다.

제 2 단계 중에, 각 기지국은, 최적화할지(351), 최적화하지 않을지(352)를 선택할 수 있다(350). 후속 단계는, 랜덤 할당(371), 블라인드 최적화(372) 또는 동시 최적화(373)이며, 다른 BS의 결정(360)에 근거할 수 있다.

최적화하지 않음

양쪽 BS가 최적화하지 않는 것(352)을 선택한 경우에는, 교환된 정보(211)는 이용되지 않고, 양쪽 BS는 이용가능한 서브캐리어의 랜덤 할당(371)을 이용한다.

이 경우, 예상되는 서브캐리어 충돌수는 하기의 식 (2)와 같다.

여기서, f는 서브캐리어의 주파수를 나타낸다.

이것은, 양쪽 셀에서 트래픽 부하 β가 비교적 작은 경우에도, 서브캐리어 충돌수는 현저하고, 각 셀의 트래픽 부하에 정비례한다는 것을 나타낸다.

블라인드 최적화

도 4는 블라인드 최적화(372)를 개략적으로 나타낸다. BSj가 최적화하지 않고(352), BSi가 최적화(351)를 선택할 때, BSi는 「블라인드」 최적화를 실행한다. 블라인드 최적화에서, BSi는 다른 BS의 집합

로의 엄밀한 서브캐리어 할당을 모른다. 그러나, BSi는, 서브캐리어 정보를 교환한 후에, 셀 j 내의 이용가능한 서브캐리어, 즉

를 갖는다. 그러므로, BSi는 서브캐리어 집합

(401) 및

(402)의 교집합(403)을 특정할 수 있다.

서브캐리어 충돌을 저감하기 위해서, BSi는, 우선 교집합

의 외측에 있는 서브캐리어를 할당함으로써, 블라인드 최적화를 실행한다. 예를 들면, BSi는, 교집합

내의 서브캐리어가 1, 2, 3…V_i로 논리적으로 번호가 부여되도록,

내의 서브캐리어에 논리적으로 번호를 붙일 수 있으며, 여기에서,

는 서브캐리어의 교집합의 크기다.

내의 순서는 임의로 선택 할 수 있다.

내의 서브캐리어는, 논리적으로 V_i+1, V_i+1, …W_i로서 부여되고, 여기에서,

는, 셀 i 내의 이용가능한 서브캐리어의 총 개수이다. 집합

에 랜덤하게 서브캐리어를 할당할 경우, 기지국은, 역순(410), 즉, 높은 논리번호를 갖는 서브캐리어가 먼저 선택되는 순서를 이용하여 서브캐리어를 선택한다. 이 방식에서, 겹치지 않는 서브캐리어, 즉, 충돌이 일어날 수 없는 서브캐리어가 먼저 이용되어, 서브캐리어 충돌이 저감된다.

그럼에도 불구하고, 집합

내의 MS에 의해 필요한 서브캐리어의 수가 W_i-V_i 보다 클 때, 교집합

내의 서브캐리어가 이용될 필요가 있고, 서브 캐리어 충돌이 일어날 수 있다.

도 5는 블라인드 최적화의 일 예를 나타내며, BSi 이 블라인드 최적화를 실행하고 있는 반면, BSj는 이용가능한 서브캐리어를 집합

내의 MS에 랜덤하게 할당한다. nIZ(106) 내의 MS에 서브캐리어를 랜덤하게 할당한 후에, 셀 i 내의 이용가능한 서브캐리어의 집합은

(501)이며, 셀 J 내의 이용가능한 서브캐리어의 집합은

(502)이다.

집합

내의 MS는 4개의 서브캐리어(511)를 필요로 하는 반면, 집합

내의 MS는 3개의 서브캐리어(512)를 필요로 한다. 이 예에서, BSi는

이라고 결정한다. 따라서, BS는, 서브캐리어 f8 및 fl1에 가장 낮은 논리번호를 부여하고, 나머지 이용가능한 서브캐리어에는 논리 번호 3, 4, 5, 6을 부여한다.

서브캐리어를 할당하는 과정에 있어서, BS는 보다 높은 논리 번호가 부여된 서브캐리어부터 우선적으로 이용한다. 따라서, 4개의 서브캐리어(511)가 필요하기 때문에, 집합

에서 이용하기 위해서 BSi는 서브캐리어 {f₁₀, f₆, f₁₄, f₉}를 할당한다. 집합

내의 MS에 할당되는 3개의 서브캐리어(512)는 랜덤하게 선택된다. BSj는 집합

내의 MS에 서브캐리어 {f₇, f₈, f₁₃}를 할당한다. 집합

내의 서브캐리어 사용은 서브캐리어

를 포함하더라도, BSi에 의해 실행되는 블라인드 최적화로 인해 서브캐리어 충돌은 여전히 저감된다.

BSi에 의해 실행되는 블라인드 최적화를 이용하는 예상되는 서브캐리어 충돌 수는 하기의 식 (3)과 같다.

여기서,

이고,

는 정칙 베타 함수이며, 다른 파라미터는 하기의 식 (4)와 같다.

블라인드 최적화(372)의 경우 예상되는 서브캐리어 충돌수는, 항상 랜덤 할당(371)으로 인한 충돌수보다 작다. 즉,

과 같다.

트래픽 부하가 상대적으로 작을 때, 예상되는 서브캐리어 충돌수는 블라인드 최적화보다 현저하게 낮다. 예를 들면, 양쪽 셀에서의 트래픽 부하가 0.5보다 작을 때, 예상되는 서브캐리어 충돌수는 O에 가깝다.

블라인드 최적화의 유효성은, 양쪽 셀내의 트래픽 부하, 및 IZ 내의 MS에 의해 요구되는 서브캐리어의 수에 달려있다. BSi가 블라인드 최적화를 실행할 때, 예상되는 서브캐리어 충돌수는 β_i로 단조적으로 감소한다. 그러나, 셀 j 내의 보다 낮은 트래픽 부하는 예상되는 서브캐리어 충돌수를 감소시키지 않을 수도 있다. 이것은, βj가 감소되면, 집합

내의 MS와 간섭을 야기할 가능성이 있는 서브캐리어의 수를 저감하기 위해서다.

그러나, 보다 가벼운 트래픽은

가 보다 큰 집합이라는 것을 의미하며, 그것은 블라인드 최적화의 유효성에 악영향을 미친다. 그 때문에, βj가 작아질수록 블라인드 최적화의 유효성이 높아질지의 여부를 판단하기 위해, 트래픽을 작게 할 경우의 영향이 고려되지 않으면 안된다. 더욱이, 서브캐리어 충돌은, 양쪽 BS에서, 서로 마찬가지로 바람직하지 않으므로, 한쪽 BS에서 서브캐리어 충돌을 저감하는 모든 노력이, 양쪽 BS에 이익을 가져온다.

동시 최적화

도 6은 서브캐리어 정보

및

를 교환한 후의 동시 최적화(373)를 나타낸다. 양쪽 BS가 집합

(403)을 특정하고, 또한, V개의 중첩 이용가능한 서브캐리어가 도 6을 참조할 때, 각각 W_i, W_i-1 …, W_i-V+1 및 W_j, W_j-1 …, Wj-V+1의 순으로 나열되도록, 양쪽 BS는 이용가능한 서브캐리어에 논리 번호를 부여한다.

내의 엄밀한 순서는 무의미하다.

동시 최적화에 의하면, nIZ 내의 서브캐리어 사용이 랜덤하게 선택된다면, 최소 서브캐리어의 충돌을 달성할 수 있다. 즉, nIZ 내에서 서브캐리어가 랜덤하게 할당된 후, 동시 최적화가 먼저 집합

내의 MS에

내의 비충첩 서브캐리어를 할당하고, 집합

내의 MS에

내의 비중첩 서브캐리어를 할당한다. 양쪽 BS는 절대적으로 필요할 때까지,

내의 서브캐리어를 할당하지 않는다. 이 방식에서, 서브캐리어 사용에 대한 부분적인 정보밖에 교환되지 않을 때에, 양쪽 BS는 IZ 내의 간섭을 회피하기 위한 최선의 노력을 하여 예상되는 서브캐리어 충돌수를 더욱 저감할 수 있다.

도 7은 동시 최적화의 일 예를 나타낸다. nIZ 내의 MS에 랜덤하게 서브캐리어를 할당한 후에, 셀 i 내의 이용가능한 서브캐리어의 집합은

(701)이며, 셀 j 내의 이용가능한 서브캐리어의 집합은

(702)이다. 집합

내의 MS는 5개의 서브캐리어(711)를 필요로 하는 반면,

내의 MS는 6개의 서브캐리어(712)를 필요로 한다. 이 경우, 양쪽 BSi 및 BSj가, 2개의 셀 내의 이용가능한 서브캐리어 집합의 교집합

(713)을 특정한다. 따라서, 양쪽 BSi 및 BSj는 서브캐리어 f₈ 및f₁₁에 가장 높은 논리 번호를 부여하며, 구체적으로는, f₈ 및 f₁₁은 BSi에 의해 각기 6 및 5의 논리 번호가 부여되는 한편, f₁₁ 및 f₈은 BSj에 의해 논리 번호 7 및 6이 부여된다. 이용가능한 서브캐리어의 나머지는 1로부터 시작되는 논리 번호가 부여된다.

서브캐리어를 할당하는 과정에 있어서, 양쪽 BS는 보다 낮은 논리 번호를 갖는 서브캐리어를 우선적으로 이용한다. 따라서, 5개의 서브캐리어가 필요하기 때문에 BSi는 집합

에서 사용하기 위해 서브캐리어 {f₁₀, f₆, f₁₄, f₉, f₁₁}를 할당하 고, BSj는 집합

내의 MS에 대해 6개의 서브캐리어 {f₁₉, f₁₃, f₁₇, f₂₆, f₇, f₈}을 할당한다. 집합

내의 서브캐리어의 이용은 서브캐리어

를 포함하고,

내의 서브캐리어의 이용은 서브캐리어

를 포함한다. 그러나, 양쪽 BS가 동시 최적화에 관계하므로, 서브캐리어 충돌은 회피된다.

동시 최적화가 실행될 때, 예상되는 서브캐리어 충돌수는 하기의 식 (5)와 같다.

여기에서, d'=S(2-β_i-β_j)이고

=max(0, n_B-d')이다. 이것은

로 나타낼 수 있고, 그것은 블라인드 최적화에 비교할 때 서브캐리어 충돌의 감소를 나타낸다. 수학식 5는 두 셀에서의 트래픽 부하가 0.8보다 작을 때, 동시 최적화는 거의 모든 서브캐리어 충돌을 회피할 수 있다는 것을 나타낸다.

대화형 의사 결정

랜덤 할당, 블라인드 최적화 및 동시 최적화는, BS 사이의 대화에 의해 가능해지고, 한쪽 BS에 의해서 단독으로 결정될 수 없다. 예를 들면, BSi가 최적화를 선택한 경우, BSj가 구체적인 의사 결정을 행할때 까지, 그 결과는 결정될 수 없다. BSj가 최적화하지 않은 경우에, 그 결과는 BSi에 의한 블라인드 최적화(372)이다. BSj도 최적화를 결정한 경우, 그 결과는 동시 최적화(373)이다.

결정은, 2개의 엔티티, 즉, 기지국의 대화에 따른 것이기 때문에, 게임 이론을 이용하여, 페이백(payback), 즉, 네트워크 성능을 최대로 할 수 있다.

전략적 게임

도 8은 본 발명의 일 실시예에 따른 전략적 게임의 결과를 나타낸다. 2명의 플레이어는 BS1 및 BS2이다. 이것에 의해 본 발명의 게임은 기지국 중심으로 된다. 후술하는 바와 같이, 게임은 이동국 중심으로 될 수도 있다. 두 플레이어 모두 2치 전략 공간 {O,NO}로부터 자기의 행동을 선택할 수 있고, 여기서 O는 「최적화」(801)를 나타내고, NO는 「최적화하지 않음」(802)를 의미한다. BS1의 행동은 행 방향으로 변화되고, BS2 의 행동은 열 방향으로 변화된다. 2명의 플레이어에 의해 취해진 다른 행동 쌍에 의해 게임의 결과가 달라지고, 그것은 2명의 플레이어에게 다른 효용(이익)과 연관되게 한다.

게임의 결과는 2차원의 벡터

로 나타낼 수 있고, 표 1에 나타낸 4개의 게임의 결과(410)가 있다.

전략의 효용은 실수로 나타내고, 효용의 값이 높아질수록 결과에 대한 플레이어의 만족도가 높아진다. 도 8의 2명의 플레이어의 효용은, [플레이어 1의 효용, 플레이어 2의 효용]의 형식으로 기재된다. 예를 들면, 쌍 {O,O}은, 동시 최적화의 결과를 발생시키고, 이 동시 최적화에서, 플레이어는 효용 [4,4]를 얻는다.

합리적인 플레이어는, 그 효용을 최대로 하려고 한다. 상이한 플레이어가 최대 효용을 모색한 결과, 다른 플레이어의 행동이 알려져 있는 제약 하에서, 모든 플레이어는 그들의 최대 효용을 얻는 안정된 결과를 얻을 수 있다. 내쉬 균형은, 그와 같은 안정된 결과를 나타내고, 그 결과로부터 한사람이라도 벗어나면, 어떠한 플레이어도 더 좋은 상태로 될 수 없는 결과로서 정의된다.

도 8에서는, 유일한 내쉬 균형은 전략 쌍 {O,O}이다. 그러나, 상이한 결과와 연관된 효용이 변화될 때, 전략의 내쉬 균형도 변화될 수 있다. 경우에 따라서, 하나의 게임에 복수의 내쉬 균형이 존재할 수 있다. 효용의 모델화는 게임의 안정한 결과, 즉, 내쉬 균형을 구하는 데 매우 중요하다.

효용 함수의 모델화

도 8에 표시되는 전략적 게임에서, 플레이어의 효용은 실수로서 직접적으로 주어진다. 그러나, 다른 결과와 연관되는 다른 효용을 엄밀히 나타내기 위해 주의깊은 모델화가 필요하다. 본 발명에서, 어떤 전략의 효용은 플레이어에 대한 특정 결과로부터 그러한 결과를 달성하기 위해서 요구되는 비용을 뺀 값으로서 정의된다.

구체적으로는, 예상되는 서브캐리어 충돌수를 θ라고 하고, 결과가

일 때, 집합

내의 예상되는 서브캐리어 충돌수를

라고 한다. BSi에 대한 결과

의 값은

로서 주어질 수 있고, 여기서, 합리적인 BS는 서브캐리어 충돌이 저감된 결과를 선호하기 때문에, ψ(θ)는 θ의 단조 감소 함수이며,

이다.

또한, 최적화의 과정은 비용과 연관될 수 있다. 따라서, 다른 결과는 다른 비용과 연관된다. 비용은 최적화를 실행하는 것의 악영향을 반영한다. 예를 들면, 최적화는 실시간으로 실행되지 않을 수 있다. 이것은 서브캐리어 할당에 있어서 지연을 야기할 수 있다.

결과

를 달성하기 위해 BSi가 쓰는 비용은, 논네가티브 함수(non-negative function)

이다. 함수

의 값은, 구체적인 결과

및 다른 유형의 최적화, 즉, 동시 최적화 또는 블라인드 최적화를 실행하는 복잡도에 따른다. 비용 함수를 모델화하기 위한 경험칙은 BS가 블라인드 최적화를 실행하는 경우에 비해, BSi가 동시 최적화에 연관된 경우에, 비용이 높아진다는 것이다. BSi에 의해 랜덤 서브캐리어 할당이 선택된 경우, 비용은 0이다. 따라서, 결과

에서의 BSi의 효용은 하기의 식 (6)이다.

이 함수에 의하면, 최적화를 실행하는 비용이 높으면, 동시 최적화 및 블라인드 최적화의 결과는, 가능성이 낮아진다. 반대로, 예상되는 서브캐리어 충돌수의 감소와 함께 이익이 신속하게 증가하는 경우, 즉, 서브캐리어의 충돌수가 약간 감소하는 것 뿐이라도 BS에 의해 매우 가치가 높다고 보여지면, 동시 최적화 및/또는 블라인드 최적화의 결과는 가능성이 높아진다.

평가 함수 ψ(θ) 및 비용 함수

의 기능은, BS가 최적화의 결과 및 비용을 어떻게 평가할지를 반영한다. 이들 함수는 상술한 포괄적인 지침하에서 상이한 애플리케이션에 대해 다르게 선택될 수 있다. 함수 ψ(θ)가 단조로 감소하고, 함수

이 논네가티브인 한, 2개의 BS에 의해 내쉬 균형을 찾아낼 수 있다.

BS간의 대화로부터의 안정된 결과

도 8 및 표 1에 있어서의 게임의 결과, 예를 들면, 4 개의 다른 전략 쌍은, 2개의 BS간의 대화로부터 생긴다. 2개의 BS 중 어느 것도 독립하여 결과를 구할 수 없다. 본 발명자들은, 2개의 기지국간의 대화를 2치 스타켈베르그 선도자-추종자 게임으로서 모델화한다. 스타켈베르그 리더쉽 모델은 선도자가 가장 먼저 의사 결정하고, 순서대로 추종자가 의사 결정하는 전략적 게임이다.

도 9는 이 전략적 게임의 규칙을 의사 코드의 형태로 나타낸다. 이용가능한 서브캐리어에 관한 부분적인 정보를 교환한 후에, 한쪽의 BSi는 선도자이고, 다른쪽의 BSj는 추종자이다. 용어 「선도자(leader)」는 추종자로에 대한 어떠한 우위성도 나타내지 않는다. 대신에 그 용어는, 엄밀하게는 그 게임에 있어서 다른 플레이어에 의해 행하여지는 순차적인 동작의 순서를 나타낸다. 선도자 또는 추종자로 되는 것과 연관된 유리, 불리가 보증되지 않는다.

이익(효용)을 최대로 하기 위해서, BSi는 최초로 BSi의 각종 행동에 대한 BSj의 합리적인(최적의) 응답을 예측한다(스테이트먼트(i)(901)). 이 방식에서, BSj가 합리적이라는 가정 하에서, BSi는 자신의 다른 행동에 연관된 다른 결과를 구할 수 있다. 이들 예상되는 결과로부터, BSi는 최적의 결과

로 유도하는 자신의 최적 결정을 선택할 수 있다(스테이트먼트(ⅱ)(902)).

BSi가 의사 결정한 후에, BSj가 BSi의 행동을 관찰한다. 여기에서, BSj는 자신의 다른 행동으로부터의 결과를 완전히 알고 있으며, BSj가 합리적인 경우에는, BSi는 BSi에 의해 초기에 예측된 최적의 결정을 행한다(스테이트먼트(ⅲ)(902)). 이 결과, 내쉬 균형이 생기고, 그 결과는

이다. 이 합리적인 의사 결정은 상기의 모델화된 효용에 근거한다. 그 전략적 게임은, 시스템의 각종 파라미터, 예를 들면, 트래픽 부하 및 간섭 존의 사이즈에 따라 변화된다.

MS를 통한 정보 수집

MS에 의한 코그니티브 센싱

독립한 BS가 서로 통신하지 않고, 또한 MS가 다른 셀의 BS와 직접 통신할 수 없을 때, 일어날 수 있는 간섭원에 관한 정보는, 다른 MS로부터만 수집할 수 있다. 예를 들면, 정보 수집은 셀 i에서 개시된다. 집합

내의 MS는 코그니티브 센싱을 실행할 수 있다. 코그니티브 센싱에서는 일반적으로 트랜스시버가 학습하고, 동작하는 환경에 적합하다. 본 발명의 일 실시예에서는, 일어날 수 있는 간섭원이 특정된다.

도 10은 본 발명의 일 실시예에 따른 MS의 코그니티브 센싱을 나타낸다. 일어날 수 있는 간섭원을 특정하기 위해서, 집합

내의 MSl(1001)이 프로빙 신호(l)을 송출하고, 그 신호는 반경r_l(1003)의 센싱 영역A_l(1002)의 범위를 커버한다. 집합

내의 MS(1004)(가동 또는 비가동)가 영역 A_l 내, 즉, MSl로부터 r_l의 범위 내에 위치하는 경우에는, MS(1004)는 프로빙 신호 l에 응답하여, 현재 이용중인 서브캐리어(들)를 보고한다.

자발적으로 신뢰할 수 있는 응답

집합

내의 MS가 프로빙 신호를 송출할 경우에는, 그 프로빙 신호를 수신하는 집합

내의 모든 MS가 프로빙 요구에 응답한다. 이 모델은, 상호 충돌의 이론적 근거에 기초하고 있으며, 즉, 동일 채널 서브캐리어 충돌이, 관련되는 모든 MS에 대하여 똑같이 유해하다. 따라서, 집합

내의 MS가 프로빙 신호를 수신할 때에는 반드시 그 존재 및 서브캐리어 사용을 보고하여 BSi에 의해 실행되는 이용가능 최적화를 쉽게 하고, 상호 서브캐리어 충돌을 회피한다. 그러나, 프로빙 신호의 범위 밖에 있는 MS(1005)는 검출되지 않을 수 있다.

MS에 의해 수집되는 정보의 완전성

도 11에 표시되는 바와 같이, 집합

내의 MS의 코그니티브 센싱의 결과로서, BSi에 의해 입수되는 서브캐리어 사용에 관한 정밀도는, 집합

내의 각종 MS에 있어서 분산적으로 실행되는 코그니티브 센싱에 의해 커버되는 IZ 내의 영역의 부분에 따른다. 커버되지 않는 영역(1101)의 부분은 도 11의 빈 영역의 부분에 대응한다. 예를 들면, IZ의 80%가

내의 몇개의 MS의 코그니티브 센싱에 의해 커버되는 경우에는, BSi는 IZ 내의

에 의해 이용되는 서브캐리어의 80%를 취득할 수 있다. 도 11에 표시되는 예에서는, 집합

내의 2개의 MS(1105)가 빈 영역(1101) 내에 배치되고,

내의 어느 쪽의 MS의 센싱 영역에도 들어가지 않는다. 따라서, 이들 2개의 MS의 존재, 및 2개의 MS에 의해 이용되는 서브캐리어는, 수집할 수 없어, BSi에 보고할 수 없다.

MS가 균일하게 분포하고 있을 경우, 현재의 서브캐리어 사용에 관해서 수집되는 정보의 완전성은,

내의 MS에 의해 커버되는 영역의 부분과 등가이다. 간섭은 IZ 내에서만 일어날 수 있으므로, 현재의 서브캐리어 사용 정보의 완전성은 하기의 식 (7)과 같다.

여기에서, A_IZ는 IZ를 나타내고, A_l은 MSl(l∈

)의 센싱 영역이고,

는 IZ의 면적을 나타낸다. 값 p_μ∈[0,1]은 수집되는 정보의 완전성의 범위이며,

는 코그니티브 센싱에 의해 커버되는 A_IZ 내의 영역의 부분이다. 따라서,

가 성립된다. MS의 분포, 예를 들어, 2차원 포아송 분포가 균일할 때, 값

및 p_μ은, 센싱 반경 r_l에 의존한다. 본 발명의 실시예에서는, 집합

내의 모든 MS의 센싱 반경은 같아지도록 모델화된다.

도 11에 표시되는 네트워크 예에서는, 코그니티브 영역은, 반경 r₁을 각각 갖는 작은 원으로 표시된다. 그 원은 서로 겹칠 수 있다. IZ 내의 영역의 대부분은, 하나 또는 복수의 센싱 원 내에 있지만,

내의 2개의 MS(1105)는 어느 쪽의 코그니티브 센싱 원 내에도 들어가지 않는다.

도 12에 표시되는 바와 같이, IZ 내의 빈 영역은, 센싱 반경 r_l(1201)이 커짐에 따라 감소될 수 있다. 도 12에서, 센싱 반경(1201)은

내의 모든 MS가 코그니티브 센싱에 의해 커버된다. 이 경우, 서브캐리어 사용에 관한 완전한 정보는 BSi에서 입수할 수 있다. 도 12에 표시되는 예에서는, IZ 내에 여전히 커버되지 않은 빈 영역이 존재하지만,

내의 각 MS는 센싱 원 중 적어도 하나 내에 있고, 완전한 서브캐리어 사용 정보를 입수할 수 있다.

임계 센싱 반경 및 임계비

서브캐리어 사용 정보의 완전성은 센싱 반경 r_l에 달려있다. 따라서, 집합

내의 MS에 의한 반경 r_l의 선택은, BSi가, 일어날 수 있는 간섭원, 즉, 집합

내의 MS로부터 서브캐리어 사용을 어떻게 양호하게 특정하는 것이 가능한지에 영향을 미친다. 최적 센싱 반경은 하기 식 (8)과 같다.

여기에서, IZ의 면적 f(a)는 식 (1)에서 정의된다. 반경

은 하기 식 (9)와 같다.

센싱 반경

은, 면적

를, 겹치지 않는 센싱 영역을 갖는

로 커버하기 위한 실제 센싱 반경의 이상적인 하한을 제공한다. 대략 원형의 A_l을 부여하면, 겹치지 않는 센싱 영역으로 보다 큰 면적을 커버할 수는 없다. 그러나,

은 여전히 하한으로서 이용될 수 있다.

MS의 실제의 센싱 반경은 식 (10)에 의해

에 관련되게 할 수 있다.

여기서, ε∈R⁺는 센싱 반경의 임계비이다. ε∈[0,1]일 때, 센싱 반경의 하한에서조차 아직 충족되지 않기 때문에, 임계비는 실제 센싱 반경의 부족을 정의한다. ε∈[1,+∞]일 때, 그것은 다른 센싱 영역 내의 IZ를 커버하는 확률을 개선하기 위해 센싱 반경을 의도적으로 과잉으로 하는 것을 나타낸다.

정보의 완전성 및 센싱 반경

부울 센싱 모델(Boolean sensing model)에서는, 점들이 무한 평면 상에 밀도 λ_D로 랜덤하게 배치되어 있으며, 랜덤하게 배치된 점을 중심으로 하여 반경 r의 원이 그려질 경우, 이들 원 중 어느 것에 의해서도, 무한 평면 상의 스폿(spot)이 커버되지 않을 확률은, 하기 식 (11)과 같다.

본 발명자들은, 무한 평면 대신에 유한한 IZ를 이용하지만, 그것으로도 상기 결과를 이용하여, 정보의 완전성과 센싱 반경 r_l 사이의 관계를 근사시킬 수 있으며, 센싱 반경은 집합

내의 모든 MS의 경우에 같다고 가정된다. 구체적으로는, 밀도 파라미터가

이고, 센싱 반경이

인 경우, IZ 내의 서브캐리어 사용에 관해서 수집되는 정보의 예상되는 완전성은 하기의 식 (12)이다.

임계비가 증가함에 따라, IZ 전체가 커버될 확률이 지수 함수적으로 증가한다. 따라서, 집합

내의 MS가 센싱 반경을 증가할 수 있을 때, 즉, 센싱 범위가 최소 요건

보다 클 때, BSi에서 입수되는

내의 서브캐리어 사용 정보는 신속하게 완전해진다.

BS로부터의 보수(reward)

프로빙 신호를 송신하고, 서브캐리어 사용을 수집하는데도 전력을 소비하므로, BS는 코그니티브 센싱을 실행하는 MS에 보수를 주는 것에 의해, 코그니티브 센싱을 촉진해야 한다. 센싱을 위한 전력 소비는 센싱 범위가 넓을 만큼 증가하므로, 이 보수는 MS의 센싱 범위와 함께 단조로 증가해야 한다. 일 실시예에서는, BS로부터의 보수는 송신 전력의 증가의 형태를 취한다. 송신 전력을 증가시키는 것에 의해, MS의 범위를 증가시킬 수 있고, MS에서 수신 SNR를 증가시킬 수 있고, MS에서 요구되는 수신 전력을 감소시킬 수 있다.

MS가 코그니티브 센싱을 실행하지 않아 보수를 얻을 수 없을 때, IZ 내의 MS는 할당된 송신 전력 P_O이다. 그러나, IZ 내의 MS_l이 반경 r_l 내의 서브캐리어 사용 정보를 수집할 경우에는, BSi는 송신 전력

을 할당한다. 부가적인 보수 전력

에서, R_r은 BSi에 의해 선택되는 보수 계수이며, ρ는 통상 2∼5의 범위 내의 값을 취하는 경로 손실 지수이며, 센싱 범위에 대하여 그 MS의 경우의 센싱 과정이 어떻게 전력을 소비하는지를 나타낸다.

코그니티브 센싱에 있어서의 MS를 위한 트레이드오프(tradeoff)

상술한 바와 같이,

내의 MS가 코그니티브 센싱을 실행하기 위한 하나의 비용은, 센싱에 관련되는 전력 소비이다. C1을, 단위 반경의 원형 영역 내에서 코그니티브 센싱을 실행하기 위해서 요구되는 전력을 지정하는 정의 정수라고 한다. 그때, 반경 r_l 내에서 센싱 때문에 소비되는 전력의 비용은,

로서 부여될 수 있다. 경로 손실 지수 ρ는 센싱에서의 전력 소비가 센싱 반경과 함께 어떻게 변화될지를 나타내고, MS의 무선 환경에 의존한다. ρ의 값은, 통상 [2,5]의 범위 내에 있고, ρ=2는 자유 공간(free-space) 전망(LOS : line-of sight) 환경에 대응하고, ρ=5는 손실이 있는 실내 환경을 나타낸다.

코그니티브 센싱을 실행하는 이익은 2개 있다. 첫째, BS로부터의 전력 보수가 MS 그 자체에 의해 소비되는 전력을 보상할 수 있다. 두번째, BS가 코그니티브 센싱에 의해 수집되는 정보를 이용하여, MS의 수신 전력을 허비하는 서브캐리어 충돌을 저감할 수 있다.

코그니티브 센싱의 2개의 이익을 모델화하기 위해서, C'₂를 서브캐리어 충돌이 발생될 때 허비되는 수신 전력의 양이라고 하고, P_IC를 수집되는 정보의 불완전성, 즉, 도 11의 빈 영역으로 인한 서브캐리어 충돌의 확률이라고 한다. 이때 하기 식 (13)이 성립한다.

C₂=C'₂β_jf(α)일 경우, 충돌한 다운 링크 송신을 수신할 때에 허비되는 전력은 P_W=C₂exp(-ε²)이다.

MS가 BS로부터 수신하는 다운 링크 송신 전력 보수는

이며, 그것은, MS가 코그니티브 센싱을 실행하기 위한 동기로서의 역할도 한다. 그러한 보수는 MS에 유익하므로, 그 보수는 MS가 갖는 배터리의 전력 소비에서의 등가 절약에 관련된다. 이 등가성은, 변환 계수 σ_t,r∈R⁺에 의해 모델화될 수 있다. 변환 계수 σ_t,r에 의하면, 다운 링크 송신 전력으로의 BS에 의한 보수 R_rr_l ^ρ는, MS에서

의 전력 절약과 등가이다.

변환 계수 σ_t,r은 MS가 자신의 전력 절약에 대하여 다운 링크 송신 전력의 증가된 값을 평가하는 것을 쉽게 하는 「환율」이다. σ_t,r의 선택은, MS가 다운 링크 전력을 증가시키는 이익, 및 센싱 전력 소비를 감소시키는 것을 어떻게 비교하는 지에 관련된다. 예를 들면, σ_t,r>1일 때, 그 계수는, 다운 링크 송신 전력의 증가가 자신의 배터리 전력의 절약보다 가치가 적은 것을 나타내고, 한편, σ_t,r<1은 MS가 다운 링크 송신 전력의 증가를 선호하는 것을 의미한다.

그러므로, r_l의 반경 내의 코그니티브 센싱을 실행하는 MS를 위한 전체 전력 절약은 하기 식 (14)와 같이 된다.

코그니티브 센싱을 장려하기 위한 트레이드 오프

BS의 다운 링크 송신 전력은 통상 규제에 의해서도 제한된다. 따라서, BS는 MS에 서비스를 제공하면서, 그 다운 링크 송신 전력을 최소한으로 억제하는 것에도 관심이 있다.

내의 MS가

내의 서브캐리어 사용의 정보를 수집하는 것에 관계하는 동기를 주기 위해서, BSi는 MS로의 송신 전력을 증가시켜, 코그니티브 센싱을 장려한다. 이 송신 전력의 증가의 보수는, BSi가

내의 일어날 수 있는 간섭원에 관한 정보를 입수할 수 있는 것이다. 따라서, MS의 코그니티브 센싱에 보수를 주는 것에 의해 BSi에 대한 전력을 절약할 때의 실제 보수는, 하기 식 (15)와 같이 된다.

BS와 MS의 사이의 연속 스타켈베르그 선도자-추종자 게임

BS 및 MS를 위한 효용의 모델화

BS 및 MS의 거동을 이해하기 위해서, 그 대화를 복수의 스타켈베르그 선도자-추종자 게임으로서 모델화할 수 있다. 구체적으로는, 그 모델을 간단히 하기 위해서, 집합

내의 모든 MS가 같은 센싱 반경 r_l을 선택한다. 이 경우, 복수의 스타켈베르그 게임은, BS와 MS 사이의 한번의 2-플레이어 게임에 의해 모델화할 수 있다. 이하의 설명에서 변환 계수는 σ_t,r=1이다.

그 게임은, 전력 절약을 최대로 하는 것이다. BS 및 MS의 효용은, 단위 원 영역을 센싱하기 위해서 요구되는 전력 C₁과 같은 다수의 파라미터에 따른다. 이것은, MS 유닛의 하드웨어 설계의 직접적인 결과이다. 서브캐리어 충돌에 있어서 허비되는 전력의 양은 C₂=C'₂β_jf(α)이다. 단, C'₂는 서브캐리어 충돌이 발생될 때에 허비되는 수신 전력의 양이다. MS의 분포 및 네트워크 토폴리지에 의해 결정되는 임계 반경은

이고, ρ는 MS 부근의 무선 환경에 의해서만 결정되는 경로 손실 지수이다. 따라서, 파라미터 C₁, C₂,

또는 ρ의 어떠한 것도 게임에서 MS 또는 BS에 의해 제어될 수 없다. 또한, 전력 P_O는 코그니티브 센싱을 향한 어느 플레이어의 태도에도 직접 영향을 미치지 않는다. 변환 계수 σ_t,r의 값은 송신 전력 보수를 MS의 전력 절약으로 변환하기 위한 역할을 맡고, BS와 MS 사이의 대화를 이해하는데도 불가결한 형태를 취하지 않기 때문에, 게임에서 미리 고정되어 있는 것으로 가정한다.

상기로부터, 게임의 2명의 플레이어(BS 및 MS)에 의해 결정하는 것이 가능하고, 게임의 결과에 영향을 미치는 파라미터는 R_r 및 ε이다. 따라서, 게임에서의 2명의 플레이어의 효용은, 각각 식 (14) 및 식 (15)로부터 도출되는 하기 식 (16) 및 (17)로서 기술할 수 있다.

특히, BS는 R_r을 선택할 수 있는 반면, MS는 ε의 값을 선택한다.

BS와 MS 사이의 스타켈베르그 게임에 있어서의 의사 결정

BS의 결정 공간은 {R_r:R_r∈R⁺}이며, MS의 결정 공간은 {ε:ε∈R⁺}이다. 즉, 게임에 있어서의 양쪽 플레이어의 결정은 연속 공간 R⁺에 미친다. 따라서, 그 게임은 연속 스타켈베르그 게임으로서 모델화된다. 이 스타켈베르그 게임에서는, BSi에 의해 일련의 결정이 개시되고, BSi는 선도자로서의 역할을 맡아 최초로 의사 결정한다. MS는 추종자이며, BSi로부터의 결정을 관찰한 후에 의사 결정한다.

은 식 (9)에 의해 결정되고 주어진 네트워크 토폴리지의 경우에 일정하므로, 그 값은 BSi에 의해 객관적으로 결정된다. 선도자로서의 BSi는 보수 계수 R_r의 값을 결정하고, R_r을

내의 모든 MS에 알린다. 추종자(MS)는 BSi의 결정을 관찰하고, ε의 값을 결정함으로써, 센싱 범위

을 결정한다.

도 13은 대화형 의사 결정 과정을 위한 의사 코드를 나타낸다. 초기화에 의해, 비결정 함수 파라미터, 즉, C₁, C₂,

, P_O, ρ 및 ρ_t,r의 값이 결정된다. 2명의 플레이어간의 의사 결정은 BS에서 시작한다. 그 자신의 효용을 최대로 하기 위해서, BS는 R_r의 최적의 결정을 도출하지 않으면 안된다. BS의 효용 U_BS(ε, R_r)은 ε 및 R_r의 양쪽에 의해 결정되므로, BS는 MS에 의해 행하여지는 ε의 결정을 예측하지 않으면 안된다. 그렇게 하기 위하여, BS는 MS가 합리적이라고 가정하고, MS가 항상 자신의 효용을 동일하게 최대로 하는 최적의 의사 결정을 행하는 것으로 예측한다. 그렇게 하여, BS는 스테이트먼트(i)(1301)에서, MS의 최적의 응답을 R_r의 함수로서

으로 결정할 수 있다.

그 후, BS는 스테이트먼트(ⅱ)(1302)에서, 자신의 효용 함수를 단 하나의 변수 R_r의 함수, 즉,

의 함수로 변형하는 것이 가능하고, 그것으로부터 BS는 스테이트먼트(iii)(1303)에서 그 자신의 최적의 결정 R^* _r을 결정할 수 있다. BS가 보수 계수 R_r=R^* _r에 대하여 의사 결정한 후에, MS는 그 결정을 관찰하여, 센싱 반경이

이 되도록, 임계값 ε^*의 최적값을 결정함으로써, 코그니티브 센싱을 위한 범위를 결정한다. 이 범위는, 스테이트먼트(ⅳ)(1304)에서, 그 자신의 효용 U_BS(ε, R^* _r)을 최대로 한다.

최적의 전략 및 내쉬 균형

각종 플레이어에 의해 채용되는 최적의 전략을 결정하기 위해, ρ=2의 경로 손실 지수가 이용된다. MS로부터의 합리적인 응답에 관한 BS에 의한 예측은, MS의 최적의 결정을 하기와 같이 기술할 수 있음을 시사한다.

R_r≥σ_t,rC₁일 경우에는, MS는 항상 그 센싱 능력에 따라, 최대 센싱 범위를 이용하여 코그니티브 센싱을 실행한다.

인 경우에는, MS는 코그니티브 센싱을 결코 실행하지 않는다.

인 경우, MS의 최적의 응답은

의 범위 내에서 코그니티브 센싱을 실행하는 것이다. 단,

은, R_r의 함수이며, 하기의 식 (18)과 같이 주어질 수 있다.

상기와 같은 MS의 최적의 응답은, MS가 다운 링크 송신 전력에서의 보수를 좋아하고/좋아하거나 보수 계수가 센싱의 비용에 비해 충분히 클 때, 즉, R_r≥σ_t,rC₁일 때, 코그니티브 센싱에 의해 소비되는 전력은 항상 유익하다는 점을 시사한다. 이 경우 MS는 가능한한 큰 센싱 영역을 커버하려고 한다.

대조적으로, 센싱의 비용이 취득할 수 있는 보수에 비해 큰 경우에는, MS는 코그니티브 센싱을 결코 실행하지 않는다.

상기 2개의 시나리오는, 코그니티브 센싱이 MS에게 항상 유리하거나 또는 항상 불리한 자명한 사례에 대응한다. 그러한 극단적인 사례가 존재하는 경우도 있지만, 실제로는, 극단적인 사례 사이에서 균형잡고 있는 것이 일반적이다.

일 때, 어떤 특정한 센싱 반경이 유리할지 여부는, BS에 의해 약속되는 보수 계수 R_r에 직접 의존하고, 최적의 응답은 식 (18)에서 R_r의 함수로서 주어질 수 있다.

이하의 실시예는 최후의 시나리오에 근거한다. MS가 최적의 응답을 선택하는 경우의 BS의 효용은 하기 식 (19)와 같이 되고,

R_r에 관한 BS에 의한 최적의 결정은 이하의 식을 푸는 것에 의해 구할 수 있으며,

이것은 R_r에 대한 이하의 식 (20)에 대한 해 R^* _r이다.

단 R_r에 관해, 이하의 3개의 식이 성립한다.

및

R^* _r을 위한 닫힌 형태의 해는 식 (20)으로부터 도출하는 것은 어렵지만, BS 의 계산 능력이 최대인 것으로 하면, 그럼에도 불구하고 최적의 결정을 수치 계산할 수 있다. R^* _r의 값을 구한 후에, MS는 R^* _r을 통지하게 되고, 그때, MS의 최적의 결정은 하기의 식 (21)로 주어진다.

이 대화형 의사 결정 과정에서는 , BS는 최적의 결정을 위한 계산 작업의 대부분을 담당한다. 예를 들어, BS는 처음에 MS의 최적의 응답 함수를 예측하고, 그 후 역방향으로 도출함으로써, 그 자신의 최적의 전략을 도출한다.

대조적으로, BS에서 의사 결정된 후에, MS는 함수가 아니라, 그 전략을 위한 최적값을 구하는 것밖에 필요로 하지 않는다. BS는 고도의 계산 능력을 갖고, 그 계산 능력에 제약이 없는 데 대하여, MS는 통상 한정된 계산 능력 및 배터리 전력으로 동작하기 때문에, 이 계산의 복잡함이 불균형한 것은 실제로는 바람직하다.

일때, 연속 스타켈베르그 게임의 합리적인 결과는 전략쌍 {R^* _r, ε^*}이며, 여기에서, BS는 r_l의 범위에서 코그니티브 센싱을 실행하는 MS에 대하여, 보수로서 부가적인 송신 전력 R^* _rr_l ²을 줄 것을 약속하고, MS는

의 범위에서 센싱을 실행할 것을 결정한다. 이 결과는,

의 조건 하에서, 그 게임을 위한 고유한 내쉬 균형이다. 이것은 내쉬 균형의 정의로부터 검증할 수 있다. MS가 반경

에서 센싱을 실행하는 것을 결정하는 것으로 하면, BS를 위한 결과가 {R^* _r, ε^*}인 경우에, R^* _r은 이미 도 13의 스테이트먼트(i) 및 (ⅱ)에 의해 최대 취득 효용을 달성하고 있기 때문에, 그 효용은 R^* _r을 변경함으로써 증가시킬 수 없다. 한편, MS의 경우, 보수 계수 R^* _r이라고 하면 그 효용은 도 13의 스테이트먼트(ⅳ)에 의해, ε^*이외의 임계값을 선택하는 것에 의해 증가시킬 수 없다. 내쉬 균형은, 독립하여 행동하는 것에 의해 더 양호한 상태로 될 수 있는 플레이어가 없다는 결과를 기술하기 때문에, 결과 {R^* _r, ε^*}는 정의에 의해, 고유의 내쉬 균형이다.

통계적 트래픽 모델에 의한 간섭 회피

시간 경과적으로 수집되는 정보의 부정확함

동적인 이동 네트워크에서는, 서브캐리어 사용 정보(211)는 한정된 시간에 걸쳐서만 유효하다. 그러나, 연속해서 갱신하는 것은 자원을 허비하고 통상은 실용적이지 않기 때문에, 수집되는 정보는 실시간으로 갱신할 수 없다. 따라서, 현재의 사용을 정기적으로 갱신하는 것이 바람직하다. 갱신간의 간격의 길이는 간섭 회피의 성능에 크게 영향을 미칠 수 있다.

도 14는 본 발명의 일 실시예에 따른 갱신의 타이밍을 나타낸다. 서브캐리어 사용 정보의 유효성을 위한 지속 시간은 T_t(1401)이며, 그것은 인프라스트럭처에 의해 지시되는 미지의 확률 변수이다. 시간 T_a(1401)에 걸쳐 서브캐리어가 사용된 후에, BSi는 랜덤한 시각 t(1404)에서 서브캐리어 사용을 통지한다. 그 문제는 그 사용이 유효한 채인 시간 T_b의 길이, 즉, T_b=T_t-T_a를 구하는 것이다.

현재 송신의 현재 경과 시간 및 장래 수명

본 발명자들은 재생 보수 과정(renewal-reward)을 이용하여 이 문제를 해결한다. 재생 보수 이론은 랜덤한 유지 시간에 걸친 포아송 과정을 일반화하는 확률 이론의 한 분야이다. 랜덤한 시점 t에서 검출이 행해지는 경우에, 검출 시간에서 예상되는 지속 시간은 하기 식 (22)와 같이 된다.

한편, 전체 지속 시간 T_t의 임의의 분포의 경우에, 장래 지속 시간 T_b의 길이는 하기 식 (23)과 같이 된다.

간섭하는 셀에서의 일정 트래픽 부하

본 발명자들은 간섭하는 셀 내의 트래픽 부하가 시간이 지나도 상대적으로 일정한 것으로 생각한다. 이것은, 현재의 서브캐리어 사용이 종료된 후에, 새로운 서브캐리어 사용이 개시되는 것을 나타낸다. 또한, 현재의 서브캐리어 사용의 종료시에, 새로운 다운 링크 서브캐리어가 종료 후에 랜덤하게 선택된다. 그 때문에, 시간 t에서 수집되는 서브캐리어 사용 정보는 랜덤한 지속 시간 T_b=T_t-T_a에 걸쳐 정확하다고 생각할 수 있다.

정보의 정확함 및 갱신 간격

Iz 내의 현재 서브캐리어 사용에 관해서 주기적으로 갱신할 경우, 그 주기가 T_r이라고 하면, 다음번 정보 수집 전에 간섭하는 셀 내의 현재 서브캐리어의 할당이 변화되지 않는 한, 즉, 현재의 송신이 종료되지 않는 한, 그 정보는 정확하다. 따라서, 시간 T_r에 걸친 정보의 정확함은 하기의 식 (24)와 같이 된다.

구체적으로는, T_r=0은, 정보가 연속해서 수집되어, 갱신되는 이상적인 경우에 해당한다. 본 발명자들은 다른 유형의 트래픽의 경우의 갱신을 기술한다.

음성 트래픽

지수 함수적으로 분포하는 지속 시간을 갖는 예상되는 장래 수명

음성 트래픽의 경우, 각 송신 및 서브캐리어 사용의 지속 시간은 , 라이트 테일 지수 분포(light-tail exponential distribution)로 나타낼 수 있다. 다운 링크 송신의 지속 시간이 확률 변수 X=T_t에 의해 표현되는 경우에는, 그 확률 분포 함수(pdf)는, 하기 식 (25)와 같이 된다.

송신 지속 시간에 관한 이 분포가 주어지는 경우, 현재의 서브캐리어 사용의 예상되는 장래 수명은 식 (23)으로부터 하기 식 (26)과 같이 구할 수 있다.

단, X=T_t는 음성 트래픽의 전체 지속 시간을 기술하는 확률 변수이다.

즉, 랜덤한 시간에 있어서 셀 i 내에서 관측되는 바와 같은,

내의 현재의 서브캐리어 사용의 예상되는 나머지 지속 시간은, 1/λ이다. 이 예상되는 나머지 지속 시간은 T_t의 예상되는 지속 시간과 같고, 지수 분포 특유의 무기억성으로부터도 얻을 수 있다. 그러나, 식 (22)는 더욱 일반적이며, 임의의 분포의 경우에 유효하다.

정규화된 정보 갱신 빈도(NIUF : normalized information update frequency)

실제, BSi는 과거의 관찰을 통하여 셀 j 내의 서브캐리어 사용의 지속 시간을 지배하는 지수 분포율 λ를 얻을 수 있고, 현재 송신의 예상되는 장래 수명을 구할 수 있다. 그때, 셀 i 내의 국은 갱신의 빈도를 구한다.

정규화된 정보 갱신 빈도(NIUF)는 하기의 식 (27)과 같이 된다.

단, T_r은 2회의 연속된 정보 수집간의 간격이다. 이 경우 T_r의 지속 시간 에 걸친 현재 정보의 정확함은 하기의 식 (28)과 같이 된다.

즉, 이하의 식이 성립한다.

갱신 간격 중의 물리적인 서브캐리어에 있어서의 한번의 천이

시각 t에서 현재의 서브캐리어 사용 정보가 입수되어, T'<T_r인 것과 같은 시각 t+T'에서 현재 사용의 트래픽이 종료될 경우에, 트래픽 부하가 일정하다는 가정 하에서, 새롭게 개시되는 트래픽에 랜덤한 서브캐리어가 할당된다. 이 실시예에서, 본 발명자들은, 어떤 특정한 서브캐리어가 갱신 간격 T_r 중에 단 한번의 천이를 겪을 수 있다고 가정한다.

천이가 한번만이라는 상기 가정에 의하면, 새로운 트래픽은 시각 t+T_r 전에 종료하지 않는다. 천이가 한번만이라는 가정에 의해, 부당하게 길지 않은 갱신 간격 T_r에 걸쳐 부정확함의 영향을 조사할 수 있게 된다. 시간 T에 걸쳐 성능을 조사할 때, T는 복수의 갱신 간격으로 분할될 수 있다.

블라인드 최적화에 있어서의 시간 경과적인 부정확함의 영향

IZ(105)에 있어서의 서브캐리어 사용에 관한 정보(211)가 인프라스트럭처(210)를 통해 교환될 때, 그것은 완전하고 또한 정확하다. 블라인드 최적화를 위한 충돌수는 앞에 설명되어 있다. 그러나, 간격 T_b 중에, 또한 블라인드 최적화를 위한 다음번의 정보 수집 전에, 현재의 송신이 조기 종료되는 것으로 인하여, 셀 내의 서브캐리어 사용이 변화될 수 있다. 이것은, 현재의 정보를 부정확하게 하여, 부가적인 서브캐리어 충돌을 도입할 수 있다.

T가 T_r에 의해 분할될 수 있는 것으로 가정하면, T의 장래의 지속 시간 중에 발생될 수 있는, 예상되는 부가적인 서브캐리어 충돌수는 하기의 식 (29)와 같이 된다.

이며, 따라서, 시간 경과적인 정보의 부정확함에 의해 도입되는 예상되는 충돌수는 T_r의 단조 감소 함수인 것을 알 수 있고, 그것은 갱신 주기가 짧을수록, 즉, NIUF가 높을수록, 시간 경과적인 부정확함의 영향을 저감할 수 있다는 것을 시사한다. 또한, 임의의 T의 값인 경우에

임을 알 수 있다.

T의 지속 시간에 걸친 예상되는 서브캐리어 전체 충돌수는, 하기의 식 (30)과 같다.

단,

은 식 (3)으로부터의

와 같다.

은 반정적인(semi-static) 서브캐리어 사용 하에서의 예상되는 서브캐리어 충돌수를 나타내고, 즉, 서브캐리어 할당은 T 또는 연속 정보 갱신 중(즉, T_r→0)에 동적이지 않다.

비교하면, 정보가 수집되지 않고, 간섭 회피가 실행되지 않을 때에, T의 지속 시간에 걸친, 랜덤하게 서브캐리어를 할당할 경우에 예상되는 서브캐리어 충돌수는, 하기의 식 (31)과 같이 된다.

식(30) 및 (31)은 모두 T_r의 지속 시간 중에 한번만 천이가 발생된다는 가정에 근거한다.

적당한 갱신 간격이 선택될 때, 예를 들면, T_r≤E[T_b] 또는 μ≥1일 때, 갱신 간격간에 서브캐리어 사용 정보가 부정확하여도, 여전히 블라인드 최적화(372)가 예상되는 서브캐리어 충돌수를 대폭 저감할 수 있다는 것을 알 수 있다. 예를 들면, μ=1인 경우 트래픽 부하가 약 90% 미만일 때에, 서브캐리어 충돌의 80% 저감을 달성할 수 있다.

정보 갱신 간격을 시분할할 때에 공평을 기하기 위한 스케줄링

서브캐리어 사용 정보를 수집할 때에, 현재 수집되어 있는 정보가 시간 T_r에 걸쳐 유효한 것을 BS가 예측 정밀도 ξ_A(T_r)로 가정할 수 있도록, 갱신 간격 T_r이 결정된다. 그러한 정보는 통상 입수하는 데 비용이 들기 때문에, 그 정보를 최대한에 활용하기 위해서, 주의 깊은 스케줄링이 실행된다.

구체적으로는,

내의 복수의 MS가, 다음 T_r시간 주기 중에 확률 ξ_A(T_r)로 충돌이 없는 것으로 가정되는 서브캐리어를 시분할하는 것인 경우에, 복수의 MS가 공용하는 순서를 공평하게 결정하는 것은, MS 사이의 공평성을 달성하고, 또한/또는 각종 MS의 다양한 QoS 요구를 충족시키는 데도 불가결하다.

도 15는 정보가 간격 T_r에 걸쳐 주기적으로 입수되는 예를 나타낸다. 시점 t에서 현재의 서브캐리어 사용이 검출된다. 따라서, [t,t+T_r]의 시간 간격 중에 간섭원에 관한 정보 갱신을 이용할 수 없다. 셀 i에서, 현재의 서브캐리어 x가 사용중이다. 후속의 새롭게 개시되는 사용은 서브캐리어 z다. 다른 2개의 MS는, T_r1+T_r2=T_r인 것과 같은, 각각 T_r1 및 T_r2의 지속 시간의 다운 링크 송신을 필요로 한다. 주파수 자원을 유효하게 이용하기 위해서, 2개의 MS는 다음 주기 T_r 중에 서브캐리어 y를 순차로 공용할 수 있다. 따라서, 본 발명자들은, 이들 2개의 MS를 위한 순서를 결정할 필요가 있다. 타임 슬롯 T_r1 및 T_r2에서 충돌하는 확률은 다르다.

취약성 확률

서브캐리어 y가 간격 T_r 중에 셀 i 내의 복수의 MS에 의해 시분할될 경우에, P^V _k는 다음에 새롭게 개시되는 서브캐리어 Z의 사용 지속 시간이 부분적으로 또는 전체적으로 제 k의 MS의 송신 지속 시간과 겹칠 확률이다. 도 15에 표시되는 예에서는, 현재의 서브캐리어 x의 사용은 시각 t+T_b에서 종료하고, 그 후, 새로운 서브캐리어 z를 개시할 수 있다. T_r1<T_b<T_r1+T_r2이므로, 시간 T_r2 중의 송신은, 충돌을 일으키기 쉽지만, 시간 T_r1중의 송신은 충돌을 일으키기 어렵다.

송신이 충돌을 일으키기 쉬울 때에, 그것은 서브캐리어 충돌이 일어나지 않으면 안되는 것을 의미하는 것이 아니라는 점에 유의해야 한다. 그 셀 내에서 새롭게 생성되는 트래픽은 랜덤하게 서브캐리어를 할당할 수 있으므로, 새로운 서브캐리어 z는, 서브캐리어 y와 충돌할 수도, 충돌하지 않을 수도 있다. y=z일 때에 충돌이 발생한다. 제 k의 타임 슬롯에서 송신하는, 셀 i 내의 MS를 위한 서브캐리어 충돌의 확률은

이다.

일반성을 잃지 않고, MS1이 T_r1=ηT_r(0<η<1)에서 최초로 서브캐리어 사용이 허가되고, MS2가 나머지의 지속 시간 T_r2=(1-η)T_r에 걸쳐 같은 서브캐리어로 할당되는 것으로 가정하면, 2개의 MS가 시간 T_r 중에 같은 서브캐리어를 순차로 공용할 때에, 2개의 MS의 취약성 확률은 하기의 식 (32) 및 (33)과 같이 된다.

단, ξ_A(T_r)은 식 (23)에서 구해지는 시간 T_r과 연관된 예측 정밀도이며, Y_t=T_b+T'_t는 2개의 지수확률 변수의 합이다. 따라서, Y_t는, 형상 파라미터(2) 및 레이트 λ를 갖는 감마 분포(Gamma distribution)이다. 예측 정밀도가 적절하게 정확해서, 예를 들어 ξ_A(T_r)>0.2일 때에, 제 1 MS의 취약성 확률은 항상 제 2 MS의 취약성 확률보다 낮다는 것을 알 수 있다. 따라서, 제 1 MS는 서브캐리어 충돌을 덜 겪는다.

보다 일반적으로는, 간격 T_r이 K개의 MS(K>1) 사이에서 공용될 경우에는, 그 주기 T_r을 K개의 타임 슬롯으로 분할할 수 있고, 제 k의 MS는 제 k 타임 슬롯에 할당된다. 제 k 슬롯의 지속 시간은 η_kT_r이며, η_O=O이고,

이다. 제 k의 MS 내의 충돌의 확률은 하기의 식 (34)와 같이 된다.

스케줄링의 공평성 및 우선 순위

셀 내의 복수의 MS가 2회의 연속된 정보 갱신 사이에서 송신 간격 T_r을 공용할 때, 먼저 도출된 해석 결과는 MS가 T_r 중에 다른 슬롯에 할당되는 경우에 서브캐리어 충돌의 확률도 다른 것을 나타낸다. 이 일어날 수 있는 불공평의 문제를 해결하도록 프로토콜이 설계될 수 있다.

각종 MS가 다양한 간격으로 할당되는 슬롯에 관한 이력을 유지함으로써, 공평한 스케쥴링을 실시할 수 있다. 도 15의 예에서, 2개의 MS가 공용하는 시나리오가 도시되어 있고, 적당한 예측 정밀도가 달성되어, 제 1 슬롯이 할당되는 것이 선호되도록, T_r이 선택된다. 그 이력이, MS1이 통상 선호하지 않는 타임 슬롯(복수 가능)에 할당되어 있는 것을 나타내는 경우에, 공평을 기하기 위해, MS1은 현재 서브캐리어 할당에서, 제 1 타임슬롯에 할당되어야 한다.

보다 일반적으로, 집합

내의 MS1마다 이력 인덱스를 h=1, 2, … 로 하고, P^V _k(l)을 현재 행해지고 있는 서브캐리어 할당에서의 MS1의 취약성 확률이라고 한다. h회째의 MS1을 위한 취약성 확률 이력이, P^V _k(l, h)로서 기록된다. 이 경우, 길이 H(h=0, 1, … H-1)의 이력이 기록될 때, 특정한 제 k 슬롯으로의 MS1의 현재 할당은 하기의 식 (35)를 충족시키도록 선택되어야 한다.

즉, 간격 T_r 내의 타임 슬롯의 현재 할당은, 이력에 걸친 평균 취약성 확률이 집합

내의 모든 MS의 경우에 P_A에 가까워지도록 선택되어야 한다.

대조적으로, 특정 MS의 송신 작업이 다른 작업보다 우선도가 높은 경우에, BS는 공평성에 관한 우선 순위를 행사하여, 가장 작은 취약성 확률과 연관된 타임 슬롯을 높은 우선도의 MS에 할당할 수 있다. 실제로는, 지연의 영향을 받기 쉬운 것, 송신의 긴급성과 같은, 보다 높은 우선 순위를 정당화하기 위해서, 다른 판단 기준을 이용할 수 있다.

데이터 트래픽

파레토 분포(Pareto distribution) 및 절단(truncated) 파레토 분포

트래픽이 데이터 전송에 의해 지배되는 경우, 그 송신 길이의 분포는, 통상 헤비 테일(heavy-tail)을 갖고, 그것은 파레토 분포 또는 브래드퍼드(Bradford) 분포에 의해 기술될 수 있다. 그 pdf는 하기의 식 (36)과 같다.

데이터 트래픽의 지속 시간을 기술하기 위해 이용되는 경우, 파레토 분포는 데이터 트래픽의 헤비 테일 특성에 대응하여, 적어도 b의 길이, 및 통상 (0,2)의 구간으로부터의 값을 취하는 형상 계수 a의 전송을 기술한다. 그러나, 식 (36)의 분포에 의해 지배되는 확률 변수 X는, 명확한 유한의 적률(moment)을 갖지 않는다. 구체적으로는, 파레토 분포 X의 모든 유한의 적률은, 0<a≤1일 때에 무한하다. 1<a<2일 때, X는 유한한 제 1 적률(평균)을 갖지만, 모든 제 i(i>1)는 정의되지 않는다.

무한한 파레토 분포의 해석적인 합의를 의식하여, 무선 데이터 트래픽의 지속 시간의 분포를 기술하기 위해 통상 절단 파레토 분포가 이용된다. 구체적으로는, 송신의 최대 길이 m에 대한 상한이 있을 때에, 본 발명자들은, 이하의 절단 파레토 분포를 이용하여, 데이터 트래픽 지속 시간의 분포를 기술한다.

실제, 식 (37)의 상한은 네트워크에 의해 허가되는 데이터 트래픽의 최대 지속 시간에 해당한다.

파레토 분포의 지속 시간을 갖는 예상되는 장래 수명

재생 보수 과정을 이용할 때, 데이터 트래픽을 위한 현재의 서브캐리어 사용의 예상되는 장래 수명은, 식 (23) 및 식 (37)로부터 하기 식 (38)과 같이 구할 수 있다.

단, X=T_t는 데이터 트래픽의 전체 지속 시간을 기술하는 확률 변수이다.

예측의 정밀도

지수 분포와는 달리, 데이터 트래픽을 위한 예측 정밀도를 평가할 때의 주요 과제는, 지배하는 파레토 분포가 무기억이 아닌 것이다. 따라서, 현재 관측되고 있는 서브캐리어 사용의 경우에, 장래 수명의 예상되는 값은 식 (23)의 재생 보수 과정에 의해 구할 수 있지만, 다른 예측 방식의 정밀도를 평가하기 위해서는 추가적인 정보가 필요하다.

본 발명자들이, 데이터 트래픽 때문에 NIUF를 이용하는 경우에는, 예측의 정밀도는 NIUF의 다른 값마다 평가할 수 있다. a=1.1, b=2 및 m=55일 때, 파레토 분포의 데이터 트래픽을 위한 예측 정밀도는, 지수 분포의 데이터 트래픽의 정밀도보다 약간만 낮다.

현재의 경과 시간에 근거하는 예측

사용의 이력이 인프라스트럭처 또는 코그니티브 센싱으로부터 입수 가능한 경우, T_r의 시간에 걸친 현재 수집되고 있는 정보의 정밀도를 해석적으로 평가할 수 있다. 구체적으로는, 서브캐리어의 사용이 시간 T_a에 걸쳐 계속되고 있는 것을 알고 있어, 다음 회의 정보 수집이 시간 T_r(T_r≤m-T_a)에서 실행되는 경우에, 그 정보는 이 간격 T_r 내에서 확률 ξ_A(T_a,T_r)로 정확하며, 그 확률은 하기의 식 (39)와 같다.

정보 수집간의 간격이 T_r>m-T_a일 때, 집합

내의 서브캐리어 사용은, 간격T_r 중에 틀림없이 변화되고, 시간 간격 T_r에 걸쳐 예측 정밀도는 0이다. 그러한 선택은 모든 데이터 트래픽이 m 미만의 길이를 갖는다는 사실에 명확하게 반한다. 따라서, 그 선택은 지속 시간 T_r에 걸친 랜덤한 할당보다 우수한 이점을 제공하지 않는다.

식 (39)에 대응하는 바와 같이, 특정한 예측 정밀도 ξ^* _A가 간섭 관리의 작업를 위해 바람직하고, T_a가 입수 가능한 경우에는, 정보 갱신간의 간격이 아래와 같이 되는 것을 결정함으로써, 역으로, 원하는 정밀도를 달성할 수 있다.

정보 수집 간격의 결정

지수 분포와는 달리 파레토 분포는 기억을 갖는다. 따라서, 다른 현재의 경과 시간의 값이 다른 결과로서, 예상되는 장래의 사용 유효 기간의 값이 다르다. 그러나, 서브캐리어 사용 정보가 인프라스트럭처를 통해서 수집되든지 또는 코그니티브 센싱을 통해서 수집되든지, 단 하나의 서브캐리어를 위해서 그러한 정보를 수집하는 것과 매회 복수의 수집을 실행하는 것은 비현실적이다. 대신에, 정보 갱신간의 간격은 대상이 되는 모든 서브캐리어의 경우에 동일하게 해야 한다. 그 때, BS는 간섭 관리를 실시할 때에, 1회의 정보 수집밖에 필요로 하지 않는다. 이 간격은 현재의 서브캐리어 사용의 예상되는 장래 유효 기간, 및 소망하는 예측 정밀도를 반영해야 한다.

이 과제에 대처할 수 있는 2개의 실용적인 수법이 있다. 제 1 수법은, 「경과 시간에 걸친 평균」(AoA : average over age)이며, 제 2 수법은 「간격에 걸치 평균」(AoI : average over interval)이라고 불린다. 2회의 정보 수집 및 간섭 회피간의 간격을 구하기 위해서, 처음에 집합

내의 현재의 서브캐리어 사용이 입수된다. 그동안, 데이터 트래픽을 위해 현재 사용중인 서브캐리어의 경과 시간이 입수된다. 집합

내의 MS에 의해 이용되는 서브캐리어 s마다, 그 경과 시간은 적지 않고, 다른 경과 시간과는 상이한 것, 즉, T_a,s1≠T_a,s2인 것은 명확하다.

AoA에서는, 원하는 T^* _r을 계산하기 위해서, 처음에 집합

에서 이용되는 모든 서브캐리어의 경과 시간의 평균이 얻어진다. 본 발명자들은, 집합

에서 이용되는 서브캐리어가 집합 Ω_j를 형성하는 것으로 가정한다. 그 때, 평균은

이고, 식 (40)에 의해 구해지는 갱신 간격은

이다.

AoI에서, 서브캐리어 사용마다 요구되는 간격 T^* _r,s(T_a,s,ξ^* _A)은 처음에 서브캐리어마다 개별적으로 구해지고, 최종적인 원하는 간격은 하기 식 (41)과 같이 된다.

AoI 방식은 수치 시뮬레이션에 의해 평가할 수 있다. 원하는 정밀도가 0.5보다 클 경우, 식 (41)에 의해 구해지는, 갱신 간격에 걸쳐 달성되는 실제의 예측 정밀도는 원하는 정밀도의 2% 이내이다.

도 1은 본 발명의 실시예에 의해 이용되는 무선 네트워크의 개략도다.

도 2는 본 발명의 일 실시예에 따른, 인프라스트럭처 및 핸드오프 정보를 이용하여 간섭원을 특정하는, 도 1의 네트워크의 개략도다.

도 3은 본 발명의 일 실시예에 따른, 셀간 간섭을 저감하는 방법의 플로차트이다.

도 4 및 도 5는 본 발명의 일 실시예에 따른 블라인드 최적화를 이용하는 서브캐리어 할당의 블럭도다.

도 6 및 도 7은 본 발명의 일 실시예에 따른 동시 최적화를 이용하는 서브캐리어 할당의 블럭도다.

도 8은 본 발명의 일 실시예에 따른 서브캐리어를 할당하기 위한 2 플레이어 전략 게임의 결과의 표이다.

도 9는 본 발명의 일 실시예에 따른 두 기지국 사이에서 행하여지는 스타켈베르그 선도자-추종자 게임(Stackelberg leader-follower game)을 위한 의사 코드(pseudo code)이다.

도 10은 본 발명의 일 실시예에 따른 코그니티브 센싱의 개략도이다.

도 11은 본 발명의 일 실시예에 따른 코그니티브 센싱에 의한 서비스 영역(coverage)의 개략도이다.

도 12는 센싱 범위가 확대된 코그니티브 센싱에 의한 서비스 영역의 개략도이다.

도 13은 본 발명의 일 실시예에 따른 코그니티브 센싱을 쉽게 하기 위해서, MS와 BS 사이에서 행하여지는 스타켈베르그 선도자-추종자 게임의 의사 코드이다.

도 14는 본 발명의 일 실시예에 따른 현재의 경과 시간 및 장래의 서브캐리어 사용의 타이밍도이다.

도 15는 본 발명의 일 실시예에 따른 공용 서브캐리어 할당의 타이밍도이다.

Claims

무선 주파수 분할 다중화 네트워크에서 셀간 간섭을 저감하는 방법으로서,

상기 네트워크는 1 세트의 기지국(101)을 포함하고, 각 기지국(101)에 의해 서비스되는 영역이 셀을 형성하고, 각 셀은 상기 기지국(101)에 의해 서비스되는 1 세트의 이동국을 포함하고, 상기 셀간의 겹치는 영역은 간섭 존을 형성하고, 상기 간섭 존을 포함하지 않는 상기 셀의 나머지의 영역은 비간섭 존을 형성하고, 각 기지국(101)에 의해 이용되는 무선 주파수의 스펙트럼은 동일하고, 상기 스펙트럼은 서브캐리어로 분할되며,

할당된 서브캐리어는 이용할 수 없게 되고, 상기 스펙트럼의 나머지 서브캐리어는 이용할 수 있도록, 상기 비간섭 존 내의 상기 1 세트의 이동국에 서브캐리어를 랜덤하게 할당하는 단계와,

상기 기지국 각각에서, 상기 간섭 존 내의 상기 1 세트의 이동국(102)에 상기 이용가능한 서브캐리어를 할당하는 전략으로서, 랜덤 할당, 블라인드 최적화, 및 동시 최적화 중에서 어느 하나의 전략을 선택하는 단계

를 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 1 항에 있어서,

상기 선택된 전략이 랜덤 할당일 경우에는, 각 기지국에 의해, 상기 이용가능한 서브캐리어 또는 서브캐리어의 블록을 랜덤하게 할당하는 단계와,

상기 선택된 전략이 블라인드 최적화일 경우에는, 한쪽 기지국(101)에 의해, 상기 이용가능한 서브캐리어 또는 서브캐리어의 블록을 랜덤하게 할당하고 다른쪽 기지국(101)에 의해, 상기 서브캐리어를 최적으로 할당하는 단계와,

상기 선택된 전략이 동시 최적화일 경우에는, 각 기지국(101)에 의해, 상기 이용가능한 서브캐리어 또는 서브캐리어의 블록을 최적으로 할당하는 단계

를 더 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 1 항에 있어서,

핸드오프 정보를 이용하여 상기 간섭 존 내의 상기 1 세트의 이동국(102)을 특정하는 단계를 더 포함하되,

상기 핸드오프 정보는 간섭 임계값과 비교되어, 상기 서브캐리어를 할당할 수 있을 지가 판단되는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 1 항에 있어서,

상기 1 세트의 기지국(101)간에 서브캐리어 사용의 이력을 교환하는 단계를 더 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 2 항에 있어서,

상기 블라인드 최적화는,

상기 이용가능한 서브캐리어에 논리적으로 순서를 부여하는 단계와,

상기 다른쪽 기지국(101)에 의해, 역순으로 번호가 부여된 서브캐리어를 할당하는 단계

를 더 포함하는

무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 2 항에 있어서,

상기 동시 최적화는,

상기 이용가능한 서브캐리어에 논리적으로 순서를 부여하는 단계와,

상기 한쪽 기지국(101)에 의해, 순서대로(forward order) 번호가 부여된 서브캐리어를 할당하는 단계와,

상기 다른쪽 기지국(101)에 의해, 역순(reverse order)으로 번호가 부여된 서브캐리어를 할당하는 단계

를 더 포함하는

무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 1 항에 있어서,

상기 선택하는 단계는 전략적 게임을 이용하여 실행되는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 7 항에 있어서,

상기 전략적 게임은 내쉬 균형(Nash equilibrium)에 이르는 순차 의사 결정 과정을 이용하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 7 항에 있어서,

상기 전략적 게임은 기지국 중심인 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 7 항에 있어서,

상기 전략적 게임은 최소의 최적화 비용으로 최소의 서브캐리어 충돌을 달성하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 7 항에 있어서,

상기 전략적 게임은 이동국 중심인 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 11 항에 있어서,

상기 전략적 게임은 전력 보수를 등가의 전체 전력 절약으로 변환하기 위해서, 상기 이동국 및 상기 기지국의 효용 함수를 모델화하는 것을 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 11 항에 있어서,

코그니티브 센싱을 이용하여 간섭 정보를 수집하는 단계를 더 포함하되, 상기 전략적 게임은 상기 코그니티브 센싱 중에, 임계 센싱 반경과, 상기 임계 센싱 반경의 임계비를 이용하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 13 항에 있어서,

상기 간섭 정보 수집의 유효성은, 상기 임계 센싱 반경 및 상기 임계비에 관련되는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 11 항에 있어서,

상기 전략적 게임은 2치 스타켈베르그 선도자-추종자 게임(binary Stackelberg leader-follower game)인 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 7 항에 있어서,

상기 전략적 게임은 트래픽 부하 및 상기 간섭 존의 사이즈에 대해 적응적인 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 1 항에 있어서,

코그니티브 센싱을 이용하여 상기 간섭 존 내의 상기 1세트의 이동국(102)을 특정하는 단계를 더 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭 의 저감 방법.
제 13 항에 있어서,

상기 간섭 존 내의 상기 1 세트의 이동국(102)에 의해 프로빙 신호를 송신하는 단계와,

상기 프로빙 신호를 수신하는 것에 응답하여 서브캐리어 사용을 반송하는 단계

를 더 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 18 항에 있어서,

상기 1 세트의 기지국(101)으로부터의 송신 전력이 높아지도록, 상기 프로빙 신호를 송신하는 상기 이동국(102)에 보수를 주는 단계를 더 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 19 항에 있어서,

상기 송신하는 단계 및 상기 보수를 주는 단계는, 전략적 게임을 이용하여 상기 프로빙 신호의 센싱 반경을 결정하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 4 항에 있어서,

상기 할당하는 단계는 상기 서브캐리어 사용의 상기 이력에 따르는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 3 항에 있어서,

상기 간섭 임계값은 핸드오프 임계값보다 10dB 낮은 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 1 항에 있어서,

상기 1 세트의 기지국(101) 내의 현재의 서브캐리어 사용 정보를 주기적으로 갱신하는 단계를 더 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 23 항에 있어서,

상기 갱신을 위한 시간 간격은 트래픽의 유형에 의존하고, 상기 트래픽의 유형은 음성 트래픽 및 데이터 트래픽을 포함하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 23 항에 있어서,

상기 갱신하는 단계는 정규화된 정보 갱신 빈도를 이용하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 23 항에 있어서,

상기 서브캐리어를 상기 할당하는 단계는 공평한 스케줄링을 이용하는 무선 주파수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.
제 1 항에 있어서,

상기 1 세트의 기지국(101)은 핸드오프 프로토콜을 이용하여 간섭 정보를 수집하고, 상기 간섭 정보는 상기 할당 및 선택을 행하는 동안에 이용되는 무선 주파 수 분할 다중화 네트워크에서의 셀간 간섭의 저감 방법.