《电子技术应用》

异构网络中基于干扰负载比的小区选择策略

2015年电子技术应用第11期 作者:李校林1,2,裴海民1,范文倩1
2017/1/12 14:27:00

  李校林1,2,裴海民1,范文倩1

  (1.重庆邮电大学 通信新技术应用研究中心,重庆400065;2.重庆信科设计有限公司,重庆400065)

  摘  要: 现有的小区选择算法在追求负载平衡的同时,往往没有考虑算法本身对用户干扰的影响,在一定程度上影响了小区性能指标。针对此类问题,从负载均衡和干扰管理两方面考虑,提出一种折中两项性能指标的小区选择算法。该算法首先将小区选择问题建模为负载和干扰的联合优化问题,然后对该最优化问题通过一种启发式算法进行求解,得出最佳用户小区选择因子矩阵,从而进一步提升异构小区的系统性能。仿真表明,该方案较其他传统小区选择方案在用户接入公平性和用户平均吞吐量上均有较大的提升。

  关键词异构网络;小区选择;信漏噪比;负载均衡

  中图分类号: TN929.5文献标识码: ADOI:10.16157/j.issn.0258-7998.2015.11.029

  中文引用格式: 李校林,裴海民,范文倩. 异构网络中基于干扰负载比的小区选择策略[J].电子技术应用,2015,41(11):105-107,111.

  英文引用格式: Li Xiaolin,Pei Haimin,Fan Wenqian. Interference load ratio based user association scheme in heterogeneous networks[J].Application of Electronic Technique,2015,41(11):105-107,111.

0 引言

  随着移动互联网的发展,蜂窝通信中数据业务得到高速增长,单独采用增加传统宏基站(Macro BS)的小区分裂技术已经不能满足通信容量的需求。一种通过改变网络拓扑结构而显著提高网络容量的技术受到了人们的广泛关注,即在现有的宏小区中部署低功率节点,如:微微(Pico)基站、家庭(Femto)基站和远程射频节点(Remote Radio Head,RRH)等,这就形成了异构网络[1]。

  在异构网络中,由于宏基站和低功率发射功率差异比较大(可以到达40倍的差异),如果仍然按照传统同构网中小区选择算法进行小区选择,大多数的用户将会接入到发射功率大的宏基站中,只有极少数的用户能够接入低功率节点,这不符合增加新节点来改善系统环境的初衷,同时也不满足异构分层网络的设计需求。

  为了解决这一问题,高通公司在3GPP会议的提案中提出了一种基于偏置值bias的小区选择策略。即通过给低功率节点的参考信号接收功率(Reference Signal Receiving Power,RSRP)加上一个大于0的bias值,保持宏小区的RSRP不变,降低低功率节点的接入门槛。文献[2]评估了在异构网络中采用小区区域扩展技术后在不同bias值下,Pico基站在下行链路上的覆盖范围,通过仿真给出了最佳bias参考值。文献[3]针对ESB到EPB和ESB到HSB两种不同的Pico基站区域扩展策略测量最优偏置值bias,并分析了Macro基站对扩展区域用户的下行干扰影响。这种基于偏置值bias的小区选择策略一定程度上可以解决负载不均衡问题,但由于不是最强接收信号,使位于低功率节点扩展区域的用户受到附近Macro基站严重的下行干扰,从而严重影响了用户感知。

  文献[4]研究了一种基于小区呼吸技术的小区选择策略,即根据先验小区负载状况,动态调节小区覆盖范围的小区选择方案。文献[5]提出一种基于系统容量最大化的小区选择策略,其算法是让用户选择令其可达速率最大的小区作为服务小区,用户利用相邻小区的作用参数计算其容量,参数信息通过服务基站的信令传递获得。文献[6]提出一种基于系统发射功率最小化的小区选择策略,该算法从能效角度出发,在满足用户业务需求的条件下,通过凸优化理论为用户选择其最佳服务小区。文献[7]在满足用户最小速率限制的条件下,以最大化用户和速率为目标,把用户小区选择问题建模为纳什谈判问题,通过放宽限制条件,应用KKT条件求取最优值。

  以上小区选择策略很少从异构网络干扰管理的角度去考虑用户接入问题。因此,结合上述相关研究,本文从负载均衡和干扰管理两方面考虑,提出一种折中两项性能指标的小区选择算法。仿真结果表明,该算法较其他常用算法在用户接入公平性和用户平均吞吐量上均有明显的提升。

1 系统模型和假设

  根据3GPP TR 36.814协议中关于异构网络部署的详细描述,考虑Macrocell和Picocell共存的异构网络下行传输系统,系统频率复用因子为1。在每个宏小区中,Macro基站位于小区的中心,Pico基站随机分布在Macro基站覆盖范围内。

  定义基站的集合为B={1,2,…,B},用户集合为U={1,2,…,U},i表示基站索引,j表示用户索引。则当用户j接入基站i时,其接收信号功率Pij可以表示为:

  1%5CRHEEF)FG7VKJX%D[660.png

  其中,Pi表示基站i的发射功率,gij表示基站i到用户j的下行信道增益。假设无线信道为大尺度衰落信道,则信道增益gij主要包括路径损耗和阴影衰落。

  用户j的信干噪比?酌ij计算为:

  `B@]V3O}A@VFWK[{OSMH_TJ.png

  其中,FE10NE]A2{KD7A`{IM]2UQI.png表示加性白高斯噪声的功率。

  定义U3DL2XKX$HZ87GTDCTT@6AN.pngij为用户小区选择因子,U3DL2XKX$HZ87GTDCTT@6AN.pngij的取值如下:

   ~I5VQN%}4~]_7N9W_`8UEOD.png

  则接入基站i的用户数可以表示为:

  `HPNI1VYOJXG$Z~ZP57YNAK.png

  假设整个系统可用带宽为W,Macrocell和Picocell采用共信道的部署方式,因此它们都可以调度整个频带资源且共享数量相同的资源块。在此不具体研究系统的资源调度算法,Macrocell和Picocell均基于轮询调度机制将资源块分配给其覆盖范围内的用户。根据香农公式可计算出接入小区i的用户j的可达数据速率是:

  MW]15CNHMEZN5%T`LKTZ8FS.png

2 小区选择策略

  2.1 干扰管理准则

  为了表示用户接入小区后受到的干扰情况,从信号泄漏的角度出发,采用信漏噪比(Signal to Leakage and Noise Ratio,SLNR)准则,将用户受到的干扰信号看作是泄漏信号进行处理。

  则对于小区中的用户j的SLNR可计算为:

  _IIOFYCFKFCSSR{DLKYM]`9.png

  其中,Pij表示小区i到目标用户j的有用信号功率,Pim(m≠j)表示小区i中泄漏到其他用户的干扰信号功率,FE10NE]A2{KD7A`{IM]2UQI.png表示加性白高斯噪声的功率。

  2.2 小区选择算法

  为了折中干扰抑制和负载均衡两项指标,在此定义干扰负载比08]2HB1L(Y29~TIFD4(L8]4.png08]2HB1L(Y29~TIFD4(L8]4.png包含两部分内容:一部分反映小区负载状况,另一部分反映用户当前所受干扰情况。其中,小区的负载状况用当前接入基站的用户数表示,用户所受干扰用户的SLNR值表示,则小区i中的用户j的干扰负载比08]2HB1L(Y29~TIFD4(L8]4.pngij表示如下:

  }_%3P%ZRVAHDU%]F@X~ZOI0.png

  根据式(3)和式(7),用户的小区选择问题可建模为如下的联合优化问题:

  4FPM7V1I08BE2O]_)A2PQ6P.png

  其中,X={4RG`G`KOO)D%}W4Y[4IW0CK.pngij}表示用户小区选择因子矩阵。

  此问题是一个0-1背包问题,没有直接的方法可以求解,为此,本文采用了一种启发式算法进行求解。

  算法流程包含以下几个步骤:

  步骤1:每个用户基于最大RSRP的方式进行小区选择,完成用户小区选择因子矩阵X的初始化。

  步骤2:对于每个小区根据式(6)计算其接入用户的SLNR,在小区i中选取具有最小SLNR值的用户XNWXSF%D8LJI2MU96PVE{ZV.png,根据式(7)计算其干扰负载比08]2HB1L(Y29~TIFD4(L8]4.pngij,i∈B。

  步骤3:计算用户j?鄢接入到除小区以外的所有其他小区的干扰负载比LOBO~DC6(BJJ5LW4_(DEKAO.png,并选择(%@Q$VUT4EVLH9B)LP2Q[GI.png

  步骤4:判断(%@Q$VUT4EVLH9B)LP2Q[GI.png是否大于预设门限值?着。如果大于,则更换用户j?鄢的服务小区为小区n;否则保持服务小区不变。更新用户的小区选择因子矩阵X。

  步骤5:重复执行步骤2~步骤4,直到没有用户的服务小区需要变更为止。

  以上算法的伪代码如下:

  Input:{TransmitPoweri,Pathlossij,AntennaGainij,ShadowFadingij,

  Output:User Association Index Matrix {X={4RG`G`KOO)D%}W4Y[4IW0CK.pngij}}

  Program:

  Step 1:Initialize the user association indicator matrix X via

  according to maximum RSRP metric.

  Step 2:Set Q as a  1×N zeros matrix.

  Step 3:For BS n=1:N

  1) Calculate the SLNR of each UE via Eq. (7)

  2) Choose the min-SLNR UE XNWXSF%D8LJI2MU96PVE{ZV.pngin BS n

  3) Calculate and choose the maximum XP{F3VPL4W(]NE}APKTCBZA.png

  4) If max XP{F3VPL4W(]NE}APKTCBZA.png64UE$NEDCUO~3_62~U{CKRH.png

  Associate UE XNWXSF%D8LJI2MU96PVE{ZV.png with BS n,update X

  Else

  Maintain the user association,Q(n)=1

  End for

  Step 4:If sum(Q)<N

  Return to step 3

  Else

  end

3 仿真验证和性能分析

  3.1 仿真参数

  为了验证所提方案的有效性,借助MATLAB软件对Macrocell和Picocell共存的异构下行传输系统进行仿真。系统仿真参数如表1所示。

  3.2 仿真结果和分析

  本节通过与另外两种常见的小区选择策略:基于最大RSRP和基于CRE偏置值的小区选择策略对比来分析并验证所提小区选择策略的性能。

Image 001.jpg

  从图1中可以看出,本文所提算法较基于最大RSRP的小区选择算法,可以有效提高宏用户的吞吐量。这是因为最大RSRP算法使宏基站过载,频谱资源不能充分利用。在Pico用户性能方面,与基于CRE偏置值的小区选择算法相比,Pico用户吞吐量有20%左右的提升,这个提升说明位于扩展区域的Pico用户由于受到附近Macro基站的下行干扰,从而严重影响了用户感知。而本文所提算法中由于综合考虑了小区负载和用户所受干扰情况,因此较前两种算法在宏用户吞吐量和Pico用户吞吐量方面均有明显提升。

Image 002.jpg

  图2为三种小区选择算法下用户接入公平性的比较,仿真中采用JFI(Jain′s Fairness Index)来评估用户接入的公平性。JFI的表达式为:

  (C3SR4E1K@(W2F`N5IW43%W.png

  其中,XX}CPR7G`UUDH_ZB9QW~K@M.png表示接入基站i的用户数。

  J越大表明基站之间用户的接入越公平。从图中可以看出,所提算法在用户接入公平性上较另外两种算法有明显优势,而且其JFI曲线受接入用户数波动很小,基本保持平稳,这也充分说明了该算法的稳定性。

Image 003.jpg

  图3给出了在180个用户下的系统吞吐量与门限值ε的关系。从图中可以看出,门限值ε与系统吞吐量成反比关系。这是因为ε越大,进行小区变更的用户数越少,用户基本保留其原始接入状态;ε越小,表明越多的用户参与了小区选择的调整,从而使系统性能越好。

  4 结束语

  针对异构网络中小区选择问题,为了折中负载均衡和提升干扰管理两项指标,研究了一种基于干扰负载比的小区选择策略。仿真结果表明,在综合考虑了接入小区负载和所受其他小区干扰后,所提小区选择策略在有效改善Pico小区用户性能的情况下,在用户接入公平性和系统吞吐量上较传统小区选择策略都有较大的提升。

  参考文献

  [1] DAMNJANOVIC A,MONTOJO J,WEI Y,et al.A survey on 3GPP heterogenous networks[J].IEEE Wireless Communi-cation,2011,18(3):10-21.

  [2] Cao Yu,Xia Hailun,Feng Chunyan.Evaluation of diverse Cell Range Expansion strategies applying CoMP in hetero-geneous network[C].Personal Indoor and Mobile Radio Communications(PIMRC),2013:1962-1966.

  [3] Lopez-Perez,D,Chu Xiaoli,Guvenc I.On the expanded region of picocells in heterogeneous networks[J].IEEE Journalof Selected Topics in Signal Processing,2012,6(3):281-294.

  [4] DAS S,VISWANATHAN H,RITTENHOUSE G.Dynamic load balancing through coordination scheduling in packet data systems[C].In INFOCOM 2003 Twenty-Sesond AnnualJoint Conference of the IEEE Computer and Communica-tions,2003:786-796.

  [5] Jeong Soo Park,Gil Su Heo,Yong Hwan Lee.Capacity  maximizing cell selection in heterogeneous cellular networks in software[C].Telecommunications and Computer Networks(SoftCOM).2011 19th International Conference on IEEE.2011:1-5.

  [6] ZHU H,WANG S,CHEN D.Energy-efficient user associationfor heterogenous cloud cellular networks[C].In Globecom Workshops(GC Wkshps),2012 IEEE,2012:273-278.

  [7] Liu Dantong,Chen Yue,Kok Keong Chai,et al.Nash  bargaining solution based user association optimization in  HetNets[C].Consumer Communications and Networking Conference(CCNC),2014:587-592.


继续阅读>>