超高密度無線網絡的自組織技術

李建東，滕偉，盛敏，徐超

（西安電子科技大學ISN國家重點實驗室，陜西 西安 710071）

超高密度無線網絡的自組織技術

李建東，滕偉，盛敏，徐超

（西安電子科技大學ISN國家重點實驗室，陜西 西安 710071）

網絡密集化是應對未來5G無線網絡容量提升1 000倍挑戰的主要手段之一，且超高密度網絡中單節點要配置和優化的參數超過2 000個，因此，只有通過新一代自組織技術來感知網絡運行的態勢，自主發現和調配網絡資源來精準匹配網絡中的業務流，才能有效提高網絡的承載能力。分析了超高密度網絡自組織技術面臨的挑戰和呈現的新屬性，給出了超高密度網絡中自組織技術的2個典型用例，展望了超高密度無線網絡中自組織技術的發展前景和方向。

超密無線網絡；自組織技術；可密集性

1 引言

網絡密集化作為應對未來5G無線網絡容量提升1 000倍挑戰[1]的主要手段之一，已經得到了產業界和學術界的廣泛認可[2,3]。未來5G網絡需要支持幾十 Tbit·s-1·km-2的業務密度、大于每平方公里百萬個的連接密度。網絡密集化主要是通過密集布設微蜂窩/微微蜂窩/家庭基站[4]，拉近用戶與各類基站之間的距離，從而實現提升頻譜資源的空間復用率、保證用戶體驗，達到提高網絡容量等目標。

在網絡密集化過程中，基站數目將不斷增加，其數量和用戶設備數目具有相同數量級[5]，密集化帶來的主要問題有如下方面。

1) 網絡需管理和配置的參數大幅增長。例如：在2G網絡中，單節點需要配置和優化的參數大約為500個；3G網絡需要配置和優化的參數達1 000個；4G則有1 500個參數。而在下一代網絡中，單節點可能需要配置和優化達2 000個參數[6]。這將導致網絡的操作復雜度和運營成本提升 60倍左右。因此，隨著網絡的密集化，如何快速、高效地配置和優化網絡參數顯得越來越重要。

2) 密集非規則布設的微小基站（指微蜂窩基站/微微蜂窩基站/家庭基站的統稱）間的干擾管控復雜。在傳統的2G/3G蜂窩網絡中，主要通過預先規劃來布設宏蜂窩和微蜂窩基站，從而系統中的干擾得到很好的控制。而在 4G/未來的 5G網絡中，由于微小基站的自主和隨機布設，導致整個網絡中微小基站是大規模非規則設置的，從而導致同層蜂窩小區之間以及不同層蜂窩小區之間的相互干擾。另外，在超密布設微小基站的情況下，由于傳輸距離的減少，無線電波從遠場傳播模型向近場傳播模型過渡，將導致網絡干擾和拓撲變化更為劇烈[7,8]。

3) 回程資源嚴重受限。出于成本和可操作性的考慮，大量微小基站通過數字用戶線路（DSL,digital subscriber line）或者無線鏈路接入核心網，這將導致微小基站的回程傳輸容量的限制變得更加明顯[9]。

4) 信道間的相關性增強，可用分集增益減少。基站的密集化布設可以拉近基站與用戶間距離，此時，無線信號將從非視距（NLoS, non-line-of-sight）傳輸向視距（LoS, line-of-sight）傳輸轉變[10]，這導致信道的分集增益減少。

5) 用戶行為的相關性增強。隨著小區覆蓋范圍的縮小，用戶間的相對距離變小，使用戶之間的行為（業務請求、移動軌跡等）具有相關性。例如，在傳統的宏蜂窩小區中，小區的覆蓋范圍達到幾千米，用戶不僅數量較多而且類型（教師、學生、工人、上班族等）復雜，這種差異性導致用戶間行為相互獨立。然而在超密集網絡中，小區內用戶類型較為單一（比如都是一個辦公室的員工），顯然這些用戶的相關程度很高。

面對上述挑戰，為了充分發掘超密集無線網絡所具備的潛在優勢，需要研究如何在減少人工參與的同時，實現資源的按需、自主配置。新一代自組織技術由于能夠感知網絡態勢信息（網絡資源的分布和狀態、干擾的特征和分布）及其變化，通過自主發現和調配網絡資源來精準匹配網絡中的業務流，倍增無線通信網絡的整體效能，提高網絡的承載能力（容量），成為了使網絡能夠密集化發展的重要手段。

本文重點研究了超高密度無線網絡中的自組織技術。首先，本文介紹了自組織網絡的概念及框架，并分析了在超高密度無線網絡中運用自組織技術存在的問題。然后，本文完備并發現了超高密度無線網絡中的自組織技術的特征屬性，給出了超密集無線網絡中自組織技術的2種典型用例, 進而揭示了在超高密度無線網絡中自組織技術可有效減少系統干擾，提升網絡容量，適應網絡的密集化發展。最后，本文旨在給大家提供一種啟示性研究思路，使該技術在未來超密網絡中得到廣泛關注。

2 超高密度無線網絡中自組織技術的挑戰及實現架構

自組織網絡技術（SON, self-organizing network）是指自身能夠主動感知周圍環境變化，并做出自主決策的技術[11]，其概念最早出現在仿生學研究中。利用該技術，網絡能夠學習外部環境，通過自主決策適應環境的動態變化。由于自組織技術具備的優越性，目前已被廣泛用于無線傳感器網絡[12]、ad hoc網絡[13]和計算機網絡[14]。隨著移動蜂窩網絡的不斷發展，其網絡部署和維護的成本越來越高，網絡資源管理和控制越來越復雜。因此，自組織技術同樣被視為一種有效的手段，被引入到異構蜂窩網，并得到了快速的發展[15]。為了在超密網絡中應用自組織技術，高通公司專門開展了超密自組織技術（UltraSON）的研究[16]。UltraSON 主要研究了在超密場景下自組織技術對移動性管理、功能控制和資源管控等方面的應用。Ali Imran等[17]也對下一代蜂窩網絡中自組織技術進行了研究，其主要研究方向為網絡性能的估計、參數的自配置以及天線傾角、方向角的優化。為了克服超密網絡中人工診斷的困難，Raquel Barco團隊[18～20]通過使用機器學習和大數據等方法實現了網絡的自愈合功能。

傳統的自組織網絡技術主要包括自配置[21]、自優化[22]和自愈合[23]，3個層面的功能為：1) 自配置（self-configuration），即新加入的網絡節點（如家庭基站）可以自動下載和安裝軟件以及配置網絡參數，達到即插即用的效果，這樣能夠減少人工安裝成本并且能夠簡化安裝流程；2) 自優化（self-optimization），即在網絡運行階段，網絡根據用戶設備和基站的性能參數測量報告，自適應地調整網絡參數，從而提高網絡整體性能；3) 自愈合（self-healing），即當發生或即將發生故障時，網絡能夠及時有效地通過參數優化或者重置部分參數來排除故障，恢復網絡的正常運行。網絡的自愈合功能可以加快發現和處理問題的速度，同時也可以避免人為排錯所引發的非實時性以及潛在差錯。

為了實現上述自組織網絡的主要功能，自組織技術應具備如下 3個特性[24]：1) 可擴展性，即隨著網絡規模的擴大，自組織技術的復雜度并不會無限增加，這就需要自組織技術在實施過程中僅需交互少量的局部信息且具有較低的實現復雜度；2) 穩定性，即自組織技術能夠在有限的、可接受的時間范圍內從當前狀態轉移到所需狀態，并且在該過程中避免振蕩；3) 敏捷性，也稱為自適應性，即要求自組織技術能對網絡環境的變化及時地做出響應，但又不會反應過激（當網絡環境變化很小時做出大幅度反應）。

2.1 超密無線網絡中自組織技術的挑戰

針對超密無線網絡的主要問題，其自組織技術面臨的第一個新挑戰就是網絡是否具有“可密集性”。所謂“可密集性”是指隨著網絡規模的不斷增加（網絡的面積不變，而單位面積里節點的密度不斷增加），網絡的容量隨微小基站密度的增加而顯著增加，且網絡的控制開銷不會更快增長而導致網絡承載能力的惡化。

網絡的超高密度發展，使無線通信場景從傳統的遠場通信向近場通信轉變，完全可能顛覆現有在遠場傳播條件下得到的關于無線網絡性能，尤其是網絡容量的各種結論。因此，具備“可擴展性和可密集性”等特征的新一代自組織技術，能夠感知網絡態勢信息（網絡資源的分布和狀態、干擾的特征和分布）及其變化，通過自主發現和調配網絡資源來精準匹配網絡中的業務流，可倍增無線通信網絡的整體效能，提高網絡的承載能力（容量）。

針對超高密度異構網絡環境，為了更好地利用自組織技術，迫切需要開展超高密度異構無線網絡的自組織特性及機理研究，并探索超高密度異構無線網絡的網絡容量理論，提出逼近網絡容量的自組織方法。未來的研究內容包括以下2個方面。

1) 超高密度異構無線網絡的自組織特性及機理研究。研究網絡密集化對超密環境下自組織方案的可擴展性、可密集性等的作用機理，從而指導逼近網絡容量的自組織方案設計。研究自組織技術的“可密集性”的準確數學表征方法，構建評估超高密度異構無線網絡資源管控技術有效性的性能評估體系。

2) 逼近網絡容量的自組織技術。重點突破滿足自組織特性的資源管控技術。以干擾管理為例，由于干擾不同于噪聲，其不僅攜帶了能量與信息，而且具有一定的結構和特征。因此，在超密集網絡中，一方面需要研究已有的干擾管控技術的可行條件（即可適用的密度范圍）；另一方面，則需要充分利用干擾的特征及結構，設計新穎的干擾管控手段，提升網絡容量。同時，還需要利用用戶行為相關性和信道相關性，設計高效具有可擴展性、可密集性等的小區切換、負載均衡策略、移動性管理策略等自組織資源管控方法，逼近超密網絡的容量界。

可密集性是網絡超高密集化發展后，自組織技術呈現的新屬性；同時為可擴展性、穩定性、敏捷性（自適應性）等自組織技術增加了新的內涵。

從可擴展性來看，隨著節點數量的激增，近域節點的決策對當前節點決策的影響將增強。如何有效控制這種相互影響性，并利用局部不完備的信息實現整個網絡性能的優化，且確保在單位面積內節點的密度保持不變的情況下，網絡控制開銷不隨系統規模的增加而無限度的增加，確保網絡的服務能力，是面臨的第二個挑戰。

從穩定性來看，在超密網絡中，節點數目的眾多，一方面將導致網絡整體業務狀態的突發性明顯增加，另一方面，由于用戶的相關性增加，必然會導致業務變化具有較大的傳遞性。因此，如何避免由于局部業務的頻繁變化而導致網絡進入高度振蕩，無法穩定的狀態，是超密下自組織技術面臨的第三個挑戰。

從敏捷性上來看，由于網絡狀態復雜，管控參量眾多（單節點2 000個以上），一方面自組織技術要求能夠對網絡的變化迅速做出反應，一方面又要求自組織技術可以判斷網絡變化的不穩定性，能夠前瞻式地預測網絡環境的變化，避免做出不恰當的動作，導致網絡振蕩。因此，需要超密網絡環境下，自組織技術要求能夠更智慧地分辨網絡的暫態變化。

2.2 SON的實現架構

目前，SON的實現架構主要分為以下3種[25]。

1) 集中式SON

在集中式 SON架構中，所有的功能實體位于操作維護管理（OAM, operation administration and maintenance）單元，如圖1(a)所示。由于OAM位于網絡的上層結構，數量相對較少，部署相對容易。顯然，傳統基于中心管控的蜂窩網絡是實現集中式自組織功能的一種可行架構。然而，目前，蜂窩網絡中的管控技術通常需要引入人為干預，不具備前文中所介紹的自組織功能特點。因此，為了實現自組織功能，需要網絡中添加數據存儲和計算模塊來處理海量歷史數據、挖掘有用信息，通過對歷史數據進行學習完成網絡自主決策。因此，海量數據的存儲以及高效計算的實現是蜂窩網絡中實現自組織技術的關鍵。

圖1 SON的實現架構

2) 分布式SON

在分布式SON體系架構中，所有的功能實體都位于各個基站中（也可以在終端節點里），如圖1(b)所示?；谠摷軜嬆軌蚝芎玫貙崿F簡單、快速的分布式自優化算法。但是，隨著網絡的密集化，部署開銷將顯著增加。如何通過局部的分布式決策來保障網絡整體性能，是該架構下面臨的重要問題。

3) 混合式SON

在混合式SON中，SON的一部分功能部署在OAM 中，一部分部署在基站（或終端節點）中，如圖1(c)所示。這種架構綜合了集中式和分布式這2種方式的優點。具體來說，在基站側主要部署簡單、快速的自組織技術；在OAM側主要部署需要更多交互信息的、復雜的自組織技術。

上述3種體系架構各有利弊：集中式SON的優點是能達到網絡性能最優，但方案實現起來比較復雜；分布式 SON的優點是能對外界環境做出快速反應，可擴展性強，但是由于缺少全局信息，一般很難達到全局最優；混合式 SON結合了前兩者的特點，能夠更好地適應不同的優化場景，但不能完全克服中心節點遭到破壞時所帶來的問題。因此，在未來的超密集網絡中，需要根據具體目標需求來選擇不同的體系架構。

3 超密集無線網絡中的自組織技術典型用例

本文給出2個典型的自組織技術用例。在超密集無線網絡中，除了運營商規則布設的宏蜂窩基站，存在大量隨機布設的微蜂窩基站。因此，微蜂窩小區中可能存在嚴重的層間干擾（宏蜂窩小區和微蜂窩小區之間的干擾）和層內干擾（微蜂窩小區之間的干擾）。層間干擾可以通過正交信道布設機制徹底消除，但是，為了緩解層內干擾，進一步提升網絡容量，本文需要研究微蜂窩網絡中子信道分配技術。同時，隨著基站的密集化布設，用戶能夠被更多的基站覆蓋，因此，如何根據信道條件使用戶能夠快速高效地接入網絡顯得十分重要。

3.1 信道自配置技術

在無線網絡中，信道自配置技術具有重要作用。好的信道自配置技術，可以使加入網絡的節點設備根據網絡環境，自主選擇工作頻點，從而緩解資源使用沖突、提升網絡性能。未來超密無線網絡中，由于微蜂窩小區數目激增、空間分布具有強隨機性以及回程鏈路容量受限，集中式資源管控技術將無法適用。因此，通過設計完全分布式的子信道分配機制，緩解網絡干擾、提升網絡整體容量，成為亟待解決的重要問題。本文在前期工作[26]中將該問題建模為一個非合作速率最大化博弈模型，并設計了一種完全分布式的子信道分配算法（UDSAA,utility-based distributed sub-channel allocation algorithm）注1。當有新的微蜂窩基站加入網絡時，該算法將被觸發。該算法的主要思想是利用微蜂窩的傳輸容量來刻畫微蜂窩基站所獲得的效用，如式(1)所示，并在此基礎上構造了非合作速率最大化博弈模型（NRMG，non-cooperative rate maximization game）。面對NRMG中納什均衡存在性無法保證這一事實，通過在局中人（微蜂窩基站）的狀態空間中引入一維新的變量描述其對探索新策略的渴望程度，設計了一種基于效用的學習模型，使所提出算法在給定條件下能夠漸近收斂到一個帕累托有效解。在算法執行過程中，任意微蜂窩基站僅需根據此時自身所獲得效用以及所處狀態，決定是否沿用當前策略（即所選擇信道）。任意微蜂窩基站n∈N 的效用函數定義如下

綜上所述，該算法具備如下特點：1) 由于執行算法時無需在不同微蜂窩小區之間引入信令交互，因此其更加適用于具有隨機布設特性以及回程鏈路容量有限的密集微蜂窩網絡；2) 在給定條件下可以證明所提出算法可以漸近收斂到所研究問題的一個帕累托有效解；3) 執行該算法時無需對所構造博弈模型中納什均衡（NE, Nash equilibrium）的存在性提出嚴格要求，即該分布式算法即便在普適條件下依然能夠較好地保障網絡整體性能。

圖 2給出了不同算法下網絡的平均信干噪比隨微蜂窩基站個數的變化關系。當網絡中的微蜂窩基站數增加時，用戶受到的干擾會增大，平均信噪比會降低。從圖2可以看出，本文提出的UDSAA算法始終能為系統帶來較高的平均信干噪比。而且，由于該算法只需要測量微蜂窩基站獲得的外界干擾，不需要微蜂窩基站間進行信息交互，信噪比的變化對算法的影響不大。圖3表示了網絡容量隨基站個數的變化關系。通過仿真結果可以看出，當給定區域（半徑為 100 m的圓形區域）中微蜂窩基站密度不斷增大時，相比文獻[27,28]中的算法，本文提出的算法 UDSAA始終能為系統帶來較高的網絡容量。更為重要的是，UDSAA算法具備SON技術所需的各種特性：由于無需基站間進行信息交互，其具有很好的可擴展性；由于能夠在一定條件下達到帕累托有效解，其具備穩定性；由于是完全分布式的，能夠很快地對周圍狀態做出反應，其具有較好的敏捷性。

圖2 網絡的平均信干噪比

圖3 網絡的整體容量

3.2 用戶關聯技術

用戶關聯技術會直接影響網絡的資源分配方案，從而影響網絡最終的性能。在超密集無線網絡中，隨著單位面積內基站和用戶的數量增加，用戶與基站之間的關聯問題將變得更加復雜，因此，用戶關聯技術是超密集網絡中自組織技術的一種典型用例。為了在降低實現復雜度的同時，保障關聯策略的有效性和穩定性，李建東等[29]參考Gale和Shapley的穩定婚姻策略設計了一種基于用戶和基站雙向匹配的分布式用戶關聯算法。算法具體實現步驟如下。

step1 測量基站m∈M與其所屬區域內用戶n∈N的距離，得到距離矩陣 D=( dm,n)M×N。根據距離的遠近，基站m建立其關于周圍用戶的喜好列表Pm；同理，用戶n根據距離矩陣建立其關于周圍基站的喜好列表。

step2 若基站m關聯的用戶數未達到上限Nmax，基站m將從其用戶喜好列表Pm中選擇還未被關聯的用戶進行關聯請求。

step3 用戶n從向其發送關聯請求的基站和暫時已經關聯的基站中，根據其喜好列表，選擇其最喜好的基站進行關聯，并拒絕其他基站。

step4 當所有用戶已成功關聯基站或所有基站關聯的用戶數達到上限Nmax時，算法結束，否則轉到step2。

需要指出的是，該算法可以在局部區域分布式執行、無需基站間進行信息交互，因此能夠適用于基站和用戶較多的超密集網絡；另一方面，該算法可以打破關聯順序與網絡性能之間的相互制約，實現用戶與基站之間的最優匹配。然而，傳統用戶主導或者基站主導的關聯機制并不具備這一特性。上述差別可以通過圖4和圖5展示。其中，圖4給出了當用戶 a、b的關聯順序不同時，用戶主導的關聯算法執行結果；而圖5給出了當用戶a、b的關聯順序不同時，基站主導的關聯算法執行結果?？梢钥吹?，不同的關聯順序將導致網絡工作在不同的狀態（虛線箭頭所示為最優關聯關系，而實線箭頭為實際關聯的情況）。然而，利用所提出雙向匹配算法，能夠始終獲得最優的關聯結果。

圖4 基于最近距離的用戶關聯基站結果示意

圖5 基于最近距離的基站關聯用戶結果示意

仿真結果如圖6和圖7所示。圖6顯示了雙向匹配關聯算法、最近距離用戶關聯基站算法和最近距離基站關聯用戶算法下的網絡容量。利用所提出關聯算法可以有效提升網絡容量。圖7展示了當基站和用戶數目相等、基站服務用戶限制不同時，算法迭代次數與網絡規模之間的關系。根據仿真結果可以看出，算法所需的迭代次數（執行時間復雜度）并不會隨著基站和用戶數目的增加而呈線性增長，表明算法具有良好的可密集性，因此比較適用于超密集無線網絡中。

圖6 網絡容量和微蜂窩基站個數關系

圖7 算法迭代次數與網絡規模之間關系

隨著網絡的密集化發展，網絡干擾復雜多變，因此研究高效的信道自配置技術從而有效地緩解層內干擾是一個亟待解決的問題。文獻[27,28]中，微蜂窩基站需要通過其他微蜂窩基站到用戶的信道狀態信息來進行信道配置，因此會引入額外的信令交互。Lee等[30]利用圖論的相關知識，通過構造網絡干擾圖提出了一種基于分組的資源分配機制，處理了微蜂窩網絡的層內干擾問題。Liang等[31]利用類似思想，使用網絡干擾圖刻畫了微蜂窩小區之間的彼此關系，提出了一種基于貪婪的資源分配方法。這2項工作需要引入一個中心控制實體對微蜂窩基站進行集中管理，引入大量的信令開銷。相比之下，本文提出的UDSAA算法是完全分布式的，不需要基站間額外的信令開銷。

在未來超密異構無線網絡中，可供用戶選擇的基站類型豐富多樣，而用戶的接入策略直接影響到網絡的資源分配。在現有系統中，基于用戶信號接收功率的用戶接入是最為常見的一種接入策略[32]。與之相比，本文提出的雙向匹配算法具有更大網絡容量。對于用戶關聯的問題，已有一些關聯策略的研究。文獻[33]將用戶關聯問題建模成效用函數最大化問題，通過松弛將組合優化問題轉化為凸優化進行求解。用戶關聯問題一般是一個組合優化問題，文獻[34]提出利用貪婪算法求解組合優化問題的次優解，從而降低算法復雜度。文獻[35]通過梯度下降算法和拉格朗日對偶的方法來間接得到最優的用戶關聯策略。在超密場景中，網絡環境復雜多變，用戶關聯算法的收斂速度對網絡性能的影響至關重要。而本文提出的雙向匹配算法比上述3種用戶關聯算法的復雜度低，信令交互開銷小，并且具有分布式的特點，因此能夠更好地應用于超高密度無線網絡中。

4 結束語

網絡密集化是形勢所趨，面對超密集無線網絡中用戶環境的多變性、網絡的異構性以及用戶相關性，真正地將自組織技術運用到超密集無線網絡中仍存在一些問題。在超高密度無線網絡中，自組織技術的可擴展性、穩定性、敏捷性（自適應性）有了新的內涵，同時自組織技術也呈現出可密集性的新屬性。針對超密集異構無線網絡中自組織技術具有的新內涵和新屬性，本文迫切需要開展超高密度異構無線網絡的自組織特性和機理研究，提出逼近網絡容量的自組織方法。因此，關注超高密度異構無線網絡的自組織特性，設計適用于超密網絡的自組織技術，是未來5G網絡的發展方向。

[1] Qualcomm Incorporated (2013, 7). The 1 000x data challenge[EB/OL].http://www.qualcomm.com/1000x/.

[2] ANDREWSJG, BUZZI S, CHOI W. What will 5G be?[J]. IEEE Journal on Selected Areas in Communications, 2014, 32(6):1065-1082.

[3] BHUSHAN N, LI J, MALLADI D. Network densification: the dominant theme for wireless evolution into 5G[J]. IEEE Communications Magazine, 2014, 52(2):82-89.

[4] ANDREWS J G, CLAUSSEN H, DOHLER M, et al. Femtocells: past,present, and future[J]. IEEE Journal on Selected Areas in Communications, 2012, 30(3):497-508.

[5] MOGENSEN P, PAJUKOSKI K, TIIROLA E. Centimeter-wave concept for 5G ultra-dense small cells[C]//Vehicular Technology Conference (VTC Spring), c2014: 1-6.

[6] IMRAN A, ZOHA A. Challenges in 5G: how to empower SON with big data for enabling 5G[J]. IEEE Network, 2014, 28(6): 27-33.

[7] LOPEZ-PEREZ D, DING M, CLAUSSEN H, et al. Towards 1Gbps/UE: understanding ultra dense small cell deployments[J]. IEEE Communications Surveys & Tutorial, 2015: 1.

[8] GOTSIS A, STEFANATOS S, ALEXIOU A. Ultra dense networks: the new wireless frontier for enabling 5G access[J]. Computer Science,2015, 23(1): 72-79.

[9] PENG H, XIAO Y, RUYUE Y N, et al. Ultra dense network: challenges, enabling technologies and new trends[J]. China Communications, 2016, 13(2): 30-40.

[10] DING M, WANG P, LOPEZ-PEREZ, et al. Performance impact of NLoS and LoS transmissions in small cell networks[J]. IEEE Transactions on Wireless Communications, 2015.

[11] EIGEN M, SCHUSTER P. A principle of natural self-organization[J].Naturwissenschaften, 1977, 64(11): 541-565.

[12] MILLS K L. A brief survey of self-organization in wireless sensor networks[J].Wireless Communications and Mobile Computing, 2007,7(7): 823-834.

[13] DRESSIER F. A study of self-organization mechanisms in ad hoc and sensor networks[J]. Computer Communications, 2008, 31(13):3018-3029.

[14] DOBSON S, DENAZIS S, FERN’ANDEZ A, et al. A survey of autonomic communications[J]. ACM Transactions Autonomous Adaptive Systems, 2006, 1(2): 223-259.

[15] JORGUSESKI L, PAIS A, GUNNARSSON F, et al. Self-organizing networks in 3GPP: standardization and future trends[J]. IEEE Communications Magazine, 2014, 52(12): 28-34.

[16] Qualcomm Incorporated (2015, July). UltraSON: Self-organizing Small Cells[EB/OL]. https://www.qualcomm.com/invention/research/projects/small-cells/ultrason.

[17] QSON(quality of service aware energy efficient self organizing future cellular networks)[EB/OL]. http://qson.org.

[18] FORTES S,GARCIA A A, FERNANDEZ-LUQUE J A. Context-aware self-healing: user equipment as the main source of information for small-cell indoor networks[J]. IEEE Vehicular Technology Magazine,2016,11(1): 76-85.

[19] KHATIB E J, BARCO R, MUNOZ P, et al. Self-healing in mobile networks with big data[J]. IEEE Communications Magazine, 2016,54(1): 114-120.

[20] GOMEZ-ANDRADES A, MUNOZ P, SERRANO I. Automatic root cause analysis for LTE networks based on unsupervised techniques[J].IEEE Transactions on Vehicular Technology, 2016, 65(4): 2369-2386.

[21] HU H, ZHANG J, ZHENG X, et al. Self-configuration and self-optimization for LTE networks[J]. IEEE Communications Magazine, 2010, 48( 2): 94-100.

[22] BUVANESWARI A, DRABECK L, NITHI N. Self-optimization of LTE networks utilizing celnet xplorer[J]. Bell Labs Technical Journal,2010, 15(3): 99-117.

[23] BARCO R, LAZARO P, MUNOZ P. A unified framework for self-healing in wireless networks[J]. IEEE Communications Magazine,2012, 50(12): 134-142.

[24] ALIU O G, IMRAN A, IMRANM A, et al. A survey of self organisation in future cellular networks[J]. IEEE Communications Surveys &Tutorials, 2013, 15(1): 336-361.

[25] FENG S, SEIDEL E. Self-Organizing networks (SON) in 3GPP long term evolution[EB/OL]. http://www.nomor.de/home/technology/whitepapers/self-organizing-networks-in-long-term-evolution.

[26] XU C, SHENG M, WANG X J. Distributed subchannel allocation for interference mitigation in OFDMA femtocells: a utility-based learning approach[J]. IEEE Transactions on Vehicular Technology, 2015, 64(6):2463-2475.

[27] BUZZI S, COLAVOLPE G, SATURNINO D. Potential games for energy-efficient power control and subcarrier allocation in uplink multicell OFDMA systems[J]. IEEE Journal of Selected Topics in Signal Processing, 2012, 6(2): 89-103.

[28] LA Q D, CHEW Y H, SOONG B H. Performance analysis of downlink multi-cell OFDMA systems based on potential game[J].IEEE Transactions on Wireless Communications, 2012, 11(9):3358-3367.

[29] ROTH A, SOTOMAYOR M A O. Two-sided matching: a study in game-theoretic modeling and analysis[M]. New York, USA: Cambridge Press, 1992.

[30] LEE H C, OH D C, LEE Y H. Mitigation of inter-femtocell interference with adaptive fractional frequency reuse[C]//IEEE ICC’10. c2010:1-5.

[31] LIANG Y S, CHUNG W H, NI G K. Resource allocation with interference avoidance in OFDMA femtocell networks[J]. IEEE Transactions on Vehicular Technology, 2012, 61(5):2243-2255.

[32] DOCOMO N. Performance of eICIC with control channel coverage limitation[C]. 3GPP TSG RAN WG1 Meeting. c2010.

[33] YE Q Y, RONG B Y, CHEN Y D, et al. User association for load balancing in heterogeneous cellular networks[J]. IEEE Transactions on Wireless Communications, 2013,12(6): 2706-2716.

[34] PRASAD N, ARSLAN M, RANGARAJAN S. Exploiting cell dormancy and load balancing in LTE HetNets: optimizing the proportional fairness utility[J]. IEEE Transactions on Communications, 2014,62(10):3706-3722.

[35] SHENK M, YU W. Downlink cell association optimization for heterogeneous networks via dual coordinate descent[C]//2013 IEEE International Conference on Acoustics, Speech and Signal Processing.Vancouver, Canada, IEEE, c2013: 4779-4783.

Self-organizing techniques in ultra-dense wireless network

LI Jian-dong, TENG Wei, SHENG Min, XU Chao
(State Key Lab of ISN, Xidian University, Xi’an 710071, China)

Network densification was one of the main ways to deal with the challenge of supporting 1 000 times higher capacity in 5G networks. Wherein, a single node needs to configure and optimize more than 2 000 parameters. Therefore,novel self-organizing network (SON) would be the inevitable technique for wireless networking, where decision makers were enabled with the ability of perceiving the dynamic network situation and meanwhile, autonomously discovering as well as configuring network resources. With the aid of this promising technique, users’ demands and network resources could be well matched and furthermore, the capacity of networks could be significantly improved. The trend of dense development in wireless communications was discussed. Then, the potential challenges and required new properties was analyzed when utilizing SON in ultra-dense wireless networks. Meanwhile, two typical use cases were depicted. Finally, for future ultra-densely deployed wireless networks, the possible development prospect and direction of SON were briefly presented.

ultra-dense wireless network, self-organizing technique, densability

s: The National Natural Science Foundation of China (No.61231008), 111 Project (No.B08038), The National S&T Major Project (No.2015ZX03004004 ), China Postdoctoral Science Foundation (No.2015M582614), The Basic Research Fund in Xidian University (No.XJS15048, No.JB160107)

TN929.5

A

10.11959/j.issn.1000-436x.2016131

2016-05-06；

2016-06-17

國家自然科學基金資助項目(No.61231008)；111基地專項基金資助項目(No.B08038)；國家科技重大專項基金資助項目(No.2015ZX03004004 )；中國博士后科學基金資助項目(No.2015M582614)；西安電子科技大學基本科研業務費基金資助項目(No.XJS15048, No.JB160107)

李建東（1962-），男，江蘇阜寧人，博士，西安電子科技大學教授、博士生導師，主要研究方向為寬帶無線通信（未來移動通信和未來無線局域網）、認知無線網絡、大規模自組織網絡、軟件無線電以及無線網絡的干擾管理等。

滕偉（1993-），男，湖北江陵人，西安電子科技大學博士生，主要研究方向為異構無線網絡中的自組織技術、機器學習和大數據在超密無線網絡中的應用等。

盛敏（1975-），女，湖南長沙人，博士，西安電子科技大學教授、博士生導師，主要研究方向為5G移動通信系統、異構網絡融合以及無線網絡自組織理論與方法等。

徐超（1987-），男，陜西西安人，博士，西安電子科技大學博士后，主要研究方向為無線網絡分布式資源管理、博弈理論以及分布式學習理論等。