自適應簇和學習算法的調度策略

孫 君,谷蘇文

(南京郵電大學,江蘇 南京 210003)

自適應簇和學習算法的調度策略

孫 君,谷蘇文

(南京郵電大學,江蘇 南京 210003)

提升用戶的峰值速率和吞吐量性能一直以來是一個非常重要但同時又具有挑戰性的問題。密集蜂窩網絡中，采用了以用戶為中心的自適應簇和基于學習算法高速緩存方法的調度方法，一定程度上可以改善用戶的峰值速率和吞吐量性能；應用調度策略的網絡中，以用戶為中心的自適應簇方法能實現每個用戶的效吞吐量最大化。若小基站有很高的存儲容量，常用的數據被儲存在本地小基站的緩存器中，用戶可以通過學習算法選擇附近小基站中的一個來獲得想要的數據。當用戶進行通信時，可計算出此時自適應簇的最大化歸一化有效吞吐量，大于門限值時選擇基于自適應簇的通信，否則采用基于學習算法的方法選擇最優的小基站進行通信。這種新穎的網絡架構能夠為用戶提供個性化的網絡服務，提升用戶的峰值速率和吞吐量性能。

以用戶為中心;自適應簇;學習算法;泊松點過程

0 引 言

移動通信已經改變了人們的生活，這在人類工業革命的進化史上無疑是濃墨重彩的一筆，隨著人們對高性能移動通信的不斷追求，5G移動通信系統的研發越來越受到重視。5G移動通信系統是面向2020年以后社會信息需求的無線通信系統，其支持業務總速率要達到10 Gbit/s，空中接口頻譜效率和功率效率相較于4G要提升10倍[1]。這種移動數據流量與終端數量爆炸式的增長，對現有的移動通信系統提出了更大的挑戰。通過現有研究可知，未來網絡高系統容量的要求和終端用戶數據速率10 Gbit/s的要求，在本地通信環境中可以通過超密集無線網絡來滿足，即提高無線網絡容量中接入點密度。大量增加的接入點可部署在小小區網絡中，例如，個人室內接入點(femtocell，毫微微蜂窩基站)、室外覆蓋接入點(picocell，微微蜂窩)、遠距離無線接入點(Remote Radio Head，RRH)等等。這樣的部署模式打破了傳統的蜂窩控制通信模式，應運而生的是隨機網絡(Random Network，RN)，在這種網絡中移動臺和基站是隨機部署的，文獻[2-5]對隨機網絡拓撲進行了詳細的分析和研究。假設小基站和移動臺的分布是相互獨立的，且都服從泊松點過程，在這樣的假設下，數學分析是可解析的，且可以應用統計理論來改善較大系統的可解析性，例如，可以獲得整個系統的信號干擾噪聲比(SINR)分布。再如，在文獻[3]中，基于泊松點過程分析了衰落在一般和特殊情況下時，一個隨機網絡的覆蓋范圍。由文獻[6]可以看出，泊松點過程分布被當作通信環境最差的應用場景，且提供了目前蜂窩網絡系統中性能的最小值。在此基礎上，還假設小基站有一個很大的存儲容量且形成一個分布緩存網絡。常用文件被存儲在本地小基站的緩存器中，所以用戶可以在自適應簇中的小基站中選擇一個，來獲得自己想要的文件。而這樣的下載損失由成本函數來捕獲，該成本函數又依賴于所提出的隨機存儲策略。緩存內容的分布是未知的，使用特殊時段內的瞬時用戶請求量對其分布進行估計，并通過最優化隨機緩存策略來對成本函數進行估計。

在密集蜂窩網絡中，針對每個用戶生成以用戶為中心的小區，小區內的所有基站都能為該用戶提供服務，提出了能夠最大化每個用戶歸一化有效吞吐量的方法，該方法被稱為以用戶為中心的自適應簇方法。假設小基站有很高的存儲容量，那么對于整個系統來說將形成一個緩存分布的網絡。常用的數據被儲存在本地小基站的緩存器中，用戶可以從附近的小基站中選擇一個來獲得想要的數據。當用戶進行通信時，可以最大化歸一化有效吞吐量為標準，進行自適應簇和學習算法的調度。

1 系統模型

在系統模型中使用以下數學符號，BΩ表示系統中基站的集合，SΩ表示系統中所有的小基站的集合，UΩ表示系統中所有用戶的集合。對于任意一臺屬于UΩ的用戶i，si為其默認連接的第一個小基站，Us為默認連接小基站s的用戶集合，初始的用戶集合Us，Us?UΩ，為默認連接s，s∈SΩ的用戶，Si?SΩ，為服務用戶i的協作基站的集合。考慮一個大的密集蜂窩隨機網絡，在該網絡中，基站、小基站和用戶隨機部署，分別服從密度參數λb、λs和λu的泊松點過程分布。泊松點過程的實現是相互獨立的，假設用戶默認連接到他們的初始小基站，si為用戶i默認連接的初始小基站，它是距離用戶最近的小基站，能提供最強的平均信號功率。同時假設小基站有很高的存儲容量。在使用以上配置的情況下，每個小基站的覆蓋區域為Voronoi區域[3]，如圖1所示。

圖1 Voronoi區域(·代表小基站，*代表用戶)

考慮在密集蜂窩網絡中，頻率復用因子為1時，基于OFDM的下行鏈路傳輸。假設小基站和用戶之間是單天線的，則用戶i接收到的信號為：

(1)

(2)

其中，SΩ-si為干擾小基站的集合。

式(2)考慮的是一個用戶和單個小基站進行通信時的SINR，當通信基站選擇為簇中的小基站集合時，Si為協作通信的小基站集合，SΩ-si為所有基站中除去協作基站的其他小基站的集合，則此時的一個用戶和協作基站之間的SINR為:

(3)

由式(3)可以看出，由于宏分集多個小基站協作通信的作用，增加了用戶收到的平均信號的功率。另外，協作小基站傳輸有用信號而非干擾信號，減少了小區間的信號干擾。但同時也注意到，宏分集協作傳輸是單用戶通信技術。在多個小區中即使使用正交多播傳輸，當一個小基站簇服務一個用戶時，它強占了所有的服務基站，這些基站就不能為其他用戶分配可得的資源。為克服這一問題，提出歸一化有效吞吐量及高速緩存的方法。有效吞吐量定義為接收機能夠成功譯碼的容量。SINR閾值為γ*，小于它則傳輸的數據不能被成功解碼，譯碼。其數學表達式為:

(4)

之前提到，隨著簇中小基站數目的增加，宏分集協作的性能會更好，但對于其他用戶來說這些小基站的可得資源減少。由此提出歸一化有效吞吐量(即每一個小基站的有效吞吐量)，正如在文獻[7-9]中定義的一樣，如下所示：

(5)

其中，Ci(Si)為平均的歸一化有效吞吐量，所以它可以使容量和可得資源之間達到一個平衡。

由式(4)和式(5)可以看出，歸一化有效吞吐量取決于簇中小基站的數目、信號干擾噪聲比閾值γ*和SINR中斷概率。根據不同請求的不同服務質量，γ*可以依據不同的指標設計為不同的值。使用固定中斷標準模型，使用該模型，給出最大的中斷概率p*，則相應的SINR閾值為:

(6)

(7)

從式(7)可以看出，中斷概率依賴于Psls,i,?s,即用戶i從小基站s∈SΩ接收到的平均功率，所以它適合于任何形式的網絡拓撲，任何的傳輸功率以及在路徑損耗中把陰影衰落考慮在內的情況。雖然理論上要求評估和了解小基站集合SΩ中的所有小基站，但實際情況中使用有限的小基站作為折中。

2 以用戶為中心的自適應簇

在協作通信無線蜂窩網絡中，要實現全局的協作通信的難度很大。每個用戶應該由有限的小基站進行協作服務。因此，簇對于協作通信來說非常重要，它能決定哪些基站服務于哪個用戶。在以用戶為中心的自適應簇的基礎上，假設小基站有很高的存儲容量且常用的數據被儲存在本地小基站的緩存器中，當用戶有通信請求時，可以從附近的小基站中選擇一個來獲得想要的數據。自適應簇即每個用戶僅基于本地測量可以預定義自己的簇，用戶之間的預定義是相互獨立的。簇方案的目標是最大化歸一化有效吞吐量，用戶可以根據這一標準，預定義自己的簇[10]。

(8)

3 基于學習算法的高速緩存

Nd?{y∈SΩ:‖y-x‖

(9)

緩存問題包含最小化由于請求文件的不可用而產生的時間開銷。位于x處的用戶從文件集合F中請求數據文件,數據文件的概率分布為P。不失一般性，考慮位于原點處的用戶o∈UΩ。位于原點位置o處的用戶請求文件不可用的表達式為：

(10)

用T(II,P)表示“下載損耗”，其目標就是最小化，即：

(11)

約束條件為：

(12)

其中，πi≥0，i=1,2,…,N。

定理1：對于高速緩存策略，平均的下載損耗可表示為：

T(II,P)=

(13)

(14)

約束條件為：

4 調度方案

用戶進行請求通信時的系統方案如圖2所示。

圖2 系統調度方案

當用戶進行通信請求時，可計算出自適應簇的最大化歸一化有效吞吐量，如果該值大于閾值，則選擇基于自適應簇的方法進行通信，否則用戶運用基于學習算法的方法選擇最優的小基站進行通信，這種新穎的網絡架構能夠為用戶提供個性化的網絡服務，提升用戶的峰值速率和吞吐量性能。

5 結束語

與傳統的移動通信系統理念不同,5G系統研究將不僅僅把點到點的物理層傳輸與信道編譯碼等經典技術作為核心目標,而是從更廣泛的多點、多用戶、多天線、多小區協作組網作為突破的重點,力求在體系構架上尋求系統性能的大幅提高。在密集蜂窩網絡中，采用以用戶為中心的自適應簇和基于學習算法的高速緩存調度方法，使得新穎的網絡架構能夠在一定程度上改善用戶的峰值速率和吞吐量性能。

[1]IMT-2020(5G)推進組.5G愿景與需求白皮書[M].出版地不詳：出版者不詳,2014.

[2]AkoumS,JrRWH.Multi-cellcoordination:astochasticgeometryapproach[C]//ProceedingsofIEEE13thinternationalworkshoponSPAWC.[s.l.]:IEEE,2012:16-20.

[3]AndrewsJG,BaccelliF,GantiRK.Atractableapproachtocoverageandrateincellularnetworks[J].IEEETransactionsonCommunications,2011,59(11):3112-3134.

[4]DhillonHS,GantiRK,BaccelliF,etal.Modelingandanalysisofk-tierdownlinkheterogeneouscellularnetworks[J].IEEEJournalonSelectedAreasinCommunications,2012,30(3):550-560.

[5]HuangK,AndrewsJG.Astochastic-geometryapproachtocoverageincellularnetworkswithmulti-cellcooperation[C]//ProceedingsofIEEEGLOBECOM.[s.l.]:IEEE,2011:1-5.

[6]AndrewsJG.SevenwaysthatHetNetsareacellularparadigmshift[J].IEEECommunicationsMagazine,2013,51(3):136-144.

[7]ParkJ,SongE,SungW.Capacityanalysisfordistributedantennasystemsusingcooperativetransmissionschemesinfadingchannels[J].IEEETransactionsonWirelessCommunications,2009,8(2):586-592.

[8]Lopez-PerezD,GuvencI,DeIRG,etal.Enhancedintercellinterferencecoordinationchallengesinheterogeneousnetworks[J].IEEEWirelessCommunications,2011,18(3):22-30.

[9]GarciaV,LebedeyN,GorceJM.Capacity-fairnesstradeoffusingcoordinatedmulti-cellprocessing[C]//ProceedingsofIEEEVTCFall.[s.l.]:IEEE,2011:1-5.

[10]MarschP,FettweisG.StaticclusteringforCooperativeMulti-Point(COMP)inmobilecommunications[C]//ProceedingsofIEEEICC.[s.l.]:IEEE,2011:1-6.

[11]JiM,CaireG,MolischAF.Optimalthroughput-outagetradeoffinwirelessone-hopcachingnetworks[C]//ProceedingsofIEEEinternationalsymposiumoninformationtheory.[s.l.]:IEEE,2013:1461-1465.

[12] 曲 樺，欒智榮，趙季紅,等.基于軟件定義的以用戶為中心的5G無線網絡架構[J].電信科學,2015,31(5):36-40.

[13] 董愛先,王學軍.第5代移動通信技術及發展趨勢[J].通信技術,2014,47(3):235-240.

[14] 尤肖虎,潘志文,高西奇,等.5G移動通信發展趨勢與若干關鍵技術[J].中國科學:信息科學,2014,44(5):551-563.

Dispatching Strategy with Adaptive Clustering and Learning Algorithm

SUN Jun，GU Su-wen

(Nanjing University of Posts and Telecommunications，Nanjing 210003,China)

With the development of mobile communication networks,enhancing peak rate and throughput performance for users has always been a very important but challenging issue.In a dense cellular network,a dispatching strategy which is based on user-centric adaptive clustering and a learning algorithm has been studied.A large and dense cellular network has been considered which has been modeled by a random network where the BSs’ and UEs’ locations are placed randomly,following Poisson Point Process (PPP) distributions.An adaptive clustering algorithm for user-centric has been described,which means generating a cell for each user,and all base stations within the district can provide services for user,it is proposed also to maximize each user normalized effective throughput.SBS are assumed to possess high storage capacity and to form a distributed caching network.Popular files are stored in local cache of SBS in its vicinity.The popularity profile of cached content is unknown and estimated using instantaneous demands from users within a specified time interval.When a user goes to communication,the effective throughput of normalization with user-centric adaptive cluster can be found.If the value is greater than the threshold,the network system will select adaptive communication;otherwise select the most use of excellent small base station to communicate with learning method.This novel network architecture can provide users with personalized network service,and enhance the peak rate and throughput performance for users.

user-centric;adaptive clustering;learning algorithm;Poisson Point Processes (PPP)

2016-06-14

2016-09-21 網絡出版時間：2017-03-13

國家自然科學基金資助項目(61271236)

孫 君(1980-)，女，碩士生導師，副研究員，研究方向為直通蜂窩技術、無線網絡資源的管理策略和無線網絡頻譜理論研究等；谷蘇文(1990-)，女，碩士，研究方向為無線網絡資源的管理策略和無線網絡頻譜理論研究、直通蜂窩技術D2D研究、超密集蜂窩網絡抗干擾管理技術的研究等。

http://kns.cnki.net/kcms/detail/61.1450.TP.20170313.1547.094.html

TP31

A

1673-629X(2017)05-0092-05

10.3969/j.issn.1673-629X.2017.05.020