面向用戶體驗的異構網絡多業務資源分配算法

孟利民，盛 沖

(浙江工業大學 信息工程學院，浙江 杭州 310023)

面向用戶體驗的異構網絡多業務資源分配算法

孟利民，盛 沖

(浙江工業大學 信息工程學院，浙江 杭州 310023)

分析了宏基站(Macrocell)和家庭基站(Femtocell)共同構成的異構網絡場景下的多個業務的資源分配問題，并提出了一種基于用戶體驗(Quality of experience，QoE)的高效的分配算法.主要考慮了語音、視頻和數據三種業務.為了使所有業務的QoE之和達到最大化，先根據三類業務的不同屬性設置相應的速率限制，在此基礎上，利用模擬退火智能算法分別對頻譜資源塊和功率資源進行優化分配.仿真結果表明算法有效的提高了資源的利用效率，避免了多余資源分配到無法提升QoE的業務上，實現了資源的最優化分配.

異構網絡；用戶體驗；模擬退火；最優化分配

隨著移動通信逐漸融入生活，寬帶應用的需求日益旺盛，人們更希望能通過手機隨時隨地獲得語音、視頻等多種業務服務，這使得LTE-Advanced系統的頻譜資源日益緊缺，而傳統的解決辦法捉襟見肘，因此分層異構網絡的構想應運而生[1].廣義上的異構網絡(Heterogeneousnetwork)是一種類型的網絡，由來源不同的計算機、網絡設備和系統組成的，包括GSM，CDMA，LTE等2～4G接口與WIFI等無線局域網的異構，小蜂窩、宏蜂窩等低功耗、高功耗基站的異構等.在異構網絡中，一個關鍵問題是無論何時何地都可以讓用戶在不同類別的業務中都可以獲得滿意的QoE.國際電信聯盟將QoE定義為“決定用戶滿意程度的服務性能的綜合效果”.長期以來，服務質量(Qualityofservice,QoS)都是無線通信網絡優化的目的和評價標準.ITU提出的QoS的初衷是為了使無線網絡為客戶提供更好的服務，給用戶一個良好的體驗.然而QoS往往只能反映網絡傳輸層面的性能，但這不能真正反應用戶主觀的體驗[2].因此，隨著QoE概念的提出，QoE是無線網絡資源優化的最終目標這一命題也越來越受到業界的肯定和關注.

在傳統的資源分配優化研究中，吞吐量是檢測系統性能的重要指標，其主要指單位時間內所傳輸的最大數據量.如何在最小代價的基礎上獲得最大吞吐量，是一直研究的課題.Alam等[3]研究了單小區內Macro-Relay異構的OFDMA網絡多用戶傳輸業務上行場景，通過用戶中繼對載波和功率進行分配，獲得系統最大吞吐量.該文獻主要缺陷是為區分業務類型，考慮不全面.Lee和Huang[4]將業務分為實時和非實時業務，利用比例損失調度算法求解最優化吞吐量問題，得到最優化帶寬分配方案.王廣德等[5]研究了單小區Macro-Femto異構網絡下，提出一種基于RSRP的管理干擾方案解決干擾管理問題，并提出了一種啟發式的算法求解該資源分配問題.李文靜和何月順[6]研究了Macro-Femto異構網絡下雙層干擾模型，并提出一種基于跨層調度的抑制干擾的資源分配算法，并獲得較好的平均用戶吞吐量.而近些年，隨著QoE概念的提出，面向QoE的無線網絡優化研究開始逐漸顯現.L.Skorin-Kapov等[7]針對流媒體業務，將QoE與運營商定價機制相結合，求解用戶體驗優化問題.A.Saul和G.Auer[8]研究OFDM系統中，利用QoS映射法，求解了最大化系統QoE資源分配問題，但是沒有區分具體業務類別.Madan等[9]研究了單小區Macro-Femto異構網絡下行傳輸場景，采用博弈模型處理Femtocell之間的干擾協調問題，但其模型沒有考慮Macro和Femto之間的干擾問題.綜上所述，將根據業務的不同特性，提出基于QoE的資源分配算法，算法主要關注頻域資源和功率域資源的分配.

1 系統模型

1.1QoE評估模型

要將QoE建立起合理的評估模型，并將其運用到實際場景中，我們首先得從定性的角度出發，去認知影響QoE的因素.影響QoE的因素主要包括主觀因素和客觀因素兩種[10]，主觀因素主要包括對業務質量的期望值、用戶的業務體驗經歷以及在使用業務時用戶的情緒、身心狀態等因素.而客觀因素主要指客觀的網絡環境以及硬件設備等因素，其又可分為強調網絡側的可量化因素和用戶設備、使用環境等不可量化因素.考慮到主觀因素的不可控性，一般在網絡優化中并不考慮其對用戶體驗的影響.針對不同的業務，QoE客觀因素中可量化的因素對其影響也有很大差別.對于語音業務，QoE指標受影響因素主要是是延時、抖動和響應時間；對于視頻業務，QoE指標受影響因素主要是傳輸速率、延時、抖動和丟包率；對于像FTP等數據傳輸業務，QoE指標受影響因素主要是響應時間和傳輸速率.實際上，傳輸速率也或多或少地影響著響應時間.由此可主要關注傳輸速率對QoE的影響.

了解了QoE的影響因素之后，為了對QoE指標進行更好的優化，就必須在這些影響因素和QoE之間建立特定的量化映射關系[11].目前使用最廣泛的QoE量化方法是國際電信聯盟提出的“平均得分意見”(Meanopinionscore，MOS).MOS將QoE分為“差、次、中、良和優”等五個等級，分別對應了MOS評分中的1～5分.這樣的量化方法真實、細致的描述了用戶體驗質量，也因此，MOS得以廣泛的認可和應用.

目前有關用戶體驗的研究主要集中于音視頻業務和數據業務，同時音視頻業務和數據業務也是生活中人們接觸最多的業務，因此將主要介紹語音業務、視頻業務和數據業務的QoE評估模型.

1.1.1 語音業務的QoE評估模型

語音業務和我們的生活息息相關，特別是在如今社會中，人與人之間的交流越發緊密的情況下，語音業務的體驗日益重要.由文獻[12]可知：在網絡穩定的情況下，語音業務的QoE評估模型滿足MOS模型的log形式為

(1)

式中：R為帶寬；α，β，ε分別為具體應用中的語音業務特征參數，其數值可以參考文獻[12].

圖1為語音業務QoE的評估模型圖，不難發現語音業務對帶寬R的需求不高，其曲線隨著R的變化有階躍的特性，當R

圖1 語音業務QoE模型圖Fig.1 QoE model of voice service

1.1.2 視頻業務的QoE評估模型

隨著網絡的飛速發展，視頻業務已經成為如今多媒體業務中最主要也是最主要的一部分，也因此，視頻業務是資源分配中最關鍵的業務之一.影響視頻業務QoE的因素很多，諸如丟包率、延時、抖動和帶寬等，但在實際優化中，如果考慮過多的影響因素將會使優化算法難度大大增加，反而達不到優化的要求，因此主要考慮帶寬對視頻業務QoE的影響.視頻業務QoE模型為

(2)

式中：R為帶寬；α，β，ε，γ分別為實際應用場景中的視頻業務特征參數，其數值可以參考文獻[13].

圖2為視頻業務QoE的評估模型圖，從圖2中可以發現：視頻業務對于帶寬的需求較大，良好的用戶體驗需要帶寬的支撐.當R較小時，用戶體驗很差，但當R逐漸提升至250 kbps時，用戶體驗有明顯的改善，之后當QoEvideo值到達最大值4.5時，再繼續增加R，也無法提高用戶體驗了.

圖2 視頻業務QoE模型圖Fig.2 QoE model of video service

1.1.3 數據業務的QoE評估模型

在日常的移動業務中，數據業務有著非常廣泛的應用，例如瀏覽網頁、文件下載和數據更新等，因此在無線資源分配時，數據業務也是要考慮的重點業務之一.數據業務的QoE指標主要是受帶寬的影響，其QoE評估模型為

(3)

式中：R為帶寬；α，β分別為根據實際應用場景設置的數據業務特征參數，其數值可以參考文獻[14].

圖3為數據業務QoE的評估模型圖.根據圖3并結合數據業務的非實時特性可知數據業務的QoE指標是隨著帶寬R的增大而逐漸上升的.

圖3 數據業務QoE模型圖Fig.3 QoE model of data service

1.2 系統建模

整體研究場景為一個宏基站(Macrocell)和N個家庭基站(Femtocell)共同部署的異構網絡場景.主要考慮語音業務、視頻業務和數據業務這三類業務.小區內部共有K個移動終端用戶，同時假設每個用戶只使用一種業務，因此，不妨假設有K1個用戶使用語音業務，K2個用戶使用視頻業務，K3個用戶使用數據業務，K=K1+K2+K3等式成立.將主要考慮下行傳輸場景，所有業務的QoE評估模型使用1.1小節提到的模型.

無論哪一種業務，若其實際QoE值小于QoEmin時，我們將無法接受該業務質量.因此，我們設定約束條件R≥Rmin，以保證場景中每個用戶的用戶體驗.

在Macro-Femto組成的雙層OFDMA網絡中，宏基站與家庭基站之間、家庭基站與家庭基站之間使用相同的頻率資源時會產生一定的干擾.將使用一種基于軟頻率復用和功率控制的干擾控制方案[15]，該方案首先讓宏基站中心周圍和家庭基站共用部分頻段，因為這兩部分的用戶接受的到的信號較強，即使有干擾，影響也有限，而宏基站的邊緣用戶接受到的信號條件差，因此將讓這部分用戶使用獨立的頻段來減小干擾.在此基礎上，考慮到宏基站的邊緣用戶距離基站較遠，邊緣用戶采用基站的最大發射功率Pmax，中心用戶采用的功率是Pmax的β倍(0<β<1).

在采用OFDMA技術的LTE-A下行網絡中，資源調度的最小單元是物理資源塊(Resource block，RB)，每個RB包括12個帶寬為15 kHz的子載波.假設資源的塊總數是L，總帶寬為B，其中宏基站中心用戶和家庭基站用戶共用M個資源塊，剩余的L-M個資源塊分配給宏基站邊緣用戶.根據香農定理，同時結合研究模型，宏基站中心用戶和家庭基站用戶的速度可以表示為

(4)

而宏基站邊緣用戶的速度可以表示為

(5)

式中λn,l,k∈{0,1}，若λn,l,k=1表示第n個基站的第l個RB分配給用戶k，否則認為用戶k沒有被分配到該RB，每個基站的任何一個RB只能分配給一個用戶，當n=0表示接入宏基站，當n=1,2,…,N表示接入家庭基站.γn,l,k表示用戶k在基站n的第l個RB上的信噪比，其表示為

(6)

式中：Gn,l,k為鏈路增益；pn,l,k為基站n在第l個RB上為用戶k分配的功率；σ2為噪聲功率；Ik,l為其他基站對用戶k的干擾，表達式為

(7)

對于Macrocell中心用戶和Femtocell用戶來說存在著干擾，而對于Macrocell邊緣用戶來說，由于他們所分配到的頻率和小區其他頻率正交，所以不存在干擾.Γ=-ln(5BER)/1.5表示為要求BER下的比特錯誤率.

基于QoE的最大化資源分配算法表達式為

(8)

2 資源分配策略設計

由式(8)可知：所要解決的主要問題是求解λn,l,k值和pn,l,k值，使目標函數最優化，但該問題是非線性優化問題，且目標函數非凸，通過傳統的方法很難在有限的時間和空間內得到最優解.而通過一些非常規方法，包括利用基于仿生的智能算法在一定時間內得到該類問題的優化解成為了人們研究的重點.因此考慮用具有較強的魯棒性、全局收斂性和廣泛適應性[16-17]，并且能處理離散和連續優化設計變量的模擬退火智能算法來求解最優化目標.

2.1 模擬退火算法基本思路

模擬退火(Simulatedannealing，SA)算法最早的思想是由Metropolis等提出，其發現某些組合優化問題的過程和一般固體物質的退火過程具有一定的相似性.模擬退火法是一種通用的優化算法，其主要過程如下：首先，設定一個較高的初始溫度，之后從該溫度出發，當溫度很高時，算法的突跳概率較大，比較容易跳躍出局部空間的最優解，而隨著溫度的下降，突跳概率也隨之下降，算法跳出局部最優空間的能力也在不斷下降;最終，算法會在溫度降低至最低臨界值時趨于全局最優解[18].

2.2 算法實現

將算法主要分為兩步：首先，假設功率pn,l,k已知，即在宏基站和家庭基站功率均分的前提下，用模擬退火算法來優化λn,l,k.為了求解最優化的λn,l,k，定義一個N×L維的資源塊分配矩陣C={cn,l|cn,l∈{1,2,…,K}}N×L來表示各個基站下各個RB的分配情況，當基站n的第l個資源塊分配給用戶k時，cn,l=k，這樣只要求解出矩陣C，就能得到λn,l,k的最優解；接著在確定了資源塊分配之后，再用模擬退火算法去重新分配功率pn,l,k，求解出pn,l,k的最優解，使總的QoE達到最大值.

具體算法步驟如下：

Step 1 將Macrocell和Femtocell的功率均分即假設pn,l,k已知，初始化起始溫度T0，終止溫度Td，退火率r∈(0,1)，用于控制當前溫度T的下降，確定每個溫度T的迭代鏈長Y.

Step 2 令T=T0，產生一個合理的初始解C1，根據式(8)計算出當前的總的QoE值記為S1.初始化當前迭代鏈長度i=0.

Step 3 在當前解C1中選擇一個RB，隨機為它分配用戶，產生一個新解C2，計算出總的QoE值記為S2.

Step 4 計算ΔS=S2-S1，若ΔS>0，則接受解C2為本次迭代中得到的優化解，即C1=C2；否則計算解C2的接受概率p為

(9)

可產生(0,1)區間上的隨機數rand，若p>rand，也接受解C2為優化解；否則保留解C1為優化解.

Step 5 若iTd，如果是，衰減溫度值T=rT，重新初始化迭代鏈長度i=0，返回Step 3；否則得到最優化解C1，λn,l,k優化程序結束，執行Step 6.

Step 6 在確定了資源塊的分配λn,l,k之后，在此基礎上繼續優化pn,l,k.初始化起始溫度T0，終止溫度Td，退火率r和迭代鏈長Y.

Step 7 令T=T0，隨機分配pn,l,k產生一個合理的初始解P1，根據式(8)計算出當前的總的QoE值記為S1.初始化當前迭代鏈長度i=0.

Step 8 在當前解P1的基礎上，隨機選擇某一基站下的2個RB重新分配功率，產生一個新解P2，計算出總的QoE值記為S2.

Step 9 計算ΔS=S2-S1，若ΔS>0，則接受解P2為本次迭代中的優化解，即P1=P2；否則按式(9)計算解P2的接受概率p，產生(0,1)區間上的隨機數rand，若p>rand，也接受P2為優化解；否則保留解P1.

Step 10 若iTd，如果是，衰減溫度值T=rT，重新初始化迭代鏈長度i=0，返回Step 8；否則得到最優化解P1，pn,l,k優化完畢，結束程序.

2.3 算法復雜度分析

所提出的算法主要分為兩步，首先看第一步，為了去優化λn,l,k，定義了一個N×L維的資源塊分配矩陣，假設模擬退火算法中從初始化起始溫度T0到終止溫度Td經過的迭代次數是H，迭代鏈長為Y，則可以得到第一步分配RB的整體計算復雜度為O(NLHY)，同理第二步分配功率資源的計算復雜度也為O(NLHY)，而兩步驟的迭代次數是同一數量級的，所以算法總的計算復雜度為O(NLHY).

3 仿真結果與分析

仿真中設定Macrocell半徑為500m，內部部署10個Femtocell，每個Femtocell半徑為20m.一共有45個移動設備用戶，三種業務的用戶各為15個，其中接入Femtocell的用戶有30個，每個Femtocell有3個用戶，這3個用戶分別運行語音業務、視頻業務和數據業務，接入Macrocell的用戶15個，其中9個為Macrocell中心用戶，三種業務各3個，其余6個為Macrocell邊緣用戶，三種業務各2個.鏈路增益為路徑損耗、陰影效應和快衰弱三者之積，其中路徑損耗采用Hata市區傳播模型，陰影效應是均值為0方差的8dB的對數正態分布，對于快衰弱，選擇瑞利衰落模型.噪聲功率譜密度N0=-174dBm/Hz，每個RB帶寬為180kHz.根據文獻[19]可知：當Macrocell中心區域所占半徑比為0.68時，其發射功率系數β=0.7.

系統仿真參數如表1所示.

表1 系統仿真參數

圖4為SA算法分配資源塊仿真圖，圖5為SA算法分配資源塊功率仿真圖，由圖4，5可知：模擬退火算法在解決資源塊最優化分配問題和資源塊功率最優化分配問題的過程中，搜索最優解的能力顯著，它除了可以接受優化解外，還用了一個隨機接受準則(Metropolis)有限地接受惡化解，并使接受惡化解的概率慢慢趨于零，這使得算法在算法的前中期可以快速優化，并從局部最優解中跳出，而在算法的后期又可以找到全局最優值，保證了算法的收斂性，最終準確高效的找到問題最優解.

圖4 SA算法分配資源塊仿真圖Fig.4 SA algorithm allocates resource blocks

圖5 SA算法分配資源塊功率仿真圖Fig.5 SA algorithm allocates resource block power

在Macro-Femto網絡下將所提出的算法(SARRM)和以最大化系統吞吐量為目標的資源分配算法(MTPGRRM)來比較，圖6為不同業務的平均速率，圖7為不同業務的平均QoE，從圖6，7可以發現：雖在平均速率方面MTPGRRM相對于SARRM具有更好的公平性，但其沒有考慮到實際用戶對于不同業務的需求，導致在語音業務方面分配了過多的資源，這部分資源又無法分配到真正需要的用戶，使整體資源分配不均，而SARRM更關注不同業務的用戶體驗，根據不同業務的不同特性合理分配了資源，使系統總QoE值達到最大.

圖6 SARRM和MTPGRRM算法不同業務平均速率比較 Fig.6 SARRM and MTPGRRM algorithms for different traffic average rates

圖7 SARRM和MTPGRRM算法不同業務平均QoE比較 Fig.7 SARRM and MTPGRRM algorithms for different traffic average QoE

4 結 論

在Macro-Femto異構網絡下，引入了用戶體驗(QoE)的概念，并根據語音業務、視頻業務和數據業務這三種業務的不同特性明確了具體的QoE評估模型.基于三種業務的評估模型，對系統總用戶體驗最優化問題進行建模，引入了模擬退火優化算法來優化所提出模型中的資源塊分配問題和資源塊功率分配問題.仿真結果表明：所提算法充分體現了模擬退火算法的廣泛適應性和全局收斂性，并和基于最大吞吐量的資源分配算法進行了比較，所提算法更貼合實際用戶體驗，對系統資源可以更合理的分配，完成系統總用戶體驗最優化目標.

[1] 胡海波.無線異構網絡發展綜述[J].現代電信科技,2009,39(12):19-22.

[2] 張軼凡.異構網絡條件下終端發展趨勢的研究[J].現代電信科技,2006(7):41-44.

[3] ALAM M S, MARK J W, SHEN X. Relay selection and resource allocation for multi-user cooperative LTE-A uplink[C]//2012 IEEE International Conference on Communications (ICC). Ottawa: IEEE,2012:5092-5096.

[4] LEE T H, HUANG Y W. Resource allocation achieving high system throughput with QoS support in OFDMA-based system[J]. IEEE Transactions on communications,2012,60(3):851-861.

[5] 王廣德,常永宇,蔣文婷,等.LTE—A異構網絡下的高效資源分配算法[J].無線電通信技術,2013(1):13-15.

[6] 李文靜,何月順.Macro-Femto雙層網絡中資源分配策略[J].計算機技術與發展,2015,25(9):115-118.

[7] SKORIN-KAPOV L, IVESIC K, ARISTOMENOPOULOS G, et al. Approaches for utility-based QoE-driven optimization of network resource allocation for multimedia services[C]//Data traffic monitoring and analysis. Berlin: Springer Berlin Heidelberg,2013:337-358.

[8] SAUL A, AUER G. Multiuser resource allocation maximizing the perceived quality[J]. EURASIP journal on wireless communications and networking,2009(1):1.

[9] MADAN R, SAMPATH A, KHANDEKAR A, et al. Distributed Interference Management and Scheduling in LTE-A Femto Networks[C]//Global telecommunications conference. Miami: IEEE,2010:1-5.

[10] 鄭侃,張月瑩,王文博.淺析無線網絡的用戶體驗質量建模及性能優化[J].信息通信技術,2012(3):62-65.

[11] MITRA K, ?HLUND C, ZASLAVSKY A. A decision-theoretic approach for quality-of-experience measurement and prediction[C]//2011 IEEE International conference on multimedia and expo. Barcelona: IEEE,2011:1-4.

[12] SAUL A, AUER G. Multiuser resource allocation maximizing the perceived quality[J]. EURASIP journal on wireless communications and networking,2009(1):1-15.

[13] LEE J W, MAZUMDAR R R, SHROFF N B. Non-convex optimization and rate control for multi-class services in the Internet[J]. IEEE/ACM transactions on networking,2005,13(4):827-840.

[14] THAKOLSRI S, KHAN S, STEINBACH E, et al. QoE-driven cross-layer optimization for high speed downlink packet access[J]. Journal of communications,2009,4(9):669-680.

[15] 李美玲.軟頻率復用技術研究及其在LTE系統中的應用[D].北京：北京郵電大學,2007.

[16] 宋靜波,夏洪山.基于混合模擬退火的勤務編排技術研究[J].浙江工業大學學報,2009,37(4):449-452.

[17] 杜豐,張英杰,陳璐.基于模擬退火算法的通用無紙化考試系統研究[J].浙江工業大學學報,2008,36(4):382-385.

[18] 陳華根,吳健生,王家林,等.模擬退火算法機理研究[J].同濟大學學報(自然科學版),2004,32(6):802-805.

[19] 李美玲.軟頻率復用技術研究及其在LTE系統中的應用[D].北京：北京郵電大學,2007.

(責任編輯：陳石平)

Multi-service resource allocation algorithm for quality of experience in heterogeneous networks

MENG Limin, SHENG Chong

(College of Information Engineering, Zhejiang University of Technology, Hangzhou 310023, China)

Focus on the multi-service resource allocation problem in the heterogeneous network composed of macrocell and femtocell，and proposes an efficient allocation algorithm based on quality of experience(QoE). The voice service, video service and data service are considered mainly. In order to maximize the sum of QoE of all services, the limit of corresponding rate is set according to the different attribute of the type of service. On this basis, the resource block resource allocation and power resource allocation are optimized through simulated annealing algorithm. The simulation results show the algorithm effectively improves the efficiency of resource utilization, avoids the allocation of redundant resources to the service that can not improve the QoE, and realizes the optimal allocation of resources.

heterogeneous network; quality of experience; simulated annealing algorithm; optimal allocation

2016-12-20

國家自然科學基金資助項目(61372087)；浙江省科技廳公益社發項目(2016C33166)

孟利民(1963—)，女，浙江金華人，教授，博士，研究方向為無線通信與網絡多媒體數字通信，E-mail：mlm@zjut.edu.cn.

TN929

A

1006-4303(2017)04-0409-07