基于獎懲機制的5G PDCCH資源分配算法

(重慶郵電大學(xué) 重慶市移動通信技術(shù)重點實驗室，重慶 400065)

0 引 言

5G系統(tǒng)旨在提供高速率、低延遲和大容量的服務(wù)，這對5G系統(tǒng)的吞吐量和負載等提出了新挑戰(zhàn)[1]。物理下行控制信道(Physical Downlink Control Channel，PDCCH)作為承載下行控制消息的樞紐，其資源的合理分配在提高系統(tǒng)吞吐量、降低時延等方面具有重要作用[2]。

文獻[3]中所提算法結(jié)合功率分配和資源改組，在一定程度上提高了控制信道單元(Control Channel Element，CCE)利用率，降低了用戶設(shè)備(User Equipment，UE)阻塞概率，但性能提高上存在局限；文獻[4]中對最小聚合等級法進行簡單改進，但用戶公平性低；文獻[5]中的無線網(wǎng)絡(luò)臨時標(biāo)識(Radio Network Temporary Identity，RNTI)表格分配法，雖很好地利用了CCE資源，但未考慮聚合等級，且對公共空間用戶無效，無法真正優(yōu)化用戶阻塞概率；文獻[6]中所提算法犧牲了一定系統(tǒng)總吞吐量來提高小區(qū)邊緣用戶吞吐量，但也未考慮公共搜索空間且計算復(fù)雜；文獻[7]中所提算法因復(fù)雜度降低，很大程度上減少了時間消耗，但CCE利用率不夠，且未考慮公共空間用戶。

本文針對上述問題，對RNTI與搜索空間(Search Space，SS)映射進行簡化的同時，在生成用戶優(yōu)先級列表中引入獎懲機制以對公共搜索空間(Common Search Space，CSS)用戶和UE專用搜索空間(UE-Special Search Space，USS)用戶公平性、小區(qū)容量和解調(diào)性能等進行綜合考慮，為實現(xiàn)用戶公平性和提高系統(tǒng)吞吐量提供了新思路。

1 5G中PDCCH盲解碼機制

5G中引入控制資源集(Control-Resource Set，CORESET)的概念，用于描述發(fā)送下行控制信息(Downlink Control Information，DCI)的控制區(qū)域信息，一個CORESET時域上最多占3個(正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing，OFDM)符號，符號起始由基站配置，頻域上通過一個位圖配置，簡化了資源映射與解映射過程[8]。PDCCH支持用于UE先驗未知的DCI的不同傳輸格式，每個UE通過盲解碼輸入信息來找到其所需的控制信息[9]。

38系列協(xié)議規(guī)定，與CORESETp相關(guān)聯(lián)的搜索空間s的PDCCH候選集為

5G中存在等級1、2、4、8和16，即一個PDCCH最大可能需要16個CCE承載，加大了用戶阻塞概率和終端盲檢DCI的難度。針對這一問題，5G中細分Type0、Type0A S、Type1、Type2和Type3共5種CSS，分別用于接收系統(tǒng)消息、隨機接入和尋呼等消息[10]，但資源分配效率仍有待提高。USS中存在等級1、2、4、8和16，各等級對應(yīng)的最大候選數(shù)量不固定(范圍0、1、2、3、4、5、6和8)。CSS中存在的聚合等級與相應(yīng)的最大候選集數(shù)量如表1所示。

表1 CSS聚合等級及對應(yīng)的

2 PDCCH資源分配算法

2.1 最小聚合等級算法

最小聚合等級(Minimum Aggregation Level，Min-L)算法將聚合等級低的用戶優(yōu)先分配，以此降低阻塞概率。具體算法如下：

(1) 功率調(diào)整：均勻分配總功率，并估計用戶每

個CCE的最壞信號與干擾加噪聲比(Signal to Interference plus Noise Ratio，SINR)；

(2) 聚合等級選取：根據(jù)上述最壞SINR選擇滿足1%誤差的等級作為用戶的等級；

(3) 用戶調(diào)度：根據(jù)UE聚合等級升序排序的規(guī)則生成用戶優(yōu)先級列表；

(4) CCE資源分配：按列表為用戶分配空閑CCE集合，否則用戶阻塞，并遍歷列表。

該算法的主要問題是小區(qū)中心UE和小區(qū)邊緣UE之間的公平性，多數(shù)小區(qū)中心UE總是比小區(qū)邊緣UE具有更高的優(yōu)先級，這將給小區(qū)服務(wù)質(zhì)量造成不良影響。

2.2 重排算法

在Min-L調(diào)度中，對資源的預(yù)先占有可能導(dǎo)致資源的浪費。而在重排(Minimum Shuffling，Min-S)算法中則嘗試重新分配占用該候選集中一個或多個CCE的所有UE，如果可以重新分配所有這樣的UE，則將新的UE放置在PDCCH空閑的候選集空間中，否則重新分配失敗，UE被阻塞。每次發(fā)生沖突時，此法都需要進行更多的計算，計算開銷大，且UE之間的位置緊湊，有待進一步增加。

2.3 RNTI分配預(yù)調(diào)度算法

基于Min-L算法，RNTI分配預(yù)調(diào)度(RNTI Table Allocation，RA)算法針對步驟(4)進行相應(yīng)改進使UE位置更緊湊。在RA算法中，通過給每個UE分配合適的RNTI值來使UE在CCE資源上位置排列緊湊。RA算法的主要思想是通過將UE精確地放在最后一個UE結(jié)束的位置來進行預(yù)調(diào)度。

相比Min-L算法，RA算法CCE分配更緊湊。但RA算法未考慮CSS用戶的調(diào)度，對于CSS用戶，其起始位置不因RNTI值而改變，RA調(diào)度加入CSS用戶后性能受影響，且基于RNTI查找表分配法，計算復(fù)雜度高，不具有工程實用性，RNTI值的選取仍有待優(yōu)化。

3 基于獎懲機制的PDCCH調(diào)度算法

針對上述3種方法存在的問題，本文提出了基于獎懲機制的PDCCH調(diào)度算法。加入CSS用戶時，在保證CCE利用率不下降的情況下，兼顧用戶公平性和盡可能多地分配用戶。本文所提算法通過獎懲機制生成用戶優(yōu)先級列表，且保留RNTI表格法對USS用戶帶來的好處，重新計算5G系統(tǒng)中RNTI的分配。

3.1 獎懲機制原理

改進算法中，將PDCCH資源分配算法的優(yōu)化問題轉(zhuǎn)化為，在一定制約條件下，CCE資源利用率、用戶阻塞概率和用戶延遲時間各個性能的優(yōu)化問題。算法中制約條件如下：

(1) 對于CSS和USS用戶：優(yōu)先分配CSS用戶，再分配USS用戶；

(2) 對于聚合等級：優(yōu)先分配等級2和4，再分配等級1、8和16；

(3) 對于本次傳輸時間間隔(Transmission Time Interval，TTI)調(diào)度失敗的用戶，在下一TTI調(diào)度時給予更高優(yōu)先級。

算法利用獎懲機制將多個制約條件下的優(yōu)化問題轉(zhuǎn)化為等價的無制約條件的優(yōu)化問題，即綜合考慮多個制約條件得到一個優(yōu)先等級，用來實現(xiàn)對用戶資源的有序分配。優(yōu)先等級通過對獎懲數(shù)值進行一系列加權(quán)后的權(quán)值實現(xiàn)，獎懲數(shù)值的大小可用于平衡不同制約條件對優(yōu)化問題本身的影響。

獎懲機制規(guī)則：給予優(yōu)先的操作獎勵數(shù)值，給予靠后的操作懲罰數(shù)值。具體權(quán)值確定如下：

(1) 對于CSS和USS用戶分配，若為初始時，先給所有CSS用戶同一初始權(quán)值WCSS和USS用戶同一初始權(quán)值WUSS，且WCSS>WUSS；不為初始時，按正常獎懲機制規(guī)則進行，即對優(yōu)先分配的CSS用戶給予一定的獎勵數(shù)值，對USS用戶給予一定的懲罰數(shù)值；

(2) 對于聚合等級，用戶聚合等級為16時，給予懲罰數(shù)值-2，相應(yīng)權(quán)值將減2；用戶聚合等級為8時，給予懲罰數(shù)值-1，相應(yīng)權(quán)值減1；聚合等級為1時，給予獎勵數(shù)值+2，相應(yīng)權(quán)值加2；聚合等級為2時，給予獎勵數(shù)值+1，相應(yīng)權(quán)值加1；

(3) 根據(jù)權(quán)值生成用戶優(yōu)先級列表，再RA調(diào)度，完成一次TTI調(diào)度，調(diào)度失敗的UE給予獎勵數(shù)值+2，相應(yīng)權(quán)值加2；下一TTI時，聯(lián)合上次調(diào)度失敗的UE一起，按獎懲機制規(guī)則計算權(quán)值生成用戶優(yōu)先級列表，再RA調(diào)度，并以此類推。圖1所示為權(quán)值確定規(guī)則流程。

圖1 權(quán)值確定規(guī)則流程

3.2 改進的RNTI表格分配法

對于CSS搜索空間，式(1)哈希函數(shù)可改寫為

CSS空間通過式(2)對空間進行離散化，使各候選相對均勻分布于CSS空間內(nèi)。因此相比長期演進(Long Term Evolution，LTE)系統(tǒng)，5G系統(tǒng)中的CSS用戶分配性能有所提升。分析哈希函數(shù)與CSS最大候選集數(shù)量可得，CSS空間大小仍為16個CCE，各候選集CCE起始位置在空間內(nèi)離散分布，大小為L倍數(shù)。所提算法優(yōu)先分配CSS用戶，CSS空間資源耗盡以后，再對USS用戶進行調(diào)度，調(diào)度時對CORESET中前16個CCE進行插空分配，對余下NCCE,p-16個CCE進行RNTI表格分配，因此需要選取合適的RNTI以避免沖突。

由式(1)可得，USS搜索空間的起始位置為

從而得到：

式中，x和y均為正整數(shù)。

例如，當(dāng)前控制資源集索引p=1，NCCE,p=40，則存在40個CCE位置，對應(yīng)sp=1,2,…,40，此時滿足式(5)的解有無數(shù)組。求解式(5)可得通解為

式中，在sp確定的情況下，x和y取值不同，則RNTI值rp不同。即sp的每一個取值都對應(yīng)了多個RNTI值rp。

改進算法區(qū)分RNTI到SS的映射與SS到RNTI的映射，對RNTI分配算法進行相應(yīng)優(yōu)化。

(1) RNTI到SS的映射

RNTI從1～65 519對應(yīng)L等級1、2、4、8和16，通過式(3)可計算得到65 518種起始位置。對這些位置進行分析，可得到S=[N/L]個不重復(fù)的起始位置。如N=40，L=4時，存在S=[N/L]=10個互不重復(fù)的起始位置。因此RNTI到SS的映射可以歸納為：對于CCE數(shù)目N對應(yīng)的RNTI在不同聚合等級的位置情況，存在不重復(fù)位置的數(shù)量為S=[N/L]。即對于不同的聚合等級(L=1,2,4,8,16)，對應(yīng)的不重復(fù)起始位置location關(guān)系為

式中，l=0,1,…,S。

(2) SS到RNTI的映射

由上述分析可知，一個起始位置存在多個RNTI值與之對應(yīng)。則針對不同聚合等級的S個不重復(fù)起始位置，分別計算size=[U/2]個RNTI用于RNTI分配，不夠時再計算size=[U/2]個，其中U為當(dāng)前需要進行調(diào)度的UE數(shù)。如N=40，L=8時，存在S=[N/L]=5個不重復(fù)的起始位置，分別為location=L·(lmod[N/L]∈(0,8,16,24,32)，則計算size=[U/2]=10個RNTI值用于RNTI分配。當(dāng)需要對location起始的位置進行資源調(diào)度時，選取其對應(yīng)且未被分配過的RNTI值進行分配，若RNTI值均已分配完，則重新計算10個RNTI值，并更新RNTI分配表。RNTI分配表格如表2所示。

表2 RNTI分配表格

相比計算完所有RNTI值對應(yīng)起始位置再進行CCE資源調(diào)度，該法可以根據(jù)當(dāng)前用戶數(shù)量進行按需分配，且某一位置相應(yīng)RNTI值分配完時只需要更新當(dāng)前位置的RNTI值，不需要整表更新，減少了SS到RNTI映射的計算復(fù)雜度。

3.3 改進算法

調(diào)度流程的第1、2步功率調(diào)整和聚合等級選取的方法與Min-L算法的步驟(1)和(2)相同，著重對步驟(3)用戶優(yōu)先級列表和步驟(4)CCE資源調(diào)度進行改進。針對用戶優(yōu)先級列表生成提出一種新的生成算法，針對CCE資源調(diào)度對RNTI表格分配法進行相應(yīng)改進。

改進算法流程圖如圖2所示，算法的具體步驟如下：

(1) 功率控制：平均分配功率或自適應(yīng)調(diào)整功率。

(2) 為每個UE選取合適的聚合等級(PDCCH鏈路自適應(yīng))。

(3) 基于獎懲機制進行用戶優(yōu)先級列表的生成。因為CSS用戶選取合適聚合等級后起始位置基本確定，而USS用戶起始位置則相對更靈活，為減少CSS用戶的阻塞概率，保證CCE資源利用率，優(yōu)先對CSS用戶進行分配。因此，初始用戶優(yōu)先級列表的初始優(yōu)先順序為：上一次TTI分配結(jié)果(即上一TTI分配失敗的用戶在本次TTI占據(jù)較高優(yōu)先級以保證用戶公平性)、小區(qū)級消息(隨機接入消息、尋呼消息和功率控制等)和UE級消息(上行授權(quán)和下行調(diào)度等)。再基于獎懲機制確定各個UE的權(quán)值，最后對CSS用戶和USS用戶分別按權(quán)值生成新的用戶優(yōu)先級列表。

(4) CCE調(diào)度：按新用戶優(yōu)先級列表利用改進的RNTI表格分配法進行CCE資源調(diào)度。

圖2 改進算法流程圖

4 仿真分析

假設(shè)當(dāng)前帶寬為100 MHz，CORESET占據(jù)3個符號，用于PDCCH資源分配的CCE有40個，為20個UE分配資源。仿真過程中在固定帶寬和用戶條件下，在4個下行子幀中分別為20個UE分配資源，循環(huán)2 000次統(tǒng)計平均CCE利用率、用戶阻塞概率以及分配時延，結(jié)果如圖3～5所示。

圖3 平均CCE利用率

由圖3可知，基線調(diào)度(Base Schedule，BS)算法資源利用率最低，RA調(diào)度算法與改進算法的CCE利用率整體遠高于另外3種算法，可以實現(xiàn)對CCE的合理利用。此外，加入CSS用戶后，在控制資源集和聚合等級等基本條件確定的情況下，由于CSS用戶無法通過RNTI調(diào)整候選集位置以使UE之間排列緊湊，因此RA調(diào)度算法和改進算法都難以達到對CCE資源100%的利用。從整體來看，RA調(diào)度算法與改進算法的CCE利用率相近，且改進算法略高于RA調(diào)度算法。

圖4 用戶阻塞概率

由圖4可知，隨著用戶數(shù)的增加，UE的阻塞概率越來越大，BS算法的阻塞概率最大，Min-S和Min-L算法在BS算法基礎(chǔ)上有了一定優(yōu)化，但相比改進算法阻塞概率要高出近50%。由于CSS用戶無法合理分配資源，RA算法在用戶數(shù)超10個以后，阻塞概率開始快速增大，性能急劇下降。相反，改進算法因為在生成用戶優(yōu)先級列表中引入了獎懲機制，確保上一個TTI調(diào)度失敗的UE在下一個TTI調(diào)度時給予更高優(yōu)先級，以及優(yōu)先考慮具有較小聚合等級的用戶，因此能有效降低用戶的阻塞概率，性能相比RA算法提高了57%。

圖5 用戶分配時延

由圖5可知，在10個用戶時，整體用戶時延偏低，隨著用戶數(shù)的增加，用戶時延呈正比例增加。由10個用戶時可知，RA算法和改進算法相對其他3種算法時延較小；但是在20個用戶時，RA算法因為用戶阻塞情況的加重，用戶時延急劇增大。相比而言，改進算法在5種算法中時延最小，最小值為0.5 ms(一個TTI為0.5 ms)，且相比RA算法時延減少了近30%。

總而言之，改進算法綜合考慮CSS用戶和USS用戶的資源分配，在保證CCE資源利用率不下降的情況下，相比RA算法而言，UE阻塞概率降低了57%，同時UE分配時延減少了30%。

5 結(jié)束語

本文從理論分析出發(fā)，建立PDCCH鏈路進行Matlab軟件仿真，通過對每個用戶進行一系列獎勵和懲罰操作得到一個權(quán)值，利用該權(quán)值生成用戶優(yōu)先級列表，使算法更具用戶公平性和低阻塞。且在CCE分配過程中對RNTI表格分配法進行簡化，以此優(yōu)化算法性能和降低延遲。由仿真結(jié)果可知，改進后算法在用戶數(shù)較多時能有效地降低用戶阻塞概率和用戶時延，提高了算法的工程實用性，為資源分配算法提供了新思路。