摘要：根據(jù)5G關(guān)鍵技術(shù)特征給出了5G系統(tǒng)仿真場(chǎng)景，并提出了一種基于5G系統(tǒng)仿真平臺(tái)的仿真建模及實(shí)現(xiàn)方法。運(yùn)用動(dòng)態(tài)仿真建模、計(jì)算資源虛擬化管理、多核并行仿真以及硬件加速仿真技術(shù)建設(shè)系統(tǒng)仿真平臺(tái)，對(duì)5G候選關(guān)鍵技術(shù)進(jìn)行評(píng)估，可以解決由于5G高復(fù)雜度及多變的仿真環(huán)境帶來(lái)的部分問(wèn)題，并能夠提高仿真效率，增強(qiáng)5G系統(tǒng)仿真平臺(tái)的擴(kuò)展性。

關(guān)鍵詞： 5G候選關(guān)鍵技術(shù)；仿真建模；評(píng)估指標(biāo)；系統(tǒng)仿真平臺(tái)

Abstract： In this paper， 5G system simulation scenarios based on the features of 5G key technology is introduced， and a simulation modeling and realization method of 5G system simulation platform is presented. By using dynamic simulation modeling， computing resources virtualization management， multi-core parallel simulation and hardware accelerated simulation technology in the system simulation platform construction and 5G key technology evaluation， part of problems bringing by 5G high complex and changeable simulation environment can be solved， and the simulation efficiency can be improved， meanwhile， the scalability of 5G system simulation platform can be enhanced.

5G candidate key technology； simulation modeling； evaluation index； system simulation platform

計(jì)算機(jī)仿真在移動(dòng)通信系統(tǒng)的技術(shù)研究和標(biāo)準(zhǔn)開(kāi)發(fā)中是評(píng)估系統(tǒng)性能的一個(gè)非常強(qiáng)大的工具?，F(xiàn)代無(wú)線(xiàn)通信系統(tǒng)是一個(gè)異常復(fù)雜的系統(tǒng)，其復(fù)雜性體現(xiàn)在應(yīng)用場(chǎng)景、網(wǎng)絡(luò)結(jié)構(gòu)等多個(gè)方面。第5代移動(dòng)通信（5G）的候選技術(shù)更豐富，應(yīng)用場(chǎng)景更復(fù)雜。

5G軟件仿真測(cè)試系統(tǒng)的設(shè)計(jì)和開(kāi)發(fā)是在早期技術(shù)的基礎(chǔ)上繼承和發(fā)展的，早期仿真平臺(tái)對(duì)5G軟件仿真的搭建有重要的參考價(jià)值。同時(shí)，由于5G系統(tǒng)將引入更多新功能和新技術(shù)，需要深入分析各種候選技術(shù)的特征和實(shí)現(xiàn)方案，才能高效設(shè)計(jì)和實(shí)現(xiàn)5G軟件仿真系統(tǒng)。一個(gè)完整的仿真系統(tǒng)組成，如圖1所示。

1 5G系統(tǒng)仿真場(chǎng)景

1.1 5G系統(tǒng)仿真假定

5G移動(dòng)通信系統(tǒng)需要滿(mǎn)足更加多樣化的場(chǎng)景和極致的性能挑戰(zhàn)。面對(duì)多樣化的應(yīng)用場(chǎng)景，5G的幀結(jié)構(gòu)參數(shù)可靈活配置，以服務(wù)不同類(lèi)型的業(yè)務(wù)。針對(duì)不同頻段、場(chǎng)景和信道環(huán)境，可以選擇不同的參數(shù)配置，具體包括帶寬、載波頻率等，參考信號(hào)和控制信道也可靈活配置以支持大規(guī)模天線(xiàn)、新型多址等新技術(shù)的應(yīng)用，按需選取最優(yōu)技術(shù)組合及參數(shù)配置。下面我們將分別介紹大規(guī)模技術(shù)和超密集網(wǎng)絡(luò)（UDN）技術(shù)條件下的系統(tǒng)仿真基線(xiàn)參數(shù)配置。

（1）大規(guī)模天線(xiàn)部署

在大規(guī)模天線(xiàn)部署條件下仿真場(chǎng)景集中表示于表1中。針對(duì)大規(guī)模多輸入多輸出（MIMO）下的3種仿真場(chǎng)景我們給出了系統(tǒng)仿真相關(guān)基線(xiàn)參數(shù)，如表2所示[1]。

（2）超密集網(wǎng)絡(luò)部署

超密集網(wǎng)絡(luò)（UDN）是5G核心技術(shù)之一。我們對(duì)UDN的仿真評(píng)估也給出了仿真場(chǎng)景及相關(guān)基線(xiàn)參數(shù)，如表3所示。

1.2 5G系統(tǒng)性能評(píng)估指標(biāo)

5G網(wǎng)絡(luò)相對(duì)于4G網(wǎng)絡(luò)不僅僅是“量”的變化，比如容量、速率的變化，還包括其“質(zhì)”的變化，包括虛擬化、可定義等網(wǎng)絡(luò)基本特征的變化。原有業(yè)務(wù)模型下的平均用戶(hù)吞吐率、邊緣用戶(hù)頻譜效率等之外，連接數(shù)密度、流量密度等是5G網(wǎng)絡(luò)新引入的關(guān)鍵業(yè)績(jī)指標(biāo)（KPI）指標(biāo)。隨著5G技術(shù)研究的不斷深入，可以預(yù)見(jiàn)還會(huì)出現(xiàn)新的評(píng)估指標(biāo)。對(duì)這些可直接度量的指標(biāo)的設(shè)計(jì)一方面需要結(jié)合新業(yè)務(wù)的特點(diǎn)，另一方面需要充分借鑒以往KPI指標(biāo)經(jīng)驗(yàn)。我們將從以下幾個(gè)方面介紹無(wú)線(xiàn)性能評(píng)估指標(biāo)：

（1）無(wú)線(xiàn)覆蓋性能KPI指標(biāo)

無(wú)線(xiàn)覆蓋性能的KPI指標(biāo)主要有參考信號(hào)接收功率（RSRP）、信干噪比（RS-SINR）、Geometry（G）以及累積分布函數(shù)（CDF）統(tǒng)計(jì)。

RSRP是代表無(wú)線(xiàn)信號(hào)強(qiáng)度的關(guān)鍵參數(shù)，是在某個(gè)符號(hào)內(nèi)承載參考信號(hào)的所有資源元素（RE）上接收到的信號(hào)功率的線(xiàn)性平均值[4]；RS-SINR定義為[RS_SINR=RSRPRS_RSSI-RSRP]， RS_RSSI代表所有基站的總接收信號(hào)強(qiáng)度；Geometry（G）定義為[G=Ior1Ioc=Ior1j=2NBIorj+N]，[Iorj]為第j個(gè)基站的平均接收功率（[Ior1]為服務(wù)小區(qū)），N為噪聲功率，NB為干擾基站的數(shù)量。

（2）容量性能KPI指標(biāo)

容量性能主要從整網(wǎng)和用戶(hù)兩方面評(píng)估：整網(wǎng)容量KPI考慮連接數(shù)密度和流量密度，而用戶(hù)容量KPI則考慮單終端業(yè)務(wù)量。連接數(shù)密度是指單位面積的平均終端數(shù)，單位為終端數(shù)/km2；流量密度是指單位面積的平均業(yè)務(wù)量，單位為bps/km2；單終端業(yè)務(wù)量是指每終端每月的平均業(yè)務(wù)量，單位為byte/month/device。

（3）速率性能KPI指標(biāo)

用戶(hù)體驗(yàn)最直接的KPI指標(biāo)是用戶(hù)速率，我們需要區(qū)分下載速率（DL）和上傳速率（UL），用戶(hù)速率評(píng)估KPI主要采用：平均、5%、50%、95%用戶(hù)吞吐率，以及CDF統(tǒng)計(jì)[2-4]。

（4）移動(dòng)性能指標(biāo)

對(duì)于移動(dòng)狀態(tài)的用戶(hù)，在移動(dòng)過(guò)程中業(yè)務(wù)連續(xù)、穩(wěn)定是基本要求，移動(dòng)性能評(píng)估KPI一般采用無(wú)線(xiàn)鏈路失敗率、切換失敗率、乒乓切換率等，可以參考文獻(xiàn)[5]。

（5）時(shí)延性能指標(biāo)

時(shí)延性能指標(biāo)主要有往返時(shí)間（RTT）時(shí)延（用TRTT表示）和單程時(shí)間（OTT）時(shí)延（用TOTT表示）[6]。RTT時(shí)延定義為T(mén)RTT=TA1- TS1，OTT時(shí)延定義為T(mén)OTT=TA2- TS1，其中TS1為設(shè)備1發(fā)送數(shù)據(jù)包的起始時(shí)間，TA2為設(shè)備2收到設(shè)備1數(shù)據(jù)包的時(shí)間，設(shè)備2收到數(shù)據(jù)包后將會(huì)發(fā)送反饋消息，TA1則為設(shè)備1收到設(shè)備2發(fā)送的反饋消息的時(shí)間。

（6）能耗性能指標(biāo)

能耗是衡量網(wǎng)絡(luò)能量效應(yīng)的KPI，能效有兩種定義方式，如公式（1）[6]所示：

[λI=EI=PR inJ/bitorW/bps λA=PA in [W/m2]] （1）

其中，E為給定評(píng)估時(shí)間內(nèi)對(duì)應(yīng)功率P消耗的能量，I為對(duì)應(yīng)傳輸速率R的消息容量，A為覆蓋面積。

2 5G關(guān)鍵仿真技術(shù)

本節(jié)重點(diǎn)闡述了5G系統(tǒng)仿真軟件在平臺(tái)架構(gòu)設(shè)計(jì)及系統(tǒng)仿真過(guò)程中運(yùn)用的關(guān)鍵技術(shù)，利用這些關(guān)鍵技術(shù)有效提高仿真效率，滿(mǎn)足5G仿真需求。

2.1 動(dòng)態(tài)仿真建模技術(shù)

5G技術(shù)帶來(lái)了更加復(fù)雜的組網(wǎng)場(chǎng)景和業(yè)務(wù)類(lèi)型，也增加了各類(lèi)新技術(shù)。傳統(tǒng)的采用針對(duì)特定場(chǎng)景編碼實(shí)現(xiàn)的仿真設(shè)計(jì)模式效率很低，遠(yuǎn)遠(yuǎn)不能滿(mǎn)足日益增長(zhǎng)的仿真需求，必須采用高復(fù)用的建模技術(shù)，因此提出了動(dòng)態(tài)仿真建模技術(shù)。

動(dòng)態(tài)仿真建模技術(shù)的核心思想是對(duì)網(wǎng)絡(luò)分層和建模，將各層次的仿真對(duì)象模型進(jìn)行組件化設(shè)計(jì)[7]，同時(shí)基于仿真場(chǎng)景、業(yè)務(wù)模型映射得到仿真模型組件和仿真參數(shù)，再通過(guò)動(dòng)態(tài)配置的方法組合成為具體的仿真流程。由于仿真對(duì)象模型設(shè)計(jì)實(shí)現(xiàn)了組件化，主要的仿真設(shè)計(jì)實(shí)現(xiàn)能夠得到充分復(fù)用，一方面提升了仿真設(shè)計(jì)和開(kāi)發(fā)效率，另一方面也提升了仿真平臺(tái)的可擴(kuò)展能力。

動(dòng)態(tài)仿真建模技術(shù)包含兩項(xiàng)關(guān)鍵技術(shù)：功能庫(kù)和參數(shù)庫(kù)的生成；動(dòng)態(tài)分析和配置機(jī)制。

（1）功能庫(kù)和參數(shù)庫(kù)的生成

輸出仿真平臺(tái)的基本功能模塊，根據(jù)仿真需求進(jìn)行建模，抽象分解出公共庫(kù)和特性庫(kù)兩類(lèi)，通過(guò)智能接口實(shí)現(xiàn)功能的配合實(shí)用，同時(shí)滿(mǎn)足功能的可擴(kuò)展性。將功能庫(kù)和參數(shù)庫(kù)分開(kāi)設(shè)計(jì)的目的也是為了保證模型適應(yīng)于不同的仿真場(chǎng)景和仿真需求，做到充分的解耦。

（2）動(dòng)態(tài)分析和配置機(jī)制

在仿真運(yùn)行過(guò)程中提供分析和配置機(jī)制，參與仿真的全過(guò)程。包括對(duì)仿真需求進(jìn)行分解，并映射到不同的功能庫(kù)和參數(shù)庫(kù)，再根據(jù)仿真的具體要求配置生成仿真流程。

根據(jù)仿真需求分解出對(duì)應(yīng)的仿真模型，例如，軟件定義網(wǎng)絡(luò)（SDN）技術(shù)要求控制面和用戶(hù)面分離，網(wǎng)絡(luò)功能虛擬化（NFV）要求網(wǎng)絡(luò)功能從專(zhuān)用硬件設(shè)備中解耦出來(lái)，UDN中提出的虛擬小區(qū)概念等。

根據(jù)模型生成仿真參數(shù)庫(kù)，包括系統(tǒng)規(guī)格、場(chǎng)景參數(shù)、各項(xiàng)技術(shù)的配置參數(shù)等。以仿真模型為中心，基于仿真模型建立組網(wǎng)場(chǎng)景、網(wǎng)絡(luò)功能的參數(shù)化模板，通過(guò)合理組合這些參數(shù)化模板減少參數(shù)庫(kù)的復(fù)雜度。

根據(jù)模型映射到對(duì)應(yīng)的功能庫(kù)。功能庫(kù)可以通過(guò)靈活的接口設(shè)計(jì)實(shí)現(xiàn)解耦和可擴(kuò)展，根據(jù)仿真需求將映射的功能庫(kù)和參數(shù)庫(kù)有機(jī)的組織成為一個(gè)完整的仿真流程。將參數(shù)庫(kù)、功能庫(kù)、仿真流程進(jìn)行動(dòng)態(tài)配置形成具體的仿真任務(wù)，仿真任務(wù)直接面向用戶(hù)，需要提供友好的配置管理界面。

由以上分析可以看出：實(shí)現(xiàn)動(dòng)態(tài)仿真建模的關(guān)鍵點(diǎn)在于模型、庫(kù)組件和參數(shù)的設(shè)計(jì)，通過(guò)運(yùn)用分層、封裝、接口解耦等方面的設(shè)計(jì)解決概念模型和實(shí)現(xiàn)模型之間的耦合，才能達(dá)到技術(shù)變化對(duì)實(shí)現(xiàn)影響最小的目的。

2.2 計(jì)算資源虛擬化管理技術(shù)

當(dāng)前提升仿真計(jì)算效率的主要手段是計(jì)算并行化，由于計(jì)算資源可以分布在不同的物理設(shè)備上，如何合理配置管理資源就成為核心問(wèn)題。因此，我們提出了計(jì)算資源虛擬化管理技術(shù)。

資源虛擬化管理首先將仿真需求映射為可單獨(dú)部署的計(jì)算任務(wù)，基于這些計(jì)算任務(wù)再分解為可單獨(dú)部署的并行子任務(wù)，根據(jù)其特點(diǎn)配置相應(yīng)的虛擬資源，部署在本地的并行計(jì)算任務(wù)需要分配計(jì)算資源、存儲(chǔ)資源，部署在從節(jié)點(diǎn)上的計(jì)算任務(wù)還需分配足夠的通信資源，以避免數(shù)據(jù)無(wú)法及時(shí)傳輸造成延時(shí)。

將各類(lèi)硬件資源虛擬化為計(jì)算、存儲(chǔ)和通信3類(lèi)虛擬資源，并將虛擬資源動(dòng)態(tài)綁定給計(jì)算任務(wù)，仿真子任務(wù)所需要的虛擬資源需要提前評(píng)估，不同仿真子任務(wù)有不同需求，可通過(guò)仿真代碼靜態(tài)分析以及運(yùn)行時(shí)統(tǒng)計(jì)等手段分析得到，并根據(jù)仿真目標(biāo)確定各個(gè)仿真子任務(wù)的資源需求。

隨著底層軟件以及硬件平臺(tái)的不斷發(fā)展，可用的并行虛擬化技術(shù)較為豐富[8]，比如MATLAB提供的parfor、單程序多任務(wù)（SPMD）、MATLAB 分布式計(jì)算引擎（MDCE）等并行工具，以及適用于多種開(kāi)發(fā)語(yǔ)言的消息傳遞接口（MPI）、OpenMP等并行編程機(jī)制。對(duì)于具體的仿真實(shí)現(xiàn)來(lái)說(shuō)，不但需要底層的并行技術(shù)手段，還需要仿真應(yīng)用程序也實(shí)現(xiàn)并行化設(shè)計(jì)。仿真應(yīng)用程序的并行化設(shè)計(jì)很難給出通用方法，需結(jié)合業(yè)務(wù)特點(diǎn)專(zhuān)門(mén)設(shè)計(jì)并行算法，也是實(shí)現(xiàn)仿真系統(tǒng)并行虛擬化的關(guān)鍵路徑。

2.3 多核并行仿真技術(shù)

仿真軟件的并行化是仿真平臺(tái)多核并行設(shè)計(jì)的關(guān)鍵，能利用現(xiàn)有硬件資源達(dá)到最優(yōu)效果。根據(jù)需求先從功能、算法、操作對(duì)象等角度將仿真軟件并行化分解；其次通過(guò)對(duì)仿真功能模塊的合理劃分設(shè)計(jì)，減少并行子任務(wù)的通信數(shù)據(jù)量，保證各個(gè)并行子任務(wù)之間的運(yùn)算量相當(dāng)，減少因任務(wù)同步處理所需的等待時(shí)間。

中央處理器（CPU）+圖形處理器（GPU）的異構(gòu)方案作為多核CPU并行處理的演變方案，也為提升仿真計(jì)算的速度提供了可能[9]。CPU擅長(zhǎng)復(fù)雜邏輯運(yùn)算，而GPU往往擁有上百個(gè)流處理器核心，其設(shè)計(jì)目標(biāo)是以大量線(xiàn)程實(shí)現(xiàn)面向大吞吐量的數(shù)據(jù)并行計(jì)算，其單精度浮點(diǎn)計(jì)算能力可達(dá)同期CPU的10倍以上，適合處理大規(guī)模數(shù)據(jù)并行計(jì)算。因此，采用CPU+GPU的異構(gòu)并行架構(gòu)，利用多核CPU并行執(zhí)行復(fù)雜的邏輯計(jì)算，利用GPU處理數(shù)據(jù)并行任務(wù)，兩者協(xié)同工作，發(fā)揮計(jì)算機(jī)并行處理能力。

圖2（a）中給出了一個(gè)典型的異構(gòu)多核架構(gòu)，可以看出在多核CPU端使用OpenMP，而在GPU使用計(jì)算統(tǒng)一設(shè)備結(jié)構(gòu)（CUDA）進(jìn)行處理，任務(wù)的劃分則由程序和操作系統(tǒng)層面指定。兩部分均采用外設(shè)部件互連標(biāo)準(zhǔn)（PCI-E）總線(xiàn)進(jìn)行互聯(lián)。

多核CPU-GPU異構(gòu)平臺(tái)具有任務(wù)級(jí)和數(shù)據(jù)級(jí)多個(gè)層次的并行執(zhí)行能力，在進(jìn)行負(fù)載分配時(shí)要將這些計(jì)算能力充分利用起來(lái)，可以考慮如圖2（b）所示的仿真模型結(jié)構(gòu)。

2.4 硬件加速仿真技術(shù)

硬件加速仿真技術(shù)使用硬件模塊來(lái)替代軟件模塊以充分利用硬件所固有的快速特性。通常采用計(jì)算能力和邏輯處理能力都非常強(qiáng)的高性能現(xiàn)場(chǎng)可編程門(mén)陣列（FPGA）板卡。硬件加速仿真技術(shù)的主要分為3個(gè)方面：

（1）基于FPGA的高性能硬件加速關(guān)鍵技術(shù)研究，包括：高速并行處理、軟硬件仿真任務(wù)分塊及映射、高精度信號(hào)處理；

（2）硬件加速和軟仿真平臺(tái)相結(jié)合的接口及中間件設(shè)計(jì)，包括基于C仿真代碼的適配、接口層的中間件設(shè)計(jì)、可重配置計(jì)算的設(shè)計(jì)；

（3）可重配置的FPGA硬件加速卡設(shè)計(jì)，包括高速PCI-E接口設(shè)計(jì)、高速USB 3.0接口與主機(jī)的數(shù)據(jù)交互。

如圖3所示，在系統(tǒng)仿真平臺(tái)中部分鏈路采用了硬件實(shí)現(xiàn)的鏈路。這種軟硬件聯(lián)合仿真方法能夠充分硬件的高速處理能力，使得部分鏈路的系統(tǒng)仿真性能接近實(shí)時(shí)級(jí)別，結(jié)合系統(tǒng)仿真平臺(tái)較為完善的系統(tǒng)功能，就能夠更為真實(shí)地仿真對(duì)系統(tǒng)傳輸時(shí)延等一系列指標(biāo)要求很高的系統(tǒng)應(yīng)用場(chǎng)景。

3 5G候選關(guān)鍵技術(shù)評(píng)估

本節(jié)以5G關(guān)鍵技術(shù)大規(guī)模MIMO（MU-MIMO）為例，說(shuō)明如何應(yīng)用前述的各項(xiàng)關(guān)鍵技術(shù)完成MU-MIMO技術(shù)在仿真系統(tǒng)中的設(shè)計(jì)和實(shí)現(xiàn)，以達(dá)到減少仿真計(jì)算復(fù)雜度、加速仿真計(jì)算速度的目的。

（1）仿真參數(shù)說(shuō)明

采用MU-MIMO模式，仿真長(zhǎng)期演進(jìn)（LTE）下行系統(tǒng)工作性能?；景l(fā)射天線(xiàn)數(shù)為128根，單小區(qū)內(nèi)同時(shí)調(diào)度15個(gè)用戶(hù)，構(gòu)成MU-MIMO的信道矩陣。

（2）仿真計(jì)算環(huán)境說(shuō)明

硬件：GPU服務(wù)器XR-4802GK4，其中CPU配置為2顆Intel Xeon Ivy Bridg E5（3.0 G，單顆10核，20線(xiàn)程），GPU配置為8片TESLA K20；

軟件：MATLAB R2014a。

（3）計(jì)算量分析

根據(jù)MU-MIMO特性可知，計(jì)算量主要分布在信道計(jì)算、預(yù)編碼計(jì)算、接收SINR計(jì)算。設(shè)子載波數(shù)為Nc，OFDM符號(hào)數(shù)為M，基站天線(xiàn)數(shù)為Nt，用戶(hù)數(shù)（單天線(xiàn)）為Nr，接收天線(xiàn)數(shù)為Nr，系統(tǒng)內(nèi)小區(qū)數(shù)為C。

（a）3D信道

僅以時(shí)域信道轉(zhuǎn)為頻域信道的快速傅里葉變換（FFT）變換計(jì)算次數(shù)來(lái)分析，一個(gè)小區(qū)的3D信道FFT變換的數(shù)量約為M×Nt×Nr，則在天線(xiàn)規(guī)模為下行128×15的情況下，相比4G天線(xiàn)規(guī)模為2×1的場(chǎng)景，計(jì)算量之比為960倍。

（b）發(fā)射端預(yù)編碼

根據(jù)仿真參數(shù)設(shè)置，發(fā)送端預(yù)編碼方案為迫零算法，預(yù)編碼矩陣計(jì)算如公式（2）所示：

[WZF=H（HHH）-1，H∈CNtxNr] （2）

預(yù)編碼的計(jì)算復(fù)雜度主要體現(xiàn)在矩陣的乘積和求逆兩部分：在迫零算法條件下，第1部分是C×Nc次Nr×Nr維矩陣求逆；第2部分是C×Nc次Nt×Nr維矩陣和Nr×Nr維矩陣的乘法。一般各類(lèi)矩陣計(jì)算的算法復(fù)雜度為O（n^3），計(jì)算量隨天線(xiàn)數(shù)的3次冪增加。

（c）信干噪比計(jì)算

根據(jù)MIMO信號(hào)模型，可以分析得到計(jì)算量的大致規(guī)模，如公式（3）所示：

計(jì)算一個(gè)小區(qū)的信號(hào)功率需要兩次Nt維向量乘法，乘法次數(shù)為2Nt+1，計(jì)算干擾功率（含小區(qū)內(nèi)和小區(qū)間干擾）需要C×（2Nt+1）次乘法，總乘法次數(shù)為（C+1）×（2Nt+1）。

從以上分析可知：MU-MIMO特性的計(jì)算量主要集中在信道計(jì)算、發(fā)射端預(yù)編碼和接收信干噪比計(jì)算模塊中，其中發(fā)射端預(yù)編碼計(jì)算量隨天線(xiàn)數(shù)的3次冪增長(zhǎng)，是計(jì)算開(kāi)銷(xiāo)最大的模塊，其次是信道計(jì)算，根據(jù)阿姆達(dá)爾定律，這兩個(gè)模塊也是計(jì)算加速最為關(guān)鍵的優(yōu)化目標(biāo)。

（4）優(yōu)化方案

根據(jù)不同的模塊的特點(diǎn)，我們可以結(jié)合前面的關(guān)鍵技術(shù)制定加速優(yōu)化方案。

（a）信道計(jì)算

在給定仿真參數(shù)的條件下，無(wú)線(xiàn)鏈路信道系數(shù)和系統(tǒng)調(diào)度等行為無(wú)關(guān)，因此可以預(yù)先完成信道計(jì)算，并將計(jì)算結(jié)果保存在硬盤(pán)中，仿真系統(tǒng)初始化時(shí)可以直接讀取信道矩陣，使用預(yù)先計(jì)算好的結(jié)果，省去信道計(jì)算時(shí)間，實(shí)際時(shí)間開(kāi)銷(xiāo)僅僅取決于讀取內(nèi)存的時(shí)間。

（b）發(fā)射端預(yù)編碼

發(fā)射端預(yù)編碼主要涉及大矩陣的乘法和求逆計(jì)算，這部分計(jì)算可以充分利用CPU以及GPU的多核計(jì)算能力，在子載波層次進(jìn)行并行計(jì)算。由每個(gè)GPU完成矩陣求逆和乘法計(jì)算，并行最大可以并行C×Nc路，在本測(cè)試樣例中，可以并行57×300=17 100路，在GPU核足夠多的情況下，綜合考慮傳輸帶寬的影響，基本可以滿(mǎn)足對(duì)發(fā)射端預(yù)編碼的加速優(yōu)化需求。在本測(cè)試樣例中，由于僅采用了一臺(tái)GPU服務(wù)器，計(jì)算資源有限，因此實(shí)際加速效果受限于硬件資源，在多機(jī)組網(wǎng)、超算環(huán)境中可以進(jìn)一步大幅提升加速效果。

（c）信干噪比計(jì)算

此部分的計(jì)算主要是向量乘法運(yùn)算，計(jì)算量相對(duì)信道計(jì)算、發(fā)射端預(yù)編碼模塊小得多，因此采用CPU加速即能夠獲得較好的效果。

（5）仿真實(shí)測(cè)結(jié)果和分析

仿真實(shí)測(cè)結(jié)果如表4、表5所示。根據(jù)不同模塊的計(jì)算特點(diǎn)，采用的加速方案不同，其最終加速效果也不同。

信干噪比計(jì)算模塊、消息處理模塊采用了CPU并行計(jì)算方案，預(yù)編碼模塊采用了CPU+GPU的聯(lián)合加速方案。從加速比來(lái)看，干擾模塊的加速比要小于消息處理模塊，其原因是干擾模塊需要在并行計(jì)算任務(wù)之間傳遞大量數(shù)據(jù)，包括信號(hào)功率、信道配置、調(diào)度信息等數(shù)據(jù)，在數(shù)據(jù)傳輸上的時(shí)間開(kāi)銷(xiāo)要大于消息處理模塊，對(duì)信干噪比計(jì)算模塊進(jìn)一步優(yōu)化的手段，包括增加并行CPU核數(shù)、傳輸數(shù)據(jù)壓縮、增加傳輸帶寬（高速光纖傳輸、反射內(nèi)存技術(shù)等）等方案。預(yù)編碼模塊采用了CPU+GPU的聯(lián)合加速方案，加速比可以達(dá)到127倍，由于受硬件資源的限制，這部分的加速效果遠(yuǎn)未達(dá)到上限。

4 結(jié)束語(yǔ)

由于5G技術(shù)的快速發(fā)展，仿真對(duì)象、場(chǎng)景和技術(shù)也在不斷變化，仿真架構(gòu)設(shè)計(jì)和評(píng)估方法也需要同步發(fā)展。文章從系統(tǒng)仿真場(chǎng)景、關(guān)鍵仿真技術(shù)及5G候選關(guān)鍵技術(shù)評(píng)估方面介紹5G系統(tǒng)仿真評(píng)估，為5G候選關(guān)鍵技術(shù)的評(píng)估提供了參考解決方案，進(jìn)而為5G網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)和關(guān)鍵技術(shù)研發(fā)提供有效的支撐。

參考文獻(xiàn)

[1] 3GPP. 3D channel model for LTE： 3GPP TR36.873 [S]

[2] 3GPP. Further advancements for E-UTRA physical layer aspects： 3GPP TR36.814 [S]

[3] 3GPP. Small Cell Enhancements for E-UTRAN-Physical Layer Aspects： 3GPP TR36.872 [S]

[4] 3GPP. Physical layer Measurements： 3GPP TS36.214 [S]

[5] 3GPP. Mobility Enhancements in

Heterogeneous Networks： 3GPP TR36.839[S]

[6] Updated Scenarios， Requirements and KPIs for 5G Mobile and Wireless System with Recommendations for Future Investigations： METIS_D1.5_v1 [S]

[7] PIRO G， GRIECO L A， BOGGIA G， et al. Simulating LTE Cellular Systems： an Open Source Framework [J]. IEEE Transactions on Vehicular Technology， 2010， 60（2）： 498-513. DOI： 10.1109/TVT.2010.2091660

[8] DONGARRA J， FOSTER I， FOX G， et al. Sourcebook of Parallel Computing [M]. USA： Elsevier Science and Technology， 2003

[9] BILELB R， NAVID N， BOUKSIAA M S M. Hybrid CPU-GPU Distributed Framework for Large Scale Mobile Networks Simulation[C]// 2012 IEEE/ACM 16th International Symposium on Distributed Simulation and Real Time Applications， 2012. USA： IEEE： 44-53， 2012. DOI： 10.1109/DS-RT.2012.15