蕭 放 周一青 林江南 黃 姍

(*移動計算與新型終端北京市重點實驗室 北京 100080) (**中國科學院計算技術研究所 北京 100190) (***中國科學院大學 北京 100049)

?

基于超級基站的集中式接入網(wǎng)絡架構的物理層虛擬化方法①

蕭 放②******周一青***林江南******黃 姍******

(*移動計算與新型終端北京市重點實驗室 北京 100080) (**中國科學院計算技術研究所 北京 100190) (***中國科學院大學 北京 100049)

針對集中式接入網(wǎng)絡基帶物理層計算資源異構性、基帶算法模塊間依賴性和物理層通信協(xié)議的實時性的存在而導致傳統(tǒng)虛擬化技術不再適用的問題，在中科院計算所的超級基站的架構基礎上，按照TD-LTE協(xié)議提出了一種基于單元級和系統(tǒng)級的二層資源調(diào)度策略，從而達到物理層計算資源虛擬化和實現(xiàn)虛擬基站的負載均衡和負載聚合的目的。仿真結(jié)果顯示，這種實現(xiàn)物理層虛擬化的資源調(diào)度策略能夠為集中式接入網(wǎng)絡的物理層帶來1.6的資源復用增益和3.725的功率復用增益。本研究能夠為集中式接入網(wǎng)物理層計算資源池虛擬化的實現(xiàn)提供參考。

集中式接入網(wǎng)絡， 超級基站， 物理層， 計算資源池， 虛擬化

0 引 言

集中式接入網(wǎng)絡是面向下一代移動通信網(wǎng)絡的高能效需求而提出的新型接入網(wǎng)絡架構。與傳統(tǒng)的離散分布的基站架構相比，集中式接入網(wǎng)絡除了能夠大幅降低建站和維護成本以外，還能夠?qū)Ω鞣N資源進行集中和池化，更加利于物理資源的統(tǒng)計復用，從而帶來通信能效的提升[1-3]。在集中式接入網(wǎng)絡架構中，傳統(tǒng)基站的功能集合表述為運行在特定硬件資源上的虛擬基站(virtual base station，VBS)軟件，虛擬基站占用的硬件資源通過虛擬化技術在物理資源池中進行高效的調(diào)度分配，對虛擬基站軟件本身屏蔽其底層硬件資源的管理細節(jié)。因此，虛擬基站具有硬件資源可伸縮配置、映射資源可遷移的特點。針對集中式接入網(wǎng)絡的以上概念，很多機構提出了自己的架構設計，其中包括IBM提出的無線云網(wǎng)絡架構[4]，中移動、華為、英特爾等分別提出的云接入網(wǎng)絡架構[5]，以及中科院計算所提出的超級基站架構[6-8]。

基帶計算資源池的虛擬化是實現(xiàn)整個集中式接入網(wǎng)架構的關鍵技術。虛擬化技術的核心是在上層應用和底層硬件資源之間增加一個資源管理層，對底層硬件資源進行高效的組織分配，從而增加整個系統(tǒng)的靈活性和可擴展性，它承載了對池化物理資源進行統(tǒng)計復用的功能。針對通用處理器(general purpose processor，GPP)組成基帶計算資源池，研究人員研究并提出了基于云計算操作系統(tǒng)的虛擬機技術。目前研究結(jié)果顯示，這種技術面臨以下挑戰(zhàn)[9-11]：(1)通用處理器因為其同構特性，對通信基帶中物理層的計算任務的計算效率非常低下，能效低于專用指令集處理器(application specified instruction-set processor，ASIP)；(2)在虛擬機上運行物理層軟件，實時性無法保證，通常需要提供過量的硬件資源來防止物理層任務的超時。于是，研究人員提出了在超級基站中采用專用指令集芯片進行基帶物理層計算、采用通用處理器進行基帶協(xié)議層處理的基帶計算資源池架構[6-8]。在此架構下，專用指令集處理器在物理層任務運行效率上與通用處理器相比具有較大的優(yōu)勢，但不能夠采用基于操作系統(tǒng)的虛擬機技術進行計算資源的虛擬化。因此，本文針對超級基站架構中物理層計算資源的虛擬化需求，首先對物理層計算任務特點進行了分析和建模，然后結(jié)合計算任務模型提出了一種保證其實時性的資源虛擬化方法，最后通過系統(tǒng)仿真進行了驗證，得出了這種方法帶來的資源復用增益和功率復用增益。

1 物理層資源池虛擬化方法簡析

1.1 問題的建模與表述

在超級基站架構中采用專用指令集處理器進行LTE(長期演進)物理層任務計算時，基帶資源池可分為緊耦合的物理層資源池和協(xié)議層資源池[6]。其中，物理層資源池采用專用指令集處理器(ASIP)作為計算單元，協(xié)議層資源池采用通用處理器(GPP)作為計算單元，見圖1。

在物理資源池中，基于ASIP的片上系統(tǒng)(System on Chip，SoC)是基本的計算單元，內(nèi)部包含矢量多核數(shù)字信號處理器(DSP)、物理層控制器、各種硬件加速器等多種硬件資源，見圖2。

圖1 超級基站資源池架構示意圖

圖2 物理層計算單元示意圖

而運行在計算單元上的物理層虛擬基站(VBS)任務是一個復雜的包含上下行任務的無回路有向圖(direct acyclic graph，DAG)，具有因果性。每個算法模塊是DAG中的一個節(jié)點，可簡化表示為圖3所示。

所以，對VBS物理層的虛擬化可以等效為提供一種使所有VBS的DAG任務能夠?qū)崟r運行在物理層計算單元上的計算任務調(diào)度方法，并且得到較優(yōu)的硬件資源利用效率，即在相同VBS負載的同時采用盡量少的計算單元。

1.2 現(xiàn)有研究背景

針對無回路有向圖(DAG)任務調(diào)度，已經(jīng)被證明為NP問題，不可在多項式時間內(nèi)求解。基于DAG的任務調(diào)度方法主要分兩類：(1)列表調(diào)度(list scheduling)；(2)流水線調(diào)度(pipeline scheduling)。

PHICH：物理混合自動重傳指示信道; PCFICH：物理控制格式指示信道; PDSCH：物理下行共享信道 PDCCH：物理下行控制信道; PBCH：物理廣播信道; MAC：媒體接入控制; OFDM：正交頻分復用 圖3 分時長期演進(TD-LTE)物理層DAG簡化示意圖

列表調(diào)度[12,13]采用啟發(fā)式算法(heuristic algorithm)計算DAG圖中節(jié)點的優(yōu)先級然后進行調(diào)度，相對窮舉法具有較優(yōu)的復雜度。一般單處理核心資源上的調(diào)度復雜度為O(n·e)，其中n為節(jié)點數(shù)目，e連接節(jié)點的路徑數(shù)目。

流水線調(diào)度[14,15]針對節(jié)點計算量固定的DAG子圖，通過生成算法使得DAG子圖分為不同的階段，通過優(yōu)化其流水間隔(initial interval)來提高系統(tǒng)的吞吐量。流水線調(diào)度在調(diào)度初始化時需要較高的運算量，之后調(diào)度開銷較小，但僅適合每一個任務節(jié)點運算量固定的DAG圖。

1.3 基于兩層架構的資源調(diào)度方法

在上述已有研究中，主要從針對通用DAG模型的調(diào)度來考慮進行調(diào)度策略的決策。在LTE物理層DAG調(diào)度時有很多特殊的情況：(1)1ms實時任務運行截止周期；(2)每個節(jié)點計算量隨時間波動；(3)物理層資源調(diào)度的目的是在相同負載下采用較少的硬件資源而不是傳統(tǒng)的單純縮小執(zhí)行時間(make span)的需求。

針對LTE物理層DAG的特點帶來的在DAG調(diào)度上的制約，流水線調(diào)度顯然并不適用。首先任務到來的周期為固定的1ms，間隔不可變化。其次，節(jié)點計算量變化較大，已經(jīng)劃分好的流水線需要實時調(diào)整，帶來很大的調(diào)度開銷。因此，針對LTE物理層的DAG任務調(diào)度，列表調(diào)度方法優(yōu)于流水線調(diào)度方法。

但是列表調(diào)度并不能完全適用。首先，很多列表調(diào)度的啟發(fā)式算法考慮的是整個DAG的make span統(tǒng)計特性，在面對節(jié)點計算量出現(xiàn)變化的時候，會出現(xiàn)make span波動較大的情況，不適合1ms固定截止時間的要求。其次，列表調(diào)度的復雜度較高，尤其是多個DAG任務在多個計算核心上進行列表調(diào)度，其復雜度維度除了DAG的節(jié)點數(shù)，DAG的邊數(shù)以外，還有DAG的個數(shù)m，和異構計算核心的個數(shù)k。

綜合以上分析，LTE物理層計算資源池中采用兩層架構進行調(diào)度，分別為單元級資源調(diào)度和系統(tǒng)級資源調(diào)度。其中，在單元級采用列表調(diào)度進行，限制單元級資源虛擬化的規(guī)模為SoC級。在單元級資源中DAG個數(shù)m和異構計算核心的個數(shù)k的規(guī)模都受到了限制，便于合理控制調(diào)度算法的復雜度。而系統(tǒng)級資源調(diào)度的規(guī)模在資源池級，通過與計算單元的負載狀態(tài)進行交互，對DAG到SoC的映射進行調(diào)度，從而實現(xiàn)對計算負載的均衡和聚合這一功能。

2 單元級計算資源的調(diào)度與負載表征

在SoC單元級，需要考慮的是DAG節(jié)點模型的建立、調(diào)度算法的選取設計和任務負載的表征。

2.1 DAG節(jié)點模型的建立

DAG節(jié)點模型的建立是整個單元級資源調(diào)度的基礎。對DAG節(jié)點的調(diào)度除了需要建立DAG拓撲關系圖，還需通過節(jié)點模型的建立預測每一個算法模塊在相應計算資源上的執(zhí)行時間?；赥D-LTE協(xié)議，算法模塊節(jié)點的執(zhí)行時間是可預測的，并且分為以下兩類[16]：(1)靜態(tài)節(jié)點，這類節(jié)點在虛擬基站(VBS)初始化以后，根據(jù)不同配置有固定的執(zhí)行周期，例如ODFM信號產(chǎn)生和處理的算法模塊；(2)動態(tài)節(jié)點，這類節(jié)點在VBS運行過程中，隨著系統(tǒng)數(shù)據(jù)流量、占用資源塊(resource block)數(shù)目和接入用戶數(shù)目的改變有較大變化，例如信號編譯碼器等。

本文以TD-LTE接收端上行為例，對上行數(shù)據(jù)共享信道(physical uplink shared channel，PUSCH)算法模塊進行基本的建模，建立節(jié)點執(zhí)行時間和配置參數(shù)之間的關系，如表1所示。算法模塊對應硬件資源的映射和執(zhí)行周期統(tǒng)計基于中科院計算技術研究所研發(fā)的DX-001-0.5E芯片。在實際仿真環(huán)境中，還需要考慮相應的控制開銷和數(shù)據(jù)傳輸開銷的建模。實際建模為

(1)

2.2 調(diào)度算法設計

為了相對簡化調(diào)度的復雜度，采用列表調(diào)度來對節(jié)點運行的順序進行調(diào)度。調(diào)度對象為單元級計算資源上并行運行的多個VBS，即多個DAG(包括上行鏈路的DAG和下行鏈路的DAG)。

表1 PUSCH算法模塊建模示意分析

由于TD-LTE的1ms實時任務周期的要求，對任務的調(diào)度必須考慮DAG中執(zhí)行時間最長的路徑在截止時間內(nèi)完成，所以采用基于最長完成時間路徑具有最高優(yōu)先級(highest level first with estimated time，HLFET)[17]的算法對單元級計算資源上的多個DAG進行調(diào)度，如圖4所示。

圖4 基于HLFET的調(diào)度算法

采用上述算法有兩種實現(xiàn)方式，一種是靜態(tài)調(diào)度，適用于對計算資源處理能力和資源間通信能力深度建模的情況，在實際執(zhí)行調(diào)度之前可以通過基于模型的預調(diào)度完成對調(diào)度結(jié)果的評估。另一種是動態(tài)調(diào)度，由于對計算資源的建模存在一定的不確定性，可以在執(zhí)行時動態(tài)的調(diào)度，在任務實際執(zhí)行完后對調(diào)度結(jié)果進行評估。本文中采用的是預調(diào)度的方式，在實際調(diào)度前完成預調(diào)度，得到相應的結(jié)果。

2.3 任務負載表征

相對于傳統(tǒng)計算中以各個種類的硬件資源運行時間占總時間的百分比表示該種資源的負載，單元級計算資源因為DAG任務節(jié)點間的依賴性需要采取一種新的負載表征方法，即計算單元上每個周期所有DAG的make span占規(guī)定時間(在TD-LTE協(xié)議中為1ms)的百分比來表征單元級計算資源的負載。這種負載表征方法比較直觀，但是會失去傳統(tǒng)表征方式的線性特性。若ηa、 ηb分別為單元級計算資源a和b的負載，則他們的負載聚合到c上進行調(diào)度后，ηc<ηa+ηa。

在這種表征方式的基礎上，還是需要一種輔助的表征方法來確定在make span相近情況下的負載關系，本文提出了一種表示松弛度的方法，如下式所示：

(2)

其中分子為運行在單元計算資源上的所有DAG的所有節(jié)點運行時間總和，分母為執(zhí)行總時間與單元內(nèi)計算資源數(shù)的積。在η相近時，φ的大小能夠表示不同計算單元間的負載大小關系。

3 系統(tǒng)級計算資源調(diào)度

系統(tǒng)級計算資源調(diào)度建立在單元級計算資源的調(diào)度的基礎上，根據(jù)單元級資源調(diào)度方法提供的對負載的表征方式，對分配給單元級資源的DAG負載進行決策。當負載發(fā)生變化導致該計算單元可能超負荷運行時，提前將該單元上映射的DAG遷移一部分至其他單元，完成負載均衡的功能；如果多個單元處于較低負載的狀態(tài)，則將這多個低負載狀態(tài)的單元上的DAG任務統(tǒng)一映射至一個或者少量幾個計算單元上，并且關閉空閑的計算單元，完成負載聚合的功能。

由于每一個DAG的計算量會隨著時間而有較大變化，基于全局的重映射方案會造成短時間內(nèi)大量DAG的遷移，帶來較大的開銷，并且結(jié)合單元級預調(diào)度的全局尋優(yōu)算法會帶來高階的計算開銷。因此，采用一種步進迭代的思路，使得基于原有DAG映射的增量調(diào)整能夠向理想的負載均衡和負載聚合

場景前進。最終，通過多次的迭代，使得DAG映射分布跟上其計算的變化，始終維持在較優(yōu)的水平。

同時考慮到在實際情況下，DAG計算量的變化并不是一個平滑的過程，除了具有統(tǒng)計變化規(guī)律以外，在小時間尺度內(nèi)負載會有抖動。為了避免負載抖動對遷移判決帶來的反復擾動，造成同一個單元來回進行負載均衡和負載聚合，判決的依據(jù)就不能夠是單獨的門限。因此，把單元的負載劃分為了4個狀態(tài)：休眠態(tài)、空閑態(tài)、正常態(tài)和警戒態(tài)。各狀態(tài)間關系如圖5所示。

圖5 單元狀態(tài)關系轉(zhuǎn)化圖

在此基礎上，設計整個系統(tǒng)級調(diào)度的方案。在每個迭代周期中，首先解決超過警戒態(tài)門限的單元，通過負載均衡將DAG從警戒態(tài)單元遷出，直至變回正常態(tài)。其次，在沒有進行負載均衡的迭代周期中，對多個處于空閑態(tài)的單元進行負載聚合，得到空載的單元使其進入休眠態(tài)。迭代周期內(nèi)的整個過程如圖6所示。

4 仿真實驗

在單元級和系統(tǒng)級的資源調(diào)度模型的基礎上，需要基于基站的流量負載模型進行系統(tǒng)仿真驗證。依照中國移動提出的基站流量模型[5]，用戶小區(qū)被主要劃分為商務區(qū)和住宅區(qū)，其流量和時間的關系如圖7所示。仿真參數(shù)見表2。

圖6 系統(tǒng)級資源調(diào)度流程圖

圖7 用戶小區(qū)負載隨時間變化示意圖 表2 仿真參數(shù)

參數(shù)值物理層資源池單元數(shù)60單元內(nèi)異構計算資源數(shù)DSP:X7,ACC:X4負載變化分辨率0.1h單元級內(nèi)部列表調(diào)度算法HLFETVBS數(shù)量住宅區(qū)90,商務區(qū)90VBS流量變化期望見圖7VBS流量C.V20%單元狀態(tài)轉(zhuǎn)換門限設置正常/警戒0.85,正常/空閑0.7

在VBS負載隨時間的變化模型符合上述統(tǒng)計規(guī)律的基礎上，加上隨機的負載波動模型，本文中為20%隨機波動模型(歸一化標準差為0.2)。在計算單元數(shù)目為60，住宅區(qū)數(shù)目為90、商務區(qū)數(shù)目為90的情況下，進行48h仿真得到物理層計算資源池中計算單元的活動規(guī)律，如圖8所示。

圖8 警戒態(tài)和休眠態(tài)單元統(tǒng)計圖

從圖中可以看出，在夜間低負載的情況下，大部分計算單元處于休眠關閉的狀態(tài)。到了白天負載較高的狀態(tài)時，隨著警戒單元的增多，越來越多的計算單元從休眠狀態(tài)中喚醒，以消除警戒態(tài)單元的出現(xiàn)。在負載較高時，大部分計算單元處于正常態(tài)，保證了每塊硬件單元上的使用率。

針對不同數(shù)目的VBS所需求的計算單元個數(shù)，本文也進行了仿真，仿真結(jié)果如圖9所示。

圖9 VBS數(shù)目和最大計算單元數(shù)目關系圖

從圖9中可以看出，計算單元需求數(shù)目與VBS個數(shù)基本成線性關系，整個系統(tǒng)具有良好的可擴展性。其斜率的倒數(shù)反映了每個計算單元在統(tǒng)計復用情況的使用效率，數(shù)值與單個VBS固有的最大執(zhí)行時間占總執(zhí)行的比例有關。設RO為單個VBS的DAG在負載最大時刻所占執(zhí)行總時間的百分比，表示計算單元使用效率Ev和RO的關系表達式如下：

(3)

其中， NCBD表示CBD商務小區(qū)的數(shù)目， NRES表示住宅小區(qū)的數(shù)目，NASIP表示使用的ASIP計算單元數(shù)目。根據(jù)RO的不同，分別得到了固定映射方式和本文中所述的虛擬化方法的計算單元效率，在計算單元數(shù)目為60、商務區(qū)和住宅區(qū)的數(shù)目分別為90的情況下進行仿真，仿真結(jié)果如圖10所示。

圖10 隨1/Ro增長的單元效率變化情況

從圖10中可以看出，當1/RO稍大于1.25時，本文所述調(diào)度方法的單元使用效率EV迅速上升到6到7之間，而固定映射方式單元使用效率最大只有4。定義Pr為物理資源池架構的資源復用系數(shù)，Pr代表相對于固定映射方式，動態(tài)的調(diào)度算法所帶來的資源使用效率的提升，如下：

(4)

在使用本文方法的情況下，資源復用系數(shù)Pr隨著1/RO的增大有小幅升高，平均約為1.6左右，也就是說采用此方法，同樣數(shù)目的VBS負載情況下最大所需的計算單元數(shù)目為傳統(tǒng)固定映射方式的1/Pr，也就是62.5%。

除了資源復用系數(shù)帶來的增益以外，功率復用帶來的增益也是非常明顯的。在本文的基于單元級和系統(tǒng)級的二層動態(tài)調(diào)度結(jié)構下，在空閑時間段完成了VBS的聚合，使得大部分計算單元處于休眠關閉的狀態(tài)，帶來的功率復用增益如下：

(5)

其中， Max(NACT)表示在整個仿真周期內(nèi)計算單元的最大激活數(shù)目，T/Resolution為仿真的采樣點數(shù)，NACTi為每一個時刻實際激活的計算單元數(shù)目。在計算單元數(shù)目為60，商務區(qū)和住宅區(qū)的數(shù)目分別為90的情況下進行仿真，Pr按照1.6來計算，Pe的統(tǒng)計值為3.725。這個結(jié)果說明采用此方法，同樣數(shù)目的VBS負載情況下，所消耗的平均功率為傳統(tǒng)固定映射方式的1/Pe，也就是26.8%。

5 結(jié) 論

本文重點研究了在以超級基站架構為基礎的集中式接入網(wǎng)絡物理層計算資源池虛擬化的實現(xiàn)途徑。文中通過對通信系統(tǒng)計算任務的分析和對計算單元結(jié)構特點的分析，將物理層計算資源池虛擬化定義為一種將多個VBS的DAG動態(tài)運行在不同的計算單元上的資源調(diào)度方法，并且資源調(diào)度分成了單元級和系統(tǒng)級兩個層面，每個層面設計了相應的資源調(diào)度方法完成相應功能。最后在仿真環(huán)境中進行了測試，驗證了調(diào)度方法的功能性和可擴展性，最終通過仿真數(shù)據(jù)推導出了本文所述的資源調(diào)度方法能夠帶來1.6的資源復用增益和3.725的功率復用增益。

下一步的研究將會進一步考慮調(diào)度算法本身帶來的開銷和調(diào)度頻率對系統(tǒng)流量產(chǎn)生的影響，綜合更多的因素以得到一個更加接近實際情況的結(jié)果。

[1] Zhou Y Q, Liu H, Pan Z G, et al. Spectral and energy efficient two-stage cooperative multicast for LTE-A and beyond.IEEEWirelessMagazine, 2014, 21(2): 34-41

[2] Zhou Y Q, Liu H, Pan Z G, et al. Two-stage cooperative multicast transmission with optimized power consumption and guaranteed coverage.IEEEJSAConSEED, 2014, 32(2): 274-284

[3] Liu L, Zhou Y Q, Tian L, et al. CPC-based backward compatible network access for LTE cognitive radio cellular networks.IEEECommunicationMagazine, 2015, 53(7): 93-99

[4] Lin Y H, Shao L, Zhu Z B, et al. Wireless network cloud: Architecture and system requirements.IBMJournalofResearchandDevelopment, 2010, 54(1): 1-12

[5] China Mobile Research Institute. C-RAN The Road Towards Green RAN. http://labs.chinamobile.com/cran: China Mobile, 2011

[6] Qian M L, Wang Y Y, Zhou Y Q, et al. A super base station based centralized network architecture for 5G mobile communication.DigitalCommunicationsandNetworks, 2015, 54(2): 152-159

[7] 田霖，翟國偉，黃亮等. 基于集中式接入網(wǎng)絡架構的異構無線網(wǎng)絡及資源管理技術研究. 電信科學， 2013，29(6)：25-31

[8] Zhai G W, Tian L, Zhou Y Q, et al. Load diversity based optimal processing resource allocation for super base stations in centralized radio access networks.ScienceChina,InformationSciences, 2014, 57(4): 1-12

[9] Liu J C, Zhao T, Zhou S, et al. CONCERT: a cloud-based architecture for next-generation cellular systems.IEEEWirelessCommunications, 2014, 21(6) : 14 - 22

[10] Zhu Z B, Gupta P, Wang Q, et al. Virtual base station pool: towards a wireless network cloud for radio access networks. In: Proceedings of the 8th ACM International Conference on Computing Frontiers, Ischia, Italy, 2011. 1-10

[11] Wubben D, Rost P, Bartelt J S, et al. Benefits and impact of cloud computing on 5G signal processing: Flexible centralization through cloud-RAN.IEEESignalProcessingMagazine, 2014, 31(6): 35-44

[12] Topcuoglu H, Hariri S, Wu M Y. Task scheduling algorithms for heterogeneous processors. In: Proceedings of the IPPS/SPDP Workshop on Heterogeneous Computing , San Juan, Puerto Rico, 1999. 3-14

[13] Topcuoglu H, Hariri S, Wu M Y. Performance-effective and low-complexity task scheduling for heterogeneous computing,IEEETransactions, 2002, 13(3): 260-274

[14] Manjunath K, Scott A M. Orchestrating the execution of stream programs on multicore platforms. In: Proceedings of the ACM SIGPLAN Conference on Programming Language Design and Implementation, Tucson, Arizona, 2008. 114-124

[15] Carpenter P M, Ramírez A, Ayguadé E. Mapping stream programs onto heterogeneous multiprocessor systems. In: Proceedings of the Compilers, Architecture and Synthesis for Embedded Systems Grenoble, France, 2009. 57-66

[16] Pelcat M, Nezan J F, Aridhi S. Adaptive multicore scheduling for the LTE uplink. In: Proceedings of the NASA/ESA Conference on Adaptive Hardware and Systems, Anaheim, USA, 2010. 36-43

[17] Baxter J, Patel J H. The Last algorithm: A heuristic-based static task allocation algorithm. In: Proceedings of the International Conference on Parallel Processing, University Park, USA, 1989. 217-222

A physical layer virtualization method for super base station based centralized radio access networks

Xiao Fang******, Zhou Yiqing***, Lin Jiangnan******, Huang Shan******

(*Beijing Key Laboratory of Mobile Computing and Pervasive Device, Beijing 100080) (**Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190) (***University of Chinese Academy of Sciences, Beijing 100049)

Conisidering that conventional virtualization techniques do not apply to a centralized radio access network due to the existence of the computing resource heterogeneity in baseband’s physical layer, the dependency of baseband’s algorithm modules, and the real-time ability of the communication protocol in the phyical layer, a two-layer resource allocation strategy based on the unit level and the system level was presented on the basis of the super base station architecture given by the Institute of Computing Technology of Chinese Adacemy of Sciences according to the TD (time division)-LTE (long term evolution) protocol to achieve the computing resource virtualization in the physical layer and realize the load balance and load consolidation of virtual base stations. The simulation illustrated that the proposed method worked well, bringing a resource multiplexing gain of 1.6 and an energy multiplexing gain of 3.725 to the physical layer of the centralized radio access network. This study is of referential significance to realization of the virtualization of computing resource pools of centralized radio access networks.

centralized radio access network, super base station, physical layer, computing resource pool, virtualization

10.3772/j.issn.1002-0470.2016.05.004

①863計劃(2014AA01A708)和國家自然科學基金(61431001)資助項目。

2016-01-05)

②男，1987年生，博士生；研究方向：集中式無線接入網(wǎng)絡，移動通信基帶芯片；聯(lián)系人，E-mail: xiaofang@ict.ac.cn