孫 君,谷蘇文

(南京郵電大學(xué),江蘇 南京 210003)

自適應(yīng)簇和學(xué)習(xí)算法的調(diào)度策略

孫 君,谷蘇文

(南京郵電大學(xué),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(gè)非常重要但同時(shí)又具有挑戰(zhàn)性的問題。密集蜂窩網(wǎng)絡(luò)中，采用了以用戶為中心的自適應(yīng)簇和基于學(xué)習(xí)算法高速緩存方法的調(diào)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(yīng)用調(diào)度策略的網(wǎng)絡(luò)中，以用戶為中心的自適應(yīng)簇方法能實(shí)現(xiàn)每個(gè)用戶的效吞吐量最大化。若小基站有很高的存儲(chǔ)容量，常用的數(shù)據(jù)被儲(chǔ)存在本地小基站的緩存器中，用戶可以通過學(xué)習(xí)算法選擇附近小基站中的一個(gè)來獲得想要的數(shù)據(jù)。當(dāng)用戶進(jìn)行通信時(shí)，可計(jì)算出此時(shí)自適應(yīng)簇的最大化歸一化有效吞吐量，大于門限值時(shí)選擇基于自適應(yīng)簇的通信，否則采用基于學(xué)習(xí)算法的方法選擇最優(yōu)的小基站進(jìn)行通信。這種新穎的網(wǎng)絡(luò)架構(gòu)能夠?yàn)橛脩籼峁﹤€(gè)性化的網(wǎng)絡(luò)服務(wù)，提升用戶的峰值速率和吞吐量性能。

以用戶為中心;自適應(yīng)簇;學(xué)習(xí)算法;泊松點(diǎn)過程

0 引 言

移動(dòng)通信已經(jīng)改變了人們的生活，這在人類工業(yè)革命的進(jìn)化史上無(wú)疑是濃墨重彩的一筆，隨著人們對(duì)高性能移動(dòng)通信的不斷追求，5G移動(dòng)通信系統(tǒng)的研發(fā)越來越受到重視。5G移動(dòng)通信系統(tǒng)是面向2020年以后社會(huì)信息需求的無(wú)線通信系統(tǒng)，其支持業(yè)務(wù)總速率要達(dá)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(dòng)數(shù)據(jù)流量與終端數(shù)量爆炸式的增長(zhǎng)，對(duì)現(xiàn)有的移動(dòng)通信系統(tǒng)提出了更大的挑戰(zhàn)。通過現(xiàn)有研究可知，未來網(wǎng)絡(luò)高系統(tǒng)容量的要求和終端用戶數(shù)據(jù)速率10 Gbit/s的要求，在本地通信環(huán)境中可以通過超密集無(wú)線網(wǎng)絡(luò)來滿足，即提高無(wú)線網(wǎng)絡(luò)容量中接入點(diǎn)密度。大量增加的接入點(diǎn)可部署在小小區(qū)網(wǎng)絡(luò)中，例如，個(gè)人室內(nèi)接入點(diǎn)(femtocell，毫微微蜂窩基站)、室外覆蓋接入點(diǎn)(picocell，微微蜂窩)、遠(yuǎn)距離無(wú)線接入點(diǎn)(Remote Radio Head，RRH)等等。這樣的部署模式打破了傳統(tǒng)的蜂窩控制通信模式，應(yīng)運(yùn)而生的是隨機(jī)網(wǎng)絡(luò)(Random Network，RN)，在這種網(wǎng)絡(luò)中移動(dòng)臺(tái)和基站是隨機(jī)部署的，文獻(xiàn)[2-5]對(duì)隨機(jī)網(wǎng)絡(luò)拓?fù)溥M(jìn)行了詳細(xì)的分析和研究。假設(shè)小基站和移動(dòng)臺(tái)的分布是相互獨(dú)立的，且都服從泊松點(diǎn)過程，在這樣的假設(shè)下，數(shù)學(xué)分析是可解析的，且可以應(yīng)用統(tǒng)計(jì)理論來改善較大系統(tǒng)的可解析性，例如，可以獲得整個(gè)系統(tǒng)的信號(hào)干擾噪聲比(SINR)分布。再如，在文獻(xiàn)[3]中，基于泊松點(diǎn)過程分析了衰落在一般和特殊情況下時(shí)，一個(gè)隨機(jī)網(wǎng)絡(luò)的覆蓋范圍。由文獻(xiàn)[6]可以看出，泊松點(diǎn)過程分布被當(dāng)作通信環(huán)境最差的應(yīng)用場(chǎng)景，且提供了目前蜂窩網(wǎng)絡(luò)系統(tǒng)中性能的最小值。在此基礎(chǔ)上，還假設(shè)小基站有一個(gè)很大的存儲(chǔ)容量且形成一個(gè)分布緩存網(wǎng)絡(luò)。常用文件被存儲(chǔ)在本地小基站的緩存器中，所以用戶可以在自適應(yīng)簇中的小基站中選擇一個(gè)，來獲得自己想要的文件。而這樣的下載損失由成本函數(shù)來捕獲，該成本函數(shù)又依賴于所提出的隨機(jī)存儲(chǔ)策略。緩存內(nèi)容的分布是未知的，使用特殊時(shí)段內(nèi)的瞬時(shí)用戶請(qǐng)求量對(duì)其分布進(jìn)行估計(jì)，并通過最優(yōu)化隨機(jī)緩存策略來對(duì)成本函數(shù)進(jìn)行估計(jì)。

在密集蜂窩網(wǎng)絡(luò)中，針對(duì)每個(gè)用戶生成以用戶為中心的小區(qū)，小區(qū)內(nèi)的所有基站都能為該用戶提供服務(wù)，提出了能夠最大化每個(gè)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(yīng)簇方法。假設(shè)小基站有很高的存儲(chǔ)容量，那么對(duì)于整個(gè)系統(tǒng)來說將形成一個(gè)緩存分布的網(wǎng)絡(luò)。常用的數(shù)據(jù)被儲(chǔ)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(gè)來獲得想要的數(shù)據(jù)。當(dāng)用戶進(jìn)行通信時(shí)，可以最大化歸一化有效吞吐量為標(biāo)準(zhǔn)，進(jìn)行自適應(yīng)簇和學(xué)習(xí)算法的調(diào)度。

1 系統(tǒng)模型

在系統(tǒng)模型中使用以下數(shù)學(xué)符號(hào)，BΩ表示系統(tǒng)中基站的集合，SΩ表示系統(tǒng)中所有的小基站的集合，UΩ表示系統(tǒng)中所有用戶的集合。對(duì)于任意一臺(tái)屬于UΩ的用戶i，si為其默認(rèn)連接的第一個(gè)小基站，Us為默認(rèn)連接小基站s的用戶集合，初始的用戶集合Us，Us?UΩ，為默認(rèn)連接s，s∈SΩ的用戶，Si?SΩ，為服務(wù)用戶i的協(xié)作基站的集合。考慮一個(gè)大的密集蜂窩隨機(jī)網(wǎng)絡(luò)，在該網(wǎng)絡(luò)中，基站、小基站和用戶隨機(jī)部署，分別服從密度參數(shù)λb、λs和λu的泊松點(diǎn)過程分布。泊松點(diǎn)過程的實(shí)現(xiàn)是相互獨(dú)立的，假設(shè)用戶默認(rèn)連接到他們的初始小基站，si為用戶i默認(rèn)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(qiáng)的平均信號(hào)功率。同時(shí)假設(shè)小基站有很高的存儲(chǔ)容量。在使用以上配置的情況下，每個(gè)小基站的覆蓋區(qū)域?yàn)閂oronoi區(qū)域[3]，如圖1所示。

圖1 Voronoi區(qū)域(·代表小基站，*代表用戶)

考慮在密集蜂窩網(wǎng)絡(luò)中，頻率復(fù)用因子為1時(shí)，基于OFDM的下行鏈路傳輸。假設(shè)小基站和用戶之間是單天線的，則用戶i接收到的信號(hào)為：

(1)

(2)

其中，SΩ-si為干擾小基站的集合。

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

(3)

由式(3)可以看出，由于宏分集多個(gè)小基站協(xié)作通信的作用，增加了用戶收到的平均信號(hào)的功率。另外，協(xié)作小基站傳輸有用信號(hào)而非干擾信號(hào)，減少了小區(qū)間的信號(hào)干擾。但同時(shí)也注意到，宏分集協(xié)作傳輸是單用戶通信技術(shù)。在多個(gè)小區(qū)中即使使用正交多播傳輸，當(dāng)一個(gè)小基站簇服務(wù)一個(gè)用戶時(shí)，它強(qiáng)占了所有的服務(wù)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(jī)能夠成功譯碼的容量。SINR閾值為γ*，小于它則傳輸?shù)臄?shù)據(jù)不能被成功解碼，譯碼。其數(shù)學(xué)表達(dá)式為:

(4)

之前提到，隨著簇中小基站數(shù)目的增加，宏分集協(xié)作的性能會(huì)更好，但對(duì)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(gè)小基站的有效吞吐量)，正如在文獻(xiàn)[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(dá)到一個(gè)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(shù)目、信號(hào)干擾噪聲比閾值γ*和SINR中斷概率。根據(jù)不同請(qǐng)求的不同服務(wù)質(zhì)量，γ*可以依據(jù)不同的指標(biāo)設(shè)計(jì)為不同的值。使用固定中斷標(biāo)準(zhǔn)模型，使用該模型，給出最大的中斷概率p*，則相應(yīng)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(wǎng)絡(luò)拓?fù)?，任何的傳輸功率以及在路徑損耗中把陰影衰落考慮在內(nèi)的情況。雖然理論上要求評(píng)估和了解小基站集合SΩ中的所有小基站，但實(shí)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(yīng)簇

在協(xié)作通信無(wú)線蜂窩網(wǎng)絡(luò)中，要實(shí)現(xiàn)全局的協(xié)作通信的難度很大。每個(gè)用戶應(yīng)該由有限的小基站進(jìn)行協(xié)作服務(wù)。因此，簇對(duì)于協(xié)作通信來說非常重要，它能決定哪些基站服務(wù)于哪個(gè)用戶。在以用戶為中心的自適應(yīng)簇的基礎(chǔ)上，假設(shè)小基站有很高的存儲(chǔ)容量且常用的數(shù)據(jù)被儲(chǔ)存在本地小基站的緩存器中，當(dāng)用戶有通信請(qǐng)求時(shí)，可以從附近的小基站中選擇一個(gè)來獲得想要的數(shù)據(jù)。自適應(yīng)簇即每個(gè)用戶僅基于本地測(cè)量可以預(yù)定義自己的簇，用戶之間的預(yù)定義是相互獨(dú)立的。簇方案的目標(biāo)是最大化歸一化有效吞吐量，用戶可以根據(jù)這一標(biāo)準(zhǔn)，預(yù)定義自己的簇[10]。

(8)

3 基于學(xué)習(xí)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(qǐng)求文件的不可用而產(chǎn)生的時(shí)間開銷。位于x處的用戶從文件集合F中請(qǐng)求數(shù)據(jù)文件,數(shù)據(jù)文件的概率分布為P。不失一般性，考慮位于原點(diǎn)處的用戶o∈UΩ。位于原點(diǎn)位置o處的用戶請(qǐng)求文件不可用的表達(dá)式為：

(10)

用T(II,P)表示“下載損耗”，其目標(biāo)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(duì)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(diào)度方案

用戶進(jìn)行請(qǐng)求通信時(shí)的系統(tǒng)方案如圖2所示。

圖2 系統(tǒng)調(diào)度方案

當(dāng)用戶進(jìn)行通信請(qǐng)求時(shí)，可計(jì)算出自適應(yīng)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(yīng)簇的方法進(jìn)行通信，否則用戶運(yùn)用基于學(xué)習(xí)算法的方法選擇最優(yōu)的小基站進(jìn)行通信，這種新穎的網(wǎng)絡(luò)架構(gòu)能夠?yàn)橛脩籼峁﹤€(gè)性化的網(wǎng)絡(luò)服務(wù)，提升用戶的峰值速率和吞吐量性能。

5 結(jié)束語(yǔ)

與傳統(tǒng)的移動(dòng)通信系統(tǒng)理念不同,5G系統(tǒng)研究將不僅僅把點(diǎn)到點(diǎn)的物理層傳輸與信道編譯碼等經(jīng)典技術(shù)作為核心目標(biāo),而是從更廣泛的多點(diǎn)、多用戶、多天線、多小區(qū)協(xié)作組網(wǎng)作為突破的重點(diǎn),力求在體系構(gòu)架上尋求系統(tǒng)性能的大幅提高。在密集蜂窩網(wǎng)絡(luò)中，采用以用戶為中心的自適應(yīng)簇和基于學(xué)習(xí)算法的高速緩存調(diào)度方法，使得新穎的網(wǎng)絡(luò)架構(gòu)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(jìn)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(wú)線網(wǎng)絡(luò)架構(gòu)[J].電信科學(xué),2015,31(5):36-40.

[13] 董愛先,王學(xué)軍.第5代移動(dòng)通信技術(shù)及發(fā)展趨勢(shì)[J].通信技術(shù),2014,47(3):235-240.

[14] 尤肖虎,潘志文,高西奇,等.5G移動(dòng)通信發(fā)展趨勢(shì)與若干關(guān)鍵技術(shù)[J].中國(guó)科學(xué):信息科學(xué),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(wǎng)絡(luò)出版時(shí)間：2017-03-13

國(guó)家自然科學(xué)基金資助項(xiàng)目(61271236)

孫 君(1980-)，女，碩士生導(dǎo)師，副研究員，研究方向?yàn)橹蓖ǚ涓C技術(shù)、無(wú)線網(wǎng)絡(luò)資源的管理策略和無(wú)線網(wǎng)絡(luò)頻譜理論研究等；谷蘇文(1990-)，女，碩士，研究方向?yàn)闊o(wú)線網(wǎng)絡(luò)資源的管理策略和無(wú)線網(wǎng)絡(luò)頻譜理論研究、直通蜂窩技術(shù)D2D研究、超密集蜂窩網(wǎng)絡(luò)抗干擾管理技術(shù)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