李貴勇,夏苗苗,楊 玲,張杰棠

(重慶郵電大學 通信與信息工程學院,重慶 400065)

0 引 言

隨著移動用戶數(shù)量大規(guī)模增加,移動通信網絡勢必要承擔海量數(shù)據(jù)傳輸?shù)闹厝巍榱藨獙α髁康谋ㄊ皆鲩L,第五代移動通信網絡(5G)引入了LTE-NR雙連接技術。LTE-NR雙連接技術是指用戶終端(User Equipment,UE)可以同時連接兩個基站進行數(shù)據(jù)傳輸,這兩個基站通過X2接口連接進行交互[1]。雙連接中的兩個基站分為主基站(master eNB,MN)和輔基站(secondary gNB ,SN)。目前雙連接架構中的主基站多為4G基站,輔基站多為5G基站。

在雙連接的架構中,來自核心網的數(shù)據(jù)將在主基站MN中進行分離,由分組數(shù)據(jù)匯聚協(xié)議(Packet Data Convergence Protocol,PDCP)層中的承載分離模塊控制數(shù)據(jù)分別流向MN基站和SN基站,經過空口傳輸后,來自MN和SN的數(shù)據(jù)將在終端協(xié)議棧的PDCP層進行聚合[2]。在雙連接架構下的數(shù)據(jù)傳輸中,承載分離算法扮演著至關重要的角色,它控制著分配給MN和SN數(shù)據(jù)多少的任務。關于承載分離算法的研究也是5G中的熱點問題之一。文獻[3]將數(shù)據(jù)固定的分配給MNx%的數(shù)據(jù),分配給SN(1-x)%的數(shù)據(jù),這樣做的好處是算法簡單易實現(xiàn),但是沒有考慮到無線鏈路之間差異性,兩條鏈路的情況是在不斷變化的,該算法難以適應不同場景下的數(shù)據(jù)傳輸。在文獻[4]中,作者以網絡吞吐量最大化為目標,將承載分離算法轉換為混合整數(shù)線性規(guī)劃問題并進行求解。但是,作者只考慮了優(yōu)化問題的最優(yōu)解,并沒有給出低復雜度的解決方案。文獻[5]提出了一種請求轉發(fā)算法,該算法旨在最小化基站的緩沖時間。在該算法中,SN將根據(jù)用戶吞吐量、目標緩沖時間和傳輸容量定期向MN發(fā)送數(shù)據(jù)請求,但是該算法在回程鏈路延遲較大的情況下的性能表現(xiàn)較差。文獻[6]中,作者通過估算出每條鏈路上數(shù)據(jù)傳輸時間,將數(shù)據(jù)優(yōu)先發(fā)往傳輸時間較短的鏈路。在[7]中,作者基于接收信號強度度量RSSI來計算分流比,以優(yōu)化WIFI鏈路的吞吐量。文獻[8]提出了一種基于效用函數(shù)自適應承載分離算法,通過動態(tài)調整承載分流比來最大化用戶滿意度。文獻[9]提出了一種基于噴泉碼的承載分離機制,采用噴泉碼對宏基站的數(shù)據(jù)包進行編碼,再分別通過MN和SN向用戶傳輸編碼后的數(shù)據(jù)包,最后在終端進行解碼。在文獻[10]中,作者將雙連接承載分離問題建模為有限水平下的馬爾科夫決策過程,并使用動態(tài)規(guī)劃算法得到最優(yōu)解。但在兩條鏈路阻塞概率差異較大的情況下,該算法下的效果變得不理想。文獻[11]以最大化用戶吞吐量為目標,將接收端數(shù)據(jù)包失序問題建模為層次模型,并通過遞歸的方式不斷減小無序深度。該算法偏重于處理吞吐量要求較高的業(yè)務,不使用延遲敏感業(yè)務。文獻[12]提出了一種視頻質量感知流量卸載系統(tǒng),通過對視頻業(yè)務數(shù)據(jù)進行編碼的方式來減少承載分離帶來的數(shù)據(jù)包在接收端失序的問題,但是該算法的執(zhí)行時間間隔較長,算法魯棒性較差。

目前關于承載分離算法主要存在兩個方面的問題:一是在承載分離算法的兩次執(zhí)行之間的時間較長(可能高達100 ms[13]),此期間沒有進行承載分離比率的調整。然而,信道質量的變化、業(yè)務負載的增加以及該時間間隔內的資源分配過程中出現(xiàn)問題會將會降低用戶的滿意度。二是沒有考慮基站的負載比較大的時候,承載分離算法下的性能。如在負載較大的時候,算法可能無法提升用戶的體驗,此時應及時調整連接模式以防止降低通信系統(tǒng)中其他用戶的體驗。

為了克服已有承載分離算法的不足,本文提出了一種基于用戶終端協(xié)助的承載分離機制,通過與現(xiàn)有的承載分離算法相結合,利用用戶終端的反饋信息幫助現(xiàn)有承載分離算法獲得更好的用戶體驗。通過建立用戶滿意度模型實時計算用戶的滿意度,當用戶滿意度低于設定閾值時或判斷連接出現(xiàn)異常時,向基站發(fā)送反饋信息幫助其及時調整承載分離比和切換為單連接模式。系統(tǒng)仿真測試顯示,該機制能夠有效提高用戶滿意度、用戶終端吞吐量和系統(tǒng)的總吞吐量。

1 基于用戶終端的承載分離機制

用戶終端協(xié)助主要是由終端通過控制平面向MN發(fā)送其接收承載分離比例來實現(xiàn)的。γUE表示UE從MN接收到的數(shù)據(jù)比例,顯然0≤γUE≤1。1-γUE表示UE從SN接收的數(shù)據(jù)比例。γMN表示承載分離算法計算后得到的MN發(fā)送給終端的數(shù)據(jù)比例,則1-γMN表示SN發(fā)送給UE的數(shù)據(jù)比例。這里因為數(shù)據(jù)在信道傳輸過程中存在損耗,γUE和γMN不一定相等。

關于γUE,當它接近1時,意味著UE接收的數(shù)據(jù)基本都來自于MN,此時可能是由于用戶性能較差或用戶終端處于微小區(qū)邊緣導致的,如果繼續(xù)保持雙連接狀態(tài),雖然對該用戶的性能有一定的提升,但是其所連接的基站會因為其連接質量較差為其分配較大的帶寬資源,在基站負載較大的時候,這將會極大地降低連接該NR基站其他用戶的性能[14]。因此需要及時將該用戶切換為單連接狀態(tài)。

鑒于LTE-NR雙連接的SN主要承擔大規(guī)模數(shù)據(jù)傳輸任務,當γUE處于這特殊的情況下,表明此時MN的承載分離方案出現(xiàn)了異常,需要將終端切換為單連接模式。為了便于敘述,將承載分離方案異常時γUE對應的值稱之為切換域,正常情況下稱為適應域。

Step1MN通過承載分離算法計算出承載分離比γMN,并按此方案執(zhí)行承載分離,最后發(fā)送通知給UE。

Step2在接收到MN發(fā)送的通知消息后,UE根據(jù)從MN和SN實際接收到的數(shù)據(jù)計算出分流比γUE,并檢查γUE是否在切換域中。

(1)如果γUE位于切換域中,UE將其發(fā)送給MN端;

(2)如果γUE位于適應域中,UE計算此時的用戶對網絡的綜合滿意度sat。如果綜合滿意度大于設定的閾值,表明此時的承載分離方案能夠滿足用戶的需求,因此不需要做任何事;如果sat小于閾值,說明此時的承載分離方案不能滿足用戶的需求,則將此時的γUE值發(fā)送給MN端。

Step3MN在接收到UE端發(fā)送過來的γUE值后,如果γUE在適應域中,則立即通過分離承載算法調整分離承載比例;如果γUE在切換域中,MN將會開啟異常計數(shù)器c_abnormity記錄γUE出現(xiàn)在切換域中的次數(shù),如c_abnormity的值大于設定的閾值K,即將終端切換為單連接模式。

因為反饋信息是通過MN與終端的無線鏈路進行傳遞的,不會收到MN和SN間的X2鏈路時延影響,同時滿意度模型的時間復雜度為O(1),因此本文提出的承載分離機制的時間復雜度取決于選用的承載分離算法的復雜度。

2 用戶滿意度模型

2.1 用戶滿意度模型構建

用戶滿意度是用戶對產品滿意程度的度量,它是一個可變的動態(tài)目標。目前的文獻對用戶滿意的刻畫方法主要包括用戶滿意度滿足度法、滿意度函數(shù)法等方法。為了更好地度量用戶對網絡的滿意程度,本文引入心理曲線函數(shù)。心理曲線函數(shù)是基于用戶的期望收益和當前收益,采用函數(shù)的方式對用戶滿意度進行刻畫的一種定量方法,可表示為

式中:sat為用戶滿意度;Oexp為用戶期望收益;Ocur為用戶收益。

2.2 用戶收益計算方法

本文涉及到的收益包括兩個:用戶當前收益是根據(jù)終端的實時數(shù)據(jù)計算得到的;用戶期望收益是根據(jù)用戶終端的歷史數(shù)據(jù)得到的。本文的參數(shù)主要包括PDCP 數(shù)據(jù)PDU傳輸時延delay、吞吐量thru和PDCP重排序丟包率reorder。

2.3 數(shù)據(jù)的歸一化

在不同的無線網絡中,不同參數(shù)的取值范圍和單位存在差異性。為了解決這個問題,本文對上面敘述的參數(shù)進行歸一化處理。無線網絡的參數(shù)可以分為效益型參數(shù)和成本型參數(shù),兩者的區(qū)別在于效益型參數(shù)值與用戶滿意度呈正相關的關系,成本型參數(shù)與用戶的滿意度呈負相關的關系。如系統(tǒng)的吞吐量為效益型參數(shù),PDCP數(shù)據(jù)PDU的傳輸延遲為成本參數(shù)。

成本型參數(shù)歸一化公式為

效益性參數(shù)歸一化公式為

式中:costp為用戶無線參數(shù)p的歸一化值;Vp為所選網絡的參數(shù)p的數(shù)值集合;vp為參數(shù)p的數(shù)值。

2.4 計算當前收益

為了計算當前收益,需要采用不同的權重來體現(xiàn)各參數(shù)對于用戶終端的重要程度。目前大量的研究采用了多屬性決策算法求權重值,其缺點是因為無法描述參數(shù)的模糊不確定性[15],所以得到的結果不夠準確。本文采用的模糊層次分析法通過簡單的計算即可得到準確的結果。具體權重求取過程如下:

(1)構建層次結構圖

如圖1所示,首先將問題層次化,大體上可以分為目標層、準則層和方案層,目標層為用戶的收益,準則層為影響收益的各個因素,方案層為參數(shù)的歸一化值。

圖1 層次結構圖

(2)模糊互補判斷矩陣

根據(jù)模糊矩陣的計算方法,構建模糊互補判斷矩陣來表達各個參數(shù)的重要性。結合標度法[16],通過各個參數(shù)兩兩比較,分析得到定量的標度值ri,j(ri,j表示第i行第j列的數(shù)值),從而得到模糊互補判斷矩陣R=(ri,j)n×n。

LTE-NR雙連接架構結合了LTE信號覆蓋范圍廣和5G頻譜大的優(yōu)點,被廣泛地應用于增強移動寬帶( Enhanced Mobile Broadband,eMBB)場景,為用戶提供高吞吐量的體驗[17],因此用戶吞吐量的大小成為衡量用戶終端的主要性能指標。模糊互補判斷矩陣可以設置為

(3)權重向量計算

將矩陣分別帶入式(5)中,得到性能的權重向量

即吞吐量、時延和PDCP重排序丟包率的權重分別為0.434、0.358和0.208。由上述計算可知用戶的當前收益為

(4)模糊互補判斷矩陣的一致性檢驗

為了判斷權重向量計算公式是否合理,應進行比較判斷的一致性檢驗。首先構建矩陣R的特征矩陣W*=(wij)n×n,W*為wij的n×n矩陣,其中

其次,利用模糊判斷矩陣的相容性來檢驗一致性。如果偏移一致性值過大時,表示該權值向量計算結果不能作為決策依據(jù)。模糊互補判斷矩陣R的相容性計算公式為

如果I(R,W*)≤T,表明一致性符合標準,該權值向量計算結果能夠作為決策依據(jù)。一般情況下T=0.1。

最后,結合上述公式,得到模糊互補判斷矩陣R的相容性為

由式(10)可知該模糊判決矩陣具有一致性,權值結果可以作為判決依據(jù)。

2.5 計算用戶期望收益

設用戶終端中前m次的當前收益為Oprev={o1,o2,o3,…,om},考慮到歷史數(shù)據(jù)中的數(shù)值可能有少部分存在數(shù)據(jù)失真,所以本文把m次得到的收益求其平均值,即為用戶的期望收益:

3 實驗結果與分析

3.1 仿真環(huán)境與參數(shù)設置

本文采用的仿真環(huán)境基于3GPP協(xié)議[18]實驗的網絡拓撲是一個三扇形六邊形,中間為主基站MN,每個扇形內有一個輔基站SN隨機分布在其中,分布圖如圖2所示。UE的切換流程遵循3GPP協(xié)議[19]所描述,75%的UE被部署NR SN覆蓋區(qū)域,25%的UE被部署在LTE SN扇區(qū)內。之所以按這樣的比例部署,是因為NR SN相比LTE SN有更高的傳輸能力。大多數(shù)UE被部署在NR覆蓋區(qū)域以便于UE能夠處于雙連接的狀態(tài)下[20]如果大多數(shù)UE不在NR覆蓋區(qū)域內,它們將處于單連接狀態(tài),UE的吞吐量以及系統(tǒng)吞吐量將受到LTE MN傳輸能力的束縛。參考協(xié)議[19]常閾值K設定為5,用戶終端滿意度閾值SATthre設定為80%。表1和表2給出了基站和UE仿真參數(shù)。

表1 基站仿真參數(shù)

表2 UE仿真參數(shù)

圖2 仿真拓撲圖

實驗中,結合基于效用函數(shù)的自適應承載分離算法(Bearer Separation Algorithm based on utility function,utility-BSA)和基于馬爾科夫鏈的承載分離算法(Bearer Separation Algorithm based on MDP,MDP-BSA),將提出的用戶終端協(xié)助機制(User terminal assistance mechanism,UTA)與之結合,進行仿真實驗。本文分別從UE的平均滿意度、UE的平均吞吐量、UE處于雙連接狀態(tài)的比例、系統(tǒng)總吞吐量以及用戶平均時延五個方面分析基于用戶終端協(xié)助的承載分離機制的性能。

3.2 實驗結果與分析

如圖3所示,通過添加本文提出用戶終端協(xié)助機制,在平均用戶滿意度方面,utility-BSA和MDP-BSA均能獲得較大提升。對于utility-BSA算法,無論是否使用終端協(xié)助機制,它的用戶滿意度始終維持在較高的水平上,這是因為utility-BSA算法的優(yōu)化目標就是用戶滿意度。在用戶數(shù)量較多時,如每個扇區(qū)UE數(shù)為20個時,通過本文提出的用戶終端協(xié)助機制,MDP-BSA算法仍然可以獲得約10%的增益。

圖3 平均用戶滿意度對比

如圖4所示,通過添加用戶終端協(xié)助機制,在用戶平均吞吐量上,兩種算法均能獲得較大的增益。原因主要有下面兩點:第一,在使用基于用戶終端協(xié)助的承載分離機制后,MN可以很快地對承載分離方案做出調整。因為用戶終端對MN的反饋主要受用戶實時滿意度影響,這也說明了本文提出的滿意度模型能夠反映出用戶實際滿意度變化。第二,UE與基站的連接出現(xiàn)異常時,基于用戶終端協(xié)助的承載分離機制能夠讓UE及時調整為單連接模式,這樣降低了通信系統(tǒng)中因資源競爭而出現(xiàn)的干擾。換句話說,當用戶設備處于單連接時,從多個基站競爭相同資源的用戶設備較少,因此減少了每個基站對資源的競爭,從而也減少了在其他基站中引起的干擾。

圖4 終端平均吞吐量

圖5統(tǒng)計了系統(tǒng)中不同負載下用戶平面數(shù)據(jù)包的平均時延。首先可以看出,對比兩種承載分離算法,在使用用戶終端卸載機制后,兩種承載分離的算法的用戶平面平均時延都有所降低。其次,隨著通信系統(tǒng)負載的不斷增加,使用用戶終端協(xié)助機制的UE在延遲增加速度上明顯好于沒有使用用戶終端協(xié)助機制的UE。這是因為系統(tǒng)負載增加后,終端協(xié)助機制將會將更多UE調整為單連接模式,這在一定程度上降低了用戶平面數(shù)據(jù)的時延。最后,這說明了終端協(xié)助機制在結合現(xiàn)有的承載分離算法后不會增加其復雜度,本文提出的機制具有實用價值。

圖5 用戶平面的平均時延

圖6展示了通信過程中UE處于雙連接的比例,可以看出,當系統(tǒng)的負載不斷增加,沒有使用用戶終端機制的UE將長時間處于雙連接模式,因為控制終端與基站連接的主要參數(shù)是RSRP。在添加用戶終端協(xié)助機制后,當系統(tǒng)的負載不斷增加,終端處于雙連接模式的數(shù)量越來越少。這是因為系統(tǒng)中資源競爭的加劇導致UE處于雙連接模式時獲得收益越來越低,從而迫使更多的終端切換為單連接模式。

圖6 系統(tǒng)中UE處于雙連接模式下的比例

如圖7所示,可以看出系統(tǒng)中使用雙連接模式UE數(shù)量的減少并不會降低系統(tǒng)的總吞吐量。即當系統(tǒng)負載增加時,應保持較少的雙連接終端,以減少系統(tǒng)中的總干擾來提高系統(tǒng)性能。

圖7 系統(tǒng)的總吞吐量

4 結束語

本文提出了一種基于用戶終端協(xié)助的承載分離機制,它通過現(xiàn)有的承載分離算法相結合,幫助承載分離算法更快的調整承載分離比例。通過系統(tǒng)仿真測試,用戶終端協(xié)助機制能夠提升用戶的滿意度和平均吞吐量。同時,在基站處于負載較大的情況下,用戶終端協(xié)助機制能夠避免因少數(shù)性能較差用戶的接入而導致整體通信質量大幅下降的情況。下一步,將研究異構網絡下多連接的承載分離問題,以及考慮借助深度強化學習知識來幫助用戶獲得更好通信體驗。