摘要：超密集組網(wǎng)（UDN）是5G/6G網(wǎng)絡擴容關鍵技術，但微基站密度大幅提升導致跨層干擾。鑒于此本文提出了優(yōu)化方法：利用分布式探針采集參數(shù)，改進支持向量機識別容量瓶頸，構建深度強化學習自適應模型優(yōu)化資源。實驗表明，該方案有效提升了吞吐量和頻譜效率，相較于傳統(tǒng)方法具有明顯優(yōu)勢。

關鍵詞：超密集組網(wǎng)；無線傳輸容量；支持向量機；優(yōu)化方法

doi：10.3969/J.ISSN.1672-7274.2025.03.002

中圖分類號：TN 929.5 " " " " "文獻標志碼：B " " " " " "文章編碼：1672-7274（2025）03-000-03

Research on Optimization Methods for Wireless Transmission Capacity

Based on Ultra-Dense Network

WU Lian

（Diqing Branch of China Mobile Communications Group Yunnan Co.， Ltd.， Diqing 674499， China）

Abstract： Ultra-Dense Network （UDN） is a key technology for capacity expansion in 5G/6G. However， the increase in the density of micro base stations leads to cross-layer interference. This paper proposes optimization methods： using distributed probes to collect parameters， improving the Support Vector Machine to identify capacity bottlenecks， and constructing a deep reinforcement learning adaptive model to optimize resources. Experiments show that this scheme effectively improves throughput and spectral efficiency and has obvious advantages compared with traditional methods.

Keywords： ultra-dense network; wireless transmission capacity; support vector machine; optimization method

0 " 引言

在5G網(wǎng)絡和未來6G網(wǎng)絡中，超密集組網(wǎng)（Ultra-Dense Network，UDN）被認為是提高網(wǎng)絡容量、支持海量連接設備的關鍵技術之一[1]。UDN通過大規(guī)模部署低功率、小覆蓋的微基站，將無線接入點部署得更加接近用戶，從而顯著提升系統(tǒng)容量和頻譜效率。然而，UDN場景下微基站密度的大幅提升也帶來了嚴重的跨層干擾問題，使得無線鏈路容量難以進一步增加。因此，如何在UDN環(huán)境下優(yōu)化無線傳輸容量，克服密集部署導致的干擾，成為當前亟須解決的關鍵問題。本文針對超密集組網(wǎng)場景，研究無線傳輸容量的優(yōu)化方法，旨在提升UDN的頻譜效率和傳輸性能，為5G網(wǎng)絡乃至未來6G網(wǎng)絡的發(fā)展提供理論基礎和技術支撐。

1 " 超密集組網(wǎng)概念與特點

超密集組網(wǎng)（Ultra-Dense Network，UDN）是一種前沿的蜂窩網(wǎng)絡架構，其核心是在特定區(qū)域內大規(guī)模、高密度地部署低功率、小覆蓋范圍的微基站（Small Cell），部署密度遠超傳統(tǒng)宏蜂窩網(wǎng)絡[2]。UDN的設計理念是通過網(wǎng)絡的密集化和異構化布局，使無線接入點更貼近用戶終端，從而在空間維度上實現(xiàn)頻譜資源的高效、極致復用，顯著增強系統(tǒng)的整體容量和頻譜利用效率。UDN獨具四大顯著特性：一是微基站的部署密度極高，典型情況下可達到每平方千米數(shù)百個之多；二是微基站的覆蓋范圍相對較小，一般僅為幾十米，確保了信號的精準覆蓋；三是微基站的發(fā)射功率較低，通?？刂圃跀?shù)毫瓦至數(shù)瓦的范圍內，既節(jié)能又環(huán)保；四是微基站與宏基站相互協(xié)同，形成多層異構的網(wǎng)絡覆蓋結構，能夠靈活應對室內外、熱點區(qū)域、邊緣地帶等多種復雜場景的需求。正是這些獨特優(yōu)勢，使得UDN能夠將無線信號更近距離地傳遞給用戶，極大地改善了用戶的信道環(huán)境，提供了更高的數(shù)據(jù)傳輸速率和更優(yōu)質的服務體驗[3]。

2 " 超密集組網(wǎng)下無線傳輸容量優(yōu)化的需求

在超密集組網(wǎng)場景下，由于微基站的大規(guī)模密集部署，無線傳輸容量面臨著前所未有的挑戰(zhàn)和優(yōu)化需求。首先，海量微基站的引入雖然縮短了用戶與基站之間的距離，但同時也帶來了嚴重的跨層干擾問題[4]。相鄰微基站之間的同頻干擾、異頻干擾以及與宏基站之間的跨層干擾都大幅增加，顯著制約了無線鏈路的傳輸品質和容量提升。其次，超密集組網(wǎng)中微基站負載的不均衡性更加突出。由于用戶分布和業(yè)務需求的時空動態(tài)變化，不同微基站的負載差異巨大，部分微基站可能出現(xiàn)嚴重的擁塞和容量瓶頸，影響整網(wǎng)的傳輸性能[5]。再次，復雜的無線傳播環(huán)境對容量優(yōu)化提出更高要求。UDN場景中存在大量的窄帶深衰落、多徑、遮擋等因素，加劇了信道的選擇性衰落和隨機性，給無線傳輸容量的優(yōu)化帶來不確定性。最后，海量異構網(wǎng)元的部署也導致UDN的網(wǎng)絡能耗急劇攀升，需要在保障容量的同時兼顧能效。

3 " 基于超密集組網(wǎng)的無線傳輸容量優(yōu)

化方法

3.1 網(wǎng)絡容量參數(shù)采集

在超密集組網(wǎng)無線傳輸容量優(yōu)化中，網(wǎng)絡容量參數(shù)的實時準確采集是優(yōu)化方案實施的基礎。為了全面感知UDN內部的容量狀態(tài)，本文提出在網(wǎng)絡中部署分布式測量探針，對網(wǎng)絡各節(jié)點的容量參數(shù)進行主動監(jiān)測。探針采用基于SDN的可編程數(shù)據(jù)采集技術，通過定制化的探測報文，周期性地測量鏈路的關鍵容量指標，包括信道容量、吞吐量、時延、誤碼率等[6]。其中，信道容量反映了鏈路的最大傳輸率上限，采用改進的香農(nóng)公式進行估算，考慮了信道帶寬、信噪比、發(fā)射功率等影響因素；吞吐量表征鏈路的實際傳輸速率，通過統(tǒng)計單位時間內成功傳輸?shù)臄?shù)據(jù)量獲得；時延反映數(shù)據(jù)在鏈路中傳播的延遲，通過探測報文的往返時間RTT計算得到；誤碼率衡量鏈路傳輸?shù)腻e誤概率，采用基于偽隨機序列的誤碼率測試方法測定。同時，測量探針還獲取網(wǎng)絡的拓撲結構信息，包括微基站位置、覆蓋范圍、鄰接關系等，形成多維拓撲屬性數(shù)據(jù)。采集到的異構網(wǎng)絡容量參數(shù)通過數(shù)據(jù)清洗、歸一化等預處理后，構建起一個全局統(tǒng)一的UDN容量參數(shù)數(shù)據(jù)集，為后續(xù)的容量瓶頸識別、自適應優(yōu)化等分析提供了數(shù)據(jù)支撐。

3.2 容量瓶頸識別

在獲取超密集組網(wǎng)（UDN）容量參數(shù)的全面數(shù)據(jù)集后，本文探索了一種創(chuàng)新的機器學習方法，旨在智能識別網(wǎng)絡容量瓶頸。具體而言，我們采用了一種經(jīng)過優(yōu)化的支持向量機（Support Vector Machine，SVM）算法。該算法通過深入訓練和學習多維容量參數(shù)，構建了一個描述網(wǎng)絡容量分布的超平面模型。利用這一模型，能夠精準地分析并識別出網(wǎng)絡內部存在的容量異常區(qū)域，為后續(xù)的網(wǎng)絡優(yōu)化和資源調配提供了有力的科學依據(jù)，從而有效提升了網(wǎng)絡的整體性能和效率。傳統(tǒng)SVM算法通過尋找最大間隔超平面將數(shù)據(jù)集劃分為不同類別，其數(shù)學模型可表示為

（1）

式中，為超平面法向量；b為偏置項；為第個樣本特征向量；為對應的類別標簽，取值為1或-1；N為樣本總數(shù)。但在容量瓶頸識別任務中，由于不同微基站的容量差異性和時變性，導致容量邊界模糊，難以直接進行二分類。針對這一問題，本文引入核函數(shù)將原始容量參數(shù)映射到高維特征空間，找出各維度參數(shù)之間的非線性關聯(lián)規(guī)律，再結合自適應懲罰因子C動態(tài)調整超平面，得到改進的SVM模型：

（2）

式中，為拉格朗日乘子。通過求解上述優(yōu)化問題，得到一個柔性可變的容量超平面模型。模型中偏離超平面較遠的異常點，即為網(wǎng)絡的容量瓶頸區(qū)域。通過追蹤異常點的參數(shù)特征，可精準定位瓶頸節(jié)點。此外，考慮到UDN場景中容量參數(shù)的動態(tài)變化，采用滑動窗口的增量學習機制，使模型能夠適應網(wǎng)絡容量的實時變化。容量瓶頸的精準識別，為動態(tài)容量優(yōu)化策略的制定提供了重要依據(jù)。

3.3 自適應容量優(yōu)化

自適應容量優(yōu)化是本文方案的核心執(zhí)行環(huán)節(jié)，該環(huán)境基于前述容量瓶頸識別的結果，針對超密集組網(wǎng)中的容量瓶頸區(qū)域，提出一種基于深度強化學習的動態(tài)容量優(yōu)化方法。傳統(tǒng)的容量優(yōu)化方法，如功率控制、資源調度等，大多采用靜態(tài)的優(yōu)化策略，難以適應UDN的動態(tài)復雜性。鑒于此，本文利用深度強化學習（Deep Reinforcement Learning，DRL）的優(yōu)勢，通過持續(xù)地探索學習，自主構建容量優(yōu)化策略映射。具體而言，采用一種改進的深度Q網(wǎng)絡（Deep Q-Network，DQN）模型，將UDN的容量狀態(tài)作為環(huán)境輸入，將網(wǎng)絡配置動作作為智能體輸出，通過Q值迭代更新逼近最優(yōu)策略。在Q值計算中，除考慮當前的容量收益外，還納入了相鄰微基站間的干擾代價，以平衡局部和全局性能，其Q函數(shù)可表示為

（3）

式中，st和at分別表示t時刻的網(wǎng)絡狀態(tài)和動作；R為容量收益；I為干擾代價；n為相鄰微基站；為平衡因子；N為相鄰微基站集合。在實際優(yōu)化中，DQN模型通過經(jīng)驗回放和目標網(wǎng)絡等機制不斷優(yōu)化Q函數(shù)逼近，生成容量自適應的動態(tài)優(yōu)化策略。為進一步提升學習效率，我們還引入了基于圖神經(jīng)網(wǎng)絡（Graph Neural Network，GNN）的網(wǎng)絡嵌入技術，將UDN拓撲映射到低維嵌入空間，加速DRL的收斂速度和泛化能力。

4 " 實驗驗證

4.1 實驗設計

為驗證所提出的基于超密集組網(wǎng)的無線傳輸容量優(yōu)化方法的有效性，本文設計了系統(tǒng)的仿真實驗方案。實驗在MATLAB R2023a平臺上進行仿真，采用Intel Core i9-12900K處理器，128 GB RAM的計算環(huán)境。在仿真場景中，設置一個1 km×1 km的城市熱點區(qū)域，部署1個宏基站和200個隨機分布的微基站，微基站發(fā)射功率為23 dBm；采用2.6 GHz頻段，系統(tǒng)帶寬為100 MHz；用戶終端數(shù)量設置為1 000個，呈泊松分布；實驗持續(xù)時長為24 h，采樣間隔為100 ms。

本實驗采用對比實驗方法，將本文提出的方案與傳統(tǒng)的基于固定閾值的容量優(yōu)化方法（Fixed Threshold-based Optimization，F(xiàn)TO）進行對比。FTO方法采用預設的靜態(tài)閾值進行容量監(jiān)測和優(yōu)化，在實際網(wǎng)絡環(huán)境中具有一定的代表性，但缺乏動態(tài)適應能力。實驗從容量瓶頸識別和自適應容量優(yōu)化兩個方面展開評估。

在容量瓶頸識別方面，主要評估指標包括識別準確率、識別時延和誤報率。通過在網(wǎng)絡中人為設置不同程度的容量瓶頸場景，測試兩種方法的識別性能。在自適應容量優(yōu)化方面，評估指標包括系統(tǒng)平均吞吐量、頻譜效率、負載均衡度。其中，負載均衡度采用Jain公平性指數(shù)衡量。為確保實驗結果的統(tǒng)計顯著性，每組實驗重復運行50次，取平均值作為最終結果。實驗結果的置信區(qū)間設置為95%，采用t檢驗方式評估兩種方法之間性能差異的統(tǒng)計顯著性。

4.2 實驗結果

通過在超密集組網(wǎng)場景下的仿真實驗，對本文提出的容量優(yōu)化方法與基于固定閾值的容量優(yōu)化方法進行了系統(tǒng)性能評估。表1展示了兩種方法在關鍵性能指標上的對比結果。

實驗結果顯示，在針對超密集組網(wǎng)容量瓶頸的識別任務中，本文所提出的方法展現(xiàn)出了相較于傳統(tǒng)固定閾值方法的顯著優(yōu)越性。具體而言，本文方法的識別準確率高達94.6%，較固定閾值方法提升了整整12.3個百分點，體現(xiàn)了其高度的準確性。在識別時延方面，本文方法僅需45.2 ms，相較于固定閾值方法減少了64.4%，大大提升了識別效率。此外，誤報率也降低至3.8%，與固定閾值方法相比，改善效果十分明顯，這主要得益于改進后的SVM算法在容量瓶頸識別中的出色表現(xiàn)。在系統(tǒng)整體性能評估中，本文方法同樣表現(xiàn)出色。系統(tǒng)平均吞吐量達到了856.4 Mbps，較固定閾值方法提升了33.2%，顯著增強了網(wǎng)絡的數(shù)據(jù)傳輸能力。頻譜效率也提高至7.82 bit/s/Hz，相較于固定閾值方法提升了31.6%，展現(xiàn)了更高的頻譜利用效率。在負載均衡性方面，本文方法的負載均衡度達到了0.86，較固定閾值方法的0.71有了顯著提升。這表明，本文提出的基于深度強化學習的自適應優(yōu)化策略能夠更有效地實現(xiàn)網(wǎng)絡資源的均衡分配，充分驗證了其在超密集組網(wǎng)容量優(yōu)化方面的技術優(yōu)勢和實用價值。

5 " 結束語

本文針對超密集組網(wǎng)場景下的無線傳輸容量優(yōu)化問題開展了系統(tǒng)研究，提出了一套包含網(wǎng)絡容量參數(shù)采集、容量瓶頸識別和自適應容量優(yōu)化的完整技術方案。通過改進的SVM算法實現(xiàn)了容量瓶頸的精準識別，基于深度強化學習的自適應優(yōu)化策略有效提升了網(wǎng)絡傳輸性能。實驗結果表明，該方法在識別準確率、系統(tǒng)吞吐量、頻譜效率和負載均衡等關鍵指標上均優(yōu)于傳統(tǒng)方法。未來研究方向可進一步探索多智能體協(xié)同學習、邊緣計算賦能等新技術在UDN容量優(yōu)化中的應用，同時需要考慮網(wǎng)絡安全、隱私保護等新需求，為6G網(wǎng)絡的演進發(fā)展提供更全面的技術支撐。

參考文獻

[1] 龔崇立.城市地區(qū)廣播電視無線覆蓋問題與解決方案[J].電視技術，

2024，48（05）：90-92.

[2] 鄔毅松.無線低功耗大容量數(shù)據(jù)采集系統(tǒng)的設計[J].電腦知識與技術，

2023，19（21）：94-96.

[3] 王培吉.5G通信移動傳輸中的大規(guī)模天線技術分析[J].集成電路應用，

2022，39（06）：152-153.

[4] 呂進.5G通信大規(guī)模天線無線傳輸技術探討[J].產(chǎn)業(yè)與科技論壇，

2021，20（23）：37-38.

[5] 陽析.毫米波大規(guī)模MIMO無線傳輸關鍵技術研究[D].南京：東南大學，2019.

[6] 羅鳳婭.面向能效優(yōu)化的多通道無線傳輸系統(tǒng)快速功率分配算法[D].成都：電子科技大學，2013.