一种广义干扰模型以及分布式ABS时隙接入方法与流程

本发明属于无线通信技术领域，具体涉及一种广义干扰模型以及分布式ABS时隙接入方法。

背景技术：

随着无线通信技术的发展，异构网络由于具有大范围、低功耗、负载均衡等优点，受到人们的广泛研究。传统异构网络由多个宏基站及其覆盖范围下的微基站组成，因此网络中会存在严重的干扰问题。针对这个问题，3GPP提出几乎空白子帧((Almost Blank Subframe,ABS)技术，即宏基站静默部分时间，微基站在此期间对非ABS内受到严重干扰的用户进行调度(参考文献R1-104968,“Summary of The Description of Candidate eICIC Solutions,”contribution at 3GPP meeting in Madrid,Spain,Aug.2010.)。因此，ABS内的跨层干扰可以完全避免，微蜂窝只受到同层干扰的影响。现已有学者研究关于ABS的优化问题(参考文献L.Jiang and M.Lei,“Resource Allocation for eICIC Scheme in Heterogeneous Networks”,in Proc.2012 PIMRC,pp.448-453；D.Sung and J.Baras,“Utility-based Almost Blank Subframe Optimization in Heterogeneous Cellular Networks”,in Proc.2014 Globecom,pp.3622-3627.)，大多针对ABS长度、比例的设置以及ABS内某一基站的用户调度。然而，相关文献没有对微基站之间的干扰问题进行深入的探究，而此类问题在密集网络中是不容忽视的，因为当两相邻基站在ABS内同时同频传输，互相之间的干扰是不可避免的。如何通过对ABS接入问题的优化，降低微基站之间的干扰，从而提高网络性能是具有研究意义的。

网络吞吐量最大化是传统的网络性能优化问题。然而，由于解决此类问题需要全网信息，难以在大规模网络中得到解决，因此考虑是否存在只需要局部信息，同时也可以优化全网吞吐量的方法。现已有部分文献从这个角度解决问题(参考文献C.Lacatus and D.Popescu,“Adaptive Interference Avoidance for Dynamic Wireless Systems:A Game-theoretic Approach,”IEEE J.Sel.Topics Signal Process.,vol.1,no.1,pp.189-202,2007；Y.Xu,J.Wang,Q.Wu,et al.,“Opportunistic Spectrum Access in Cognitive Radio Networks:Global Optimization Using Local Interaction Games,”IEEE J.Sel.Topics Signal Process.,vol.2,no.6,pp.180-194,2012.)。两篇文献认为网络内存在的干扰越低，网络整体的吞吐量越高，网络性能越好。同时，相关研究者提出邻居的概念，即将对某基站造成严重干扰的基站定义为该基站的邻居，其余基站则定义为非邻居，邻居造成的干扰视为相同，非邻居则视为不造成干扰。然而，此类二元干扰模型是不够准确的，因为位于邻居边缘的非邻居造成的干扰同样很强烈，并且非邻居基站带来的累积干扰也会带来不容忽视的影响。

技术实现要素：

本发明的目的在于提供一种能够降低网络联合干扰水平、提高网络吞吐量的广义干扰模型以及分布式ABS时隙接入方法。

实现本发明目的的技术解决方案为：

一种广义干扰模型，对微蜂窝之间的干扰进行如下刻画：网络内所有基站，按照距离的远近将其余基站划分为多级别的邻居；将不同级别邻居造成的干扰赋予不同的权重，权重的取值与级别的高低成正比；各个基站受到的联合干扰水平为各级邻居造成的累积干扰之和，即各级邻居的权重与邻居个数乘积之和。

一种基于所述广义干扰模型的分布式ABS时隙接入方法，包括以下步骤：

步骤1，将时隙接入问题建模为博弈模型，博弈的参与者是网络内所有微基站，以下表示为用户；

步骤2，基于所述广义干扰模型，网络内的用户根据距离的远近将其他用户划分为不同级别的邻居；

步骤3，各用户随机选择一个时隙进行接入，并根据其他用户的时隙接入情况计算当前受到的干扰水平，利用最优响应算法，用户计算所有能够接入时隙带来的效用函数；

步骤4，在下一时隙，用户选择所有可接入时隙中能够最小化干扰即带来最优效用函数的时隙接入；

步骤5，循环步骤4进行时隙选择，直至所有用户的时隙选择实现收敛。

进一步地，步骤1所述将时隙接入问题建模为博弈模型，该博弈模型定义为：

该博弈模型G_a中包含四个组成部分，其中，S＝{1,2,...,S}是参与博弈的用户集合，T_n是用户n的可接入信道策略空间，分别为用户n的主邻居和次级邻居，u_n是用户n的效用函数。

进一步地，步骤3所述利用最优响应算法，用户计算所有能够接入时隙带来的效用函数，具体如下：

定义任意用户时隙接入受到的干扰水平为I_n，且I_n的定义如式(1)所示：

其中，α₀,…,α_k为不同级别的邻居干扰程度的权重，t_n、t_m分别是用户n及其邻居m的时隙选择，d_nm是用户m与n之间的距离；取α₀＝1，是用户n的主邻居门限距离，θ为路径损耗因子，函数δ(t_n,t_m)满足式(2)：

根据主邻居和次级邻居的影响，得到：

将任意用户n的时隙选择效用函数u_n定义为如式(4)所示：

式(4)中，t_n是用户n选择的时隙，是用户n的主邻居选择的时隙，是用户n的次级邻居选择的时隙，函数I_n满足上式(3)。

本发明与现有技术相比，其显著优点在于：(1)充分考虑了基站之间的累积干扰效应，提出更加精确、物理意义清晰且操作简单的广义干扰模型，能更好地刻画大规模、超密集网络中的干扰特性；(2)利用联合干扰水平与网络吞吐量之间的近似反比关系，将最小化联合干扰水平的优化问题代替最大化网络吞吐量的优化问题，达到减小计算量的效果；(3)针对ABS时隙接入优化问题，提出的分布式方法，避免了集中式在计算量方面的缺陷，因此适用于大规模网络。

附图说明

图1是传统二元干扰模型示意图。

图2是本发明所提出的广义干扰模型示意图。

图3是本发明实施例中微蜂窝之间的干扰示意图。

图4是本发明实施例中模型方法与现有模型方法的网络吞吐量性能比较示意图。

具体实施方式

本发明所提出的广义干扰模型，旨在对微蜂窝之间的干扰进行更加精确地刻画。考虑到基站之间的干扰与距离成反比，即距离越远，干扰越小，将基站按照距离的远近划分为多级别的邻居，而不是传统干扰模型中简单的邻居与非邻居。造成干扰最强的邻居称为主邻居，随后各级别邻居依次称为次级邻居、三级邻居，等等。对不同级别邻居造成的干扰赋予不同的权重，权重地取值与级别的高低成正比，具体地，主邻居造成的干扰权重最大，最低级别邻居造成的干扰最小，甚至可以忽略。某基站受到的联合干扰水平为各级邻居造成的累积干扰之和，即各级邻居的权重与邻居个数乘积之和。

图1是传统二元干扰模型。该模型中，对于任意基站，其它基站按照距离该基站的远近被划分为邻居和非邻居两类。结合图1，基站1的邻居包含基站2、3，基站4～7均为基站1的非邻居。图2是本发明所提出的广义干扰模型，对微蜂窝之间的干扰进行如下刻画：网络内所有基站，按照距离的远近将其余基站划分为多级别的邻居；将不同级别邻居造成的干扰赋予不同的权重，权重的取值与级别的高低成正比；各个基站受到的联合干扰水平为各级邻居造成的累积干扰之和，即各级邻居的权重与邻居个数乘积之和。本发明的基本思想是，在超密集网络中，由于基站之间的距离较近，基站之间的干扰关系复杂，传统二元干扰模型由于没有考虑到基站之间的累积干扰效应，无法对网络内的干扰进行精确的刻画，因此需要构造一种能体现累积干扰的干扰模型。结合图2，基站1的主邻居包含基站2、3，次级邻居包含基站4、5，基站6、7为基站1更低级别的邻居。

本发明基于联合干扰水平与吞吐量之间的近似反比例关系，结合计算联合干扰水平需要局部信息，而吞吐量的计算需要全局信息这一事实，将优化目标设计为最小化全网联合干扰水平，以达到最大化网络吞吐量的目标。本发明基于所述广义干扰模型的分布式ABS时隙接入方法，包括以下步骤：

步骤1，将时隙接入问题建模为博弈模型，博弈的参与者是网络内所有微基站，以下表示为用户；

步骤2，基于所述广义干扰模型，网络内的用户根据距离的远近将其他用户划分为不同级别的邻居；

步骤3，各用户随机选择一个时隙进行接入，并根据其他用户的时隙接入情况计算当前受到的干扰水平，利用最优响应算法，用户计算所有能够接入时隙带来的效用函数；

步骤4，在下一时隙，用户选择所有可接入时隙中能够最小化干扰即带来最优效用函数的时隙接入；

步骤5，循环步骤4进行时隙选择，直至所有用户的时隙选择实现收敛。

本发明的具体实施如下：

一、步骤1所述将时隙接入问题建模为博弈模型，该博弈模型定义为：

该博弈模型G_a中包含四个组成部分，其中，S＝{1,2,...,S}是参与博弈的用户集合，T_n是用户n的可接入信道策略空间，分别为用户n的主邻居和次级邻居，u_n是用户n的效用函数。

二、步骤3所述利用最优响应算法，用户计算所有能够接入时隙带来的效用函数，具体如下：

定义任意用户时隙接入受到的干扰水平为I_n，且I_n的定义如式(1)所示：

其中，α₀,…,α_k为不同级别的邻居干扰程度的权重，t_n、t_m分别是用户n及其邻居m的时隙选择，d_nm是用户m与n之间的距离；取α₀＝1，是用户n的主邻居门限距离，θ为路径损耗因子，函数δ(t_n,t_m)满足式(2)：

根据主邻居和次级邻居的影响，得到：

将任意用户n的时隙选择效用函数u_n定义为如式(4)所示：

式(4)中，t_n是用户n选择的时隙，是用户n的主邻居选择的时隙，是用户n的次级邻居选择的时隙，函数I_n满足上式(3)。

三、博弈的优化目标：以式(4)的效用函数为优化目标进行时隙选择，最终可以实现全网干扰水平最小化的优化目标如式(5)所示：

公式(5)说明，时隙选择的博弈优化目标为最小化网络中所有用户的干扰水平之和。以公式(5)为优化目标进行时隙选择，能够实现最小化用户之间干扰。

四、进行时隙选择，完成以下工作：

1)初始化：每个用户i∈S随机选择一个时隙接入

2)探测：通过自组织的方式，用户n被随机选出进行时隙选择。此时，其他所有用户保持当前时隙选择不变，被选择的用户n按照公式(4)计算所有时隙选择t'_n能得到的效用函数。

3)用户选择：用户n选择带来最大效用函数的时隙进行接入。

实施例1

本发明的一个具体实施例如下描述，系统仿真采用Matlab软件，参数设定不影响一般性。该实施例验证所提模型与方法的有效性和与收敛性(图3和图4)。场景为68个微蜂窝随机布设在一个300m×300m的网络中，路径损耗因子θ＝3，信道带宽为B＝10MHz，背景噪声为N₀＝-174dBm/Hz，基站发射功率和传输半径分别为23dBm和20m，主邻居门限分别为60m，次级邻居门限分别设为70m、90m、120m和150m。

本发明提出的基于广义干扰模型的分布式资源优化方法的具体过程如下：

步骤1：初始化：初始化迭代次数k＝0，每个微基站i∈N对网络内其它基站按照距离门限分类为J_i⁰和J_i¹，并随机选择一个时隙接入。

步骤2：时隙选择策略更新：随机选择微基站n进行策略更新，其余基站保持策略不变。微基站n计算接入不同时隙t'_n∈T对应的干扰水平，并选择能最小化干扰水平的策略，即

步骤3：时隙选择收敛：循环执行步骤2多次后，时隙选择实现收敛。

图3为微蜂窝之间的干扰示意图。从图3中可以看出，当前网络微蜂窝分布密集，基站之间的干扰关系复杂。图4展示了所提方法模型与传统方法模型的比较、设置不同次级邻居门限时的网络吞吐量性能，以及所提方法模型与优化全网吞吐量为目标的结果比较。小圈内为指定基站的主邻居，大圈内为指定基站的次级邻居。从图4可以看出，所提方法模型较传统方法模型在优化网络吞吐量方面有较大提升，传统方法模型所得到的结果约为以优化全网吞吐量为目标的结果的90％，而基于所提模型方法，在次级邻居门限设为90m时，得到的结果约为以优化全网吞吐量为目标的结果的97％；此外，由于所提方法只需要知道局部信息，而非全网信息，因此收敛速度大于以优化全网吞吐量为目标的速度。

综上，本发明提出的广义干扰模型充分考虑基站之间的累积干扰效应，有效提升对微基站之间干扰刻画的精确程度；提出的方法基于联合干扰水平与网络吞吐量之间的近似反比关系，在达到相同效果的同时，提升了优化问题的收敛速度；同时所提方法体现了完全分布式的时隙接入，避免了集中式方式存在的计算量大的缺陷，更加适用于超密集网络。