本发明属于云无线电接入网络技术领域,尤其涉及一种c-ran架构下的虚拟基站分簇方法。
背景技术:
云无线电接入网络(cloud-radioaccessnetwork,c-ran)是基于集中化处理、协作处理、实时云计算架构的绿色无线接入网架构。该架构将基带处理资源进行集中,形成一个基带资源池,并对其进行统一的管理和动态分配。传统的基站都是按“最大处理能力”部署,并没有考虑网络业务的动态变化特性,即潮汐效应,导致设备利用率低下,并且造成电力资源的大量浪费。c-ran架构下的载波迁移技术通过将虚拟基站负载业务进行迁移的方法,对于有效应对话务的潮汐现象,提高资源利用率,降低资源池总能耗具有重大意义。
c-ran的一个重要特征是无线处理资源的“云”化,而虚拟化技术是实现资源池云化的有效手段。c-ran架构下基站以虚拟化的形式存在,虚拟基站的分簇方法属于资源管理的范畴,目前关于这方面的研究较少,现有的资源管理模型有全固定分簇模型、全动态配置的资源管理模型以及固定与动态相结合的资源管理模型,这些资源管理模型的特点是根据用户请求业务量来决定如何对基带池内的处理资源进行分簇,目的是降低资源管理的复杂度以及提高系统的能效性,但是并未考虑如何从应对潮汐效应的角度管理基带池集中放置的大规模处理资源。
技术实现要素:
针对现有技术存在的问题,本发明提供了一种c-ran架构下的虚拟基站分簇方法。
本发明是这样实现的,为便于管理基带池内集中放置的大规模处理资源以及在进行载波迁移时,能够及时为待迁移任务寻找到合适的目的虚拟基站,减少寻址和迁移的时间成本,将资源池内的虚拟基站进行分簇,以簇为资源调度和管理的单元降低资源管理中心对资源管理和监测的复杂度,同时也有利于实现更加高效的进行载波迁移,以有效应对话务的潮汐现象,提高资源利用率和降低资源池的总能耗。一种c-ran架构下的虚拟基站分簇方法,所述c-ran架构下的虚拟基站分簇方法包括以下步骤:
步骤一,分析基于不同类型虚拟基站划分簇的方案下分簇的影响因素,包括分簇对载波迁移的时间和能耗的影响;
步骤二,将这些因素量化为相应的数学指标,并建立数学优化模型;
步骤三,用改进的空间交替广义期望最大化算法求解该数学优化模型,得到最终的分簇结果;
步骤四,对比本方案与基于不同类型虚拟基站划分簇的方案、不分簇的方案在迁移时间和能耗方面的优势,得出本分簇方案载波迁移的效果最优。
进一步,所述不同类型的虚拟基站指资源属性值不同的虚拟基站,虚拟基站vmi的资源属性值可表示为:vmi={vcpui,vmemi,vloadi},vcpui和vmemi为第i个虚拟基站的cpu资源配置和内存资源配置,vloadi虚拟基站vmi的负载,其定义如下:
其中,vcpu_usedi和vmem_usedi为vmi的cpu资源使用量和内存资源使用量,p为加权系数。
进一步,所述分簇影响因素中分簇对载波迁移的时间影响具体是指虚拟基站上用户任务进行迁移需要花费的查询时间和迁移时间的影响,其中分簇对用户任务进行迁移需要花费的查询时间的影响定义如下:
其中,
其中,
其中,num_acr1为资源池内所有需要进行簇间迁移的任务数,vnum_freeout1为资源池经过簇内迁移的步骤后,仍然可接收任务迁移的虚拟基站的个数;
分簇对任务迁移时间的影响定义如下:
其中,tmemij为tij的内存大小,v(tij)代表tij所在的源虚拟基站,vmil和vmkl代表任务tij迁往的目的虚拟基站,b为任务tij的迁移带宽;
任务tij的迁移总时间定义如下:
进一步,所述分簇影响因素中分簇对载波迁移的能耗影响包括迁移功耗和迁移所引起的资源池功耗的变化;
迁移功耗的定义如下:
其中,
迁移引起的功耗变化的表达式如下:
其中,
进一步,所述数学数学优化模型定义如下:
进一步,所述改进的空间交替广义期望最大化算法是指:
设置迭代次数t=1,将随机生成的初始解均匀划分为s1个块,初始化一个为n长的空的禁忌表,设置初始块数i=1,在第i个块内,找到值为1的解元素的的位置,分别与本块内排除禁忌表中虚拟基站编号外,满足约束的所有值为0的元素位置进行互换,找到使目标函数取得最优的调整,记做sk(s1);
若t小于最大迭代次数maxloop,则t=t+1,按同样的方法继续调整本块内下一个值为1的解元素;
若第i个块内所有值为1的元素调整完毕,找到本块内部迭代得到的最优解s(s1,i),若s(s1,i)优于s(s1,i-1),则更新最优解sbest(s1)=s(s1,i),并将值为1的元素对应的虚拟基站所在的列号加入禁忌表,若i<s1,则i=i+1,继续下一个块迭代;
找到当s1取所有可能值时,按上述操作步骤得到
本发明的优点及积极效果为:通过分析基于不同类型和同种类型虚拟基站划分簇的方案的分簇影响因素,量化为相应的指标,并建立数学优化模型,求解两种方案的分簇结果,并将它们与不分簇的情况对比,得出基于不同类型虚拟基站划分簇的方法对处理资源进行管理,载波迁移花费的迁移时间和总功耗最低,从而载波迁移效果最优,对有效解决话务潮汐现象具有重要意义。
附图说明
图1是本发明实施例提供的c-ran架构下的虚拟基站分簇方法流程图。
图2是本发明实施例提供的c-ran架构下虚拟基站分簇的结构图。
图3是本发明实施例提供的本方案与其他两种分簇方案的分簇结果对比图。
图4是本发明实施例提供的改进的空间交替广义期望最大化算法与原算法求解第一种分簇方案的迭代过程对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例的c-ran架构下的载波迁移方法包括以下步骤:
s101、分析基于不同类型虚拟基站划分簇的方案下分簇的影响因素,包括分簇对载波迁移的时间和能耗的影响;
s102、将这些因素量化为相应的数学指标,并建立数学优化模型;
s103、用改进的空间交替广义期望最大化算法求解该数学优化模型,得到最终的分簇结果;
s104、对比本方案与基于不同类型虚拟基站划分簇的方案、不分簇的方案在迁移时间和能耗方面的优势,得出本分簇方案载波迁移的效果最优。
下面结合具体实施例对本发明的应用原理作进一步的描述。
本发明实施例提供c-ran架构下的载波迁移方法,包括以下步骤:
s1、分析基于不同类型虚拟基站划分簇的方案下分簇的影响因素,包括分簇对载波迁移的时间和能耗的影响。
需要说明的是,步骤s1中所述不同类型的虚拟基站具体是指资源属性值不同的虚拟基站,虚拟基站vmi的资源属性值可表示为:vmi={vcpui,vmemi,vloadi},vcpui和vmemi为第i个虚拟基站的cpu资源配置和内存资源配置,vloadi虚拟基站vmi的负载,其定义如下:
其中,vcpu_usedi和vmem_usedi为vmi的cpu资源使用量和内存资源使用量,p为加权系数。
需要进一步说明的是,步骤s1中所述分簇影响因素中分簇对载波迁移的时间影响具体是指虚拟基站上用户任务进行迁移需要花费的查询时间和迁移时间的影响,其中分簇对用户任务进行迁移需要花费的查询时间的影响定义如下:
其中,
其中,
其中,num_acr1为资源池内所有需要进行簇间迁移的任务数,vnum_freeout1为资源池经过簇内迁移的步骤后,仍然可接收任务迁移的虚拟基站的个数。
分簇对任务迁移时间的影响定义如下:
其中,tmemij为tij的内存大小,v(tij)代表tij所在的源虚拟基站,vmil和vmkl代表任务tij迁往的目的虚拟基站,b为任务tij的迁移带宽。
任务tij的迁移总时间定义如下:
需要进一步说明的是,步骤s1中所述分簇对载波迁移的能耗影响包括迁移功耗和迁移所引起的资源池功耗的变化。
迁移功耗的定义如下:
其中,
迁移引起的资源池功耗变化的表达式如下:
其中,
s2、将这些因素量化为相应的数学指标,并建立数学优化模型。
需要说明的是,步骤s2中所述数学数学优化模型定义如下:
s3、用改进的空间交替广义期望最大化算法求解该数学优化模型,得到最终的分簇结果。
需要说明的是,步骤s2中所述改进的空间迭代期望最大化算法求解过程如下:
设置迭代次数t=1,将随机生成的初始解均匀划分为s1个块,初始化一个为n长的空的禁忌表,设置初始块数i=1,在第i个块内,找到值为1的解元素的的位置,分别与本块内排除禁忌表中虚拟基站编号外,满足约束的所有值为0的元素位置进行互换,找到使目标函数取得最优的调整,记做sk(s1);
若t小于最大迭代次数maxloop,则t=t+1,按同样的方法继续调整本块内下一个值为1的解元素;
若第i个块内所有值为1的元素调整完毕,找到本块内部迭代得到的最优解s(s1,i),若s(s1,i)优于s(s1,i-1),则更新最优解sbest(s1)=s(s1,i),并将值为1的元素对应的虚拟基站所在的列号加入禁忌表,若i<s1,则i=i+1,继续下一个块迭代;
找到当s1取所有可能值时,按上述操作步骤得到
s4、对比本方案与基于不同类型虚拟基站划分簇的方案、不分簇的方案在迁移时间和能耗方面的优势,得出本分簇方案载波迁移的效果最优。
如图2所示,c-ran架构下的资源管理模型结构图,资源池内的虚拟基站以簇的形式进行管理,每个簇包含了同种协议类型的虚拟基站,各个虚拟基站根据其服务的小区的平均业务量而有不同的资源配置。
如图3所示,方案一代表本方案,方案二为基于同种类型虚拟基站划分粗的方案,方案三表示不分簇的方案。图3给出了本方案在分簇结果最优时和方案二、方案三在总目标函数值、总迁移时间和功耗方面的差异。由图可知,方案一将不同类型的虚拟基站分为一簇的方法无论的迁移时间和功耗都优于将同种类型虚拟基站分为一簇和不分簇的方法。不分簇的情况下任务的总迁移时间和功耗均相对较大,说明总体而言,分簇的效果优于不分簇,而分簇的情况下,基于不同类型的虚拟基站划分为一簇的方法优于将同种类型虚拟基站划分为一簇的方法。
如图4所示,比较了方案一当分簇的规模为20时改进前后算法迭代过程中目标值的变化情况。从图中可以发现改进后算法开始时与原算法搜索的结果相差不大,当迭代次数大于10,改进后算法搜索到更优的目标值。当迭代次数大于30时,原算法收敛,而本发明则继续搜索并找到更优解。这是因为原算法迭代的方法是按顺序每次调整可行解中一个解元素的值,将该解元素取所有可能值,从中找到使指标取得最优时对应的该解元素的值作为本次迭代的调整。而针对本模型解的特点,解元素只能取0和1,且行元素之和为固定值,列元素之和为1,本发明将可行解的调整范围设置在一个块内(对应模型解空间的每一个行内),只对值为1的解元素进行调整,并且引入禁忌表用于记录已经参与调整的解元素的位置,降低重复搜索概率,因而算法在开始阶段搜索结果相差不大,后期随迭代次数增加,本发明得到的解的质量提高。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。