一种基于用户业务流的资源分配方法与流程

本发明属于无线移动通信领域，具体是一种基于用户业务流的资源分配方法。

背景技术：

随着数据流量的急剧增长，超密集网络已经成为5g的关键技术之一。超密集组网技术通过在热点区域大规模部署低功率接入点可以有效提升网络容量，扩展网络覆盖范围。由于超密集网络中极高的ap密度，往往用户可以由一个或多个ap组成ap集合来为用户提供服务。ap集合中的ap需要进行协作，资源分配和传统网络中大不相同。考虑用户业务的多样性，对于不同的业务需求，对应的资源分配也应当是动态改变的。如何在多个ap之间进行恰当的资源分配对于服务用户，提高系统能效来说至关重要。

现有技术中，文献[1]栾智荣，曲桦，赵季红，徐西光“密集部署家庭基站网络中面向用户的基于图论的频率资源分配算法”，《中国通信》2013年12月，57-65页；提出了一种面向用户的基于图的频率分配算法，可以在密集部署的家庭基站网络中协调下行链路的干扰。该算法可以减小干扰，但并没有考虑用户业务流的多样性。

文献[2]洪雪芬，杨坤，王硕，张兴“超密集网络中以用户为中心的小小区基站协作算法”2015ieee数据科学和数据集中系统国际会议，悉尼474-475页；提出了udn中一种以用户为中心的小基站协作算法；该算法会逐个打开网络中的基站，可以优化系统的能效。但是该算法应用场景十分有限，且没有进行仿真来证明算法的有效性。

在超密集网络的场景下，接入点部署密集，同时考虑时隙、频谱、功率等多维资源优化问题更加复杂，传统的单一资源分配方案已经无法适用；此外，为了提高能量效率，对于不同需求的业务，基站数量应该进行动态调整，这对功率分配提出了更高的研究，现有的功率分配方案已经无法适用。

技术实现要素：

本发明针对超密集场景下，密集的接入点部署使得网络拓扑更加复杂，并且在多个ap组成ap集合，协作为一个用户提供服务的情况下，其资源分配方法和传统网络相比大不相同；因此，提出了一种基于用户业务流的资源分配方法，通过多维资源配置优化可以有效提高网络能量效率，保证用户的服务需求。

该机制综合考虑用户的多种业务需求，信道状况，网络干扰等信息，在协作的多个ap之间分配多维资源，如频率资源、功率资源等，同时可以动态更新ap集合的成员，对于用户的不同业务需求增加或减少提供服务的ap数量，以提升系统能效；并将该联合优化问题建模为混合整数非线性规划问题，使用多重禁忌搜索算法获得次优解，该算法同时具有良好的收敛性。

具体步骤如下：

步骤一、针对超密集网络中，当某用户申请接入该网络时，本地服务中心lsc综合考虑网络拓扑分布以及该用户的通信请求，选择一个或多个ap组成ap集合为该用户提供服务。

lsc综合考虑具体为：收集申请用户上报的地理位置信息以及各条信道的链路质量状况，并计算用户到周边各个ap的距离以及信道质量参数，同时考虑各ap的负载情况，为用户分配符合要求的ap组成ap集合。

ap集合中的每个ap均符合以下条件：ap在用户的信号接收范围内，且ap信号的接收信噪比大于门限值；门限值根据实际情况进行调整。

步骤二、lsc根据该用户的业务需求、链路质量等为该用户ap集合中的每个ap分配频谱和功率资源，使系统能量效率最大化。

具体步骤如下：

步骤201、用户发起业务请求，向lsc上报业务种类，数据速率需求或时延需求，以及信道状况。

步骤202、lsc综合考虑用户的业务需求、用户占用的各个子信道的信道质量、不同ap之间产生的干扰等因素，产生一组初始的功率分配和子载波分配的值；

步骤203、设置用户需求以及ap发射功率的限制条件；

c1代表用户的时延应该小于等于实时类业务的时延门限值，即所提供服务的ap应该满足用户实时类业务的时延需求。l代表视频业务的包长；bi表示第i个ap所提供的业务类型；ci表示第i个ap提供的速率，d代表用户实时类业务的时延门限值；i表示该用户的ap集合，{1,2,...i,...k,....i}；

c2代表用户的数据速率应该大于等于非实时类业务的速率门限值，即所提供服务的ap应该满足用户非实时类业务的速率需求。c表示用户非实时类业务的速率门限值。

c3代表每一个ap的发射功率应该小于等于该ap的最大发射功率，即ap的发射功率是受限的；pij表示第i个ap在第j个子载波上的发射功率；表示第i个ap的最大发射功率。

c4代表每个ap在一个时刻只能提供一种类型的业务，其中0表示第i个ap提供实时类业务，1表示第i个ap提供非实时类业务。

步骤204、利用初始的功率分配和子载波分配值，采用多重禁忌搜索算法对限制条件进行迭代，找到最大化系统能量效率的资源分配结果。

最大化系统能量效率表示为：

n表示该用户的ap集合i中的ap数量；

第i个ap提供的速率b代表子载波的带宽。第i个ap在第j个子载波上的信噪比为其中aij＝{0,1}代表第i个ap是否使用第j个子载波，使用则为1，不使用则为0。hij表示第i个ap在第j个子载波上的信道增益，σ²是加性高斯白噪声。

pi表示第i个ap消耗的功率，pci表示第i个ap与用户之间的链路损耗。

步骤三、当用户业务需求变化或者信道链路状况发生变化时，用户重新上报当前的位置信息、业务需求和信道链路状况，lsc重新动态进行功率和子载波的分配；

步骤四、判断当前提供服务的ap集合是否满足用户的需求，如果是，保持当前状态不变；否则，lsc根据动态分配的结果关闭或者打开部分ap，以在满足用户业务需求的前提下最大化系统的能量效率。

具体为：判断用户需求是否增大，如果是，增加ap的数量，使得增加后的ap集合恰好满足用户的业务需求。否则，用户需求降低，关闭部分ap，使得关闭后的ap集合恰好满足用户的业务需求。

具体增加或减少的ap数量用迭代算法求解获得；通过动态调整ap数量来提高系统的能量效率，从而实现了基于用户业务流的动态资源分配。

本发明的优点在于：

1)、一种基于用户业务流的资源分配方法，可以实现超密集网络下的多维资源管理功能，在为用户提供服务的多个ap之间分配资源。根据仿真结果可以看出，在超密集场景下，该方法有效地提高了系统能量效率和资源利用效率。

2)、一种基于用户业务流的资源分配方法，ap集合的成员可以进行动态更新，保证了用户多样的业务需求，并且通过资源分配优化，提高了系统能效。

附图说明

图1是本发明超密集网络中为用户选择ap集合的场景图；

图2是本发明一种基于用户业务流的资源分配方法流程图；

图3是本发明三种发射功率对应的能量效率与迭代次数之间的关系图；

图4是三种算法下迭代次数和能量效率之间的关系对比图；

图5是本发明改变服务的ap数量对系统能量效率的关系图。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

在超密集网络中，本发明提出了一种基于用户业务流的资源分配方法，该方法与传统网络中的资源配置方法不同，综合考虑用户业务的多样性，信道状态，网络拓扑等多种因素，为用户动态建立ap集合，使得多个ap可以协作为单个用户提供服务；同时可以在为一个用户服务的多个ap之间进行资源配置，考虑用户不同的业务需求，在保证用户需求的前提下进行资源分配并动态更新ap集合的成员，对于不同的业务流增加或减少提供服务的ap数量，提高了系统的能量效率。

所提方法可以被总结为如下的3个步骤：

1)当用户申请接入网络时，本地服务中心综合考虑网络拓扑分布以及用户的通信请求，选择一个或多个ap组成ap集合为该用户提供服务。

2)本地服务中心根据用户的需求、链路质量等为每个ap分配资源，包括频谱资源、功率资源等。

3)根据用户需求和信道链路状况的变化，动态进行资源分配，根据分配的结果关闭或者打开部分ap，以在满足用户业务需求的前提下最大化系统的能量效率。

如图2所示，具体步骤如下：

步骤一、针对超密集网络中，当某用户申请接入该网络时，本地服务中心lsc综合考虑网络拓扑分布以及该用户的通信请求，选择一个或多个ap组成ap集合为该用户提供服务。

具体为：本地服务中心lsc收集申请用户上报的地理位置信息以及各条信道的链路质量状况，并计算用户到周边各个ap的距离以及信道质量参数，同时考虑各ap的负载情况，为用户分配符合要求的ap组成ap集合。

选取符合要求的ap具体为：

首先，用户发送信号，距离用户半径为r'的ap属于其信号接收范围，可以选择接入。

然后，ap信号的接收信噪比有一个最低的门限值t，超过门限值可以考虑选择该ap。

具体的门限值可以根据实际情况进行调整，用户选择接入ap时，该ap所连接的用户数量应当小于ap的负载状况，用n表示；如果ap连接的用户数大于n，则说明该ap负载过高，则新用户不选择接入该ap，n的值可以根据实际情况进行改变。本实施例中在超密集网络中为用户选择ap集合的结果如图1所示，每个ap集合由本地服务中心分配唯一id，跟随并为各自的用户提供服务直到该用户离开网络。

步骤二、lsc根据该用户的业务需求、链路质量等为该用户ap集合中的每个ap分配频谱和功率资源，使系统能量效率最大化。

在ap集合中，假设该用户的ap集合为i，表示为{1,2,...i,...k,....i}；子载波集合为j，那么第i个ap在第j个子载波上的sinr为

其中aij＝{0,1}代表第i个ap是否使用第j个子载波，使用为1，不使用为0。pij表示第i个ap在第j个子载波上的发射功率，该发射功率会受到最大发射功率的限制；hij表示第i个ap在第j个子载波上的信道增益，σ²是加性高斯白噪声(additivewhitegaussiannoise，awgn)，σ²＝n0w；n0是高斯白噪声的功率谱密度；w代表带宽。

第i个ap提供的速率表示为：

b代表子载波的带宽；数值和带宽w的值相等。

第i个ap消耗的功率表示为：

pci表示第i个ap与该用户之间的链路损耗。

该最优化问题是在发射功率受限的条件下最大化系统的能量效率，表示为：

n表示该用户的ap集合i中的ap数量；有些ap可以不为用户提供服务，那么ap提供的速率是0，所以求和将速率是0的ap包含在内也不会影响结果。

c1代表用户的时延应该小于等于实时类业务的时延门限值，即所提供服务的ap应该满足用户实时类业务的时延需求。l代表视频业务的包长；bi表示第i个ap所提供的业务类型；ci表示第i个ap提供的速率，d代表用户实时类业务的时延门限值。

c2代表用户的数据速率应该大于等于非实时类业务的速率门限值，即所提供服务的ap应该满足用户非实时类业务的速率需求。c表示用户非实时类业务的速率门限值。

c3代表每一个ap的发射功率应该小于等于该ap的最大发射功率，即ap的发射功率是受限的；表示第i个ap的最大发射功率。

c4代表每个ap在一个时刻只能提供一种类型的业务，其中0表示第i个ap提供实时类业务，1表示第i个ap提供非实时类业务。

由于该优化问题是混合整数非线性规划问题，其全局最优解是极其难解的。因此，为了解决这个问题，本发明采用多重禁忌搜索算法求得其次优解。

步骤如下：

步骤1：初始化迭代次数、禁忌搜索数量和每个独立的禁忌搜索算法的解。

该解写成向量x＝(x1…,xi…,xn)，其中xi代表第i个ap的资源分配情况，具体如下：

xi＝(ai1…,ais…,pi1…,pis)(5)

单个ap的资源分配情况的解是一个2s维的行向量，s是子载波集合j中元素的个数。该行向量前半部分是子载波的分配情况，用0、1表示，后半部分是每一个子载波对应的功率分配情况。每个禁忌搜索算法的解是一个n×2s维的行向量，由n个ap的解组成。

本文采用随机选择完成初始化。

步骤2：对于每个当前解计算其适应度，比较得到全局最优解。

适应度函数计算基于式(4)。

步骤3：生成试探解集合，更新全局最优解后执行禁忌检测和藐视准则检测,同时更新禁忌列表和藐视准则。

步骤4:进行交叉操作。

从当前解中随机选取两个做为父代以概率pc进行配对，把父代的优秀特征遗传给子代，产生新的解。由于每个解分为两个部分，前半部分为子载波分配结果，后半部分为功率分配结果，所以对于每个解交叉过程也分为两个部分，同时进行，规则如下所示：

代表第a个解在第g+1轮的子载波分配情况，代表第a个解在第g轮的子载波分配情况。αi是一个0-1之间的随机数；代表第b个解在第g轮的子载波分配情况，代表第a个解在第g+1轮的功率分配情况，代表第a个解在第g轮的功率分配情况，代表第b个解在第g轮的功率分配情况。

步骤5：迭代进行步骤2-步骤4，直到达到最大迭代次数或者取得理想的求解方案。

步骤三、当用户业务需求变化或者信道链路状况发生变化时，用户重新上报当前的位置信息、业务需求和信道链路状况，lsc重新动态进行功率和子载波的分配；

步骤四、判断lsc重新动态分配功率和子载波后，当前提供服务的ap集合是否满足用户的需求，如果是，保持当前状态不变；否则，lsc根据动态分配的结果关闭或者打开部分ap，以在满足用户业务需求的前提下最大化系统的能量效率。

具体为：判断用户需求是否增大，如果是，增加ap数量，使得增加ap后的ap集合可以恰好满足用户的业务需求。否则，用户需求降低，关闭部分ap，使得关闭部分ap后的ap集合可以恰好满足用户的业务需求。

具体增加或减少的ap数量用迭代算法求解获得，通过动态调整ap数量来提高系统的能量效率，从而实现了基于用户业务流的动态资源分配。

本方法考虑如下场景：接入点均匀分布，且位置固定，每个接入点的覆盖范围为10m，子载波个数为16。信道模型采用h0代表复高斯信道系数，r代表ap和用户之间的距离，α为路径损耗因子，本实施例取值4；选用瑞利衰落模型。此外，每个接入点的发送功率为27dbm，热噪声功率为-174dbm，载波频率为2.3ghz。

为了证明本文提出的多维资源分配机制的性能，选用了两种机制进行对比。

机制1(averageassignment)：平均分配；不考虑信道、用户需求，将资源平均分配，资源利用率低下。

机制2(daras)：感知时延的资源分配算法；没有考虑用户业务多样性对于资源分配的影响，以最大化系统吞吐量为目标，仅仅对频率资源以及功率分配进行了优化。

三种发射功率对应的能量效率与迭代次数关系曲线对比图，如图3所示，本文考虑了三种类型的ap，分别是微基站，微微基站和家庭基站；三种基站的发射功率分别是30dbm，27dbm和20dbm。微基站这种具有较大发射功率的ap可以提供更大的覆盖范围以及数据速率，而相应的链路损耗功率也较大。而家庭基站这种发射功率较低的ap虽然覆盖范围较小，可提供的数据速率较低，但其链路损耗功率也较低，从而可以获得更高的能量效率。

三种算法下迭代次数和能量效率之间的关系对比曲线图，如图4所示，本发明所提算法得到的全局最优解的功率分配情况，将各个ap分配的功率值求和并平均分配到各个ap的子信道，从而实现平均功率分配算法。从图中可以看出，本发明显著提高了系统的能量效率。在迭代初期，一段时间内所提算法获得的系统能效小于感知时延的资源分配算法。这是由于迭代开始生成的初始解和求解算法不同所导致的。然而随着迭代次数的增加，本发明所提算法得到的系统能效远大于感知时延的资源分配算法。这主要是因为本发明所提的算法考虑了用户不同业务流对提供服务的ap数量的影响。本发明所提算法可以在用户需求较低的时候关闭一部分ap，在满足用户需求的同时减少了系统的能耗。此外，由于平均分配算法没有考虑信道质量和子载波的占用情况，本发明所提算法可以获得比平均分配算法多四倍以上的系统能效。

本发明为用户提供服务的ap数量的改变，对系统速率与最大发送功率的影响图，如图5所示，本文将ap的数量从4增加到8，对于每一种情况求出对应的最大系统能效。从图中可以看出，系统能效随着ap数量增加逐渐下降。系统的能耗包括ap的发射功率和链路损耗功率两部分。当ap数量较少时，ap集合内部发射功率、链路损耗功率的和都较小，系统可以获得较高的能量效率，但相应的可以提供的数据速率偏低。当ap数量增多时，整个ap集合消耗的功率也随之增加，系统的能效就会降低。增加ap的数量可以提高系统的吞吐量，但付出的代价则是系统能效的降低，根据用户的业务需求动态调整ap的数量才能更好地提升系统的性能。