一种云无线接入网络的资源分配方法与流程

本发明涉及网络资源分配技术领域，尤其涉及一种云无线接入网络的资源分配方法。

背景技术：

随着5g时代的到来，全球的移动数据流量迅猛增长，为了应对这种迫切的需求，工业界提出利用云无线接入网络(cloudradioaccessnetworks，cran)来强化频谱效率和减少能耗。它不同于传统的蜂窝网络，cran将基站的功能分为两部分：云端的集中处理单元(cloud-basedcentralunit，cu)和远端的无线头(remoteradioheads，rrh)，其中cu负责基带的信号处理和控制，rrh则为移动用户提供接入功能，如图1所示。在这种架构下，移动运营商只需要部署低能耗的rrh就能扩大网络覆盖范围，从而提高数据传输效率和服务质量(qualityofservice，qos)。

但是大量部署rrh也会导致很大的能耗，为了解决这个问题，提高能量效率(energyefficiency，ee)，结合能量获取(energyharvesting，eh)技术，rrh可以从环境能量源中获取能量，比如太阳能、风能等，补充电量持续运转。然而，eh过程受能量源和周围环境等多种因素影响，rrh从环境中获取的能量在时间维度上具有随机性，从而降低了cran提供的qos，因此还需依托电网(powergrid)为rrh供电才能保证网络的稳定性。可是eh的随机性和电价的实时变化对网络的资源分配带来一定的挑战，例如在低电价时，rrh可以购买更多的电能存储起来使用，相应地从外界获取的能量就会减少。

当前，有很多技术关注对传统蜂窝网或cran的研究。东南大学发明一种异构云无线接入网络中基于部分频率复用及基站协作的干扰抑制方法(专利号：cn106376995a)；南京理工大学公开了一种异构云无线接入网络安全感知能的效及功率分配优化方法(cn106211300a)以及异构云无线接入网络中拥塞控制下的安全资源优化方法(cn106060851a)；针对提高能量效率、有效分配通信资源的问题，也已经有大量文献研究，如文献1(j.li，m.peng，y.yu，andz.ding，“energy-efficientjointcongestioncontrolandresourceoptimizationinheterogeneouscloudradioaccessnetworks，”ieeetrans.veh.technol.，vol.65，no.12，pp.9873–9887，2016)所描述，得到了最大化时间平均的能效且维持网络稳定的算法。

现有技术中的这些工作只是考虑了电网供电或只针对传统的蜂窝网架构，不能处理网络中的随机性问题，计算复杂度过高，无法适用于混合能量供应的绿色云无线接入网络(hes-crans)的资源分配，因此需要提出一种可持续的资源分配策略来管理和分配hes-crans的资源。

技术实现要素：

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种更加稳定、性能更好，不但能最大化网络效用，同时还能保证远端无线头数据队列的稳定性，合理的电能控制策略，保证远端无线头持续的数据传输的云无线接入网络的资源分配方法。

为解决上述技术问题，本发明提出的技术方案为：一种云无线接入网络的资源分配方法，构建混合能量管理计算模型、数据请求控制计算模型和功率与信道分配计算模型，获取网络的状态参数，分别通过所述混合能量管理计算模型、数据请求控制计算模型和功率与信道分配计算模型计算优化的远端无线头的能量获取量数据获取量功率分配值能量购买量远端无线头编号n^*(t)、信道分配并更新网络状态；

所述混合能量管理计算模型用于根据当前的能量状态计算优化的能量获取量和能量购买量

所述数据请求控制计算模型用于根据时隙t的数据队列长度qn,m(t)、网络效用u(t)计算优化的数据请求量

所述功率与信道分配计算模型用于根据时隙t的数据队列长度qn,m(t)、能量状态、信道参数计算优化的功率分配值并根据所述功率分配值计算优化的信道分配

进一步地，所述混合能量管理计算模型中优化的能量获取量计算如式(1)所示：

式(1)中，为优化的第n个远端无线头在时隙t的能量获取量，为第n个远端无线头在时隙t的能量获取量上限，πn为第n个远端无线头的电池容量，en(t)为第n个远端无线头在当前时隙的可用能量，n为远端无线头的个数；

能量购买量计算如式(2)所示：

式(2)中，为优化的第n个远端无线头在时隙t从电网购买的电量，en(t)为第n个远端无线头在当前时隙的可用能量，πn为第n个远端无线头的电池容量，gmax为第n个远端无线头从电网购买电量的上限，为优化的第n个远端无线头在时隙t的能量获取量，β为预设的归一化参数，α(t)为当前t时隙的电价。

进一步地，所述数据请求控制计算模型中的优化的数据请求量计算如式(3)所示：

式(3)中，为优化的第n个远端无线头在时隙t为用户m请求的数据量，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，dn,m(t)为第n个远端无线头在时隙t为用户m请求的数据量，为时隙t的网络效用。

进一步地，所述功率与信道分配计算模型中功率分配值通过式(4)计算：

式(4)中，为优化的第n个远端无线头与第m个用户之间第k个信道的功率分配值，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，w为带宽，πn为第n个远端无线头的电池容量，en(t)为第n个远端无线头在当前时隙的可用能量，为第n个远端无线头与第m个用户之间第k个信道的参数，pt为传输功率的上限；

其中，如式(5)所示：

式(5)中，为第n个远端无线头与第m个用户之间第k个信道的参数，为第n个远端无线头与第m个用户之间第k个信道的增益，为第n个远端无线头与第m个用户之间距离的三次方，n0为频谱的噪声功率，w为带宽。

进一步地，所述根据所述功率分配值进行信道分配的具体步骤包括：通过匈牙利算法，对于任意已分配信道，根据远端无线头的电池容量、在当前的可用能量、功率分配值、数据队列及信道容量所确定的优化的远端无线头来分配信道。

进一步地，所述优化的远端无线头编号通过式(6)计算：

式(6)中，n^*为优化的远端无线头的编号，πn为第n个远端无线头的电池容量，en(t)为第n个远端无线头在当前时隙的可用能量，为优化的第n个远端无线头与第m个用户之间第k个信道的功率分配值，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，为第n个远端无线头与第m个用户之间第k个信道的信道容量。

进一步地，更新网络具体包括：

根据所述优化的能量获取量、能量购买量、功率分配值及信道分配更新网络中远端无线头下一时隙的可用能量；

根据所述优化的数据队列、信道分配、数据请求量更新网络中远端无线头下一时隙的数据队列。

进一步地，更新网络中远端无线头下一时隙的数据队列如式(7)所示：

式(7)中，qn,m(t+1)为t+1时隙第n个远端无线头存储的第m个用户的数据队列，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，为第n个远端无线头与第m个用户的第k个信道的信道容量，为优化的信道分配矩阵，为优化的第n个远端无线头在时隙t为用户m请求的数据量。

进一步地，更新网络中远端无线头下一时隙的可用能量如式(8)所示：

式(8)中，en(t+1)为第n个远端无线头在t+1时隙的可用能量，en(t)为第n个远端无线头在t时隙的可用能量，为优化的信道分配矩阵，为优化的第n个远端无线头与第m个用户之间第k个信道的功率分配值，为优化的第n个远端无线头在时隙t的能量获取量，为优化的第n个远端无线头在时隙t的能量获取量。

与现有技术相比，本发明的优点在于：

1、本发明的资源分配方法更加稳定、性能更好，不但能最大化网络效用，同时还能保证远端无线头数据队列的稳定性，合理的电能控制策略，保证远端无线头持续的数据传输。

附图说明

图1为hes-crans的网络结构图。

图2为本发明具体实施例流程示意图。

图3为本发明具体实施例结构示意图。

图4为本发明具体实施例rrh与用户的二分图。

图5为本发明具体实施例不同权重下网络效用示意图。

图6为本发明具体实施例不同权重下数据队列动态变化图。

图7为本发明具体实施例不同权重下能量队列变化动态图。

图8为本发明具体实施例不同权重下时间平均的电网能量消耗示意图。

图9为本发明具体实施例与贪心算法的性能对比示意图。

图10为本发明具体实施例与贪心算法在延迟性能方面的对比示意图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

在本实施例中，通过以下具体的实例对本发明进行说明。针对如图1所示的hes-crans的网络结构，包括1个cu，n个远端无线头(rrh)和m个用户(user)，每个远端无线头配备能量获取模块，如太阳能电池板。远端无线头的集合为{1，...，n，...，n}，用户的集合为{1，...，m，...m}。由于可再生能源具有周期性和随机性的特点，只依靠从环境中获取的能量不足以为用户提供可靠的服务，因此远端无线头还需从电网中购买能量。在这个系统中，cu先将数据通过前传链路将数据传输给远端无线头，然后远端无线头再通过无线通信技术将数据传输给用户，系统运行的频谱带宽平均分成k个正交信道，集合为{1，...，k，...，k}，cu周期性地给远端无线头分配信道来传输数据，表示信道分配矩阵，如果第n个远端无线头在时隙t通过信道k传输数据给用户m，则取值为1，否则取值为0，为了避免用户之间多信道冲突，每个信道只能分配给1个用户，每个用户最多由1个远端无线头提供服务。针对上述的网络构建网络模型，该网络模型满足约束：

在本实施例中，同时，针对云无线网络构建能量队列模型，用来描述远端无线头的异构能量供应和能量队列的动态变化。用en(t)表示远端无线头从外界环境中获取的能量，如太阳能转化为电能。用gn(t)表示远端无线头从电网中购买的能量。用表示从外界环境中获取能量的上限，用gmax表示从电网中购买能量的上限。且满足如下约束：0≤gn(t)≤gmax。为了节约成本，远端无线头可以根据电价的变化来购买电能，定义α(t)为t时刻的电价。如果第n个远端无线头通过信道k给用户m传输数据，定义为第n个远端无线头与用户m之间信道k的传输功率，满足如下约束：其中pt为传输功率的上限。对于任意远端无线头，其可消耗的能量不能超过可用的能量，因此，须满足约束：en(t)为第n个远端无线头在当前时隙的可用能量，和参数和同前述定义一致。同时，远端无线头从外界环境中获取的能量与从电网中购买的能量之和不能超过远端无线头的电池容量，因此，还须满足约束：其中，πn为第n个远端无线头的电池容量，其余参数的定义同前述定义一致。

在本实施例中，还针对云无线网络构建数据队列模型，用来描述远端无线头中数据队列的变化情况。在云无线网络中，远端无线头通过前传链路从cu中请求数据，定义dn,m(t)为第n个远端无线头在时隙t为用户m请求的数据量，定义fn为第n个远端无线头的前传链路容量，则对于任一远端无线头，满足如下约束：并且，在任意时隙里，远端无线头的数据请求量都不能超过cu中可用的数据量am，即满足如下约束：am为cu中第m个用户的可用的数据量。远端无线头将请求到的数据存储在数据缓冲区的数据队列中，定义qn,m(t)表示为t时隙第n个远端无线头存储的第m个用户的数据队列。远端无线头通过分配的信道给用户传输数据，相应的信道容量定义为满足：其中，w为带宽，为第n个远端无线头与第m个用户之间第k个信道的增益，为远端无线头m与用户n之间距离的三次方，n0为频谱的噪声功率，其余参数的定义同前述定义一致。通过以上网络模型、能量队列模型和数据队列模型来模拟云无线接入网络，并在本实施例中通过该模型来验证本发明的方法。

本实施例的云无线接入网络的资源分配方法，构建混合能量管理计算模型、数据请求控制计算模型和功率与信道分配计算模型，获取网络的状态参数，分别通过所述混合能量管理计算模型、数据请求控制计算模型和功率与信道分配计算模型计算优化的远端无线头的能量获取量数据获取量功率分配值能量购买量远端无线头编号信道分配并更新网络状态；所述混合能量管理计算模型用于根据当前的能量状态计算优化的能量获取量和能量购买量所述数据请求控制计算模型用于根据时隙t的数据队列长度qn,m(t)、网络效用u(t)计算优化的数据请求量所述功率与信道分配计算模型用于根据时隙t的数据队列长度qn,m(t)、能量状态、信道参数计算优化的功率分配值并根据所述功率分配值计算优化的信道分配

在本实施例中，对于远端无线头的混合能量管理，可以表征为如式(9)所示：

式(9)中，en(t)为第n个远端无线头从外界环境中获取的能量，en(t)为第n个远端无线头在当前时隙的可用能量，πn为第n个远端无线头的电池容量，gn(t)为第n个远端无线头从电网中购买的能量，v为预设的非负的权重值,β为预设的归一化参数，α(t)为t时刻单位电量的价格。

从式(9)可以看出，混合能量管理问题是一个线性规划问题，因为en(t)和gn(t)在目标函数中是线性组合的，所以可以分别对能量获取量和能量购买量分别求解。

在本实施例中，由于远端无线头的可用的能量不能超过电池容量πn，即需要满足en(t)-πn(t)<0，那么式(9)的目标函数随着能量获取量的值e(t)而单调减小，因此，混合能量管理计算模型中能量获取量计算如式(1)所示：

式(1)中，为优化的第n个远端无线头在时隙t的能量获取量，为第n个远端无线头在当前时隙的能量获取量的上限，πn为第n个远端无线头的电池容量，en(t)为第n个远端无线头在当前时隙的可用能量，n为远端无线头的个数。式(1)表明通过求解式(9)的问题，远端无线头会尽可能地从外界环境获取能量来充电，因为相比电网能量而言，从外界环境获取的可再生能量是免费的。

在本实施例中，从式(9)可知，如果vβα(t)+en(t)-πn(t)<0，那么式(9)的目标函数随着能量购买量g(t)的值单调减小，反之递增。因此，能量购买量计算如式(2)所示：

式(2)中，为优化的第n个远端无线头在时隙t从电网购买的电量，en(t)为第n个远端无线头在当前时隙的可用能量，πn为第n个远端无线头的电池容量，gmax为第n个远端无线头从电网购买电量的上限，为优化的第n个远端无线头在时隙t的能量获取量，β为预设的归一化参数，α(t)为当前t时隙的电价。从式(2)可以看出，当电力市场的电价较低时，远端无线头从电网中购买能量来为电池充电。

在本实施例中，数据请求控制计算模型中优化的的数据请求量计算如式(3)所示：

式(3)中，为优化的第n个远端无线头在时隙t为用户m请求的数据量，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，dn,m(t)为第n个远端无线头在时隙t为用户m请求的数据量，为时刻t的网络效用。根据式(3)的构造，效用函数是可导的凹函数，所以，在本实施例中，数据请求控制问题是凸优化问题，因此可用标准的凸优化工具(cvxtool)来求解。

在本实施例中，将无线网络的功率和信道分配问题表征为式(10)所示：

式(10)中，为信道分配矩阵，πn为第n个远端无线头的电池容量，en(t)为第n个远端无线头在当前时隙的可用能量，为第n个远端无线头与用户m之间信道k的传输功率，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，为第n个远端无线头与第m个用户的第k个信道的信道容量。在功率和信道分配问题中，信道分配矩阵中的信道分配矩阵是离散变量，传输功率是连续变量，因此，功率和信道分配分配问题为一个混合整数规划问题。在本实施例中，为了解决功率和信道分配问题，将这个问题转化为二分配问题。即，首先，在优化传输功率时不考虑信道分配通过把优化的功率分配问题的解代入到功率和信道分配问题的目标函数中，将功率和信道分配问题转化为含信道分配矩阵的三维匹配问题，即信道分配问题。

在本实施例中，功率与信道分配计算模型中功率分配值通过式(4)计算：

式(4)中，为优化的第n个远端无线头与第m个用户之间第k个信道的功率分配值，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，w为带宽，πn为第n个远端无线头的电池容量，en(t)为第n个远端无线头在当前时隙的可用能量，为第n个远端无线头与第m个用户之间第k个信道的参数，pt为传输功率的上限。

其中，如式(5)所示：

式(5)中，为第n个远端无线头与第m个用户之间第k个信道的参数，为第n个远端无线头与第m个用户之间第k个信道的增益，为第n个远端无线头与第m个用户之间的距离的三次方，n0为频谱的噪声功率，w为带宽。

在本实施例中，根据功率分配值进行信道分配的具体步骤包括：通过匈牙利算法，对于任意已分配信道，根据远端无线头的电池容量、在当前时隙的可用能量、功率分配值、数据队列及信道容量所确定的优化的远端无线头来分配信道。

在本实施例中，优化的远端无线头通过式(6)计算：

式(6)中，n^*为优化的远端无线头的编号，πn为第n个远端无线头的电池容量，en(t)为第n个远端无线头在当前时隙的可用能量，为优化的第n个远端无线头与第m个用户之间第k个信道的功率分配值，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，为第n个远端无线头与第m个用户之间第k个信道的信道容量。

在本实施例中，以具有4个远端无线头和4个用户的云无线网络为例来说明，如图4所示，该无向图可看成二分图，我们的目标是求解此图的最大匹配，即这个二分图的所有匹配中，所含匹配边数最多的匹配。

1.从第一个未匹配rrh-1出发，搜索未匹配过的用户-1,由于用户-1没有被连接过，则rrh-1余用户-1建立连接，并标记用户-1；

2.考虑rrh-2，发现第1个与它连接的用户-2未匹配，则rrh-2与用户-2建立连接，并标记用户-2；

3.考虑rrh-3，由于与它首次连接的用户-1已经建立连接，则返回第1步，为rrh-1重新寻找匹配，发现与rrh-1第二个连接的用户-2已被标记，则继续返回到第2步。

4.此时发现rrh-2还能与用户-3匹配，则将rrh-2与用户-3建立连接，那么rrh-1与用户2匹配边，rrh-3与用户1匹配边。

5.考虑rrh-4，由于用户-1已经被匹配，所以rrh-4只能与用户-4建立连接。

经过匈牙利算法的上述5个步骤，为所有的rrh和用户都找到了优化的传输信道，并实现了最大匹配，其伪代码如下所示：

在本实施例中，根据数据队列、信道分配、数据请求量更新网络中远端无线头下一时隙的数据队列。如式(7)所示：

式(7)中，qn,m(t+1)为t+1时隙第n个远端无线头存储的第m个用户的数据队列，qn,m(t)为t时隙第n个远端无线头存储的第m个用户的数据队列，为第n个远端无线头与第m个用户的第k个信道的信道容量，为优化的信道分配矩阵，为优化的第n个远端无线头在时隙t为用户m请求的数据量。

在本实施例中，更新网络具体包括：根据能量获取量、能量购买量、功率分配值及信道分配更新网络中远端无线头下一时隙的可用能量；如式(8)所示：

式(8)中，en(t+1)为第n个远端无线头在t+1时隙的可用能量，en(t)为第n个远端无线头在t时隙的可用能量，为优化的信道分配矩阵，为优化的第n个远端无线头与第m个用户之间第k个信道的功率分配值，为优化的第n个远端无线头在时隙t的能量获取量，为优化的第n个远端无线头在时隙t的能量获取量。

在本实施例中，整个hes-crans系统的效用由用户效用和购买能量所造成的效用损耗组成，因此，网络效用可表示成式(11)所示：

式(11)中，u(t)为网络效用，为时刻t的网络效用，β为预设的归一化参数，α(t)为t时刻的电价，gn(t)为第n个远端无线头从电网中购买的能量。

在本实施例中的网络模型，即构造一个优化问题，目标是最大化时间网络效用，即在本实施例中，在不同的权重v下，网络效用如图5所示，表明随着网络效用随着权重v的增加而增加，然而增长率随之变小。这是因为v值越大，远端无线头需要配备更大的数据缓冲区和能量缓冲区，增长率减少意味着由更大的缓冲区带来的收益要降低，在这种情况下，hes-crans需要获取更多的能量或者补充低成本的能量来提高净收益。

在本实施例中，用ω(t)＝(q(t),e(t))表示网络状态，定义李雅普诺夫方程l(t)，由数据队列长度和远端无线头的电池剩余容量的平方和组成，如式(12)所示：

式(12)中，l(t)为李雅普诺夫方程值，其余参数与前述定义相同。

再定义李雅普诺夫偏移δ(t)，它表示在网络状态ω(t)给定的条件下，时隙t+1与时隙t之间李雅普诺夫方程差值的期望，如式(13)所示：

δ(t)＝e[l(t+1)-l(t)|ω(t)](13)

式(13)中，各参数与前述定义相同。

在本实施例中，由于网络效用最大化问题的目标是优化hes-cran收集到的信息所产生的效用，为此把网络效用函数整合至李雅普诺夫偏移中，得到偏移减效用函数γ(t)，如式(14)所示：

γ(t)＝e[+(t)-vu(t)|ω(t)](14)

式(14)中，各参数与前述定义相同。其中v是一个非负的权重值，它表示网络效用在γ(t)中的比重，v的值越高，说明网络效用的比重越高，因此通过调整v的值来实现网络中队列长度和网络效用优化的折中。

在本实施例中，在不同权重v下的数据动态变化如图6所示。该图表明远端无线头一开始倾向于向cu请求更多的数据来最大化网络效用，但是一开始能量有限，不能传输数据，所以数据队列不断增加，最终队列长度趋向于波动和平衡。

在本实施例中，在不同权重v下的能量队列变化动态如图7所示，它与数据队列的变化趋势相似，该图表明远端无线头一开始倾向于补充电量，当电池电量达到某个水平时，远端无线头开始传输数据来维持充电和放电的平衡，因此最终会在某个值的范围内上下波动。

在本实施例中，在不同权重v下时间平均的电网能量消耗如图8所示，由于随着v值的增加，电网能量占主导地位，电网能量的消耗在减少，并且远端无线头可以通过购买电网能量获得更高的用户效用。

在本实施例中，通过将本发明的性能与传统的贪心算法的性能进行对比如图9所示，可以看出，尽管贪心算法在每个时隙都通过请求更多的数据来最大化目标函数，但是它没有考虑到队列长度和网络效用最大化之间的平衡，因此和本发明提出的算法相比，其净增益更低。此外，贪心算法仅在v从400增加到800时实现稍高的净增益，这意味贪心算法不能充分利用更大的数据队列和电池容量带来的好处。

在本实施例中，通过将本发明与传统的贪心算法在延迟方面的性能进行对比如图10所示，结果表明，贪心算法的时间平均数据队列的长度接近数据缓冲区大小，远大于本发明实施例提出的算法。根据little定律，时间平均队列长度与队列延迟成正比，所以图10的结果表明本发明实施例的算法在延迟性能方面优于贪心算法。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。