自组织异构网络中的资源优化配置
张鹤立, 纪红, 王永斌    
泛网无线通信教育部重点实验室(北京邮电大学), 北京 100876
摘要

针对自组织异构网络中的资源优化问题, 考虑网络能量效率和网络连接稳定性, 提出了一种资源配置方案.该方案分为3步, 首先能感知周围环境获取信道资源, 并将信道纳入可用信道频谱池; 其次通过基于莫尔斯势能的用户选择机制, 保证网络连接的稳定性, 同时降低数据传输功率损耗; 最后在前2步的基础上, 以提高网络能量效率为目标为用户分配功率.选择过程中按照莫尔斯势能值对用户进行排序, 优先选取具有较低势能值的用户提供服务, 而功率配置过程由障碍法完成.结果表明, 所提出的方案能节省数据传输功率损耗, 保证网络连接的稳定性, 并优化能量效率.

关键词: 异构网络     用户选择     功率配置     能量效率    
中图分类号:TN911.22 文献标志码:A 文章编号:1007-5321(2014)02-0005-04 DOI:10.13190/j.jbupt.2014.02.002
Resource Optimization in Self-Organized Heterogeneous Network
ZHANG He-li, JI Hong, WANG Yong-bin    
Key Laboratory of Universal Wireless Communications(Beijing University of Posts and Telecommunications), Ministry of Education, Beijing 100876, China
Abstract

To solve the resource optimization problem in self-organized heterogeneous networks, a resource configuration scheme is proposed. The novel scheme takes energy efficiency and connection stability of the network into account. This scheme includes three steps. Firstly, obtain the available channel resource through exploiting surrounding environment and then put the channels into the spectrum pool. Secondly, design user selection method on the basis of Morse potential which can guarantee network connectivity and reduce the transmission power cost. Finally, utilizing the results from the two former two steps, allocate proper power level to users while optimizing network energy efficiency. In the step of user selection, users are sorted according to the Morse potential and the ones with smaller morse potential value are selected and served with high priority. Power allocation is achieved by Barrier method. Simulation results show the advantage of the proposed scheme which can save transmission cost, guarantee stable network connectivity and gain higher energy efficiency.

Key words: heterogeneous network     user selection     power allocation     energy efficiency    

由于异构网络(HetNet,heterogeneous network)能支持高数据速率传输而成为业界的焦点[1],其中的一个热点问题是如何实现网络的自组织功能[2].网络自组织能力是指网络实现自我分析、自我配置以及自我治愈的过程.有研究人员通过设计自组织机制[2-4]降低网络干扰,然而现有研究在设计资源配置策略时并未考虑网络连接的稳定性和能量效率优化两方面因素.基于此,笔者提出一种自组织HetNet中资源优化配置方案.首先将认知技术引入低功率基站,新基站称做认知低功率基站(CLPN, cognitive low power nodes),该基站能检测周围信道状态,获得网络干扰;其次设计用户选择机制以保证基站与用户的连接稳定性.此外,通过功率分配优化网络能量效率.

1 系统模型1.1 系统架构

HetNet架构如图 1所示,包括宏基站(MBS, macro base station)、宏用户(MUE, macro user equipments)以及N个CLPN.假设整个频段划分为L个信道,记为=[1, 2, …, L].对于每个CLPN都有一组低功率用户(LUE,low power user equipments)集合请求接入.令gif表示第i个LUE到CLPNf的信道增益. PifN0表示CLPN分配给LUE的功率,N0表示高斯白噪声.

图 1 网络架构

信道模型:假设时间轴划分为T个等长度的时隙,O(t)(tT)为在每个时隙上信道的状态.

信道状态:忙状态,即周围用户利用该信道进行数据传输;空闲状态,即该信道并未被占用.那么,信道模型可以建模为一阶二状态Markov链[5].信道l的状态转移概率矩阵可以表示为,信道转移参数可以通过信道估计得到.那么,信道l处于忙与空闲状态的稳态概率分别为

1.2 问题描述

1) 频谱感知

CLPN采用“能量检测”法周期性地检测频谱状态,感知的空闲信道可聚合为频谱池QlmQlf分别表示信道l的漏检及错检概率[6]Hl0Hl1分别表示第l个信道实际处于忙和空闲状态,Zl0Zl1分别表示CLPN检测到信道忙或空闲,pl1表示检测到信道l空闲且信道实际处于未被占用状态的概率,那么

(1)

其中:p{Zl1|H0l}=Qlm, p{Zl1|Hl1}=1-Qlf, p{Hl0}=P{O(t)=0}, p{Hl1}=p{O(t)=1}. pl2表示检测到信道l可用但信道实际被占用的概率,则

当检测到信道l空闲时,CLPN占用该信道的概率为pl1+pl2.那么,如果信道l被分配给CLPNf中第i个LUE,LUE的传输速率可表示为

(2)

其中:Λ为信噪比间隙,该值与特定的调制解调方式以及比特错误率有关;χi, lf=1表示信道l被分配给LUEi;假设MUE或邻居CLPN在信道l上的干扰为Il,漏检概率会导致CLPN错误地使用信道l,那么LUE在l上受到的干扰为Iif=pl2Il=p{Hl0|Zl1}Il.

2) 用户选择

考虑频谱及功率资源的限制,CLPN并不能满足所有用户的传输需求.因此,CLPN需要从用户集合中选择用户集合来提供接入服务.为满足自组织网特性,所选的用户应与基站有稳定的连接性,同时有较低的传输功率损耗[7].采用莫尔斯势能(Morse potential)对网络连接的稳定性建模,得到

(3)

其中:Dif为“断链能量”,物理意义为在传输比特错误率低于一定阈值的前提下,保证LUE与CLPN连接所需要的功率;πif为与保持(i, f)连接相关的参数;BfBi分别为CLPN与LUE的位置向量.式(3) 表示CLPN与LUE之间的莫尔斯势能.为了保证网络连接稳定性,CLPN尽量选择具有较低莫尔斯势能值的LUE.假设选择的用户数目与可用信道数目相等,那么目标函数为最小化所有用户总莫尔斯势能值,即

(4)

仿真中网络连接是否稳定可通过用户的掉线比例来体现.另外,式(3) 还表示单位时间内在保持CLPN与LUE相连的前提下,为满足两者的传输所消耗的能量.那么,式(4) 表示可降低网络总的功率消耗.

3) 基于能量效率的功率配置

在1) 和2) 的基础上,下面以优化系统能量效率为目标,设计功率配置函数,并为中用户分配功率.能量效率为

(5)

其中:Pc为CLPN硬件功率损耗,Pif+Pc为CLPN为支持LUEi传输消耗的功率.假设CLPN总功率限制为Ptotal,那么CLPN分配给所有用户的传输功率之和应低于该值,即

考虑功率分配由CLPN各自执行,那么Pifχi, lf的上标f可以去掉.结合2) 可知目标函数为

(6)

其中为CLPN中用户的功率配置集合.

2 解决方案2.1 基于莫尔斯势能的用户选择

CLPN与请求接入的LUE进行信息交互,获取这些LUE的地理位置信息以及连接参数Difπif.根据式(3) 计算LUEi莫尔斯势能值Πi, f,按照该值对LUE排序,得到Π1, f≤…≤Πi, f≤…≤ ,选择前个LUE生成用户服务集合

2.2 基于能量效率优化的功率分配

定好用户集合后,目标函数式(6) 变为

(7)

由于U(pi)为拟凹函数,可作等价转换将其变为基于pi的凸函数U(Pi)=γi-φ(Pi+Pc),参数φ可将减号两侧参数调整到同一数量级.

为实现功率优化配置,采用凸优化方法寻找式(7) 的最优解.由目标函数及其约束条件可知解的集合是凸集,可采用障碍函数法[8]获得该问题的最优解,则式(7) 可转为障碍函数Φ():

(8)

,那么可生成基于参数t的函数:

(9)

其中:A={Ai},Ai=-1,i=1, …, 式(9) 的可行解能逼近式(7) 的解.式(9) 可由牛顿法来求解,具体过程如下.

寻找功率可行集,为t随机赋值t:=t(0) > 0,且设定ε > 0,μ > 1.

外循环{中心步骤:计算*(t);初始化牛顿法参数,寻找使得A=0. εn > 0, α∈{0, 0.5}, β∈{0, 1}.

内循环  {

  计算Δτ:=-Φ(

  如果τ/2≤εn,退出

  回溯到寻找Φ()行,s:=1

    while Φt(+sΔ) > Φt()-αsτ2

       s:=βs

    end while

   更新*(t)=;停止规则:(N+2)/t < ε}

   更新t:=μt}

结束

上述求解过程中,Δ可由卡罗需-库恩-塔克条件(KKT,Karush-Kuhn-Tucker conditions)获得,εεn分别表示障碍法和牛顿法的容忍参数,tμ分别表示调整外循环与内循环的次数.

3 仿真结果

下面通过仿真实验证明所提算法的性能. HetNet场景中部署3个MUE以及多个CLPN,每个CLPN有若干个用户待接入LUE. MBS的覆盖半径为350 m,CLPN的覆盖半径为20 m[3]. CLPN及其用户随机部署在宏小区中.假设子载波数为18,噪声N0=-8 dB,CLPN总发射功率为Ptotal=200 mW[3].

将提出的基于莫尔斯势能的用户选择机制与基于比例公平原则(P-fairness)机制以及最大化接收信噪比(M-SINR)的用户选择机制作对比(见图 2).结果显示,采用所提出机制的性能优于其他2种机制,能获得较高的网络能量效率,其中M-SINR机制所获得的能量效率最低.这是因为在传输同样比特数时,M-SINR机制所消耗的功率高于其他2种算法,从而使得能量效率较低.而P-fairness机制通过比例公平算法来保证每个用户的吞吐量,但是不能高效地利用功率资源.

图 2 基于Morse potential、P-fairness以及M-SINR的用户选择机制对比

图 3示出了所提出的基于莫尔斯势能的用户选择机制的性能.结果显示,所提算法用户掉线比例较低,能保持较稳定的网络连接.在P-fairness机制下[9],为了保证用户间的公平性,CLPN优先为具有较低吞吐量的用户分配资源,因此在资源受限的条件下,已经获得较高吞吐量的用户容易被中断与CLPN的连接.而对于M-SINR机制,当用户数目较多时,用户受到的干扰较大,在CLPN总功率一定的前提下,不能通过提升功率值来保证用户接收信号的信噪比,那么此时这些用户容易中断与CLPN的连接,从而增大了网络用户掉线比例.

图 3 对比基于Morse potential、P-fairness以及M-SINR机制的网络连接性能

图 4所示为采用功率分配(BM, barrier method)和基于QoS的功率分配(QPC, QoS-power control)以及平均功率分配(APA, average power allocation)算法对网络功率损耗的影响.结果显示,所提算法网络能节约较多的功率.随着用户数目的增多,网络能量消耗逐渐增大,当LUE数与可用子载波数目相等时,损耗达到最大值.这种现象产生的原因是当LUE数目增大到一定值时,网络资源变得匮乏而拒绝支持更多的LUE,因此网络功率损耗不再增加.

图 4 BM、QPC和APA算法对能量效率的影响
4 结束语

研究了自组织HetNet中资源优化配置问题.仿真结果显示,所提出的策略能有效降低数据传输消耗的功率,获得较高的能量效率,且保证网络连接性.所提算法可应用于自组织HetNet,通过资源的自配置实现自组织功能,同时高效地利用网络功率资源,降低功率消耗,并保证网络连接的稳定性.

参考文献
[1] Wei Ni, Collings I B. A new adaptive small-cell architecture[J].IEEE Journal on Selected Areas in Communications, 2013, 31(5): 829–839. doi: 10.1109/JSAC.2013.130502
[2] Bennis M, Perlaza S M, Blasco P, et al. Self-organization in small cell networks: a reinforcement learning approach[J].IEEE Transactions on Wireless Communications, 2013, 12(7): 3202–3212. doi: 10.1109/TWC.2013.060513.120959
[3] Imran A, Bennis M, Giupponi L. Use of learning, game theory and optimization as biomimetic approaches for self-organization in macro-femtocell coexistence[C]//Wireless Communications and Networking Conference Workshops (WCNCW), 2012 IEEE. Paris: IEEE Press, 2012: 103-108.
[4] Sardellitti S, Barbarossa S. Joint optimization of collaborative sensing and radio resource allocation in small-cell networks[J].Signal Processing, IEEE Transactions on, 2013, 61(18): 4506–4520. doi: 10.1109/TSP.2013.2267737
[5] Hyoil K, Shin K G. Efficient discovery of spectrum opportunities with MAC-layer sensing in cognitive radio networks[J].IEEE Transactions on Mobile Computing, 2008, 7(5): 533–545. doi: 10.1109/TMC.2007.70751
[6] Digham F F, Alouini M S, Simon M K. On the energy detection of unknown signals over fading channels[J].IEEE Transactions on Communications, 2007, 55(1): 21–24. doi: 10.1109/TCOMM.2006.887483
[7] Hai I, Llorca J, Davis C C. Nature-inspired self-organization, control, and optimization in heterogeneons wireless networks[J].IEEE Transactions on Mobile Computing, 2012, 11(7): 1207–1222. doi: 10.1109/TMC.2011.141
[8] Boyd S, Wandenberhe L. Convex optimization[M]. Cambridge: U.K. Cambridge Press, 2004.
[9] Sediq A B, Gonary R A, Yanikomeroglu H. Optimal tradeoff between sum-rate efficiency and jain's fairness index in resource allocation[J].IEEE Transactions on Wiveless Communications, 2013, 12(7): 3496–3509. doi: 10.1109/TWC.2013.061413.121703