针对机器间通信终端分布不均引起的系统吞吐量减小和用户接入时延增大等问题，提出一种多小区机器间通信负荷均衡算法，综合考虑了各小区机器间通信接入负荷因子以及机器间通信设备的信号质量，建立了优化模型并将其近似为凸优化问题，实现了各小区间的负荷均衡.仿真结果表明，当小区间负荷不均时，所提多小区机器间通信负荷均衡算法能大大改善系统吞吐量和用户接入时延性能.
In multi-cell scenario, the uneven distribution of machine-to-machine (M2M) terminals seemly leads to problems of system access throughput decrease and user access delay increase. To address these issues, a M2M load balancing algorithm was proposed. The algorithm builds up a model associated with cell signal quality and cell load factor. The problem approximates a convex optimization one, thus realizing load balancing. Simulation shows that, through employment of the proposed algorithm, the performance of access throughput and access delay is improved greatly.
机器间通信(M2M，machine-to-machine)拥有数以亿计的通信设备，很容易造成移动通信网的无线接入网过载及信令网络拥塞[1-2].此外，M2M终端的分布不均衡会导致小区间负荷不均.因此有必要研究多小区场景下的M2M负荷均衡，通过均衡各小区负载，缓解网络拥塞，提升系统吞吐量和时延性能[3-4].
目前，已有文献从小区间协作和小区选择等角度研究多小区场景下的M2M负荷均衡. Lien等[5]研究了M2M多小区协作接入类禁止(ACB，access class barring)机制，得到最优ACB因子进行接入控制，实现小区间负荷均衡，该算法仅考虑了各基站负荷，未考虑小区信号质量. Hasan等[6]提出了一种基于Q学习算法的M2M终端小区选择方法，M2M终端通过测量其服务质量(QoS, quality of service)选择服务基站，但是仅考虑了用户的服务质量QoS，没有考虑各小区的接入负荷，很可能造成小区间负荷不均. Kim等[7]提出了一种预测小区负荷的方法，由于M2M流量的突发性，很可能发生预估负荷与实际负荷相差较大的情况.
针对上述文献没有充分考虑M2M通信突发性，且没有综合考虑各小区负荷因子和用户信号质量的问题，笔者提出了一种多小区负荷均衡算法，根据M2M的小区接入概率和ACB参数估计各小区负荷因子，更准确地反映小区实际负荷状况，并结合小区信号质量建立优化模型，充分考虑了用户信号质量和小区负荷，提升了系统吞吐量，减小了用户接入时延.
1 系统模型支持M2M通信的长期演进(LTE，long term evolution)移动通信系统如图 1所示.系统中有2个基站eNB1和eNB2，其覆盖范围内有多个M2M终端，其中M2M终端1和M2M终端2位于2个基站的重叠覆盖区域，接入基站eNB1的M2M终端数目明显大于基站eNB2.
|
图 1 系统场景 |
M2M终端采用基于竞争的随机接入方式接入信道.由于接入类禁止机制和均匀退避机制是LTE中常用的接入控制方法，笔者选择这2种机制作为后续分析的基础. M2M终端到达具有突发性，其流量分为常规流量和突发流量，在短时间范围内，M2M终端的到达服从泊松分布[8].
假设各基站能够获取到M2M终端的距离，M2M终端u接入小区i的信干噪比[7]为
|
(1) |
其中：Pu, i为M2M终端u接入小区i的基站发射功率，hu, i为M2M终端u接入小区i的平均信道增益，du, i为M2M终端u到基站i的距离，α为路径损耗指数，σ2为噪声功率，可取为常用噪声功率值，Iu, i为终端u受到的来自其他小区的干扰，可以表示为
|
(2) |
根据香农公式计算M2M终端接入各小区可获得的数据速率
|
(3) |
其中：Bu, i为M2M终端u接入小区i的系统带宽.
2 多小区负荷均衡算法多小区负荷均衡算法包括收益函数构造、优化模型建立和优化问题求解3部分，下面分别对这3部分进行描述.
2.1 收益函数M2M负荷均衡算法的提出是为了提升各小区间的公平性，避免某小区过载而其他小区空闲的情况发生，在小区选择环节缓解网络拥塞，降低M2M终端的接入时延，同时保证系统吞吐量性能. M2M负荷均衡的对象是到达的M2M终端，根据计算得到的M2M终端的接入概率进行小区接入，以达到负荷均衡的效果.
多小区M2M负荷均衡算法中的收益函数构造应满足以下准则：
准则1 在一定的终端到达率下，到达M2M终端的小区接入概率与其信号质量呈正比；
准则2 M2M终端接入某小区的收益与该小区负荷呈反比.
根据收益函数构造准则，接下来给出负荷因子的计算方法.
2.1.1 负荷因子设测量区域内小区个数为M，M2M终端个数为K，终端u接入小区i的概率因子为pu, i，u=1, …, K，i=1, …, M，终端小区接入概率的矢量表示为p，可用前导序列数为N，则在终端u接入小区i时，PRACH上某前导序列被占用的概率[8]为
|
(4) |
为表示方便，令p′l, i=pl, i/N，由式(4) 得，终端u无法成功接入小区i某前导序列的概率为p′u, iqu, i(p)，则终端u无法成功接入小区i的概率为
|
(5) |
假设小区i的ACB控制因子为qi，则成功接入小区i的M2M终端数目为
|
(6) |
可以将Ni(p)看做小区i的负荷因子.
2.1.2 收益函数构造根据准则1，将M2M终端接入各小区可获得的数据速率作为终端的收益，同时终端进行小区接入必然有一定的代价，根据准则2综合考虑各小区负荷，则M2M终端u接入小区i的收益函数为
|
(7) |
各终端的收益函数是效用和代价的差值与小区负荷的比值.其中：Ru, i与信号质量相关；Cu, i为终端u接入小区i的代价，即终端接入小区时每单位功率需支付一定的代价，Cu, i可以进一步表示为
|
(8) |
其中：gu为根据M2M终端优先级确定的效用代价权值，表示终端愿意为其获得的数据速率付出代价的意愿强度，gu应保证Cu, i与Ru, i在同一个数量级且具有相同的量纲，终端优先级越高，gu越大；πi为基站i单位发射功率的价格.
M2M负荷均衡算法的最终目标是协调各M2M终端的小区选择，使系统整体收益最大，故系统总的收益函数为
|
(9) |
系统总收益是各终端收益的总和，其中变量p为终端接入小区的概率，其元素的取值范围为[0, 1]，且一个M2M终端至多接入一个小区，故应满足
|
(10) |
小区i的ACB控制因子为qi，若系统吞吐量性能达到最佳状态，即每时隙接入的终端数等于可用前导序列数，则应满足
|
(11) |
其中：N为前导序列数，M为小区个数.
2.2 优化模型根据多小区M2M负荷均衡算法的目标，建立优化模型，优化模型如式(12)~式(15) 所示，其中式(13)~式(15) 为目标函数的约束条件，求解该优化模型即可得到M2M终端最优小区接入策略.
|
(12) |
|
(13) |
|
(14) |
|
(15) |
该问题为线性约束非线性规划问题，求解一组满足约束条件式(13)~式(15) 的p使收益函数取得最大值，由此得到每个终端的最佳服务小区.
将式(4)~式(8) 带入式(9) 得
|
(16) |
式(16) 可以表示为
|
(17) |
当Qu, i < 0时，由式(12)~式(15) 构成的优化问题可以近似为凸优化问题，该问题可以采用内点法进行求解.
2.3 负荷均衡算法基站根据小区信号质量和系统带宽等信息计算M2M终端接入各小区的可达数据速率及接入代价，并利用ACB控制因子及小区接入概率估计各小区负荷因子.在得到构造收益函数所需所有信息后，基站进行收益函数构造及优化模型建立，利用内点法计算接入概率，各终端选择接入概率最大的小区作为其服务小区，实现小区间的负荷均衡.
多小区负荷均衡算法步骤如下:
步骤1 基站根据式(3) 和式(8) 计算接入各小区的可达数据速率Ru, i及接入代价Cu, i；
步骤2 基站确定收益函数及其约束条件，建立优化模型，见式(12)~式(15)，并近似为凸优化模型，见式(17)、式(13)~式(15)；
步骤3 基站利用内点法计算接入各小区的概率popt；
步骤4 M2M终端接收基站发送的小区接入概率，并选择其接入概率最大的小区作为服务小区，实现小区间的负荷均衡.
3 仿真及性能分析3.1 仿真内容及参数用Matlab对多小区M2M负荷均衡方法的性能进行仿真.仿真中的测量区域包含7个小区，各基站间的距离为1 km，有1 000个活跃的M2M终端随机分布在测量区域内. M2M终端的到达率服从泊松分布，式(8) 中πi和gu的取值均为1.仿真时间设置为100 s.
表 1为配置的系统仿真参数，满足Qu, i < 0的条件.
|
表 1 仿真参数配置 |
负荷均衡算法的有效性通过系统吞吐量和用户接入时延来描述.系统吞吐量定义为单位时间内系统实际传输业务量与信道允许的最大业务量之比，用单位时间内成功接入的终端数目与允许接入的最大M2M终端数目之比来衡量.用户接入时延定义为从M2M终端发起随机接入请求到成功接入所花费的时间.
3.2 仿真结果及理论分析图 2所示为M2M终端采用负荷均衡算法和不采用负荷均衡算法进行随机接入的系统吞吐量对比.
|
图 2 负荷均衡方法前后吞吐量性能对比仿真结果 |
由图 2可以看出，各到达率下，负荷均衡算法作用下的系统平均吞吐量及系统最低吞吐量均大于无负荷均衡算法作用的相应的吞吐量，如到达率为600 n/slot时，系统平均吞吐量由0.159提升为0.163，系统最低吞吐量由0.093提升为0.148，吞吐量性能得到提升.
图 3所示为M2M终端采用负荷均衡算法和不采用负荷均衡算法进行随机接入的用户接入时延对比.
|
图 3 负荷均衡方法前后时延性能对比仿真结果 |
由图 3可以看出，负荷均衡算法作用下的用户平均接入时延保持不变，最大接入时延小于无负荷均衡作用的接入时延，如到达率为600 n/slot时，用户平均接入时延为0.108 s左右，基本保持不变，而最大接入时延由0.127 2 s减小为0.115 3 s，用户接入时延性能得到提升.
综合图 2和图 3，随着到达率的增加，系统吞吐量和时延性能没有明显的恶化；通过使用提出的负荷均衡算法，提高了系统吞吐量，降低了时延性能，能够有效避免空闲小区的资源浪费和密集小区的拥塞.
优化模型中，收益函数的构造综合考虑了M2M终端的干扰状况及小区负荷，负荷均衡算法中，M2M终端根据收益最大化原则进行小区接入，选择附近较空闲且信号质量强的小区作为其服务小区，进而改善小区间负荷不均的状况，在较小的信令开销和资源利用等代价下，提高测量区域内系统吞吐量，减小用户接入时延，仿真结果符合理论分析.
4 结束语利用多小区M2M负荷均衡算法解决多小区场景下的信令拥塞和网络过载问题，该算法中，基站利用小区接入概率和ACB控制因子预估小区负荷，通过构造与小区信号质量和小区负荷相关的收益函数建立优化模型，最大化收益得到M2M近似最优小区接入策略，在较小的信令开销和资源利用等代价下，提高系统吞吐量性能和接入时延性能，有效解决了大规模M2M设备同时接入造成的网络拥塞.
| [1] | TR37. 868 V11. 0. 0—2011. Study on RAN improvements for machine type communications[S]. Valbonne, France: 3GPP, 2011: 8-10. |
| [2] |
孙其博, 刘杰, 范春晓, 等. 物联网:概念、架构与关键技术研究综述[J]. 北京邮电大学学报, 2010, 33(3): 1–9.
Sun Qibo, Liu Jie, Fan Chunxiao, et al. Internet of things:summarize on concepts, architecture and key technology problem[J].Journal of Beijing University of Posts and Telecommunications, 2010, 33(3): 1–9. |
| [3] | Ksentini A, Hadjadj A Y, Taleb T. Cellular-based machine-to-machine:overload control[J].Network, IEEE, 2012, 26(6): 54–60. doi: 10.1109/MNET.2012.6375894 |
| [4] | Kwon T, Choi J W. Multi-group random access resource allocation for M2M devices in multicell systems[J].Communications Letters, IEEE, 2012, 16(6): 834–837. doi: 10.1109/LCOMM.2012.041112.112568 |
| [5] | Lien S Y, Liau T H, Kao C Y, et al. Cooperative access class barring for machine-to-machine communications[J].Wireless Communications, IEEE Transactions on, 2012, 11(1): 27–32. doi: 10.1109/TWC.2011.111611.110350 |
| [6] | Hasan M, Hossain E, Niyato D. Random access for machine-to-machine communication in LTE-advanced networks:issues and approaches[J].IEEE Communications Magazine, 2013, 51(6): 86–93. doi: 10.1109/MCOM.2013.6525600 |
| [7] | Kim H, De V G, Yang X, et al. Distributed α-optimal user association and cell load balancing in wireless networks[J].IEEE/ACM Transactions on Networking (TON), 2012, 20(1): 177–190. doi: 10.1109/TNET.2011.2157937 |
| [8] | Paiva R C D, Vieira R D, Saily M. Random access capacity evaluation with synchronized MTC users over wireless networks[C]//Vehicular Technology Conference (VTC Spring). Yokohama: IEEE Press, 2011: 1-5. |