2. 重庆邮电大学 移动通信重点实验室, 重庆 400065
针对密集蜂窝网络中采用封闭用户集接入控制的微蜂窝对室内宏用户会产生强烈干扰的问题, 提出了一种基于负载感知的动态增强型小区间干扰协调方案.该方案使用基于马尔可夫链的预测算法, 预估了网络负载变化趋势, 避免了由于LTE系统时延引起近乎空白子帧错误配置最终导致系统容量下降的问题; 该方案基于网络负载预测结果, 动态调整微基站近乎空白子帧配置比例, 建立基于动态近乎空白子帧比例配置的最大化系统吞吐量优化模型; 仿真结果表明, 与传统的增强型小区间干扰协调方案对比, 该方案可以在吞吐量性能上获得显著的提高.
2. Key Lab of Mobile Communications Technology, Chongqing University of Posts and Telecommunications, Chongqing 400065, China
To eliminate interference from picoevolved Node Bused in closed subscriber group control, a dynamicload-aware-based enhanced inter-cell interference coordination (eICIC) scheme was proposed. First, the scheme is used to estimate changes in network load by forecasting the Markov chain. As a result, the incorrect configuration of almost-blank subframes (ABS) caused by time latency in the LTE system can be avoided. Such incorrect configuration reduces system capacity. Second, the scheme is used to dynamically reconfigure ABS based on the forecasted Markov chain. An optimized system model based on dynamic reconfiguration of ABS was proposed to maximize system throughput. Simulation demonstrates that the proposed scheme did increase overall system throughput significantly compared with traditional eICIC schemes.
针对LTE-Advanced异构网络中出现的同频干扰，目前多采用增强型小区间干扰协调(eICIC, enhanced inter-cell interference coordination)管理和多点协作传输技术作为干扰管理技术.在传统的eICIC方案中，宏基站在近乎空白子帧(ABS，almost blank subframe)内保持静默，仅传输控制信令，良好地抑制了对同频工作的微蜂窝所造成的干扰，从而显著提高通信质量.
Deb等[1]通过ABS技术与小区范围扩展技术(RE，range extension)相结合，实现在异构网络中的干扰管理. RE的范围对eICIC性能的影响Wang等[2]做了详细的分析. eICIC也可以与负载均衡相结合[3]，通过动态RE技术[4]将热区的负载转移给冷区，再利用ABS抑制干扰，最终实现全局性能的提高. Liu等[5]提出了区别于传统的动态空白资源块，通过动态分配资源块实现干扰管理.
在密集异构网络环境中，微蜂窝普遍采用封闭用户集(CSG, closed subscriber group)接入控制，并且多为室内通信. Lembo等[6]提出了利用微基站提供ABS的方案.
1 网络模型在CSG场景下，室内宏用户接收宏基站的信号损耗较大同时受到微基站的干扰，将这类宏用户称为室内宏用户(I-MUE, inside macrocell user equipment)，而其他宏用户称为户外宏用户(O-MUE, outside macrocell user equipment)，微蜂窝内用户则称为微用户(PUE, picocell user equipment).
在实际中网络负载是实时变化的，ABS配置对网络资源利用率会产生重要的影响.笔者结合网络中实时变化的负载提出了基于负载感知的动态干扰管理方案，并针对LTE系统时延对干扰管理的不利影响做出了相应优化.整体网络场景如图 1所示.
|
图 1 异构网络场景拓扑图 |
动态ABS配置对网络回路要求较高，然而在LTE系统中存在较大的时延开销，因此本方案提出使用马尔可夫预测机制来对业务进行预测，提前进行ABS动态配置.网络负载变化可以用马尔可夫状态转移来描述，通过学习其历史变化趋势来预测将来负载状态.
微基站通过预测I-MUE的负载波动来提前调整ABS配比.根据网络负载及实际需要，将负载状态划分为N个级别，可以表示为从低到高的有限状态空间：
|
设置统计学习时间长度为γ帧，除控制时隙外一帧内有8个样本值，方案中针对1帧的平均负载进行预测.假设在t时隙系统处于初始状态Sti的概率为P(Sti)，下一时隙系统处于状态St+1j的概率为P(St+1j|Sti)，此时状态转移概率可以表示为
|
(1) |
其中：Nt(Sti)为t时刻状态i的数量. Nt(Sti|St+1j)为t时刻状态为i且下一时刻状态转移为j的次数.由切普曼-科尔莫格洛夫(Chapman-Kologorov)方程可以导出：
|
(2) |
其中：Pk+nx为系统在k+n时刻下向各负载状态转移的概率矩阵，P(Sk+n)为所构造的最终状态转移概率矩阵.
在算法统计学习过程中，学习时间γ对预测的准确性有着至关重要的作用，过长或过短的γ都会导致预测性能下降.为了评估预测算法的准确性，方案中引入了预测误差概率ΔP的概念：
|
(3) |
其中：
不同学习时间下的预测误差概率对比如图 2所示.
|
图 2 不同学习时间下的预测误差概率统计概率分布图 |
为了获得一个高效准确的预测算法，方案中为预测误差概率设定了门限Pthreshold，取每个时隙的预测误差概率与预测误差概率门限做比较：
|
(4) |
当系统判断此时的预测误差超过Pthreshold时，便会提高学习时间.在下一个时刻若预测误差仍然高于门限值，则继续提高学习时间，反之则保持当前的学习时间.
本方案预设系统的学习时间为100 ms，预测误差概率门限值为0.15.
基于马尔可夫的负载状态预测共分为3个主要阶段，分别是统计学习阶段、预测计算阶段、模型校正阶段，整体流程如图 3所示.
|
图 3 基于马尔可夫的负载状态预测流程 |
本方案通过改变ABS配置比例m来提高网络吞吐量.假设网络中共有Nu个用户，单宏蜂窝中有业务申请的用户数以及微蜂窝数量分别为NI-MUE、NO-MUE、NPUE、Npico.研究中使用t时刻I-MUE数和PUE数的比值来反应当前网络负载状态，用于体现I-MUE和PUE对网络资源的需求，并以此得到ABS比例m：
|
(5) |
其中C(·)表示网络负载状态与ABS比例的映射.为了体现网络场景中的真实吞吐量，方案中只统计预测正确情况下的I-MUE吞吐量，用R表示吞吐量，优化模型可写为
|
(6) |
为了防止ABS内用户占用资源过多，提高系统公平性，为PUE用户设定了吞吐量保障的限制条件：由于ABS比例调整所导致的PUE的吞吐量下降幅度不能超过原吞吐量的20%，见式(9)，其中RPUETn和RPUETn+1分别为n时刻与n+1时刻下PUE的吞吐量.并且限定ABS比例最大值为6/8，即至少保留2个子帧进行PUE数据传输.
最终限制条件为
|
(7) |
|
(8) |
|
(9) |
|
(10) |
I-MUE和PUE的吞吐量会受到用户申请业务数量以及ABS比例配置的影响，而O-MUE的吞吐量只受到用户申请业务数量的影响.因此需要一个可以基于I-MUE和PUE的业务负载波动来调整ABS比例配置算法.综上所述，随着ABS比例配置改变而受影响的吞吐量可以表示为
|
(11) |
式(12) 可以看作关于C(·)在区间[0, 1]内处处连续的线性函数.式(12) 可写为式(13).
|
(12) |
其中：
|
因此式(13) 是关于C(·)的凸函数，其最大值可以在ABS比例的极点处求得.
|
(13) |
其中：U(·)为单位阶跃函数，C(max)为ABS比例的最大值.
3 仿真结果对比在相同的场景内采用Lembo等[6]所使用的固定ABS比例eICIC管理方案(fixed-eICIC)与无干扰协调方案(non-eICIC)作为对比方案，以反映出动态eICIC管理方案(dynamic-eICIC)的性能，其中fixed-eICIC方案使用ABS比例为4/8.
通过仿真研究发现，宏蜂窝网络平均负载发生波动会对干扰管理方案产生较大的影响，如图 4所示.
|
图 4 宏蜂窝平均负载较低时网络吞吐量统计概率分布 |
当宏蜂窝网络平均负载较低时，微蜂窝网络吞吐量占据总吞吐量中的比例较高.从图 4中可以看出，当系统采用fixed-eICIC方案时，由于ABS比例固定，在ABS内PUE无法传输数据，从而导致了PUE资源不足，最终引起了网络总吞吐量的下降；采用non-eICIC的系统由于没有采用干扰管理措施，系统中PUE占有资源较多，因此可以获得更高一些的性能；当系统采用dynamic-eICIC方案时，系统能依据网络负载的变化，将资源分配给最需要的用户，保证了系统的最优吞吐量性能.
图 5是宏蜂窝负载较高时，采用3种方案的系统吞吐量对比.
|
图 5 宏蜂窝平均负载较高时网络吞吐量统计概率分布 |
由图 5可以看出，当宏蜂窝平均负载较高时，采用fixed-eICIC的系统性能相比其平均负载较低时有显著的提高，只有在宏蜂窝网络负载处于谷值区域时，其总吞吐量要小于采用non-eICIC的系统.由于采用dynamic-eICIC的系统可以更加灵活地分配资源，因此无论是处于低负载还是高负载环境，都可以取得最优的吞吐量性能.
4 结束语提出并扩展了一种基于负载感知的动态干扰管理方案.首先微基站通过使用具有ABS的帧结构来抑制其对I-MUE的干扰，然后通过感知并预测I-MUE的网络负载，基于I-MUE与PUE的网络负载对ABS比例进行动态配置，最终可以在实现干扰管理的同时有效地提高资源利用率.
| [1] | Deb S, Monogioudis P, Miernik J, et al. Algorithms for enhanced inter-cell interference coordination (eICIC) in LTE HetNets[J].IEEE/ACM Transactions on Networking (TON), 2014, 22(1): 137–150. doi: 10.1109/TNET.2013.2246820 |
| [2] | Wang Yuanye, Pedersen K I.Performance analysis of enhanced inter-cell interference coordination in LTE-Advanced heterogeneous networks[C]//Vehicular Technology Conference (VTC Spring), 2012 IEEE 75th.Aalborg, Denmark:IEEE Press, 2012:1-5. |
| [3] | Zhang Yongping, Feng Shulan, Zhang Philipp.Adaptive cell association and interference management in LTE-A small-cell networks[C]//Vehicular Technology Conference (VTC Fall), 2013 IEEE 78th.Beijing, China:IEEE Press, 2013:1-6. |
| [4] | Damnjanovic A, Montojo J, Wei Yongbin, et al. A survey on 3GPP heterogeneous networks[J].Wireless Communications, IEEE, 2011, 18(3): 10–21. doi: 10.1109/MWC.2011.5876496 |
| [5] | Liu An, Lau V K N, Ruan Liangzhong, et al. Hierarchical radio resource optimization for heterogeneous networks with enhanced inter-cell interference coordination (eICIC)[J].IEEE Transactions on Signal Processing, 2014, 62: 1684–1693. doi: 10.1109/TSP.2014.2302748 |
| [6] | Lembo S, Lundén P, Tirkkonen O, et al.Optimal muting ratio for enhanced inter-cell interference coordination (eICIC) in HetNets[C]//Communications Workshops (ICC), 2013 IEEE International Conference on. Aalto, Finland:IEEE Press, 2013:1145-1149. |