CN105072653A - 一种异构网络中边缘用户小区选择算法 - Google Patents

Abstract

本发明提供一种异构网络中边缘用户小区选择算法，各个边缘用户参照固定的偏置值，选择其所在宏小区中的微小区，根据选择前后各个微小区的用户数的变化，对固定的偏置值进行动态调整，以调整后的偏置值作为参照，各个边缘用户重新选择其所在宏小区中的微小区，若参照调整前后的偏置值所得到的微小区的用户数不同，则对调整后的偏置值进一步根据宏小区中的各个微小区的用户数进行调整，直至用户数不变，负载达到均衡。边缘用户采用本发明的算法进行小区选择，在降低宏小区负载的同时，有效地平衡了微小区间的负载，提高了轻载微小区网络的吞吐量和资源利用率。

Description

一种异构网络中边缘用户小区选择算法

技术领域

本发明涉及异构网络的负载，具体涉及一种异构网络中边缘用户小区选择算法。

背景技术

为了满足不断增长的数据业务需求，3GPPLTE-Advance引入了异构网络，以实现较高的频谱效率。异构网络通过引入低功率基站，可以获得更大的小区***增益，进而提高整个网络的容量。多种小功率基站的部署会出现大量“小区边缘区域”，使得边缘用户的性能受到了影响。如果按照最强接收信号接入基站，有可能出现用户所选接入的基站出现过载的情况，导致用户得不到很好的服务。

针对异构网络的接入问题，如何合理地将宏小区的负载卸载到微小区上去是当前异构网络技术研究的一个重点。如目前的研究包括：

文献1：“AamodKhandekar,NagaBhushan,JiTingfang,VieriVanghi,LTE-Advanced:HeterogeneousNetworks[C],2010EuropeanWirelessConference:978-98”和文献2：“CheShengChiu，Chia-ChiHuang,AnInterferenceCoordinationSchemeforPicocellRangeExpansioninHeterogeneousNetworks[J],VehicularTechnologyConference(VTCSpring),2012IEEE75th:1-6”提出了CRE(cellrangeexpansion，小区覆盖扩展)接入算法，然而在该算法中使用固定的偏置值，无法满足实际用户的需求；

文献3：“ZhangYongJing，ZhangKui，ChiCheng.Anadaptivethresholdloadbalancingschemefortheend-to-endreconfigurablesystem.WirelessPersonalCommunications，2007，46(1)：47-65”给出了一种负载均衡的动态门限算法，用户基于多目标的用户需求来选择网络。该方法在均衡网络方面起了一定的作用，但并没有提高全网络的吞吐量；

文献4：“FalowolO，ZeadallyS，ChanH.Dynamicpricingforload-balancinginuser-centricjointcalladmissioncontrolofnext-generationwirelessnetworks，InternationalJournalofCommunicationSystems，2010，23(3)：335368”给出了基于模糊逻辑的网络选择方法，它只针对单个用户，而不是全网络的吞吐量来优化的；

文献5：“XuePeng，GongPeng，ParkJH，eta1.Radioresourcemanagementwithproportionalrateconstraintintheheterogeneousnetworks.IEEETransactionsonWirelessCommunications，2012，11(3)：1066-1075”从异构网络全网的角度去最大化用户的归一化速率，文中的方法在最大化归一化速率中得到了较好的性能，以及文献6：“Shirakabe，M.，A.MorimotoandN.Mil(i.“Performanceevaluationofinter-cellinterferencecoordinationandcellrangeexpansioninheterogeneousnetworksforLTE-Advanceddownlink”).20118thInternationalSymposiumonWirelessCommunicationSystems(ISWCS).2011”中为网络中的每个用户设置了不同的偏置，来优化性能，但上述两种优化方案并没有考虑当存在多个相邻的微小区时，偏置值的设定方案；

文献7：“Peng，T.“AnadaptivebiasconfigurationstrategyforRangeExtensioninLTE-AdvancedHeterogeneousNetworks”.1ETInternationalConferenceonCommunicationTechnologyandApplication(ICCTA2011).2011”提出为不同分布情况的用户，动态的设置不同的偏置以适应实际情况，但是该算法却引入了太多的参数。

发明内容

有鉴于此，本发明提供一种异构网络中边缘用户小区选择算法，旨在通过平衡微小区之间的负载来提高微小区的资源利用率。

本发明采用的技术方案具体为：

一种异构网络中边缘用户小区选择算法，各个边缘用户参照固定的偏置值，选择其所在宏小区中的微小区，根据选择前后各个微小区的用户数变化，对固定的偏置值进行动态调整，以调整后的偏置值作为参照，各个边缘用户重新选择其所在宏小区中的微小区，若参照调整前后的偏置值所得到的微小区的用户数不同，则对调整后的偏置值进一步根据宏小区中的各个微小区的用户数进行调整，直至用户数不变，负载达到均衡。

在上述异构网络中边缘用户小区选择算法，具体包括以下步骤：

S100：初始化偏置值、基站集和用户集，以偏置初始值为参考，边缘用户选择其所在宏小区中的微小区，各个微小区统计其区域内的用户数；

S200：根据微小区之间的用户数调整各个微小区偏置值，以调整后的偏置值为参考，边缘用户进行微小区的重新选择和接入，各个微小区统计其区域内的用户数；

S300：偏置值调整前后，若微小区的区域内的用户数发生改变，则返回S200；直至用户数不变，负载达到均衡。

在上述异构网络中边缘用户小区选择算法中，在步骤S100中：

若为宏小区；则偏置初始值c＝0，

若为微小区则c>0；

且偏置初始值c的取值范围为[0,20dB]。

在上述异构网络中边缘用户小区选择算法中，在步骤S100中，边缘用户根据固定的偏置值选择其所在宏小区中的微小区；以及

在步骤S100中，边缘用户根据固定的偏置值进行微小区的重新选择和接入。

在上述异构网络中边缘用户小区选择算法中，边缘用户选择小区的具体参考为：

i*＝argmax{RSRP_ik+bias_i}；

其中：

i*表示用户k将要选择的服务小区；

RSRP_ik表示用户k接收到来自小区i的参考信号功率；

bias_i表示小区i的偏移量；若bias_i＝0，表示i为宏小区；若bias_i>0，则表示i为微小区。

在上述异构网络中边缘用户小区选择算法中，在步骤S200中，根据微小区之间的用户数调整各个微小区偏置值具体为：

bias_i ^k+1＝bias_i ^k+a(N_m-N_i)

其中：

N_m表示宏小区内的用户；

N_i示微小区i内的用户数；

bias_i ^k表示第k个边缘用户选择小区i时的偏置值；

bias_i ^k+1表示第k+1个边缘用户选择小区i时的偏置值；

a表示步长调整系数，且a＞0。

在上述异构网络中边缘用户小区选择算法中，所述步长调整系数a的取值应满足：

使bias_i ^k+1＝bias_i ^k+a(N_m-N_i)∈[0,20dB]。

本发明产生的有益效果是：

本发明的异构网络中边缘用户小区选择算法通过发送端进行预编码抑制干扰，提高用户接收到的信干噪比(SINR)，根据小区当前用户数，参考接收信号添加的偏置值，动态地调整给微小区边缘用户所接入的微小区，避免边缘用户接入用户数过多的拥堵小区。与传统算法相比，有效降低了宏小区负载的同时，平衡了各微小区间的负载分配，提高了轻载微小区网络的吞吐量和资源利用率。而且通过引入单一的参数来动态调整微小区的偏置值，算法简单；尤其适合于边缘用户数较少或者两个相邻微小区用户数差值较大的场景(从实施例的仿真结果可以看出，当两个微小区之间的用户数差值大于5时，本发明的技术方案可以很好的平衡两个微小区负载)。

附图说明

当结合附图考虑时，能够更完整更好地理解本发明。此处所说明的附图用来提供对本发明的进一步理解，实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明一种异构无线网络拓扑的结构示意图(包含一个宏小区和两个微小区)；

图2为本发明一种异构网络中边缘用户小区选择算法的流程示意图；

图3为异构无线网络中的边缘用户采用各种小区选择算法的吞吐量示意图；

图4为异构无线网络中的边缘用户采用各种小区选择算法的用户分布比较图；

图5为异构无线网络中的边缘用户采用固定偏置算法和动态偏置算法后的吞吐量比较图；

图6-1为异构无线网络中的边缘用户采用固定偏置算法后的小区用户分布图；

图6＝2为异构无线网络中的边缘用户采用动态偏置算法后的小区用户分布图。

具体实施方式

下面结合附图及实施例对本发明的技术方案作进一步详细的说明。

考虑一个有单个宏基站和多个微基站共存的异构网络下行传输***，微基站被宏基站完全覆盖，每个基站内随机分布若干个用户，并且用户每次只能接入一个基站。***模型如图1所示，假定***中有1个宏小区，每个宏小区中有2个微小区，宏小区完全覆盖微小区。每个小区基站有M根发射天线，用户都是单天线接收，并且用户可以准确地估计各个基站到移动用户端的信道状态信息，所有的信道矩阵都是满秩矩阵，且服从复数高斯独立分布，设宏小区和两个微小区内的当前用户数分别为K_M,i，K_P1i，K_P2i。

假设接收端信道状态信息已知，即基站到所有用户的传输信道矩阵H＝{h_i,1……h_i,Ki}已知，其中h_i,1表示小区i到该小区用户1之间的传输信道矩阵，K_i表示i小区内的用户数，i∈(1,2,3)。为不失一般性，不妨设i＝1时表示宏小区，i＝2,3时代表两个微小区。

那么小区i中用户k接收到的信号可以表示为：

$y_{i,k}=h_{i,k}{w}_{i,k}{s}_{i,k}+h_{i,k}\underset{b=1,b^{1}k}{\overset{K_i}{\mathrm{\Σ}}}{w}_{i,b}{s}_{i,b}+\underset{j\hat{I}L,j^{1}i}{\mathrm{\Σ}}{h}_{j,k}{w}_{j,k}{s}_{j,k}+n_{i,k}---\left(1\right)$

式(1)中的第一项表示用户k期望接受到的信号，第二项则是多用户干扰，第三项是小区间干扰。

基站发射信号矢量为S∈C^M×1，矢量信号S＝[S₁…S_M]^T代表了发射信号M条平行数据流。h_i,k∈C^1×M，是基站i(i＝1,2…,B)到用户k的信道矢量，L表示所有小区的集合，在本实施例中，L＝{1,2,3}。K_i表示所属小区i内的用户数，S_i,k是基站i发射到用户k的矢量信号，h_j,k是基站j到用户k的信道矢量，w_i,k表示基站i发送到用户k的矢量信号预编码矩阵，上式中的最后一项n_i,k是传输过程中均值为0，方差为1的高斯白噪声。

采用迫零(ZF)预编码方法抑制共信道干扰，即抑制小区i内其他用户信号对用户k的干扰，满足：H＝H^H(HH^H)^-1，使得h_i,kw_i,b＝0( $\∀b\∈K_i,$ b≠K)。

上式中，H表示信道传输矩阵，h_ik为小区i中基站到小区i中用户k的信道传输矩阵，w_ib为小区i中基站到小区i中用户b的预编码矩阵，令h_i,kw_i,b＝0，可以消除小区i中用户k接收到来自本小区的其他用户的干扰。

在设计预编码的时候，需要满足发射功率限制，即：

E[||Hs||²]＝tr(HH^HP_s ²)＝MP_s ²，其中P_s表示预编码前的信源信号功率，H表示信道传输矩阵，s表示基站发送的矢量信号。

采用预编码后，小区i的用户k接收的信号和信干噪比可以分别表示为：

$y_{i,k}=h_{i,k}{w}_{i,k}{s}_{i,k}+\underset{j\∈L,j\≠i}{\mathrm{\Σ}}{h}_{j,k}{w}_{j,k}{s}_{j,k}+n_{i,k}---\left(2\right)$

$SIN{R}_{i,k}=\frac{P_i\left|\right|h_{i,k}{w}_{i,k}|{|}^2}{P_j{h}_{i,k}\underset{b=1,b\≠k}{\overset{K_i}{\Σ}}\left|\right|w_{j,b}{s}_{j,b}|{|}^2+{\mathrm{\σ}}^2}---\left(3\right)$

式(3)中：P_i是基站i的发射功率，分母中的第一项是用户接收到的小区间干扰，σ²为声功率。

在此前提下，用户可以获得的速率为：

R_i,k＝Blog(1+SINR_i,k)(4)

相应的小区i的吞吐量为：

传统的CRE算法为微小区信号加一个固定的偏置值，即为两个微小区设置相同的固定的偏置值来卸载宏小区的用户；具体地：

i*＝argmax{RSRP_ik+bias_i}(6)

上式中：

i*表示用户k将要选择的服务小区；

RSRP_ik表示用户k接收到来自小区i的参考信号功率；

bias_i表示小区i的偏移量：若bias_i＝0，表示i为宏小区；若bias_i>0，则表示i为微小区。

如图1所示的一个由单个宏基站和两个微基站共存的异构网络，可以看出，两个微小区(Picocell)中，微小区1相对于微小区2的负载较高，如果采取通过为两个微小区设置相同的固定的偏置值(式(6))的方式来卸载宏小区用户，微小区1可能出现过载情况，即使其用户的信道条件很好或者信干噪比(SINR)很高，能分配给用户的可用资源也是非常有限的，而微小区2的资源却没有得到充分的利用。

针对这种现象，根据微小区的用户分布情况动态的更新每次为微小区设置的偏置值，使得负载高的微小区偏置值低于低负载的微小区，具体到图1，最终让位于两个微小区边缘的用户UE1处于微小区1的扩展范围之外，而处于微小区2的覆盖扩展范围内，即用户UE1可以接入微小区2中，利用该微小区中空闲的无线资源进行数据传输，在该微小区的吞吐量得以提高的同时，减少了附近的过载微小区的负载。

根据小区现有用户分布情况设置小区i的偏置值为：

bias_i ^k+1＝bias_i ^k+a(N_m-N_i)(7)

上式中：

N_m表示宏小区内的用户数，N_i表示微小区i内的用户数，系数a是一个正值，可以用来调整bias值的步长，避免偏置值设置过大；根据两个小区的用户数差值设定，其取值要满足使每次调整在范围0到20之间取值。如：在后续仿真试验的参数设定中，为了使得bias∈[0,20dB]，取a＝3。

分析式(7)可以得出，当i宏小区时，偏置值始终为0，当i微小区时，偏置值随着用户数N_i的增加而减小。

假设信道在相关时间T内保持恒定，用户在小区内均随机分布，并且一个用户在一段时间内只能接入一个基站。算法流程如图2所示，具体为：

S10：初始化偏置值bias⁰＝c、基站集(L₁，L₂，L₃)和用户集(K₁，K₂，K₃)，若为宏小区初始值c＝0，若为微小区则c>0；作为一种优选，偏置值c的取值范围为[0,20dB]；其中：

初始化基站集即在仿真中设置宏基站和微基站的位置和覆盖半径；

初始化用户集表示仿真中在边缘用户进行小区选择前对每个宏小区以及微小区设置一定的用户数；

S20：根据偏置初始值，边缘用户首先按照公式(6)进行微小区选择，各微小区统计其区域内的用户数N_P；

S30：然后根据公式(7)调整其偏置值，边缘用户按照调整后的偏置值，根据式(6)进行微小区的重新选择和接入；

S40：微小区统计每次偏置调整前后CRE区域(表示微小区设定偏置后，覆盖扩展的范围)内的用户数，如果用户数发生改变，则说明负载没有达到均衡，返回S30；如果用户数不变，则进行S50；

S50：结束。

表1仿真参数设定值

按照如表1所示的仿真参数设定值对本发明的小区选择方案进行仿真，仿真结果与分析如下：

假设1个宏基站分布在(0，0)坐标位置，30个用户在覆盖范围内随机分布，两个微基站分布在宏基站覆盖范围内的边缘位置，坐标分别为(45，350)和(-45，350)。微基站在其覆盖范围内分别随机分布4个和10个用户。此处待选小区的用户特指需应用本发明的小区选择算法的边缘用户，即随机分布在两个微小区覆盖范围之间的边缘区域的用户。

图3给出了轻载的微小区2采用不同算法的吞吐量曲线。可以看出：

采用最大参考接收信号(RSRP)接入算法，边缘用户大都接入了发射功率较大的宏小区，因此随着边缘用户数的增多，微小区2的吞吐量基本不变；

轻载微小区(微小区2)由于小区内用户较少，在根据式(7)设置偏置值时，偏置较大，因此较之于按照式(6)设置固定偏置值的方式，更多的用户将会接入该小区，从而有效地提高了该小区的吞吐量；

而且可以看出，当边缘用户数小于20时，曲线升高趋势(吞吐量增加)较快，当用户数继续增多时曲线走势则趋于平缓，这是因为：当微小区用户数过多时，其偏置值逐渐减小，导致新接入的用户数逐减少，因此当边缘用户数增加至一定程度后，设置固定偏置和动态偏置小区的吞吐量增加量基本一致，因此可以得出，动态偏置值算法尤其或者说仅适合边缘用户数较少时的场景。实际上，随着更多的边缘用户数接入负载较小的微小区，两个微小区之间的偏置也将越来越小，因此，设置动态偏置还可以防止两个微小区过载。具体地：

当边缘用户数为10时应用选择算法后各个小区的用户数量如图4所示，采用RSRP、固定偏置算法和动态偏置算法时，三个小区的用户数分别为(38、11、6)、(0、17、7)和(30、12、12)。边缘用户进行小区选择时，动态的设置偏置值可以有效的平衡各个小区的负载，在把宏小区的用户卸载到微小区的同时，实现了两个微小区的负载平衡；

边缘用户数为20时采用固定偏置值和动态偏置值两种算法后两个微小区吞吐量的比较如图5所示，设置动态的偏置值时，由于微小区2用户数较少，根据式(7)设置偏置，微小区2的偏置大于微小区1，用户进行小区重选时，使得边缘用户更多的接入微小区2，较之于采用固定偏置值算法，微小区2的吞吐量提高了9.63％；

采用固定偏置值和动态偏置值两种算法后的小区用户分布分别如图6-1和6-2所示(图中右侧小区表示初始用户数比较多的微小区1，左侧小区是初始用户数较少的微小区2)，通过比较可以看出，通过设置动态偏置值，边缘用户更多地接入了轻载的微小区2。

如何合理的将宏小区的负载卸载到微小区上去是当前异构网络技术研究的一个重点。本发明的边缘用户小区选择算法能够使边缘小区用户更多地选择轻载的微小区作为自己的服务小区，实现了该小区容量提升的同时，也对宏小区起到了负载均衡的作用，通过仿真分析可以看到，与固定偏置CRE算法相比，轻载微小区的吞吐量提高了1.77～9.63％，实现了宏小区和微小区以及不同微小区之间的负载均衡。

以上结合附图对本发明的实施例进行了详细地说明，此处的附图是用来提供对本发明的进一步理解。显然，以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何对本领域的技术人员来说是可轻易想到的、实质上没有脱离本发明的变化或替换，也均包含在本发明的保护范围之内。

Claims (7)

1.一种异构网络中边缘用户小区选择算法，其特征在于，各个边缘用户参照固定的偏置值，选择其所在宏小区中的微小区，根据选择前后各个微小区的用户数的变化，对固定的偏置值进行动态调整，以调整后的偏置值作为参照，各个边缘用户重新选择其所在宏小区中的微小区，若参照调整前后的偏置值所得到的微小区的用户数不同，则对调整后的偏置值进一步根据宏小区中的各个微小区的用户数进行调整，直至用户数不变，负载达到均衡。

2.根据权利要求1所述的异构网络中边缘用户小区选择算法，其特征在于，具体包括以下步骤：

S100：初始化偏置值、基站集和用户集，以偏置初始值为参考，边缘用户选择其所在宏小区中的微小区，各个微小区统计其区域内的用户数；

S200：根据微小区之间的用户数调整各个微小区偏置值，以调整后的偏置值为参考，边缘用户进行微小区的重新选择和接入，各个微小区统计其区域内的用户数；

S300：偏置值调整前后，若微小区的区域内的用户数发生改变，则返回S200；直至用户数不变，负载达到均衡。

3.根据权利要求2所述的异构网络中边缘用户小区选择算法，其特征在于，在步骤S100中：

若为宏小区；则偏置初始值c＝0，

若为微小区则c>0；

且偏置初始值c的取值范围为[0,20dB]。

4.根据权利要求2所述的异构网络中边缘用户小区选择算法，其特征在于，在步骤S100中，边缘用户根据固定的偏置值选择其所在宏小区中的微小区；以及

在步骤S100中，边缘用户根据固定的偏置值进行微小区的重新选择和接入。

5.根据权利要求4所述的异构网络中边缘用户小区选择算法，其特征在于，边缘用户选择小区的具体参考为：

i*＝argmax{RSRP_ik+bias_i}；

其中：

i*表示用户k将要选择的服务小区；

RSRP_ik表示用户k接收到来自小区i的参考信号功率；

bias_i表示小区i的偏移量；若bias_i＝0，表示i为宏小区；若bias_i>0，则表示i为微小区。

6.根据权利要求2所述的异构网络中边缘用户小区选择算法，其特征在于，在步骤S200中，根据微小区之间的用户数调整各个微小区偏置值具体为：

bias_i ^k+1＝bias_i ^k+a(N_m-N_i)；

其中：

N_m表示宏小区内的用户；

N_i示微小区i内的用户数；

bias_i ^k表示第k个边缘用户选择小区i时的偏置值；

bias_i ^k+1表示第k+1个边缘用户选择小区i时的偏置值；

a表示步长调整系数，且a＞0。

7.根据权利要求6所述的异构网络中边缘用户小区选择算法，其特征在于，所述步长调整系数a的取值应满足：

使bias_i ^k+1＝bias_i ^k+a(N_m-N_i)∈[0,20dB]。