CN109905864A - 一种面向电力物联网的跨层资源分配方案 - Google Patents

Abstract

本发明主要涉及应用在电力物联网的跨层资源分配方案，通过对各种机器类通信设备复用蜂窝网中其他用户设备的信道传输到基站的数据队列进行优化，实现队列的长期稳定。通过对李亚普诺夫优化和盖尔‑沙利普匹配算法的研究，提出一种跨层的速率控制和资源分配机制。本发明所提出的的算法主要将原始的长期优化问题转换为每个时隙中的速率控制子问题和资源分配子问题，首先利用李亚普诺夫算法分解出两个凸函数，可以利用算法复杂度较低的凸优化工具很好完成求解，对于子信道选择问题，首先根据不同子信道传输性能的不同建立机器对和蜂窝用户设备的双向喜好度列表，再利用迭代的盖尔‑沙利普算法完成最终的稳定匹配。仿真结果表明，在没有数据到达和子信道统计的先验知识的情况下，本发明可以显著提高队列稳定性和优化网络性能。

Description

一种面向电力物联网的跨层资源分配方案

技术领域

本发明属于无线通信领域，具体涉及应用在电力物联网中的机器间(Machine toMachine,M2M)通信的跨层资源分配方案，通过对基站到达的数据队列进行优化，使其达到一个长期平稳的状态。首先，通过李亚普诺夫优化算法的将随机到达的数据队列进行优化，然后运用盖尔-沙利普匹配理论在采用正交频分复用(OFDM)的网络中对不同优先级的数据队列进行适合子信道选择，进而最大限度地提高资源利用率和最小化网络时延。

背景技术：

随着通信技术的快速发展和数据采集终端的大规模接入，时代正在经历着从传统的人对人通信到机器对机器通信的巨大转变。而M2M通信作为物联网组网和运行的关键支撑技术之一，因其具有出色的自组织和自修复能力，对于工业自动化和智能电网的实施至关重要。就智能电网而言，电力物联网的研究和建设已经如火如荼，而现有移动蜂窝网络也为其普及提供了良好的基础，但尽管电力物联网中的M2M通信技术已经得到了广泛研究和应用，但仍存在一些迫切需要解决的问题和挑战，总结如下：

1)传输队列的稳定性：在现实场景中，由于数据流的到达是动态且不可预测的，加上时变信道的影响，数据传输队列往往不是平稳分布的，这给基站的运行带来了很大压力。为了解决这一问题避免信道拥塞和减小丢包率，有效的设备接入控制方案是非常必要的。

2)面向用户体验的性能优化：数据和流量的快速增长将不可避免地导致无线频谱资源不足，这也是限制用户体验质量的一个重要制约因素。遗憾的是，目前的研究通常忽略了用户的主观感受而更侧重于仅仅优化网络性能。因此，如何利用有限的频谱资源来提高用户体验质量当前面临的一个重要的挑战。

3)长期的***性能优化：在电力物联网中，各种功能各异的数据采集终端产生的海量实时数据涌入现有的蜂窝网络，这将使基站不堪重负，甚至由这些设备组成的控制***崩溃，而当前主流的网络性能优化算法(如排队论)通常只能实现短期的优化。然而，复杂的环境总是给数据传输过程带来许多不确定性和随机性。因此，考虑到上述的动态影响因素，设计长期性能优化方案以使数据队列稳定、资源利用率更高是一个亟待解决的问题。

基于上面提到的问题和挑战，本发明主要提出了一种面向电力物联网的跨层资源分配方案，其中李亚普诺夫优化和盖尔-沙利普算法共同应用于频谱共享的OFDM蜂窝网络中的M2M通信，以最大化网络性能和满足密集用户的需求。

发明内容：

本发明首先模拟了中一个小区内多个普通蜂窝用户与电力物联网中机器通信对共存的场景，以使数据传输队列平稳分布和资源利用率最大化为目标，提出了一种面向电力物联网的跨层资源分配方案。该方案考虑蜂窝用户设备和M2M对的体验要求，首先根据当前已知信息完成后者复用前者的子信道选择，将采集到的数据发送至基站，在基站侧对收到的数据队列进行优化处理，并根据优化情况对下次数据的到达和子信道选择进行控制，快速解决基站过载和用户体验质量下降问题。具体过程如下：

1)队列模型的建立

图1为基于M2M上行链路的蜂窝网络***模型，由一个基站，N个M2M对，K个蜂窝用户设备组成。其中基站负责小区内的资源协调与子信道分配，不同的蜂窝用户设备会对应产生K个相互正交、互不干扰的子信道，M2M对又分别由发射机(MT)和接收机(MR)组成，在我们的场景中，仅考虑发送机传输数据至基站的上行链路部分。

在***中，采用离散时间模型,在总时长为T的时间内，每1秒作为一个时隙t,。在基站的通信范围内，机器通信对和蜂窝用户设备数量保持不变，但出于随机性的考虑，它们的位置在不同时隙随机分布。在时隙t内，假设有M辆车和K个用户设备，分别表示为和对应产生K个正交子信道，表示为假设时隙t内的M_n的数据准入速率表示为A_n(t)，对应传输率为R_n(t)，当前数据积压队列为Q_n(t)。数据准入速率A_n(t)是Q_n(t)的输入，Q_n(t)是网络层参数，传输速率R_n(t)则是输出，它是物理层参数。Q_n(t)随着时间的变化如下：

Q_n(t+1)＝[Q_n(t)-R_n(t)]⁺+A_n(t)

其中，[x]⁺表示max(x，0)。并且当Q(t)满足以下条件时，我们认为它是强稳定的：

为了实现动态队列的稳定，我们需要分别控制A_n(t)和R_n(t)，这将在之后进行介绍。

2)MOS(Mean Opinion Score)评价模型的建立

A_n(t)是反映网络层性能的参数,它直接影响用户的体验质量。在某些情况下，上行链路网络负载非常重，以至于无法满足在不良信道条件下所有用户的质量要求，这是就需要根据用户体验质量调整相应的数据速率以避免阻塞，M2M对的准入速率调整也被称为速率控制。为了用数学的方法表征用户体验质量，我们建立了如下的MOS评价模型，如下：

MOS[A_n(t)]＝η_nlog₂[A_n(t)]

其中A_n(t)表示t时刻M_n的数据准入速率，参数η_n∈[0，1]表示对M_n设置的优先级参数，η_n越大表示M_n产生的数据对时延的要求越高，应该占用更多的通信资源越多。

3)传输信道建模

上行链路通信资源分配(例如，功率优化和子信道选择)发生在每个时隙的开始时。在蜂窝用户设备和M2M对共存的OFDM***中，带宽被均分为K个子信道，每个子信道的带宽为B。

与M_n共享子信道的C_k的干扰加噪声(Signal to Interference plus NoiseRatio,SINR)信道信噪比可以表示为：

其中，p_k(t)表示C_k在时隙t内的发射功率，g_k(t)表示C_k在时隙t内的发射功率增益，表示C_k与基站之间的距离，α_C表示所有蜂窝用户设备在当前场景下的路径损耗参数。N₀表示环境的加性高斯白噪声大小。对应的，p_n(t)、g_nk(t)、和α_M分别表示时隙t内MT_n的发射功率、发射功率增益、MT_n与基站之间的距离以及路径损耗参数。

类似地，从基站到M2M对接收机的SINR回程信道信噪比为：

其中，表示MT_n与MR_n之间的距离，表示C_k与MR_n之间的距离。则在时隙t内，M_n的MT和MR之间复用信道S_k形成的的传输速率为：

其中，表示一个关于是否在时隙t将C_k占用的S_k分配给M_n的二值决策变量。意味着M_n复用信道S_k。

每个子信道在每个时隙t只能由至多一个M2M对重用，以避免对C_k和BS之间的现有上行链路的过度干扰。因此，我们有

4)长期的数据准入速率约束和延迟约束

由于存在许多延迟敏感设备，通常需要延迟上限和速率传输速率下限，我们对每个M2M对施加时间平均速率约束和延迟约束。

具体地，在时间上平均的数据准入速率约束如下：

其中，O_n表示M_n的最小长期数据准入速率。

排队延迟通常被定义为数据包在队列中等待直到可以传输的时间长度。需要注意的是，与排队延迟相比，在具有高负载的网络中传输延迟是较小的，因此可以被忽略。定义在时间上的平均延迟约束公式如下：

其中，ρ_n表示平均延迟，其上界为D_n。

5)最大MOS优化问题的建模

所有M2M对的加权MOS的优化需要求解联合速率控制，功率优化和子信道选择问题，并涉及M2M对和子信道之间的二维匹配。因此在时隙t，设大小为N×K的二维矩阵用于表示子信道选择策略，P＝{p_n}用于表示功率优化策略，R＝{R_n}用于表示数据准入速率控制策略。优化问题被建模如下：

C₆：队列Q_n(t)是强稳定的，

其中，约束C1和C2是为了确保每个子信道在每个时隙最多可以由一个M2M对重用，反之亦然。C3指定M2M对的传输功率约束。C4是蜂窝用户设备和M2M对的SINR阈值约束。C5为基站的最大可承受数据队列速率。C6是M2M对的稳定性约束。C7和C8确保同时保证M2M对的每个子信道的速率要求和时间平均延迟。

6)基于李亚普诺夫优化算法的问题解决方案

为了模拟平均延迟和速率约束，我们引入了虚拟队列的概念。与平均速率约束相关联的虚拟队列Y(t)随时间变化如下：

Y_n(t+1)＝[Y_n(t)-A_n(t)]⁺+O_n(t)

如果虚拟功率队列Y(t)是平均速率稳定的，则它满足平均功率约束C₇。

与延迟约束相关联的虚拟队列Z(t)随时间变化如下：

Z_n(t+1)＝[Z_n(t)-D_nR_n(t)]⁺+Q_n(t)

根据以上分析，如果数据队列和两个虚拟队列(Y，Z)对所有M2M对都是稳定的，我们便认为整个网络是稳定的，并且长期的数据准入速率约束和延迟约束都是满足的。

因此，我们可以根据队列稳定限制条件C₁、C₂、C₃、C₄和C₅，将步骤6)的原始优化问题转换为最大化所有M2M对的加权MOS值的问题。转化后的问题表述如下：

s.t.C₁、C₂、C₃、C₄和C₅

C₆：队列Q(t)、Y_n(t)和Z_n(t)是强稳定的，

使Q＝{Q_n(t)}，Y＝{Y_n(t)}和Z＝{Z_n(t)}分别表示三个队列的积压，使G(t)＝[Q(t)，Y(t)，Z(t)]表示M2M对的联合队列积压，则李亚普诺夫方程可以被这样定义：

则瞬时(从一个时隙到下一个时隙)的李亚普诺夫漂移量Δ(G(t))被定义为：

从中减去加权MOS值的平均期望，我们可以得到如下的漂移负回报项：

其中，V是一个非负的可调参数。根据李亚普诺夫优化的设计原则，应选择恰当的速率控制和资源分配决策，使每个时隙t的漂移负回报项的上限最小，即：

其中，X是一个非负常量，它在所有时隙t内满足以下不等式：

我们转化原始的优化问题变为最小化漂移负回报的上界值，同样地在每个时隙t，该式同样受到资源分配约束C₁、C₂、C₃和C₄以及速率控制约束C₅的影响。因此，原始的随机网络长期优化问题被转变为了一系列连续的瞬时静态优化子问题，具体可以被分为数据准入速率控制子问题和资源分配子问题。

数据准入速率控制：准入率控制策略意味着该算法基于M2M对的要求和当前数据队列积压来调整与MOS相关的准入率。例如，在存在数据队列的积压的情况下，M2M对将以极高的概率拒绝具有较高优先级和较大量的新到达数据，以避免更严重的信道拥塞。此外，对于某个固定子信道的情况，假设非负可调参数V较大，则M2M对可以采用更宽松的准入速率率控制策略以允许接受更多数据。因此，M2M对的相应MOS值可以达到更高水平。

由于漂移负回报的第二项仅涉及准入速率控制相关参数A_n(t)，因此对该项的最小化可视为第一个子问题，具体如下：

s.t.C₅

其中，因为MOS[A_n(t)]是关于A_n(t)的一个凸函数，我们可以直接应用凸函数优化工具对上式进行优化。

资源分配子问题：由于漂移负回报的第三项仅涉及资源分配相关参数R_n(t)，即功率分配结果p_n(t)和子信道选择结果因此对该项的最小化可视为第二个子问题，具体如下：

s.t.C₁，C₂，C₃和C₄

其中，资源分配问题是一个较为复杂的组合问题，其中变量是离散的，但变量p_n(t)是连续的。在实际应用中，由于其高复杂性，难以实现对最优值的详尽搜索，但通过应用逐次超松弛的方法，原始整数规划问题可以放宽到凸优化问题，该方法复杂度较低，易于找到满足约束条件的最佳解决方案。

另外，我们通过应用盖尔-沙利普匹配算法解决子信道选择问题，即涉及N个M2M对和K个子信道的二维匹配问题。首先我们给出以下定义：匹配表示从集合到其自身的一个一对一映射关系，φ(M_n)＝S_k表示M_n与子信道S_k匹配，此时否则为0。

当φ(M_n)＝S_k，换句话说，当的最优值可以通过下列关系被求出：

s.t.C₁，C₂，C₃和C₄

这同样是一个凸优化问题，可以通过凸优化工具直接求解出最优的

6)基于盖尔-沙利普匹配算法的问题解决方案

为了完成子信道选择，我们首先需要建立M2M对和蜂窝用户设备的双向偏好度列表。我们定义了每个M2M对不同子信道的偏好由其传输速率表示，通过将每个M2M对与每个子信道短暂连通以获得与每个子信道对应的传输速率，速率越高，优先级越高。每个蜂窝用户设备是否愿意将子信道提供给M2M对则由SINR值的大小决定，对用户本身造成的干扰越大，即SINR值越小，则越不愿意。进而通过迭代的匹配算法最终实现一个稳定的匹配φ。其基本流程如下：

步骤1：每个M_n向其偏好度列表中排第一位且未对自己表达拒绝的S_k提出匹配申请；

步骤2：若对应的S_k尚未被选择，则两者匹配成功，若已被选择，则比较申请者与原匹配者在子信道到中的排序，选择其中靠前的一个M2M对，同时拒绝另一位；

步骤3：重复步骤1、2，直到每个M_n都选择了其中一个子信道，并被其余所有子信道拒绝。

附图说明：

图1是基于M2M上行链路的蜂窝网络***模型。

图2是本发明进行仿真时的仿真参数。

图3是本发明提出的队列控制结果。

图4是本发明提出的资源分配结果。

图5是本发明提出的***性能与随机匹配算法的结果稳定性比较。

具体实施方式

本发明的实施方式分为两个步骤，第一步为建立模型，第二步为算法的实施。其中，建立的模型如图1所示，它和发明内容中基于M2M上行链路的蜂窝网络***模型的介绍完全对应。

1)对于***模型，随着电力物联网的广泛建设，大量数据涌入的现有移动蜂窝网络，但由于数据流到达的动态性和不可预测性给基站的运行带来了很大压力，因此急需设计一种在全局信息未知的情况下，对大量数据进行长期稳定优化吃力的方案。如图1所示，电力物联网中的M2M对通过复用合适的蜂窝用户设备的信道来传输数据，应用随机网络的优化方法对到达基站的数据进行控制，来实现传输队列的长期稳定，并大大提升网络性能和用户体验质量。

2)为了解决上述优化问题，首先要设计一种基于李亚普诺夫的数据准入速率控制方案，并联合盖尔-沙利普匹配算法实现通信资源的合理分配。最终该设计方案被分解为数据准入速率控制和资源分配的两个凸函数优化的子问题，可以很好地应用复杂度较低的凸优化工具箱进行求解，辅以盖尔-沙利普匹配算法以实现子信道选择。

对于本发明，我们进行了大量仿真。仿真中的具体参数如图表2所示，4个M2M对和5个蜂窝用户设备随机分布在半径为R＝200m的蜂窝网络中，下面数据队列速率控制和功率时延两方面对结果进行阐述。

图3显示了不同队列与时隙的积压变化。我们可以观察到，当给出随机初始积压时，每个队列在仅仅几个时隙之后便趋于稳定在相应的值附近。数值结果证明，通过利用我们的方法处理源源不断产生的积压队列，可以很好地实现速率控制。值得一提的是，积压的大小与优先级正相关，原因是具有较高优先级的M2M对具有更多的数据收集量和更频繁的数据发送从而导致更多的队列积压。

图4显示了不同时隙的联合功率优化和子信道选择方案。具体地，虚拟队列Z的类似的稳定结果在图3-(a)中给出，其中该值表示总的待分配功率P_max。图3-(b)显示了功率优化结果，其中四个梯度因M2M对的不同优先级而异。分配后，子信道的传输速率如图3-(c)所示。以上结果表明，采用李亚普诺夫优化和盖尔-沙利普匹配的组合算法不仅可以保持***的稳定性，而且可以尽可能地规避时变信道带来的不利影响。

图5从队列积压和功率分配的角度比较了我们提出的算法和李亚普诺夫优化与随机匹配结合的算法的总***稳定性，其中显示了两个箱型图用以显示一组数据的分散成都。可以从图中看出，无论是队列积压还是功率分配，所提出的方案的总体分布比随机子信道选择的总体分布更集中，这是因为随机匹配存在将性能差的子信道与具有高优先级的高队列匹配的可能性。

尽管未说明目的公开了本发明的具体实施和附图，其目的在于帮助理解本发明的内容并据以实施，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。

Claims (3)

1.一种面向电力物联网的跨层资源分配方案，其特征在于：

1)考虑在有关数据队列和信道统计信息未知情况下利用李亚普诺夫优化方法对电力物联网中各种机器类通信设备(M2M对)传输到蜂窝中的数据队列进行优化，转换长期优化问题为一系列在时隙t内的速率控制子问题和资源分配子问题，以最终实现长期的平稳状态并优化网络性能；

2)在优化过程中，应用盖尔-沙利普匹配算法，完成子信道选择，即M2M对通过复用蜂窝网中原有用户的信道完成数据传输。

2.如权利要求1步骤1)所述的在全局信息未知的情况下，利用李雅普诺夫优化进行速率控制，其特征在于：

1)首先建立队列模型，M2M对M_N对应的队列积压随时隙t的变化情况如下：

Q_n(t+1)＝[Q_n(t)-R_n(t)]⁺+A_n(t)

[x]⁺表示max(x，0)，R_n(t)表示传输速率，A_n(t)表示数据准入速率，

2)设定MOS评价模型为：

MOS[A_n(t)]＝η_nlog₂[A_n(t)]

参数η_n∈[0.1]表示对M_n设置的优先级参数，

3)在蜂窝用户设备和M2M对共存的OFDM***中，带宽被均分为K个子信道，每个子信道的带宽为B，传输信道被建模如下：

表示一个关于是否在时隙t将蜂窝用户设备C_k占用的子信道S_k分配给M_n的二值决策变量，表示此时从基站到M2M对接收机的SINR回程信道信噪比，而之前的上行链路传输信噪比SINR值被表示为对应分别由下式求出：

p_k(t)表示C_k在时隙t内的发射功率，g_k(t)表示C_k在时隙t内的发射功率增益，表示C_k与基站之间的距离，α_c表示所有蜂窝用户设备在当前场景下的路径损耗参数，N₀表示环境的加性高斯白噪声大小，对应的，p_n(t)、g_nk(t)、和α_M分别表示时隙t内MT_n的发射功率、发射功率增益、MT_n与基站之间的距离、MT_n与MR_n之间的距离、C_k与MR_n之间的距离以及路径损耗参数，

4)长期的数据准入速率约束和延迟约束被规定如下：

5)最终，最大的加权MOS优化问题被建立如下：

s.t.C₁：

C₂：

C₃：

C₄：

C₅：

C₆：队列Q_n(t)是强稳定的，

C₇：

C₈：

用于表示子信道选择策略，P＝{p_n}用于表示功率优化策略，R＝{R_n}用于表示数据准入速率控制策略，约束C1和C2是为了确保每个子信道在每个时隙最多可以由一个M2M对重用，反之亦然，C3指定M2M对的传输功率约束，C4是蜂窝用户设备和M2M对的S1NR阈值约束，C5为基站的最大可承受数据队列速率，C6是M2M对的稳定性约束，C7和C8确保同时保证M2M对的每个子信道的速率要求和时间平均延迟，

6)为解决上述优化问题，引入关于平均速率和功率时延相关的虚拟队列：

Y_n(t+1)＝[Y_n(t)-A_n(t)]⁺+O_n(t)

Z_n(t+1)＝[Z_n(t)-D_nR_n(t)]⁺+Q_n(t)

则上述问题被转化为：

s.t.C₁、C₂、C₃、C₄和C₅

C₆：队列Q(t)、Y_n(t)和Z_n(t)是强稳定的，

M2M对的三个队列的联合队列积压为：

则瞬时(从一个时隙到下一个时隙)的李雅普诺夫漂移量Δ(G(t))为：

X为一个非负常量，

速率控制子问题被表示为：

s.t. C₅

其中，可以应用低复杂度的凸优化工具进行求解，

s.t. C₁，C₂，C₃和C₄

其中，在确定的情况下，同样可以应用凸优化工具求解。

3.如权利要求1步骤2)所述的在优化过程中，应用盖尔-沙利普匹配算法，完成子信道选择，即M2M对通过复用蜂窝网中原有用户的信道完成数据传输，其特征在于，首先需要建立M2M对和蜂窝用户设备的双向偏好度列表。我们定义了每个M2M对不同子信道的偏好由其传输速率表示，通过将每个M2M对与每个子信道短暂连通以获得与每个子信道对应的传输速率，速率越高，优先级越高。每个蜂窝用户设备是否愿意将子信道提供给M2M对则由SINR值的大小决定，对用户本身造成的干扰越大，即SINR值越小，则越不愿意。进而通过迭代的匹配算法最终实现一个稳定的匹配φ。其基本流程如下：

步骤1：每个M_n向其偏好度列表中排第一位且未对自己表达拒绝的S_k提出匹配申请；

步骤2：若对应的S_k尚未被选择，则两者匹配成功，若已被选择，则比较申请者与原匹配者在子信道到中的排序，选择其中靠前的一个M2M对，同时拒绝另一位；

步骤3：重复步骤1、2，直到每个M_n都选择了其中一个子信道，并被其余所有子信道拒绝。