CN113766668A - 一种窄带物联网动态随机接入控制及资源分配方法 - Google Patents

Abstract

为了解决窄带物联网由于接入信道资源有限，很容易引发网络拥塞的问题。本发明公开一种窄带物联网动态随机接入控制及资源分配方法，包括以下步骤：S1：定义，第i个RA slot时，第l个CE Level上尝试发起接入的UE数为N_l，i，对种窄带物联网***中不同的CE Level的接入量N_l，i进行预测，得到接入的预测量E[N_l，i]；S2：根据接入的预测量E[N_l，i]，通过最陡爬山法，对接入限制因子和子载波分配进行联合优化。本发明提出一种接入量预测模型，对不同CE Level上发起接入的UE数量进行分类预测。在进行接入量预测的基础上，使用启发式算法快速地得到对接入限制因子和资源分配方案的近优解。

Description

一种窄带物联网动态随机接入控制及资源分配方法

技术领域

本发明涉及无线通信领域，更具体地，涉及一种窄带物联网动态随机接入控制及资源分配方法。

背景技术

在窄带物联网(Narrowband Internet of Things,NB-IoT)***中，当终端(UserEquipment,UE)在需要建立或恢复与基站(Evolved Node B,eNodeB)之间的空口连接时，需要发起随机接入过程。由于窄带物联网***的窄带特性，使得随机接入信道资源相当有限，在大规模突发性接入场景下，大量UE对接入信道资源的争用可能引发严重的网络拥塞，导致大量UE接入失败。因此，设计一种在大规模突发性接入场景下的接入控制机制是很有必要的。

针对接入控制这一问题，第三代合作伙伴计划组织(3rd GenerationPartnership Project,3GPP)现已有一种接入限制(Access Barring,AB)机制，即基于接入限制因子(Access Barring Factor,AB-Factor)的方案。这种方案简单易行，无需复杂的参数配置，现已广泛应用于大规模突发性接入场景中。另外，由于NB-IoT支持为不同覆盖增强等级(Coverage Enhancement Level,CE Level)动态配置随机接入子载波，因此可以根据不同CE Level的接入规模进行随机接入子载波动态配置。

专利2018101420249公开了一种接入控制方法及装置、通信设备及存储介质。然而上述专利并没有通过算法接入控制和资源分配，接入成功率和接入时延相对较差。

发明内容

为克服上述现有技术与方法的不足，本发明提出了一种窄带物联网动态随机接入控制及资源分配方法。本发明提出一种接入量预测模型，对不同CE Level上发起接入的UE数量进行分类预测。在进行接入量预测的基础上，使用启发式算法快速地得到对接入限制因子和资源分配方案的近优解。

为解决上述技术问题，本发明的技术方案如下：

一种窄带物联网动态随机接入控制及资源分配方法，包括以下步骤：

S1：定义，第i个RA slot时，第l个CE Level上尝试发起接入的UE数为N_l,i，对种窄带物联网***中不同的CE Level的接入量N_l,i进行预测，得到接入的预测量E[N_l,i]；

S2：根据接入的预测量E[N_l,i]，通过最陡爬山法，对接入限制因子和子载波分配进行联合优化。

本发明提出一种接入量预测模型，对不同CE Level上发起接入的UE数量进行分类预测。在进行接入量预测的基础上，使用启发式算法快速地得到对接入限制因子和资源分配方案的近优解。

在一种优选的方案中，所述的接入量N_l,i通过下式进行表达：

E[N_l,i]＝E[B_l,i]+E[C_l,i]+E[F_l,i]

式中，所述的E[B_l,i]表示在第i个RA slot之前，RA slot上未通过AB检查、在第i个RA slot上重新尝试接入的终端数；所述的E[C_l,i]表示在第i个RA slot之前，RA slot上发生碰撞，且在第i个RA slot上重新尝试接入的终端数；所述的F_l,i表示首次尝试接入的终端数。

在一种优选的方案中，所述的E[B_l,i]通过下式进行表达：

所述的E[B_l,k,i]表示第k个RA slot上未通过AB检查、在第i个RA slot上重新尝试接入的UE数，所述的T_RA表示随机接入时隙RA slot的周期；所述的T_ab表示平均接入限制时间。

在一种优选的方案中，所述的E[B_l,k,i]通过下式进行表达：

式中，所述的E[B_l,k]表示k个RA slot上未通过AB检查的UE数。

在一种优选的方案中，所述的E[B_l,k]通过下式进行表达：

E[B_l,k]＝N_l,k(1-p_l,k)

式中，所述的N_l,k表示尝试在第k个RA slot上发起接入的UE数；所述的p_l,k表说第l个CE Level在第k个RA slot上的接入限制因子。

在一种优选的方案中，所述的E[C_l,i]通过下式进行表达：

式中，所述的E[C_l,k,i]表示在第k个RA slot上碰撞、在第i个RA slot上重新尝试接入的UE数；所述的T_RA表示随机接入时隙RAslot的周期；所述的T_c表示最大碰撞退避时间。

在一种优选的方案中，所述的E[C_l,k,i]通过下式进行表达：

式中，所述的E[C_l,k]表示第k个RA slot上发起接入时出现碰撞的UE数。

在一种优选的方案中，所述的E[C_l,k]通过下式进行表达：

式中，所述的p_l,k表说第l个CE Level在第k个RA slot上的接入限制因子；所述的N_l,k表示尝试在第k个RA slot上发起接入的UE数；所述的K_l,k表示第l个CE Level在第k个RAslot上配置的NPRACH子载波数量。

在一种优选的方案中，所述的E[F_l,i]通过下式进行表达：

式中，所述的

表示在第i个RA slot上的一阶指数平滑预测值；所述的α表示为平滑系数，且满足0<α<1；所述的F_l,i-1表示在第i个RA slot上的实际值。

在一种优选的方案中，所述的S2包括以下内容：

S2.1：定义向量K＝[K₁,K₂,...,K_B]表示分配给每个CE Level的子载波数量；首先选择一个可行解作为爬山起点，并计算当前的总吞吐量E[S]；

S2.2：对各个方向进行遍历，并计算该方向前进一步的总吞吐量；

S2.3：遍历所有可行前进方向，选取总吞吐量上升最快的方向，标记为方向d^*；

S2.4：得到最佳方向d^*后，将该方向作为进行方向选择时的首选方向；

S2.5：通过方向d^*进行爬山，并在每一步检查该方向是否为上升方向；若爬山进行到某一步，方向d^*不是上升方向时，再重新寻找最佳方向；若通过遍历无法获得任何使得目标函数值上升的方向，则结束爬山过程。

在一种优选的方案中，所述的当前的总吞吐量E[S]通过以下内进行计算：

设爬山步长为1，则每次可供选择的方向共有B(B-1)个。用d表示方向索引，并满足1≤d≤B(B-1)。计算得到向方向d前进一步后，新的总吞吐量：

在一种优选的方案中，所述的方向d^*通过下式进行表达：

s.t.E[S]^(d)>E[S].

与现有技术相比，本发明技术方案的有益效果是：

本发明提出一种接入量预测模型，对不同CE Level上发起接入的UE数量进行分类预测。在进行接入量预测的基础上，使用启发式算法快速地得到对接入限制因子和资源分配方案的近优解，计算复杂度较低，具有较强的工程实施意义。

附图说明

图1为实施例的流程图。

图2为不同接入量预测算法的预测误差仿真结果。

图3为不同算法的接入成功率仿真结果。

图4为不同算法的接入时延仿真结果。

图5为不同算法的平均迭代次数仿真结果.

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例

如图1所示，一种窄带物联网动态随机接入控制及资源分配方法，包括以下步骤：

S1：定义，第i个RA slot时，第l个CE Level上尝试发起接入的UE数为N_l,i，对种窄带物联网***中不同的CE Level的接入量N_l,i进行预测，得到接入的预测量E[N_l,i]；

S2：根据接入的预测量E[N_l,i]，通过最陡爬山法，对接入限制因子和子载波分配进行联合优化。

本实施例提出一种接入量预测模型，对不同CE Level上发起接入的UE数量进行分类预测。在进行接入量预测的基础上，使用启发式算法快速地得到对接入限制因子和资源分配方案的近优解，计算复杂度较低，具有较强的工程实施意义。

在实施例中，还可以进行以下扩展：接入量N_l,i通过下式进行表达：

E[N_l,i]＝E[B_l,i]+E[C_l,i]+E[F_l,i]

式中，E[B_l,i]表示在第i个RA slot之前，RA slot上未通过AB检查、在第i个RAslot上重新尝试接入的终端数；E[C_l,i]表示在第i个RA slot之前，RA slot上发生碰撞，且在第i个RA slot上重新尝试接入的终端数；F_l,i表示首次尝试接入的终端数。

在实施例及上述改进实施例中，还可以进行以下扩展：E[B_l,i]通过下式进行表达：

E[B_l,k,i]表示第k个RA slot上未通过AB检查、在第i个RA slot上重新尝试接入的UE数，T_RA表示随机接入时隙RAslot的周期；T_ab表示平均接入限制时间。

在实施例及上述改进实施例中，还可以进行以下扩展：E[B_l,k,i]通过下式进行表达：

式中，E[B_l,k]表示k个RA slot上未通过AB检查的UE数。

在实施例及上述改进实施例中，还可以进行以下扩展：E[B_l,k]通过下式进行表达：

E[B_l,k]＝N_l,k(1-p_l,k)

式中，N_l,k表示尝试在第k个RA slot上发起接入的UE数；p_l,k表说第l个CELevel在第k个RA slot上的接入限制因子。

在实施例及上述改进实施例中，还可以进行以下扩展：E[C_l,i]通过下式进行表达：

式中，E[C_l,k,i]表示在第k个RA slot上碰撞、在第i个RA slot上重新尝试接入的UE数；T_RA表示随机接入时隙RA slot的周期；T_c表示最大碰撞退避时间。

在实施例及上述改进实施例中，还可以进行以下扩展：E[C_l,k,i]通过下式进行表达：

式中，E[C_l,k]表示第k个RA slot上发起接入时出现碰撞的UE数。

在实施例及上述改进实施例中，还可以进行以下扩展：E[C_l,k]通过下式进行表达：

式中，p_l,k表说第l个CE Level在第k个RA slot上的接入限制因子；N_l,k表示尝试在第k个RA slot上发起接入的UE数；K_l,k表示第l个CE Level在第k个RA slot上配置的NPRACH子载波数量。

在实施例及上述改进实施例中，还可以进行以下扩展：E[F_l,i]通过下式进行表达：

式中，

表示在第i个RA slot上的一阶指数平滑预测值；α表示为平滑系数，且满足0<α<1；F_l,i-1表示在第i个RA slot上的实际值。

在实施例及上述改进实施例中，还可以进行以下扩展：S2包括以下内容：

S2.1：定义向量K＝[K₁,K₂,...,K_B]表示分配给每个CE Level的子载波数量；首先选择一个可行解作为爬山起点，并计算当前的总吞吐量E[S]；

S2.2：对各个方向进行遍历，并计算该方向前进一步的总吞吐量；

S2.3：遍历所有可行前进方向，选取总吞吐量上升最快的方向，标记为方向d^*；

S2.4：得到最佳方向d^*后，将该方向作为进行方向选择时的首选方向；

S2.5：通过方向d^*进行爬山，并在每一步检查该方向是否为上升方向；若爬山进行到某一步，方向d^*不是上升方向时，再重新寻找最佳方向；若通过遍历无法获得任何使得目标函数值上升的方向，则结束爬山过程。

在实施例及上述改进实施例中，还可以进行以下扩展：设爬山步长为1，则每次可供选择的方向共有B(B-1)个。用d表示方向索引，并满足1≤d≤B(B-1)。计算得到向方向d前进一步后，新的总吞吐量：

在实施例及上述改进实施例中，还可以进行以下扩展：方向d^*通过下式进行表达：

s.t.E[S]^(d)>E[S].

实施例对比分析：

参考3GPP TS 36.321和TS 36.331设计了仿真实验，首先对接入量预测算法进行了仿真验证。图2给出了本设计的预测算法的预测误差CDF曲线，另外选取了几种经典预测算法作为对比。

在接入量预测的基础上，本设计选择了静态的平均分配法以及迭代贪心算法进行对比。图3和图4给出了在本实施例的优化算法下，UE接入成功率和接入时延的仿真结果，并一同展示了平均分配法以及迭代贪心法的仿真结果。根据仿真结果，在UE总数高于20000时，可以明显看出：在接入成功率方面，本实施例的优化算法明显优于平均分配法；而在接入时延方面，本实施例的优化算法下接入时延明显低于平均分配法。由此可得出一个结论：根据当前各个CE Level的接入规模进行动态的接入控制以及资源配置，可以有效提升UE接入成功率、降低接入时延。

此外，由于本实施例与平均分配法以及迭代贪心法在接入成功率和接入时延方面差距较小。因此，还可以对上述算法的计算复杂度进行了对比。图5展示了在不同UE总数下，不同算法的平均迭代次数。仿真结果显示，在接入成功率和接入时延性能相当的前提下，采用本实施例的优化算法迭代次数明显少于迭代贪心算法。因此，可以认为本实施例所采用的算法相比于迭代贪心算法，可以以更低的计算复杂度达到同等的优化效果。

综上所述，本实施例针对随机接入控制和资源分配进行优化，首先，提出了一种接入量预测算法，可以较为准确的对接入量进行预测。然后，在预测接入量的基础上，以最大化单位时间的随机接入吞吐量为目标，对接入限制因子和资源分配方案进行联合优化。本设计方案对随机接入过程的接入成功率、接入时延等性能有较好的改善，并且计算复杂度较低，具有较强的工程实施意义。

在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为使描述简洁，未对上述各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；例如实施例中离子电导率的计算公式并不仅限于实施例中举例的公式，不同的种类的离子电导率的计算公式各不相同。上述的是实施例的限定并不能理解为对本专利的限制。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种窄带物联网动态随机接人控制及资源分配方法，其特征在于，包括以下步骤：

S1：定义，第i个RA slot时，第l个CE Level上尝试发起接入的UE数为N_l，i，对种窄带物联网***中不同的CE Level的接入量N_l，i进行预测，得到接入的预测量E[N_l，i]；

S2：根据接入的预测量E[N_l，i]，通过最陡爬山法，对接入限制因子和子载波分配进行联合优化。

2.根据权利要求1所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的接入量N_l，i通过下式进行表达：

E[N_l，i]＝E[B_l，i]+E[C_l，i]+E[F_l，i]

式中，所述的E[B_l，i]表示在第i个RA slot之前，RA slot上未通过AB检查、在第i个RAslot上重新尝试接入的终端数；所述的E[C_l，i]表示在第i个RA slot之前，RA slot上发生碰撞，且在第i个RA slot上重新尝试接入的终端数；所述的F_l，i表示首次尝试接入的终端数。

3.根据权利要求2所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的E[B_l，i]通过下式进行表达：

所述的E[B_l,k,i]表示第k个RA slot上未通过AB检查、在第i个RA slot上重新尝试接入的UE数，所述的T_RA表示随机接入时隙RA slot的周期；所述的T_ab表示平均接入限制时间。

4.根据权利要求3所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的E[B_l,k,i]通过下式进行表达：

式中，所述的E[B_l，k]表示k个RA slot上未通过AB检查的UE数。

5.根据权利要求4所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的E[S_l，k]通过下式进行表达：

E[B_l，k]＝N_l，k(1-p_l,k)

式中，所述的N_l，k表示尝试在第k个RA slot上发起接入的UE数；所述的p_l,k表说第l个CELevel在第k个RA slot上的接入限制因子。

6.根据权利要求1至5中任一权利要求所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的E[C_l，i]通过下式进行表达：

式中，所述的E[C_l,k,i]表示在第k个RA slot上碰撞、在第i个RA slot上重新尝试接入的UE数；所述的T_RA表示随机接入时隙RA slot的周期；所述的T_c表示最大碰撞退避时间。

7.根据权利要求6所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的E[C_l,k,i]通过下式进行表达：

式中，所述的E[C_l，k]表示第k个RA slot上发起接入时出现碰撞的UE数。

8.根据权利要求7所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的E[C_l，k]通过下式进行表达：

式中，所述的p_l,k表说第l个CE Level在第k个RA slot上的接入限制因子；所述的N_l，k表示尝试在第k个RA slot上发起接入的UE数；所述的K_l，k表示第l个CE Level在第k个RA slot上配置的NPRACH子载波数量。

9.根据权利要求1、2、3、4、5、7或8所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的E[F_l，i]通过下式进行表达：

式中，所述的

表示在第i个RA slot上的一阶指数平滑预测值；所述的α表示为平滑系数，且满足0＜α＜1；所述的F_l，i-1表示在第i个RA slot上的实际值。

10.根据权利要求1、2、3、4、5、7或8所述的窄带物联网动态随机接入控制及资源分配方法，其特征在于，所述的S2包括以下内容：

S2.1：定义向量K＝[K₁，K₂，...，K_B]表示分配给每个CE Level的子载波数量；首先选择一个可行解作为爬山起点，并计算当前的总吞吐量E[S]；

S2.2：对各个方向进行遍历，并计算该方向前进一步的总吞吐量；

S2.3：遍历所有可行前进方向，选取总吞吐量上升最快的方向，标记为方向d^*；

S2.4：得到最佳方向d^*后，将该方向作为进行方向选择时的首选方向；

S2.5：通过方向d^*进行爬山，并在每一步检查该方向是否为上升方向；若爬山进行到某一步，方向d^*不是上升方向时，再重新寻找最佳方向；若通过遍历无法获得任何使得目标函数值上升的方向，则结束爬山过程。

Images