CN115119278B - 面向用户需求考虑移动性的虚拟小区传输节点更新方法 - Google Patents
面向用户需求考虑移动性的虚拟小区传输节点更新方法 Download PDFInfo
- Publication number
- CN115119278B CN115119278B CN202210545936.7A CN202210545936A CN115119278B CN 115119278 B CN115119278 B CN 115119278B CN 202210545936 A CN202210545936 A CN 202210545936A CN 115119278 B CN115119278 B CN 115119278B
- Authority
- CN
- China
- Prior art keywords
- trp
- user
- factor
- trps
- virtual cell
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000011664 signaling Effects 0.000 claims abstract description 16
- 238000004590 computer program Methods 0.000 claims description 6
- LVTKHGUGBGNBPL-UHFFFAOYSA-N Trp-P-1 Chemical compound N1C2=CC=CC=C2C2=C1C(C)=C(N)N=C2C LVTKHGUGBGNBPL-UHFFFAOYSA-N 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 23
- LUNBMBVWKORSGN-TYEKWLQESA-N P-factor Chemical compound CC(C)C[C@@H](C(O)=O)NC(=O)[C@H](CC(N)=O)NC(=O)[C@@H]1CCCN1C(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H]1N(C(=O)[C@H](CC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](CC=2C=CC=CC=2)NC(=O)[C@@H](NC(=O)[C@H](CC(N)=O)NC(=O)[C@H](CC=2C3=CC=CC=C3NC=2)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@H](CC=2C=CC(O)=CC=2)NC(=O)[C@H](C)NC(=O)[C@H](CCCNC(N)=N)NC(=O)[C@H](CC(C)C)NC(=O)[C@H](CC=2C=CC=CC=2)NC(=O)[C@H](CC(O)=O)NC(=O)[C@H](C)NC(=O)[C@H](CC=2C=CC(O)=CC=2)NC(=O)[C@@H](N)[C@@H](C)O)[C@@H](C)O)C(C)C)CCC1 LUNBMBVWKORSGN-TYEKWLQESA-N 0.000 description 6
- 101800002502 P-factor Proteins 0.000 description 6
- 238000013507 mapping Methods 0.000 description 6
- 239000000969 carrier Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012733 comparative method Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 101150071746 Pbsn gene Proteins 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- URWAJWIAIPFPJE-YFMIWBNJSA-N sisomycin Chemical compound O1C[C@@](O)(C)[C@H](NC)[C@@H](O)[C@H]1O[C@@H]1[C@@H](O)[C@H](O[C@@H]2[C@@H](CC=C(CN)O2)N)[C@@H](N)C[C@H]1N URWAJWIAIPFPJE-YFMIWBNJSA-N 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/30—Reselection being triggered by specific parameters by measured or perceived connection quality data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/24—Reselection being triggered by specific parameters
- H04W36/32—Reselection being triggered by specific parameters by location or mobility data, e.g. speed data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出面向用户需求考虑移动性的虚拟小区传输节点更新方法、设备和介质。本发明以用户需求为核心,考虑周围基站负载以及用户移动性,提出了基于速率因子(R因子)和位置因子(P因子)的虚拟小区更新方法。方法考虑了用户周围传输节点的信干噪比和附着用户数量,将传输节点能够为用户提供的平均速率建模为R因子,以R因子为基础选择能满足用户需求的最小数量传输节点簇;并考虑用户移动性计算P因子,进一步利用移动性预测优选传输节点。联合R因子和P因子的虚拟小区动态簇更新方法可以降低中断概率,提高用户满意率并降低信令开销。
Description
技术领域
本发明属于通讯技术领域,特别是涉及面向用户需求考虑移动性的虚拟小区传输节点更新方法、设备和介质。
背景技术
随着第五代移动通信技术(5G)的发展,研究人员的关注焦点已经逐渐转向了B5G以及6G网络。超密集网络(UDN,Ultra-Dense Network)是解决未来B5G以及6G网络数据流量***式增长的一种有效解决方案。超密集网络通过在热点区域密集部署大量无线接入点,可以大大提高频谱资源的空间复用率,从而有效提高5G网络的***容量。但是以基站为中心的UDN中,小区结构的微型化和密集化、网络架构层级多等特点,也带来了网络拓扑复杂、邻区干扰严重、小区切换频繁等问题与挑战,从而影响***吞吐量和用户体验。为满足用户在不同场景的需求,并解决UDN由于密集重叠、异构覆盖带来的节点间干扰严重、移动切换频繁等问题,在“以用户为中心”的思想下,学界提出了虚拟小区(VC,Virtual Cell)的概念,以更贴近用户的方式为之提供需要的服务,提升网络的频谱效率和用户体验。
以用户为中心的虚拟小区可被定义为:用户始终位于其虚拟小区中心,用户周围的接入点组成虚拟小区并为其提供协作通信服务。用户中心虚拟小区改变了传统的以基站为中心的小区设计理念,在控制上将多个小传输节点联合为一个虚拟的大小区,从而将多个传输节点当作该虚拟小区的资源来调度,让用户可以获得来自更多节点的服务,同时多连接的架构可以让用户服务连续性得到保证,避免单连接架构“切换”过程中的中断。
虚拟小区动态簇是指用户及与用户在虚拟小区关联的传输节点集合,虚拟小区簇是动态的,跟随用户而移动;用户移动,动态簇中的传输节点也随之更新,与传统基站中心网络的“切换”过程类似。一个虚拟小区动态簇包含一个控制节点和若干传输节点。在本发明中,传输节点为微基站,控制节点为宏基站,即数据面传输在微基站、控制面传输在宏基站。但是,在以基站为中心的网络中用户“切换”过程是选择一个微基站,而不是一个微基站簇,并且这种选择通常没有考虑用户需求;因此,传统蜂窝网络中以基站为中心的移动性管理方案将不再适合以用户为中心的移动性管理模式。跟随用户移动的传输节点会导致基于虚拟小区的移动性管理变得复杂和困难,虚拟小区中的传输节点可能不止一个,用户会面临频繁的基站间切换和大量信令开销,尤其是对具有较高移动速度的用户而言,传输节点更新会更加频繁,导致上述问题变得更加严重。除此之外,基于虚拟小区的UDN是以用户为中心的网络架构,移动性管理方案需要更多的考虑用户的行为特点和需求,例如,移动轨迹和服务需求。因此,UDN中基于虚拟小区的移动性管理方案需要重新进行设计和优化以为用户提供更好的服务。
发明内容
本发明目的是为了解决超密集网络中虚拟小区动态簇在跟随用户移动过程中传输节点选择不当导致的中断概率增加,用户服务满意率下降,以及***信令开销增大等问题,一般的虚拟小区动态簇更新算法来源于传统基站中心网络的“切换”过程,主要根据网络的参考信号进行判决,没有考虑用户业务以及微基站负载情况。为此,在本发明提出了基于速率因子和位置因子,考虑用户业务、移动性以及网络负载的虚拟小区动态簇更新算法。本发明中动态簇更新仅涉及动态簇中传输节点的更新。本发明提出了面向用户需求考虑移动性的虚拟小区传输节点更新方法、设备和介质。
本发明是通过以下技术方案实现的,本发明提出面向用户需求考虑移动性的虚拟小区传输节点更新方法,所述方法具体包括:
步骤A:用户设备周期性测量周围传输接收点TRP的参考信号和自己的位置信息P以及自己业务的保证流比特率GFBR,并将其存储在内部存储器中;同时,用户设备通过TRP参考信号估计周围TRP的SINR,周围TRP参考信号中包含TRP当前服务用户数L,用户流比特率GFBR通过控制TRP获得;
步骤B:计算当前虚拟小区内TRP的R因子,若R因子之和小于阈值GFBR(1+Gmin),则触发动态簇更新进入步骤C,否则不触发更新回到步骤A;
步骤C:计算周围TRP的R因子,所述周围TRP包括当前虚拟小区内的TRP,将R因子由大到小累加,直到满足(1)传输节点数量等于虚拟小区最大传输节点数Ntrp_max或(2)当前累加R因子之和大于GFBR(1+Gr);
步骤D:(1)如果TRP的R因子之和小于GFBR(1+Gr),则选择当前累加的所有TRP作为目标传输节点集合,数量为Ntrp_max,进入步骤H;(2)如果R因子之和大于GFBR(1+Gmax),则获得当前小区数量Ntrp,Ntrp≤Ntrp_max,进入步骤E;
步骤E:如果满足步骤D中情况(2),则找出所有满足R因子之和大于GFBR(1+Gmax)并且TRP数量为Ntrp的TRP组合,如果只有1组,则这1组即为目标传输节点集合,进入步骤H;如果不止一组,则记录这Nr,Nr>1组TRP,进入步骤F;
步骤F:使用移动性预测方法预测用户移动方向,通过源TRP获取周围TRP的坐标,计算用户与周围TRP距离d用户移动方向与各TRP方向的夹角θ,根据d、θ计算P因子;
步骤G:计算Nr组TRP的P因子之和,选择P因子最大的一组TRP组作为目标传输节点集合;
步骤H:将目标传输节点集合与当前虚拟小区传输节点比较,将目标集合中有而当前集合没有的TRP接入虚拟小区,将目标集合中没有而当前集合没有的TRP释放。
进一步地,所述步骤A具体为:
步骤A1:M个TRP周期性发射参考信号,其中自身当前服务用户数Li(i=1,2,…,M),通过特殊资源块位置或者使用特殊序列携带在参考信号中;
步骤A2:用户测量周围TRP参考信号,解调信息获取Li(i=1,2,…,M),并且测量各TRP的SINRi(i=1,2,…,M);
步骤A3:用户虚拟小区中,有一个TRP是控制节点,与核心网进行信令交互,通过核心网获取用户业务GFBR;或者用户自己测量一段时间Twin内的平均吞吐量作为GFBR。
进一步地,所述步骤B具体为:
步骤B1:假设当前用户虚拟小区中TRP集合为T={TRP1,…,TRPn},一共n个TRP,其TRP序号为Tno={t1,…,tn},使用下式计算R因子:
其中和/>是由SINRi映射到CQIi再映射得到;Nrb、Ts和fud为***固定参数,Li通过参考信号获取;
步骤B2:计算当前虚拟小区中TRP的R因子之和,并判断,如果满足:
则进入步骤C;否则返回步骤A。
进一步地,所述步骤C具体为:
根据式(1)计算周围TRP的R因子ri(i=1,2,…,M);将ri由大到小排序获得排序后的R因子rj(j=1,2,…,M);初始化sumR=0;Ntrp=0;j=0;
While sumR<GFBR(1+Gmax)且Ntrp<Ntrp_max
j=j+1,sumR=sumR+rj,Ntrp=Ntrp+1
End。
进一步地,在步骤D中:所述Ntrp是满足用户需求的最小TRP数量;
If sumR>GFBR(1+Gmax)
获取当前累加TRP数Ntrp,进入步骤E
Else
选择最大的Ntrp_max个TRP作为新TRP组,进入步骤H
End。
进一步地,在步骤F中,
设用户记录的最近的Nu个自身二维坐标为Pue={p1,p2,…pNu},使用LSTM网络进行移动性预测,预测用户下一时刻坐标向量pnext,当前用户坐标向量为pnow,则位移向量为v=pnext-pnow,即用户移动方向向量为v;设Nr组TRP中需要计算P因子的TRP一共m个,周围TRP坐标向量为Ptrp={tp1,tp2,…tpm},用户位置到TRP的方向向量vi=pnow-tpi,di=|vi|,θi=arg(vi),则第j个TRP的P因子计算式为:
进一步地,在步骤G中,
设Nr组满足条件的TRP为{T1,T2,…,TNr},求出每一组的P因子之和,目标TRP组为P因子最大的组,即
进一步地,在步骤H中,设当前虚拟小区TRP集合为Tnow,目标集合为Ttarget,则需要添加的TRP集合为Tadd=Tnow-Ttarget,需要删除的TRP集合为Tdel=Ttarget-Tnow,其中-表示求集合差集。
本发明提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述面向用户需求考虑移动性的虚拟小区传输节点更新方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述面向用户需求考虑移动性的虚拟小区传输节点更新方法的步骤。
本发明涉及面向用户需求考虑移动性的虚拟小区传输节点更新方法、设备和介质,为了解决超密集网络中虚拟小区动态簇在跟随用户移动过程中传输节点选择不当导致的中断概率增加,用户服务满意率下降,以及***信令开销增大等问题,本发明以用户需求为核心,考虑周围基站负载以及用户移动性,提出了基于速率因子(R因子)和位置因子(P因子)的虚拟小区更新方法。所述方法考虑了用户周围传输节点的信干噪比和附着用户数量,将传输节点能够为用户提供的平均速率建模为R因子,以R因子为基础选择能满足用户需求的最小数量传输节点簇;并考虑用户移动性计算P因子,进一步利用移动性预测优选传输节点。联合R因子和P因子的虚拟小区动态簇更新方法可以降低中断概率,提高用户满意率并降低信令开销。
附图说明
图1是超密集网络虚拟小区及用户中心动态簇更新模型示意图;
图2是本发明所述方法整体流程图;
图3是R因子TRP选择算法流程图;
图4是P因子TRP选择算法流程图;
图5是P因子算法中距离d和角度θ示意图;
图6是仅用R因子和R因子P因子联合选择的TRP对比图;
图7是本发明方法及对比方法在不同平均GFBR下满意率和信令开销结果图,其中(a)为满意率结果,(b)为信令开销结果;
图8是本发明方法及对比方法在不同平均速度下满意率和信令开销,其中(a)为满意率结果,(b)为信令开销结果。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
假设用户周围有M个TRP,当前频段和子载波间隔下可用资源块数为Nrb,OFDM符号持续时间为Ts,上下行帧配比为fud,SINR到CQI映射关系为CQI=fs2c(SINR),CQI到调制阶数和码率的映射关系为Qm=fc2q(CQI)和Rc=fc2r(CQI);上述变量设置和映射关系都可以通过网络提前获知。
超密集网络虚拟小区及用户中心动态簇更新模型如图1所示。一个虚拟小区动态簇包含一个控制节点和若干传输节点。在本发明假设中,数据面传输仅在微基站,不考虑宏基站数据传输。用户设备(UE,User Equipment)在虚拟小区1(VC1)中传输节点由微基站1、2、3构成,但是控制面信令传输在宏基站1。随着UE的移动,虚拟小区也变成了虚拟小区2(VC2),由传输节点微基站3、4、5、6,和控制节点宏基站1构成。在移动过程中,虚拟小区传输节点也发生了更新,微基站1、2被“释放”,微基站4、5、6被添加。随着用户移动,虚拟小区也更新为虚拟小区3(VC3),不仅发生了传输节点的更新,也因为宏基站覆盖,发生了控制节点的更新,从宏基站1变为宏基站2。宏基站下虚拟小区传输节点的更新由宏基站控制,宏基站间虚拟小区传输节点和控制节点更新由网络处理中心(Network Processing Center,NPC)控制。其中,微基站与本发明中的TRP同义。
本发明所述方法整体流程图如图2所示。本发明提出面向用户需求考虑移动性的虚拟小区传输节点更新方法,所述方法具体包括:
步骤A:用户设备周期性测量周围TRP的参考信号和自己的位置信息P以及自己业务的保证流比特率GFBR,并将其存储在内部存储器中;同时,用户设备可以通过TRP参考信号估计周围TRP的SINR,周围TRP参考信号中包含了TRP当前服务用户数L,用户流比特率GFBR可以通过控制TRP获得;
步骤A1:M个TRP周期性发射参考信号,其中自身当前服务用户数Li(i=1,2,…,M),可通过特殊资源块位置或者使用特殊序列携带在参考信号中;
步骤A2:用户测量周围TRP参考信号,解调信息获取Li(i=1,2,…,M),并且测量各TRP的SINRi(i=1,2,…,M);
步骤A3:用户虚拟小区中,有一个TRP是控制节点,与核心网进行信令交互,可以通过核心网获取用户业务GFBR;或者用户自己测量一段时间Twin内的平均吞吐量作为GFBR。
步骤B:计算当前虚拟小区内TRP的R因子,若R因子之和小于阈值GFBR(1+Gmin),则触发动态簇更新进入步骤C,否则不触发更新回到步骤A;
步骤B1:假设当前用户虚拟小区中TRP集合为T={TRP1,…,TRPn},一共n个TRP,其TRP序号为Tno={t1,…,tn}使用下式计算R因子:
其中和/>是通过由SINRi映射到CQIi再映射得到,前者协议有规定,后者依据各个设备制造厂商设置不同的映射表;Nrb、Ts和fud为***固定参数,Li通过参考信号获取。注:该公式是由3GPP关于下行速率的估计式简化而来,按照3GPP协议,用户在微基站i中获取的传输速率由下式估计:
其中J是频带或频带组合中聚合的分量载波的数量;在每个载波中,是层数;是调制阶数;f(j)是上下行帧配比参数,比如UL:DL=2:3则f=3/(2+3)=0.6;R(j)是码率,/>是由带宽和子载波间隔确定的用于传输的PRB个数,/>是u参数下子帧中的平均OFDM符号持续时间(考虑了循环前缀),/>OH(j)是其他开销。/>与R(j)是由CQI指数确定的参数,CQI指数由参考SINR决定,用户对已建立连接的微基站使用CSI参考信号测量,对未建立连接的微基站可以用SSB参考信号测量SINR并估计可能的调制参数。仅考虑SISO传输则/>各个微基站时隙配比相同,不考虑其他开销,即固定f且OH(j)=0。
步骤B2:计算当前虚拟小区中TRP的R因子之和,并判断。如果满足:
则进入步骤C;否则返回步骤A。
步骤C:计算周围TRP的R因子,将R因子由大到小累加,直到满足(1)传输节点数量等于虚拟小区最大传输节点数Ntrp_max或(2)当前累加R因子之和大于GFBR(1+Gmax);
步骤C1:
1)根据式(1)计算周围TRP的R因子ri(i=1,2,…,M)
2)将ri由大到小排序获得排序后的R因子rj(j=1,2,…,M)
3)初始化sumR=0;Ntrp=0;j=0
4)While sumR<GFBR(1+Gmax)且Ntrp<Ntrp_max
5)j=j+1,sumR=sumR+rj,Ntrp=Ntrp+1
6)End
步骤D:(1)如果TRP的R因子之和小于GFBR(1+Gr),则选择当前累加的所有TRP作为目标传输节点集合(数量为Ntrp_max),进入步骤H;(2)如果R因子之和大于GFBR(1+Gmax),即则获得当前小区数量Ntrp(Ntrp≤Ntrp_max),此时Ntrp是能够满足用户需求的最小TRP数量,进入步骤E;
步骤D1:
1)If sumR>GFBR(1+Gmax)
2)获取当前累加TRP数Ntrp,进入步骤E
3)Else
4)选择最大的Ntrp_max个TRP作为新TRP组,进入步骤H
5)End
步骤E:如果满足步骤D中情况(2),则找出所有满足R因子之和大于GFBR(1+Gmax)并且TRP数量为Ntrp的TRP组合,如果只有1组,则这1组即为目标传输节点集合,进入步骤H;如果不止一组,则记录这Nr(Nr>1)组TRP,进入步骤F;
步骤E1:选出Nr组数量为Ntrp且sumR>GFBR(1+Gmax)的TRP组合
步骤E2:
1)If Nr=1
2)输出这一组TRP,进入步骤H
3)Else
4)输出多组待选TRP,进入步骤F
5)End
上述步骤A~E称为“R因子选择算法”,如图3所示。
步骤F:使用移动性预测方法预测用户移动方向,通过源TRP获取周围TRP的坐标,计算用户与周围TRP距离d用户移动方向与各TRP方向的夹角θ,根据d、θ计算P因子;
步骤F1:设用户记录的最近的Nu个自身二维坐标为Pue={p1,p2,…pNu},可以使用LSTM网络进行移动性预测,这是一种常用的移动性预测方法,预测用户下一时刻坐标向量pnext,当前用户坐标向量为pnow,则位移向量为v=pnext-pnow(向量减法),用户移动方向为v;设Nr组TRP中需要计算P因子的TRP一共m个,周围TRP坐标向量为Ptrp={tp1,tp2,…tpm},用户位置到TRP的方向向量vi=pnow-tpi,di=|vi|,θi=arg(vi),则第j个TRP的P因子计算式为:
其中d和θ的示意图如图5所示。
步骤G:计算Nr组TRP的P因子之和,选择P因子最大的一组TRP组作为目标传输节点集合;
步骤G1:设Nr组满足条件的TRP为{T1,T2,…,TNr},求出每一组的P因子之和,目标TRP组为P因子最大的组,即
上述步骤F~G称为“P因子选择算法”,如图4所示。
步骤H:将目标传输节点集合与当前虚拟小区传输节点比较,将目标集合中有而当前集合没有的TRP接入虚拟小区,将目标集合中没有而当前集合没有的TRP释放。
步骤H1:设当前虚拟小区TRP集合为Tnow,目标集合为Ttarget,则需要添加的TRP集合为Tadd=Tnow-Ttarget,需要删除的TRP集合为Tdel=Ttarget-Tnow,其中-表示求集合差集。
步骤H2:添加与删除操作现网均有相关流程,不属于本发明考虑范围,本发明所述方法结束。
本发明提出一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现所述面向用户需求考虑移动性的虚拟小区传输节点更新方法的步骤。
本发明提出一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时实现所述面向用户需求考虑移动性的虚拟小区传输节点更新方法的步骤。
1.P因子选择在R因子选择之后与仅使用R因子结果是不同的,结合图6说明。
图6展示了使用R因子选择算法和R因子P因子结合选择算法的不同。R因子选择算法会选择当前时刻R因子最大的TRP集群,如图中“maxRF VC”,其数量3也是当前最小连接数。但是在最小连接数3下,也存在能够满足用户需求的其他TRP集群方案,如“RF&PF VC”所示,不是R因子最优,但是确是P因子最优的。P因子选择考虑了距离因子,距离越小因子绝对值越大,同时也考虑了用户移动方向,方向远离则因子为负值,P因子越大,代表该TRP未来一段时间内可能为用户提供的服务越好。
2.引入P因子选择是必要的,有效的,结合图7和图8说明。
为了说明算法的有效性,进行了仿真,并将用户满意率和信令开销(带惩罚项)作为关键指标。仅基于R因子的算法称为“RF only”算法,联合R因子和P因子的算法称为“RF&PF”(本发明)算法,考虑对比算法基于最优RSRP以及添加TRP的SINR增益,与传统切换算法类似,下文称为“基于RSRP”的算法;以及使用了移动性预测的对比算法,既考虑了信号强度又考虑了用户移动性,下文称为“基于移动性预测”的算法。
首先在UE/TRP比为1,用户平均移动速度1m/s的条件下仿真了算法在不同平均保证流比特率(GFBR)下的性能,如图7所示。RF&PF算法相比RFonly算法虽然满意率有所降低,但是其传输节点在虚拟小区内平均持续的时间更长,并且减少了反复添加、删除同一个传输节点的情况,因此添加与删除TRP的操作变少,整体信令开销降低。
在UE/TRP比为1,用户需求速率为30Mbps的情况下仿真了算法在不同用户平均速率下的性能,如图8所示。在速度较高场景下,本发明方法可以实现更好的满意率与更低的信令开销。
以上对本发明所提出的面向用户需求考虑移动性的虚拟小区传输节点更新方法、设备和介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.面向用户需求考虑移动性的虚拟小区传输节点更新方法,其特征在于,所述方法具体包括:
步骤A:用户设备周期性测量周围传输接收点TRP的参考信号和自己的位置信息P以及自己业务的保证流比特率GFBR,并将其存储在内部存储器中;同时,用户设备通过TRP参考信号估计周围TRP的SINR,周围TRP参考信号中包含TRP当前服务用户数L,用户流比特率GFBR通过控制TRP获得;
步骤B:计算当前虚拟小区内TRP的速率因子即R因子,若R因子之和小于阈值GFBR(1+Gmin),则触发动态簇更新进入步骤C,否则不触发更新回到步骤A;
步骤C:计算周围TRP的R因子,所述周围TRP包括当前虚拟小区内的TRP,将R因子由大到小累加,直到满足传输节点数量等于虚拟小区最大传输节点数Ntrp_max或当前累加R因子之和大于GFBR(1+Gr);
步骤D:情况一:如果TRP的R因子之和小于GFBR(1+Gr),则选择当前累加的所有TRP作为目标传输节点集合,数量为Ntrp_max,进入步骤H;情况二:如果R因子之和大于GFBR(1+Gmax),则获得当前小区数量Ntrp,Ntrp≤Ntrp_max,进入步骤E;
步骤E:如果满足步骤D中情况二,则找出所有满足R因子之和大于GFBR(1+Gmax)并且TRP数量为Ntrp的TRP组合,如果只有1组,则这1组即为目标传输节点集合,进入步骤H;如果不止一组,则记录这Nr,Nr>1组TRP,进入步骤F;
步骤F:使用移动性预测方法预测用户移动方向,通过源TRP获取周围TRP的坐标,计算用户与周围TRP距离d以及用户移动方向与各TRP方向的夹角θ,根据d、θ计算位置因子即P因子;
步骤G:计算Nr组TRP的P因子之和,选择P因子最大的一组TRP组作为目标传输节点集合;
步骤H:将目标传输节点集合与当前虚拟小区传输节点比较,将目标集合中有而当前集合没有的TRP接入虚拟小区,将目标集合中没有而当前集合没有的TRP释放。
2.根据权利要求1所述的方法,其特征在于,所述步骤A具体为:
步骤A1:M个TRP周期性发射参考信号,其中自身当前服务用户数Li(i=1,2,…,M),通过特殊资源块位置或者使用特殊序列携带在参考信号中;
步骤A2:用户测量周围TRP参考信号,解调信息获取Li(i=1,2,…,M),并且测量各TRP的SINRi(i=1,2,…,M);
步骤A3:用户虚拟小区中,有一个TRP是控制节点,与核心网进行信令交互,通过核心网获取用户业务GFBR;或者用户自己测量一段时间Twin内的平均吞吐量作为GFBR。
3.根据权利要求2所述的方法,其特征在于,所述步骤B具体为:
步骤B1:假设当前用户虚拟小区中TRP集合为T={TRP1,…,TRPn},一共n个TRP,其TRP序号为Tno={t1,…,tn},使用下式计算R因子:
其中和/>是由SINRi映射到CQIi再映射得到;Nrb、Ts和fud为***固定参数,Li通过参考信号获取;
步骤B2:计算当前虚拟小区中TRP的R因子之和,并判断,如果满足:
则进入步骤C;否则返回步骤A。
4.根据权利要求3所述的方法,其特征在于,所述步骤C具体为:
根据式(1)计算周围TRP的R因子ri(i=1,2,…,M);将ri由大到小排序获得排序后的R因子rj(j=1,2,…,M);初始化sumR=0;Ntrp=0;j=0;
当sumR<GFBR(1+Gmax)且Ntrp<Ntrp_max,则j=j+1,sumR=sumR+rj,Ntrp=Ntrp+1。
5.根据权利要求4所述的方法,其特征在于,在步骤D中:所述Ntrp是满足用户需求的最小TRP数量;
如果sumR>GFBR(1+Gmax),则获取当前累加TRP数Ntrp,进入步骤E;否则,选择最大的Ntrp_max个TRP作为新TRP组,进入步骤H。
6.根据权利要求5所述的方法,其特征在于,在步骤F中,
设用户记录的最近的Nu个自身二维坐标为Pue={p1,p2,…pNu},使用LSTM网络进行移动性预测,预测用户下一时刻坐标向量pnext,当前用户坐标向量为pnow,则位移向量为v=pnext-pnow,即用户移动方向向量为v;设Nr组TRP中需要计算P因子的TRP一共m个,周围TRP坐标向量为Ptrp={tp1,tp2,…tpm},用户位置到TRP的方向向量vi=pnow-tpi,di=|vi|,θi=arg(vi),则第j个TRP的P因子计算式为:
7.根据权利要求6所述的方法,其特征在于,在步骤G中,
设Nr组满足条件的TRP为{T1,T2,…,TNr},求出每一组的P因子之和,目标TRP组为P因子最大的组,即
8.根据权利要求7所述的方法,其特征在于,在步骤H中,设当前虚拟小区TRP集合为Tnow,目标集合为Ttarget,则需要添加的TRP集合为Tadd=Tnow-Ttarget,需要删除的TRP集合为Tdel=Ttarget-Tnow,其中-表示求集合差集。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8任一项所述方法的步骤。
10.一种计算机可读存储介质,用于存储计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545936.7A CN115119278B (zh) | 2022-05-19 | 2022-05-19 | 面向用户需求考虑移动性的虚拟小区传输节点更新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210545936.7A CN115119278B (zh) | 2022-05-19 | 2022-05-19 | 面向用户需求考虑移动性的虚拟小区传输节点更新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115119278A CN115119278A (zh) | 2022-09-27 |
CN115119278B true CN115119278B (zh) | 2024-04-26 |
Family
ID=83326562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210545936.7A Active CN115119278B (zh) | 2022-05-19 | 2022-05-19 | 面向用户需求考虑移动性的虚拟小区传输节点更新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115119278B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105530677A (zh) * | 2015-12-04 | 2016-04-27 | 清华大学 | 一种基于用户定位的超密集组网虚拟小区切换方法 |
CN107466045A (zh) * | 2017-09-19 | 2017-12-12 | 东北大学 | 一种5g超密集网络虚拟小区构建方法 |
WO2018002150A1 (en) * | 2016-06-30 | 2018-01-04 | Sony Corporation | Method and user equipment for mobility and classification based restricted measurement list creation in virtual cells |
CN113993172A (zh) * | 2021-10-24 | 2022-01-28 | 河南大学 | 一种基于用户移动行为预测的超密集网络切换方法 |
-
2022
- 2022-05-19 CN CN202210545936.7A patent/CN115119278B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105530677A (zh) * | 2015-12-04 | 2016-04-27 | 清华大学 | 一种基于用户定位的超密集组网虚拟小区切换方法 |
WO2018002150A1 (en) * | 2016-06-30 | 2018-01-04 | Sony Corporation | Method and user equipment for mobility and classification based restricted measurement list creation in virtual cells |
CN107466045A (zh) * | 2017-09-19 | 2017-12-12 | 东北大学 | 一种5g超密集网络虚拟小区构建方法 |
CN113993172A (zh) * | 2021-10-24 | 2022-01-28 | 河南大学 | 一种基于用户移动行为预测的超密集网络切换方法 |
Non-Patent Citations (2)
Title |
---|
User-centric mobility management based on virtual cell in ultra-dense networks;Na Meng等;2016 IEEE/CIC International Conference on Communications in China (ICCC);全文 * |
超密集网络中虚拟小区的动态簇更新与资源分配;袁国程;哈尔滨工业大学硕士学位论文;第3章 * |
Also Published As
Publication number | Publication date |
---|---|
CN115119278A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110392350B (zh) | 一种基于Backhaul容量感知的用户为中心无人机群组构建方法 | |
JP6073425B2 (ja) | サブ帯域依存のリソース管理 | |
CN103476140B (zh) | 蜂窝***中d2d和固定中继两种协作多播模式的选择方法 | |
CN107466099B (zh) | 一种基于非正交多址接入的干扰管理自优化方法 | |
CN112601284B (zh) | 基于多智能体深度强化学习的下行多小区ofdma资源分配方法 | |
CN103997740B (zh) | 基于效用优化的认知协作网络联合资源分配方法 | |
JP2013179630A (ja) | 無線通信システムにおける電力割り当て | |
Simsek et al. | Multiconnectivity in multicellular, multiuser systems: A matching-based approach | |
CN104918257B (zh) | 中继协同异构蜂窝网络d2d通信资源分配方法 | |
CN106793047B (zh) | 一种上行功率控制方法及基站 | |
CN104684033B (zh) | 基于协作多点传输的移动切换方法 | |
CN107708157A (zh) | 基于能效的密集小蜂窝网络资源分配方法 | |
CN107205236B (zh) | 一种应用于小区间中继蜂窝网负载均衡的公平性提升方法 | |
JP2015510726A (ja) | 無線通信カバー方法及びシステム | |
CN104540178B (zh) | 一种认知异构网络联合频谱切换与功率分配方法 | |
Su et al. | User-centric base station clustering and resource allocation for cell-edge users in 6G ultra-dense networks | |
CN106912059B (zh) | 支持互信息积累的认知中继网络联合中继选择及资源分配方法 | |
CN110012509B (zh) | 一种5g小蜂窝网络中基于用户移动性的资源分配方法 | |
CN107071911B (zh) | 一种基于最大snr的虚拟小区载波分配方法 | |
Li et al. | A general DRL-based optimization framework of user association and power control for HetNet | |
CN115119278B (zh) | 面向用户需求考虑移动性的虚拟小区传输节点更新方法 | |
CN106304267B (zh) | 一种以用户为中心的虚拟小区选择方法 | |
KR20110004567A (ko) | 협력적 무선 자원 관리 방법 | |
Zhang et al. | Congestion-aware user-centric cooperative base station selection in ultra-dense networks | |
Huang et al. | HICIC: Hybrid inter-cell interference coordination for two-tier heterogeneous networks with non-uniform topologies |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |