0 引言
UDN架构中微小基站的密度远大于蜂窝网络的密度。这种排列密集地分布在服务区,覆盖范围较小,辐射功率较小,具有提高最大数据速率、扩展小区覆盖率、基站的灵活部署和改进的链路质量等优点[1]。然而,由于微小基站密度较高,覆盖经常会有重叠部分,位于小区边缘的任何用户同时接收来自两个或多个小基站的信号,这使得用户受到站间干扰严重,导致网络容量的显著减少[2]。同时,由于微小基站致密化服务用户较多,导致基站管理难度增加。
为了解决这一问题,文献[3-5]中通过智能算法对基站信道模型进行建模,以降低干扰为目标,通过智能算法对模型进行求解,但智能算法较解决模型较为简单,对于复杂模型无法适配。文献[6-9]中将资源分配问题建模为一个带有定价的斯塔克尔贝里博弈。基站作为领导者,用户质量和能量效率作为基站决策目标函数,根据用户质量决定用户之间分配,但模型较为复杂,计算难度较大。文献[10-11]中提出了小基站之间协同效应的协调多点方法,联合协调多点方法涉及多个基站,它们协同将相同的数据共同发送到用户。文献[12]中通过对频谱资源进行管理降低站间干扰和跨层干扰,但由于基站服务用户过多,分配过程计算复杂。文献[13]中通过轻量化化网络简化干扰识别的过程,降低干扰管理过程,但由于对识别模型进行简化,性能优化并不明显。文献[14-15]中分析了天线对基站干扰和容量的影响,并通过物理层面对基站天线角度进行智能调节,进行物理层面的分离,但是这种方法成本较高。
为了克服上述方法带来的局限性,提出了一种基于基站位置进行聚类,并运用聚类结果实现对基站频率分配策略优化的方法。首先,利用k-means聚类算法对微小基站集中进行聚类,使微小基站之间形成一个个簇;其次,给每一个簇中分配不同频段载波,该载波在簇中被分割为多个正交子载波分配给簇中各个基站,这样能够有效解决将同一频段载波分配给不同集群中的相邻微小基站和同一集群中的相邻微小基站的问题,降低了同频干扰影响;然后,将该载波分配方案分配给相邻簇频段相隔较远的载波,并增加相近频段载波的用户之间的距离,以降低邻道干扰影响;最后,通过仿真将本文所提方法与不进行聚类和载波分配优化的方法进行对比分析,仿真实验表明,本文所提提出方法能够有效降低同频干扰、邻道干扰影响。
1 系统模型
假设在超密集网络环境下存在一个正交的频分复用下行场景。宏基站和微小基站使用不同的频带,不考虑层间干扰。考虑了微小基站在超密集网络环境中的位置的随机性,将微小基站的位置建模为二维欧几里得空间中的一个点。在建模中,微小基站和用户随机放置在服务区,假设所有微小基站的位置都是已知的;用户位置可以被基站实时感知得到,所以用户位置信息为已知的,并且数据传输是通过将每个微小基站中可用的频率带宽划分为C个载波来进行的。在该模型中,微小基站集合a中总共有A个小基站,该集合可以表示为a={1,2,…,A}。并且用户集合u中总共有U个用户,该集合可以表示为u={1,2,…,U}。用户u接收到的信号yu可以用下式表示:
(1)
式(1)中:a表示服务用户u的微小基站;m表示干扰用户u的微小基站,sa表示分配给微小基站的基站a载波频率;nu表示加性高斯噪声,
和pm分别表示服务用户u的微小基站u的传输功率和干扰用户的小基站m的干扰功率,
和
表示微小基站对用户u的信道增益。在研究中,将所有信道增益整合为增益矩阵H表达,如下:
(2)
通过式(1)结构可知,前一项为有用信号,后两项视为干扰信号,所以信噪比SINRu可以表示为
(3)
通过香农公式可知用户传输速率如下:
ru=Blog2(1+SINRu)
(4)
通过上式可知干扰越小,信号传输速率越快,可以通过总速率对降低干扰性能做出评价,总传输速率可以定义为
(5)
该指标用于对实验效果作为评价,同时,仿真实验遵循以下约束:
(6)
(7)
式(6)表示所有微小基站分配载波频率总和不能超过总频率,式(7)表示微小基站必须工作并且最大功率不会超过基站最大功率。
2 热点地区多址策略选择算法
站间干扰和基站距离有着直接影响,距离相近微小基站之间的载波分配会对干扰信号造成影响。因此,将距离相近的微小基站分为基站簇同一管理,簇与簇之间由于距离相比于簇内基站距离较远,根据簇位置和基站数量将载波分配给每个簇,对于簇中基站由于位置相隔较近,所以将分配给簇的载波分割为正交子载波分配给簇中基站。本文中对热点地区微小基站聚类算法和载波分配算法分析研究,其中聚类算法主要考虑基站之间的位置距离采用k-means聚类算法将微小基站分配为簇,同时根据聚类结果提出一种对基站簇的载波分配算法。
2.1 k-means聚类算法
k-means聚类算法是一种常用的聚类算法,用于将数据集中的数据点划分成k个不重叠的簇。每个簇都由其数据点组成,簇内的数据点都具有某个相同的特征,不同簇之间数据点的特征都不相同,如此对同一个簇内的个体可以使用同一种方法进行处理,可以降低对大数据处理难度。k-means算法分为初始化、分配、更新几个步骤。
1) 初始化,初始化过程主要确定了k值,并随机分布簇心位置,k-means算法中k值代表了簇的数量,直接决定聚类效果。
2) 分配,计算所有个体到簇心的距离,一般为欧式距离,然后将个体分配给距离该个体最近的簇心,形成小基站簇。
3) 更新,计算簇内所有数据的中心,判断是否与簇心重合,如果不重合用簇中心代替原有簇心,并继续分配更新过程直到收敛。
由k-means聚类算法过程可以看出,与层次聚类、DBSCAN等其他聚类算法相比,层次聚类计算法复杂度高,对于本文问题无法降低频率分配计算难度,DBSCAN算法无法处理规模较大的数据,k-means聚类算法过程简单,计算复杂度低,并可以有效处理大量数据。
k-means聚类算法对于热点地区超密集组网架构中的基站密度大特点有着较好的解决效果。所以选用k-means聚类算法对热点地区小基站进行聚类。小基站聚类算法流程如图1所示。
图1 小基站进行聚类算法流程
Fig.1 Clustering algorithm process for small base stations
具体步骤如下:
小基站聚类算法具体步骤如下:
步骤1 对簇进行初始化,输入簇的量k和微小基站位置数据信息,并随机选出k个簇心。
步骤2 根据式(8)计算每个簇心到每个微小基站距离dui,其中xi、yi表示第i个簇心的横纵坐标,xu、yu表示微小基站u的横纵坐标,微小基站根据到每个簇心位置选择一个簇心,选择同一个簇心的微小基站共同组成了一个簇。
(8)
步骤3 根据式(9)计算出簇的几何中心,其中ximid、yimid为簇几何中心的横纵坐标,该坐标和簇心坐标不重合,则用几何中心代替簇心。
(9)
步骤4 重复步骤2和步骤3,直到收敛或者达到最大迭代次数。
完成聚类后,只有簇内的基站会对簇内用户服务,同时簇内基站同一管理,如图2所示,图2(a)为聚类前微小基站服务图,图中基站会随机寻找相近的用户对用户服务,图2(b)为聚类后基站服务用户图,同一簇内的用户只会接受簇内基站的服务,有效降低计算复杂度,接下来将考虑干扰对簇进行载波分配。
图2 聚类前后微小基站服务用户对比
Fig.2 Comparison of micro base station service users before and after clustering
2.2 载波分配算法
所有基站完成聚类后,进行载波分配。而基于聚类的载波分配方案只考虑给簇中的基站,本文中载波分配算法考虑是基于簇与簇之间的距离并对每一个簇进行载波分配。在这种方法中,不同频段的载波被分配给彼此相接近的簇,簇中将载波分为正交子载波,分配给簇中小基站。这样,可以减轻相邻簇之间的干扰,同时可以降低簇中基站干扰。
该方法与其他载波分配方法中,如基于信道载波分配方法,相比不需要知道复杂的信道信息,更加简单,能及时进行反应,在本文中有较好表现。
首先,因为网络中所有基站和用户的位置都已知。可以对基站和用户进行关联,基站用户关联链路图如图3所示,由图3可知,只有簇中唯一基站服务对簇中用户进行服务,其他都视为干扰,对于簇中基站,每个基站都分配不同正交子载波,所以算法分配时不考虑其中干扰,只考虑簇间干扰,为了方便后续计算,建立干扰矩阵G。G表示如下:
(10)
图3 聚类后用户接收链路
Fig.3 User reception link diagram after clustering
式(10)中:
表示第i个簇对第k个簇的干扰的二维变量,如果视为有干扰则为1,视为无干扰则为0,是否有干扰的判定标准为,将用户放置在每个簇的簇心位置,根据式(3)计算其信噪比,如果信噪比低于-3 db则视为有干扰,否则视为无干扰。根据该干扰矩阵,提出一种簇间载波分配算法,算法流程如图4所示。
图4 载波分配算法流程
Fig.4 Flow chart of carrier allocation algorithm
算法步骤如下:
步骤1 随机挑选一个微小基站簇对其随机分配一段载波。
步骤2 搜寻与该簇相邻的微小基站簇并将与该簇载波频段相差200 MHz的载波分配给周围相邻簇,重复该过程直到所有簇全部分配到载波。
步骤3 计算干扰矩阵G,如果G不为0矩阵,则对不为0相关联基站重新进行载波分配,重复该过程直到干扰矩阵为0。
步骤4 将载波分为正交子载波,分配给簇内所有基站。
3 仿真实验
本文中针对提出算法进行3组对比实验分析。
实验1:基站数量固定条件下,在200 m×200 m区域中,用户总数量不变,改变基站簇的数量,并在不同基站簇数量条件下,将进行载波分配和未进行载波分配进行对比,分析不同基站簇数量对系统产生的影响,载波分配在不同基站簇条件下对系统的影响;
实验2:在基站簇数量固定条件下,在200 m×200 m区域中,改变单个基站簇服务用户数量,用户总数量随着单个基站簇服务用户数量改变而改变,将进行聚类和载波分配、只进行聚类、不进行聚类和载波分配作比较,验证本文算法在实际中每个基站簇用户变化情况下的算法性能;
实验3:设置3个大小不同区域,人口密度不同的实验环境,模拟现实中不同热点地区场景,将进行聚类和载波分配、只进行聚类、不进行聚类和载波分配作比较,验证本文算法在不同热点地区场景下的性能差异。仿真实验表明所提方法在针对热点地区同频干扰、邻道干扰问题时,通过频率分配策略优化可有效降低上述干扰,提高传输速率,提升通信质量。
3.1 参数设计
为了模拟真实环境,假设一个具有下行UDN环境的网络。实验中用户随机排列在地图中,基站位置为已知的。仿真结果表明,所有仿真结果的平均性能。实验中微小基站和链路参数如表1所示。我们使用整个系统的数据速率来进行比较。
表1 参数设置
Table 1 Parameter setting
参数名称参数值微小基站功率/W1单个微小基站最大服务人数5单簇中最大微小基站数量30路径损耗140.7+37.6log(d)频率范围/MHz3 000～5 000 MHz高斯白噪声/(dBm·Hz-1)-174
实验3中同时考虑多种场景下基站算法和不同算法的比较,3种不同场景仿真中场景环境表2所示。
表2 场景参数设置
Table 2 Scene parameter settings
场景地图参数服务用户数基站总数场景1边长200 m正方形1 250250场景2长200 m,宽70 m长方形1 250250场景3边长70 m正方形1 250250
3.2 实验结果及分析
1) 实验1:200 m×200 m区域中,基站数量250,用户总数量1 250个用户,基站簇数量变化,进行载波分配和不进行载波分配操作进行比较。
结果如图5所示。由图中可以看出,在固定基站数量和固定用户服务数量的条件下,进行载波分配操作后,如红线所示,在用户簇到达合适时在增加簇的数量,传输总速率不会有明显下降,总是在一个值进行波动,而且进行载波分配操作后,图中红线和蓝线峰值相比,速率提高了4.6%。同时由图中可以看出簇数量k的改变对系统的影响,当簇数量k达到一个固定值后总速率将不会增加,如果不进行载波分配操作,还会降低,所以该实验同时可以为簇数量k的选择做出参考。
图5 不同簇数量k性能比较
Fig.5 Performance comparison of different cluster numbers k
2) 实验2:200 m×200 m区域中,簇数量10,微小基站数量为250的条件下,改变每个基站簇内需要服务用户数量,用户总数量随着单个基站簇用户数量改变。
仿真结果如图6所示。由图6可以看出,当用户数量较低时,由于服务人数少系统并不复杂所以是否进行聚类和载波分配操作并无太大区别,但是随着服务用户人数的增加,进行载波分配和聚类的系统相比于不进行载波分配和聚类的系统效果越来越好,最大总速率提高8%左右。该实验证明在多基站多用户环境下,进行载波分配和聚类操作有对系统有较好的提升效果。
图6 200 m×200 m区域簇内不同用户性能比较
Fig.6 Performance comparison of different users in a 200 m ×200 m area cluster
3) 实验3:模拟现实中不同热点地区场景,参数如表2所示,进行仿真验证。
结果如图7所示。由图7可以看出本文中提出的方法在不同热点地区场景都具有良好的性能,但是由于人口密度的不同,算法达到的效果也不一样,由于场景3人员密度最大所以提升效果最好,相比较没有进行操作的效果提高了4%左右,相比较其他聚类算法的效果提高了3%左右,相比较其他载波分配的效果提高了3%左右;场景2效果提高了2.7%,相比较其他聚类算法的效果提高了3.2%左右,相比较其他载波分配的效果提高了3.5%左右,可以看出人口密度越高本文改进算法效果越好,因此本文算法对人口密度较高的热点地区改善微小基站之间同频干扰、邻道干扰,提高信息传输速率具有较好的效果。并且在典型热点区域环境下,通过聚类和载波分配后的系统具有更加良好的性能。
图7 不同场景性能比较
Fig.7 Comparison of performance in different scenarios
4 结论
解决干扰问题是超密集组网中的研究重点,本文中提出聚类算法和载波分配算法相结合的方法,该方法有效解决微小基站同频干扰、邻道干扰,提升传输速率方面具有明显优势,为超密集组网技术中降低干扰研究提供了思路。
[1] DING M,CLAUSSEN H,et al.Towards 1 Gbps/UE in cellular systems:Understanding ultra-dense small cell deployments[J].IEEE Communications Surveys &Tutorials,2015,17(4):2078-2101.
[2] KAMEL M,HAMOUDA W,YOUSSEF A.Ultra-dense networks:A survey[J].IEEE Communications surveys &tutorials,2018,18(4):2522-2545.
[3] BUI M P,VO N S,TRUONG T V,et al.Genetic algorithms for multi-tier caching and resource sharing optimized video streaming in 5G ultra-dense networks[C]//2020 4th International Conference on Recent Advances in Signal Processing,Telecommunications &Computing (SigTelCom).2020:66-71.
[4] 许斌,闫文卿,韩卓凡,等.基于烟花算法的基站群协作计算卸载模型研究[J].系统仿真学报,2022,34(2):354-365. XU Bin,YAN Wenqing,HAN Zhuofan,et al Research on a collaborative computing offloading model for base station groups based on fireworks algorithm[J] Journal of System Simulation,2022,34(2):354-365.
[5] XU S,LI R,YANG Q.Improved genetic algorithm based intelligent resource allocation in 5G Ultra Dense networks[C]//2018 IEEE wireless communications and networking conference (WCNC).IEEE,2018:1-6.
[6] REYNA A,ANDRADE 
G.Dimensionality reduction to solve resource allocation problem in 5G UDN using genetic algorithm[J].Soft Computing,2021,25(6):4629-4642.
[7] DOMINIC S,JACOB L.Fully distributed joint resource allocation in ultra-dense D2D networks:A utility-based learning approach[J].IET Communications,2018,12(19):2393-2400.
[8] LIU Y,WANG Y,ZhANG Y,et al.Game-theoretic hierarchical resource allocation in ultra-dense networks[C]//2016 IEEE 27th Annual International Symposium on Personal,Indoor,and Mobile Radio Communications (PIMRC).IEEE,2016:1-6.
[9] XU L,MAO Y,LENG S,et al.Energy-efficient resource allocation strategy in ultra dense small-cell networks:A Stackelberg game approach[C]//2017 IEEE International Conference on Communications (ICC).IEEE,2017:1-6.
[10] WU J,ZENG J,SU X,et al.Joint CoMP and power allocation in ultra dense networks[C]//2017 Wireless Telecommunications Symposium (WTS).IEEE,2020:1-5.
[11] GEORGAKOPOULOS P,AKHTAR T,POLITS I,et al.Coordination multipoint enabled small cells for coalition-game-based radio resource management[J].IEEE Network,2019,33(4):63-69.
[12] SUSSANTO M,HASIM S N,FITRIAWANn H.Interference management with dynamic resource allocation method on ultra-dense networks in femto-macrocellular network[J].Jurnal Rekayasa Elektrika,2021:17(4).
[13] FAN C,GUO Y,PENG T.A simplified link-granularity framework of interference identification and performance prediction for UDN uplink[C]//2022 IEEE/CIC International Conference on Communications in China (ICCC).IEEE,2022:979-984.
[14] XUE Q,LI B,ZUO X,et al.Cell capacity for 5G cellular network with inter-beam interference[C]//2016 IEEE international conference on signal processing,communications and computing (ICSPCC).IEEE,2016:1-5.
[15] DAVYDOV V,FOKIN G,MOROZ A,et al.Instantaneous interference evaluation model for smart antennas in 5G ultra-dense networks[C]//International Conference on Next Generation Wired/Wireless Networking.Cham:Springer International Publishing,2021:365-376.