超密网络中基于业务感知的连接技术

发布时间：2020-08-15 19:40

【摘要】：第五代移动通信系统(the 5th Generation mobile communication technology,5G)通过部署更密集的异构无线网络节点提升系统容量。然而,超密网络也存在诸多技术挑战。首先,超密网络下用户被异构基站多重覆盖,难以确定最优用户连接策略。其次,用户和业务的非均匀分布会引起异构基站之间的负载不均衡。通过设计用户连接(或网络选择)策略,用户可改善吞吐量,提升体验,平衡网络负载。为充分发挥超密网络增益和应对挑战,论文研究超密同构网络用户多连接技术和超密异构网络智能用户连接技术。一方面,超密网络中用户能够接收来自多基站的强信号,因此可通过建立多连接来提升传输速率;同时,用户可通过调整业务分配来实现负载均衡。当前多连接策略大多是中心式的,存在开销过高和缺乏对业务波动感知能力等问题。论文提出分布式多连接策略,将用户多连接问题建模为基于状态的势博弈(State-based Potential Game,SPG)模型。通过SPG构建状态空间,用户可感知基站负载状态。论文证明了所设计算法可实现用户连接策略全局最优,同时基于SPG建模设计了流量感知的TAMA(Traffic Aware Multiple Association,TAMA)算法。通过离散仿真,论文验证了算法时延性能、功耗性能等,分析了多连接技术的功耗情况。仿真结果显示在高负载情况下TAMA算法能够显著提升用户时延性能。另一方面,超密网络中用户连接问题复杂,频繁重选、切换问题更加严重。传统连接算法依据空口参数,如参考信号接收功率等选择接入的基站;然而,空口参数波动严重使得传统算法面临频繁切换等问题。论文研究基于人工智能技术的用户连接算法解决上述问题。然而,人工智能相关技术与通信网络的结合仍存在如下挑战:第一,如何解决通信实时性与学习耗时性之间的矛盾;第二,如何解决由于异构网络引起的黑盒模型难收敛问题。为此,论文提出模型驱动的线上线下相结合学习框架,框架包括线下特征学习与线上策略学习。特征学习通过空口参数分析链路质量,策略学习基于负载状态和链路质量进行智能决策,根据博弈论指导进行优化。进一步,论文仿真了分布式智能用户连接算法,实现了兼顾负载和吞吐量的连接策略,解决了异构网络的频繁重选问题。仿真结果表明所提学习框架可改善算法收敛速度和用户体验。
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN929.5
【图文】：

影响图,用户业务,文件大小,基站

同构用户多连接技术研究25图2.5 用户业务波动对于网络实时负载的影响图2.6 TAMA 降低用户的开销用户业务波动会影响 TAMA 算法的收敛情况。每 450000ms 用户的业务状态会改变，即用户传输请求的平均文件大小会改变。图 2.5 展示基站负载受用户业务状态波动的影响。图 2.6 展示了用户开销的变化，反映了 TAMA 算法的收敛。图 2.5 展示网络实时负载随时间的变化。纵轴的单位是毫秒，表示为基站每刻需要传输的业务大小除以当前数据速率。0 到 150 秒时网络负载大概 500ms，在这段时间用户平均传输文件大小为200kbits。因此150到300秒网络的负载大概达到了1300，用户平均传输文件大小为 400kbits。随后用户的业务又开始回落，图 2.5 表明网络的负载取决于用户业务特征。图 2.6 展示了用户的开销随时间的变化。纵轴表示用户开销，即式（2-9）值的变化。图2.6中存在三个阶段。由于刚开始业务分布的不均衡和基站负载估测的不准确

用户业务,情况,文件大小,基站

25图2.6 TAMA 降低用户的开销用户业务波动会影响 TAMA 算法的收敛情况。每 450000ms 用户的业务状态会，即用户传输请求的平均文件大小会改变。图 2.5 展示基站负载受用户业务状态的影响。图 2.6 展示了用户开销的变化，反映了 TAMA 算法的收敛。图 2.5 展示网络实时负载随时间的变化。纵轴的单位是毫秒，表示为基站每刻传输的业务大小除以当前数据速率。0 到 150 秒时网络负载大概 500ms，在这段用户平均传输文件大小为200kbits。因此150到300秒网络的负载大概达到了13户平均传输文件大小为 400kbits。随后用户的业务又开始回落，图 2.5 表明网络载取决于用户业务特征。图 2.6 展示了用户的开销随时间的变化。纵轴表示用户开销，即式（2-9）值的。图2.6中存在三个阶段。由于刚开始业务分布的不均衡和基站负载估测的不准确

实际负载,不变性,准确性,差别

开销函数（2-9）中包含了时延、负载和功耗开销。2.4.2.2 估测准确性和状态不变性图2.7 负载估测与网络实际负载的差别图 2.7 和 2.8 证明了 2.3 中的估测准确性和状态不变性。纵轴的单位为相对值，显示网络的负载 kk，无量纲。图 2.7 展示了网络负载随时间的变化。以用户0UE 为例，比较了0UE 对网络负载的估测和实际网络负载的差别。0UE 对于基站 k 负载的估测为kiNe 1，则对网络的负载估测为kik Ne 1，网络的实际负载为kk 。图 2.7 可发现负载估测与网络的实际负载逐渐接近，估测的平均误差小于 1，且随着时间的推移误差继续降低。该误差为网络中 15 个基站的负载估测误差综合

【相似文献】