分配策略_5G超密集组网的多点协作传输和功率分配策略

随着无线通信网络的快速发展以及智能终端设备的爆炸式增长，现有网络结构面临着巨大的挑战。3GPP在LTE-Advanced中提出了一种新的网络架构模型HetNet^[1]，这种模型是指在现有宏小区的覆盖下，大量增加低功率传输节点，如micro、pico、femto以及中继等。由于低功率传输节点的传输功率低，使得其能以极其灵活的方式进行部署。这种部署方式成本较低并且能够弥补宏小区的覆盖盲点，提高了系统的频谱利用率。此外，在5G中UDN场景下，大量低功率传输节点可以部署在用户密集区域，这种方式可以有效提升网络容量，扩展网络覆盖范围，但是引入了小小区间的同频干扰问题。因此，多点协作传输(CoMP)，一种通过节点间的协作传输来消除小区间的同频干扰技术，在5G中得到了广泛的应用^[1-2]。

众所周知，小小区之间干扰是影响UDN性能的主要因素之一^[3]，并且由于小小区之间的距离不断减小，小小区间的干扰问题变得更加严重。文献[4]在一个以用户为中心的虚拟范式中研究了干扰对齐问题，解决了UDN中的干扰问题。文献[5]提出了一种基于图形的资源分配方法，最大化了资源利用率。为了减小小小区边缘UE遭受的干扰，文献[6]提出了信道状态和干扰感知(PAG)方案，该方案通过调整发射功率来减小对其他小小区边缘UE的干扰。但是上述这些方法都没有考虑到TP之间的合作问题。

系统吞吐量和小小区边缘用户性能可以通过基站(BS)的联合传输来提高^[7-8]。这种联合传输不仅能有效地消除小区间的信道干扰，还可以利用干扰信号来增加信号的接收强度。在UDN中，小小区之间的间隔很小，这会造成小小区发生重叠。由于小小区边缘UE接收的信号可能来自多个小小区，这些来自于其他小区的干扰信号可以通过CoMP进行联合处理，以达到减轻小小区边缘UE遭受的干扰的目的。

虽然TP和BS之间灵活多变的合作传输策略可以增加小小区边缘用户的性能，但这将会给无线资源管理带来了巨大的挑战^[9-10]。考虑到CoMP带来的资源分配的问题，本文提出了CLA-CoMP算法。该算法可以根据宏小区下的低功率传输节点服务的用户数目进行小小区负载平衡，从而提高了子载波的利用率和系统的总和率。之后针对功率分配问题，本文采用了P2UPA方案。相较于平均功率分配(PF-PA)方式，P2UPA能够以较大的信道增益分配更多的功率，从而提高了系统的总和率。

1 系统模型

本文考虑了一个下行的多用户CoMP蜂窝系统模型，如图1所示。在UDN场景下，TP和UE随机分布在异构网络中。在CoMP系统下，用户根据所处位置的不同被分为两类：一类是处于TP覆盖中心的用户，另一类是处于TP覆盖边缘的用户。在寻求服务时，两类用户都会选择接收信号强度最大的TP作为home TP，TP根据信道状态信息(CSI)确定其服务的初始用户。中心UE只接受home TP的信号，对于边缘UE则可以通过CoMP合作集对其提供服务。对于合作集群的判定，假设P₀是用户收到home TP的发出的信号强度，P_i是用户收到第i个TP发出的信号强度，处于该边缘UE合作集中的TP应满足P₀-P_i≤δ_CoMP，其中δ_CoMP是CoMP集合选择的阈值。

假设T={1，2，…，N}表示所有的TP，U={1，2，…，M}表示UE，让A∈C^M×N表示UE和TP之间的分配矩阵，其中A中的元素的值为：

式中，等号右边第一部分表示用户m收到的期望信号，第二部分表示同频干扰信号，而W_m表示高斯白噪声功率。g_i，n是UE和TP之间的信道矩阵中的元素，表示第i个用户和第n个TP之间的信道增益。P_i，m代表该第i个TP对第m个用户的发送功率。其中UE和TP之间的信道矩阵G为：

本文工作目的是提出一种新的功率分配方式，从而获得更大的系统总和率。

2 基于CLA-CoMP传输的功率分配

接下来本文将提出一种基于CLA-CoMP功率分配方案，以期使小区的总吞吐量最大化。首先提出CLA-CoMP方案，然后解决功率分配的问题。

2.1 基于负载感知的CoMP

由于TP与用户之间的关系受CSI和小小区负载信息(CLI)的约束，假设用户和TP之间的CSI是已知的，所以TP可以根据CSI确定其服务的初始用户。在宏小区中使用JT-CoMP可以减小边缘用户受到的干扰，提高边缘用户的通信质量和传输速率，进而提高总传输速率。但是使用CoMP技术对资源分配是有要求的，当正在受到TP服务的UE占用了一段子载波时，被该TP服务的其他UE不能重用这段子载波。因此当UE数目增加时，将会占用更多的子载波，这会造成有些UE不能被TP服务，所以边缘UE的传输速率会受到影响。考虑到这个问题，本文提出了CLA-CoMP方案，该方案旨在提高小小区边缘UE的速率和总和速率R。

假设TP知道它服务的UE的CSI，TP根据CLI调整它服务的UE的数目。当小小区负载足够大并且高于可用子载波数时，TP将自适应地关闭信道最差的UE，从而减少小小区的负载。换句话说，BS不再为信道最差的UE提供服务。然后，被该UE占用的子载波得以释放。TP根据CLI调整它服务的UE的数目，当小小区负载很大且无可用子载波时，TP将其服务的UE中信道增益最小的踢出服务，该UE占用的子载波随即被释放。TP通过这种方法调整小小区负载并更新了它们所服务的UE。CLA-CoMP算法如下所示：

初始化：

根据CSI，每个TP选择U_n个用户对其提供服务。

2.2 基于用户关联后验概率的功率分配方案

在基于CLA-CoMP的条件下，下面的部分将讨论系统的功率分配。为了使系统总和率最大，即满足下面的规划方程：

由于C2和C4的非凸性，可以采用基于P2UPA方案来进行功率分配。相对于以往的PF-PA方案来说，该方案可以为最高关联概率的UE分配更高的功率。本文假设每当UE请求服务时，TP可以获取关联UE的SINR和可实现的数据传输速率。基于上述假设，本文采用P2UPA方案，其中每个UE被多个TP服务。假设TP已知关联用户m的SINR和可实现数据速率r_m，P2UPA的原理如下：

(1)确定可行性集：所有满足约束条件C3和C4的TP是用户可能连接的TP集合。

(2)先验和条件概率：根据每个UE可行性TP集合估计先验概率。例如，第i个UE可行性TP的集合为F_i={S₁，S₂，…，S_l}。第i个用户连接可行性集中每个TP的先验概率为：

3 仿真结果与分析

本文考虑了一个100×100 m²的通信区域。在这个区域中，TP和UE被统一随机部署，信道参数服从瑞利分布。主要模拟参数在表1中，不失一般性，每个子载波的带宽被设置为1。在下面的小节中，本文比较了采用PF-PA的CLA-CoMP和传统CoMP的性能。随后比较了采用P2UPA方案和PF-PA方案的系统的性能。最后，本文对基于CLA-CoMP且采用PF-PA方案的系统、基于CLA-CoMP且采用P2UPA方案的系统、不考虑CLA-CoMP采用PF-PA方案的系统和不考虑CLA-CoMP采用P2UPA方案的系统的总和速率进行了比较。

图2给出了采用PF-PA方案的情况下，基于CLA-CoMP的系统和不考虑CLA-CoMP的系统的总和速率和用户数目的关系。可以看出，基于CLA-CoMP的系统的优势是显而易见的。基于CLA-CoMP的系统的总和率是以指数形式增加，相较于不考虑CLA-CoMP的系统，增长速度变快。这是因为基于CLA-CoMP的系统关键思想是当小小区负载大于可用资源时，TP自适应地调整小小区负载以关闭最小信道增益UE，然后释放部分可用资源，其余UE可以被TP服务，因此小小区负载是平衡的。

图3给出了在基于CLA-CoMP的情况下，采用了P2UPA方案和PF-PA方案的系统的总和速率和UE数目的关系。如图3所示，P2UPA方案优于PF-PA方案是非常明显的。可以看出，对于特定数量的UE，采用P2UPA方案和PF-PA方案的系统的总和速率都是呈指数增长。但P2UPA显然优于PF-PA，这是因为P2UPA的关键思想是为最高关联概率的UE分配更多功率。

图4给出了基于CLA-CoMP和PF-PA方案的系统、基于CLA-CoMP和P2UPA方案的系统、采用PF-PA方案且不考虑CLA-CoMP的系统和采用P2UPA方案且不考虑CLA-CoMP的系统的总和速率与发送功率之间的关系。如图4所示，随着可用功率的增加，总和速率在4条曲线上呈指数增长。图3和图4表明了基于CLA-CoMP的系统的总和速率优于不考虑CLA-CoMP的系统，采用P2UPA方案的系统的总和速率优于采用PF-PA方案的系统。然而，无论PF-PA还是P2UPA，CLA-CoMP的系统的总和速率都优于不考虑CLA-CoMP的系统。对P2UPA方案而言，CLA-CoMP的系统的总和率优于不考虑CLA-CoMP的系统。因此，基于CLA-CoMP的系统采用P2UPA方案能获得更大的系统总和率。

4 结论

本文首先介绍了超密集组网这一网络模型，随后介绍了解决超密集组网中同频干扰的CoMP技术。考虑到CoMP带来的资源分配的问题，本文提出了CLA-CoMP方案来调整TP服务的UE的数量。然后，为了提高系统中的总和率，本文使用P2UPA方案，可以为信道增益较大的用户分配更多的功率。仿真结果表明，基于CLA-CoMP且采用P2UPA的系统能够获得更大的系统性能增益。

参考文献

[1] 3GPP，Requirements for further advancements for evolved universal terrestrial radio access(E-UTRA)(LTE-Advanced)(Relesae10)[S].TR36.913，V 10.0.0，2011.

[2] 3GPP，Overview of 3GPP release 12[S].3GPP RP 151570，V0.2.0，September，2015.

[3] CHEN S，XING C，FEI Z，et al.Dynamic clustering algorithm design for ultra dense small cell networks in 5G[C].International Conference on Communications and Networking in China.IEEE，2016：836-840.

[4] ZHU X，XIAO C，ZENG J，et al.Virtual cell interference alignment in ultra dense network[C].IEEE/CIC International Conference on Communications in China.IEEE，2016：1-6.

[5] BAI L，LIU T T，CHEN Z L，et al.A graph-based interference topology control for ultra-dense networks[C].2014 12th International Conference on Signal Processing(ICSP)，2014：1676-1681.

[6] GAO Y，CHENG L，ZHANG X，et al.Enhanced power allocation scheme in ultra-dense small cell network[J].中国通信(英文版)，2016，13(2)：21-29.

[7] XU X，ZHAO Z F，LI R P，et al.A resource scheduling scheme based on utility function in CoMP environment[C].2017 9th International Conference on WCSP，2017.

[8] YANG Z，ZHANG H，HAO P，et al.Backhaul-aware adaptive TP selection for virtual cell in ultra-dense networks[C].International Symposium on Personal，Indoor，and Mobile Radio Communications.IEEE，2016：1-6.

[9] ZHANG T，ZHAO J，AN L，et al.Energy efficiency of base station deployment in ultra dense HetNets: a stochastic geometry analysis[J].IEEE Wireless Communications Letters，2016，5(2)：184-187.

[10] HAMIDOUCHE K，SAAD W，DEBBAH M，et al.Mean-Field games for distributed caching in ultra-dense small cell networks[C].American Control Conference.IEEE，2016：4699-4704.

作者信息:

齐 畅，杨龙祥

(南京邮电大学 通信与信息工程学院，江苏 南京210003)