基于多點信道海圖的低能耗網絡覆蓋結構優化

葉遠青/YE Yuanqing，張四海/ZHANG Sihai，朱近康/ZHU Jinkang

（中國科學技術大學，中國 合肥 230026）

人工智能的發展和智能設備的普及對6G移動網絡提出了核心需求。6G網絡將支持高速率、大容量、超密集類型的業務，即超高數據密度業務（uHDD）[1]。隨著數據流量的急劇增長和連接設備數量的不斷增加，無線網絡的能源消耗也在快速增長。這將導致溫室氣體大量產生，對環境保護和可持續發展造成重大威脅[2]。因此，未來移動通信和網絡技術的發展勢必要統籌兼顧能耗和資源，打造綠色通信網絡。

為了提高無線網絡的能效，在由分布單元（DU）、集中單元（CU）與核心網構成的5G三級網絡結構的基礎上，創新演進出更多的無線覆蓋結構，如5G云無線接入網（CRAN）覆蓋結構、霧無線接入網（Fog-RAN）覆蓋結構、無蜂窩大規模輸入輸出（MIMO）覆蓋結構等。但這些傳統無線覆蓋結構部署方式較為固定，只能在局部范圍內進行有限的調整，難以與業務分布不均勻的uHDD場景匹配，降低了網絡的容量覆蓋能力。

資源小區覆蓋結構[3]可消除容量覆蓋漏洞，克服網絡的復雜干擾，其生成方法（RCG）根據用戶位置對用戶進行聚類，同時根據用戶位置信息和信道狀態信息（CSI）調整覆蓋結構以匹配業務分布，并通過貪婪啟發式算法[4]朝著系統和速率最大化的方向迭代優化資源小區。然而，用戶位置信息很難獲取，例如：現有的用戶定位方法（如三角測量）受限于視距傳播條件[5]，根據開放系統互連分層原則，基站無法從全球導航衛星系統獲取位置信息[6]等。此外，上述方法在很大程度上依賴于可用CSI的準確性和時效性。然而，由快速衰減引起的瞬時信道狀態變化導致獲取的CSI總是過時的。

為了解決用戶位置難獲取和CSI過時的問題，我們提出了一種基于多點信道海圖（MPCC）的資源小區生成方法。傳統通信系統的能效最大化通常由信噪比或速率約束來保證。本文中，我們在能量消耗約束下最大化系統和速率，從長期CSI獲得的二階信道統計量中提取有效特征，然后構建MPCC，以便更有效地保持用戶之間的信道相關性。MPCC上相鄰用戶具有很強的空間相關性，如果用戶共享同一個資源塊（RB），將會產生嚴重的干擾。因此，采用基于MPCC的RCG算法，將MPCC上相鄰的用戶劃分為同一簇，生成資源小區，在每個資源小區內分配正交RBs，并在資源小區間進行RBs的空間復用，可以減少系統干擾，提高系統和速率。結果表明，該算法可在用戶位置不可用和RCG可用CSI不完善或過時的情況下提升系統和速率。

1 資源小區與系統模型

1.1 資源小區

資源小區覆蓋結構[3]是通過控制/數據平面分離和系統級資源管理實現超高數據密度服務的關鍵覆蓋結構之一。在gNodeB架構中，CU負責處理非實時協議和服務，DU負責處理實時協議和物理層協議，有源天線單元（AAU）負責射頻傳輸以及部分物理層功能的實現。其中，CU與DU之間通過中傳鏈路（光纖）連接?？刂茖訉崿F覆蓋結構靈活適變的本質在于CU-DU之間中傳鏈路的調整，即在形成資源小區基本空間單元后，為符合現有5G gNodeB CU/DU分離的網絡結構需求，每個資源小區需選擇一個基站激活CU模塊功能，其余基站激活DU模塊功能。

在實際部署中，可由一個中央處理單元集中控制區域內的全部基站，由區域級計算中心執行計算任務。該處理單元部署于接入網側虛擬操作和管理中心（vOMC）。資源小區覆蓋結構生成的協議流程如圖1所示?；靖鶕脩舭l送的上行導頻序列與信令信息進行局部區域內的網絡狀態（如信道狀態信息、用戶業務信息等）特征提取與壓縮。壓縮后的信息通過回程鏈路傳遞至vOMC，然后vOMC綜合接收到的信息并決定資源小區內的基站集合，在所有的信息處理完畢后，將結果用統一、簡單的信令表達并分發至基站?；咀x取信令后調整中傳鏈路，以形成資源小區覆蓋結構。資源小區與其他傳統覆蓋結構的本質區別在于：資源小區既能在宏觀上實現覆蓋結構隨業務分布變化的靈活性和適應性，又能在微觀上為覆蓋范圍內的用戶準確分配資源，實現最終的干擾管理。

圖1 資源小區覆蓋結構生成的協議流程[3]

1.2 系統模型

我們考慮包括M個基站、N個單天線用戶和S個資源小區的二維平面上的超密集網絡，其中基站配備A根天線的均勻線性陣列（ULA）?；炯蠟镸={1,2,…,M}，用戶集合為N={1,2,…,N}，資源小區集合為RC={C1,CS2,…,C}，任意資源小區內的基站集合為CAPs={1,2,…,Ms}，小區內資源塊集合為Ks={1,2,…,K}，小區內用戶集合為CsUE={1,2,…,Ns}。

小區內基站與用戶之間的映射關系可表示為：

由于每個基站只有K個獨立正交資源塊，因此在一個時隙內資源小區Cs最多能服務的用戶數不超過Ms×K個，其中Ms表示小區內的基站數，即：

資源塊k在一個時隙內被復用的次數不會超過資源小區內的基站數Ms，即：

此外，小區內的用戶在一個時隙內至多被來自不同基站的正交Ms個資源塊所服務，即：

根據小區內基站與用戶的映射關系，用戶u與所關聯的基站i在資源塊k的信干噪比表示為：

其中，Di={j|di,j＜=ε}表示與用戶u之間距離不大于ε的所有基站集合，Pu,i,k表示基站i在資源塊k上為用戶u分配的功率，hu,i表示基站i與用戶u之間的信道矢量，σ20為用戶端的加性高斯白噪聲?；诙鄰娇臻g相關信道模型，hu,i可以表示為：

其中，L表示多徑分量數，αu,i,l是用戶u與基站i之間第l條徑的信道的小尺度衰落增益，其被建模為服從零均值方差為1的復高斯隨機分布。βu,i表示無線信道傳播過程中的大尺度衰落，主要包括路徑損耗與陰影效應，建模為：

其中，du,i為用戶u和基站i之間的距離，γ表示經驗衰落系數，一般取值為3.8。另外zk為用戶u與基站i之間的陰影衰落，滿足10log10(zu,i)服從CN(0,ζ2)分布，ζ為陰影衰落系數，一般取值為8 dB。e(θu,i,l)是基站端ULA的導向矢量，天線之間的距離為d=λ/2，其中λ為電磁波波長。導向矢量可以表示為：

其中，θu,i,l為用戶u與基站i間信道第l條徑的到達角，對于任意u和i滿足θu,i,l∈[-π/2,π/2]。用戶u和基站i間L條徑的用戶到達角（AoA）都服從均勻分布θu,i表示用戶u和基站i之間的入射角，σ表示多徑信道AoA的角度標準差。

用戶端的下行速率可以表示為：

其中，W為系統預先為每個資源塊設定好的帶寬，需要滿足最低速率要求Rmin。

對系統中的每個資源小區下的每個用戶端的下行速率進行求和，得到整網下行速率：

我們采用理想的網絡功耗模型，即只考慮基站的發射功率[7]。假設將基站的總發射功率平均分配給用戶，以約束整個網絡的總功耗?；緄在資源塊k上分配給用戶u的發射功率為：

其中，Pmax表示基站的最大發射功率。

基于上述假設條件與模型設計，可以得到整網下行速率優化模型。

2 基于多點信道海圖的資源小區覆蓋優化

針對未來無線通信系統需要滿足移動用戶對高速數據傳輸業務的需求，由于業務時空分布動態變化，缺乏適配動態業務靈活性的覆蓋結構，將會導致資源的使用沖突和網絡中復雜干擾，降低局部區域內的網絡容量。受資源小區[3]的啟發，本文中我們提出基于多點信道海圖的資源小區覆蓋結構優化方法。

由于用戶間干擾與不同用戶信道域之間的相關性密切相關，因此本文主要思想是通過提取無線信道特征構建多點信道海圖并學習不同用戶信道之間的相關性，從而將相關性強的用戶劃分為同一簇，將其相關聯的基站劃分到同一個資源小區，資源小區內基站進行聯合傳輸并給用戶分配正交資源塊，以降低用戶間干擾，資源小區間進行資源塊復用，從而提升系統和速率?；诙帱c信道海圖的資源小區覆蓋結構生成框架如圖2所示。

圖2 基于多點信道海圖的資源小區覆蓋結構優化流程

2.1 多點信道海圖生成

圖2虛線部分展示了多點信道海圖的構造過程。首先，每個基站（BS）從所有用戶信道狀態信息Hm∈CN×P中提取特征Fm，計算局部相異度矩陣Dm∈CN×N，其中N和P分別是用戶數和CSI的維數。不同相異度矩陣Dm表示基站m處CSI的局部視圖，與用戶間的無線電距離有關。然后，將Dm上報給vOMC并進行數據融合，從而構建全局相異度矩陣D∈CN×N。最后，通過主成分分析（PCA）[8]、Sammon’s Mapping（SM）[9]等流形學習方法將D變換成滿足Nd?N的低維圖Z∈CN×Nd。大多數信道海圖的工作將Nd設置為2。信道海圖技術的核心思想可以表達為：在低維空間找到一組數據點。當dp(pi,pj)較小時，存在：

其中pi和pj為原始空間中距離較近的兩個數據點的三維坐標，zi和zj分別為pi和pj降維后在海圖空間的二維坐標。海圖空間中的坐標沒有絕對的物理意義，但是可以通過dz(zi,zj)表示海圖上數據點之間的差異程度。當dp和dz表示歐式距離計算且滿足式（13）時，說明所構造的信道海圖保留了數據點在原始空間中的局部相對位置關系。

從信道狀態信息中提取的特征是決定MPCC提供何種信息，以及其是否能有效解決通信問題的關鍵。由于空間幾何上接近的位置會經歷類似的多徑分量，因此，可以從信道狀態信息中挖掘多徑分量的到達角θu,i,l和信道增益βu,i來構造MPCC。本文采用多重信號分類（MUSIC）算法進行特征提取[10]，其輸入是上行鏈路CSI的協方差矩陣R=E{HHH}，其攜帶與距離有關的大規模衰落特性的信息。在實際中，一般信道協方差矩陣計算方法為：

基于這些多徑特征進行用戶間的相異度度量可揭示信道圖上用戶間的近鄰關系。在虛擬操作和管理中心融合各個基站上傳的相異度矩陣，并進行降維，可實現其到信道海圖的線性映射。

2.2 覆蓋結構優化策略

系統模型假設用戶與資源小區已匹配，即：任意用戶u只屬于一個用戶集合Ns，且該用戶集合Ns中的所有用戶只被對應的資源小區Cs提供服務，因此可通過用戶分組來優化資源小區覆蓋結構。

用戶在空間幾何上的距離越近，用戶之間的干擾相對較大。MPCC上用戶間的距離反映用戶的最近鄰關系，因此兩個用戶在MPCC上距離越近，其發生同頻干擾的可能性就越大?；贛PCC的K-means聚類后，這些用戶以更大概率被分配到同一簇（定義為資源小區）。首先，通過K-means算法形成初始用戶簇，其中初始用戶簇數量K0定義為min(,M)。為確保每個資源小區中有足夠的正交資源塊用于分配，我們將K0設置為。隨著用戶數的增加，可能大于基站數量，因此將K0設置為兩者的最小值。在此基礎上，根據用戶最大參考信號接收功率（Max-RSRP）關聯基站的原則，得到初始資源小區集。

為確保資源小區是完全獨立的，我們需要若干驗證。例如：1）當不同資源小區之間存在相同基站時，該基站被分配給所關聯用戶最多的資源小區；2）檢查每個資源小區中的用戶數量，以確保每小區中有足夠的正交資源塊用于分配。當資源小區中的用戶數超過閾值Nthre時，就需要進行細粒度分區。具體來說，當資源小區Cs中的用戶數量Ns大于Ms×K時，需要將該資源小區Cs中的所有基站劃分為獨立的資源小區；當Ns大于細粒度分區閾值Nthre但小于Ms×K時，資源小區Cs應根據用戶數量Ns分裂為更多的資源小區?；贛PCC的資源小區生成算法的具體步驟如算法1所示。

算法1 基于多點信道海圖的資源小區覆蓋結構優化策略輸入：多點信道海圖Z∈CN×Nd輸出：資源小區集合RC={C1,C2,…,CS}1：用戶根據Max-RSRP原則關聯基站，得到初始用戶-基站關聯對2：計算聚類的數目S=K0 3：基于多點信道海圖通過K-means聚類算法初始化用戶簇4：if關聯同一個基站的不同用戶被劃分到不同的用戶簇then 5：將基站劃分到其關聯用戶最多的簇6：end if 7：輸出初始資源小區集RCspre={C1,C2,…,CS}8：for資源小區Cs，s=1,2,…,S do 9：if Ns≥Ms×K then 10：將Cs中的所有基站都視為一個獨立的資源小

3 仿真結果分析

3.1 實驗設置

本部分內容針對所提的基于MPCC的資源小區優化策略，在能耗約束下評估系統和速率來驗證性能。為了簡單而又不失一般性，我們考慮一個210 m×210 m場景，其中基站均勻分布。參數匯總如表1所示。

▼表1 仿真實驗參數表

我們以圖3所示C-RAN靜態覆蓋結構為基準，采用基于位置和貪心策略的優化方法[3]作為對比，下文中將其稱為LG算法。LG方法使用基于用戶地理位置的K-means算法形成用戶初始簇，基于用戶地理位置通過K-means算法進行用戶分簇形成初始用戶簇，在此基礎上進行貪心迭代形成資源小區，使系統和速率達到最大。

圖3 傳統C-RAN靜態覆蓋結構

3.2 實驗結果及分析

圖4為資源小區生成示意圖，其中用戶數為1 500。圖4（a）展示了用戶均勻分布情況，其中用戶根據均勻點過程獨立生成。不同顏色的點代表不同空間位置的用戶，用戶間標記的顏色越相似，其在通信系統中的實際物理距離就越近。圖4（b）多點信道海圖顯示，用戶在海圖上的位置分布形狀與原始位置相似，證明MPCC可有效保持信道域中用戶之間的最近鄰關系。圖4（c）中展示了基于多點信道海圖的資源小區優化算法得到的資源小區覆蓋結構，其中不同的顏色分別代表不同的資源小區。圖4（d）和圖4（e）分別為用戶非均勻分布情況和對應的多點信道海圖。其中，600個用戶是由泊松點過程獨立生成，其余用戶均服從均勻分布。從直觀上看，雖然MPCC中用戶的空間位置分布與原始位置相比發生了變化，但海圖轉換后用戶的顏色標記并沒有出現明顯的混疊現象。為了更直觀地反映資源小區的覆蓋效果，圖4（f）展示了所提算法優化得到的資源小區?？梢钥闯?，在用戶密集分布的區域，資源小區盡可能分裂出更多的資源小區，而在用戶稀疏分布時，盡可能多地合并接入點，從而發揮BS協作的優勢。

圖4 資源小區生成示意圖（N=1 500）

圖5展示系統下行和速率與用戶數的關系。隨著用戶數量的增加，可實現的系統下行和速率在初始階段呈上升趨勢，隨后逐漸趨于穩定。值得注意的是，隨著用戶數增多，用戶速率需求也在變化，即分為兩種業務場景：用戶連接數少但速率需求高，用戶連接數多但速率需求低。9個小區的C-RAN靜態覆蓋結構中，由于正交資源塊數量的限制，全網最大接入用戶數為9×100 = 900。因此，在用戶均勻分布的情況下，接入用戶數超過1 000個時，C-RAN靜態覆蓋結構的網絡承載能力將達到上限，而用戶非均勻分布時，在超過用戶數1 500的情況下C-RAN靜態覆蓋結構不再有增益。對于資源小區這種彈性覆蓋結構，小區的數量隨用戶數量的增加而靈活變化。當用戶數量不斷增加時，原始小區開始分裂為更多的資源小區，以確保允許更多的用戶訪問，直到超過4 500個用戶時接近承載能力的上限。綠色實線代表基于瞬時CSI的LG方法的性能，紅色實線代表我們所提的利用平均CSI基于MPCC的算法?？梢钥闯?，本文算法性能略差或相當于基于位置的貪心策略的優化方法，但都優于CRAN靜態覆蓋結構（藍色實線）。在用戶均勻分布的情況下，本文方法與LG方法性能相比降低最大為7.8%，此時用戶數為1 000，其相比于C-RAN性能提升1.84%；當用戶數為5 500時，本文算法和LG算法性能相當，相比于C-RAN系統和速率分布提升126.27%。在用戶非均勻分布情況下，用戶數為1 500時，本文方法與LG方法性能相差最大為6.35%，此時，其相比于C-RAN性能提升12.45%；當用戶數為5 500時，本文算法和LG算法性能相當，相比于CRAN系統和速率提升153.23%。

圖5 系統可達和速率隨用戶數的變化趨勢（Pmax=10 W)

通過提高基站總發射功率可以提高系統和速率，圖6給出了N=500和N=1 000時系統可達和速率與基站最大發射功率對應關系。對于兩種覆蓋結構可達的系統和速率區間（橙色虛線框），資源小區的某個系統和速率RRC對應的基站最大發射功率為PRC，找到RRC±5范圍內的RC-RAN，其對應的基站最大發射功率為PC-RAN，然后再按照公式η=×100%進行計算，可以得到資源小區相比于C-RAN達到相同系統和速率的能耗降低百分比η。N=500時，在用戶均勻分布情況下，資源小區相比于C-RAN達到相同系統和速率的能耗約為75.66%；在用戶非均勻分布情況下，能耗降低約為85.46%。N=1 000時，資源小區的能耗降低百分比在用戶均勻分布和分均勻分布兩種情況下分別為69.05%和77.90%。

圖6 系統可達和速率與基站最大發射功率對應關系

4 結束語

針對日益增長的用戶速率需求，我們提出基于多點信道海圖的資源小區覆蓋結構優化策略，通過構建信道海圖來感知用戶空間分布，將信道特征相關性強的用戶劃分到同一資源小區。資源小區內基站對用戶進行聯合傳輸并分配正交資源塊，以減少干擾，提升用戶速率。資源小區間通過正交資源塊復用以提升系統和速率。仿真結果表明，在相同基站總發射功率約束下，所提方法優化得到的資源小區彈性覆蓋結構對比靜態C-RAN覆蓋結構有效提升了系統和速率。在能耗方面，在系統達到相同系統和速率的情況下，資源小區彈性覆蓋結構有效降低了所需的基站發射功率。本文所提算法能夠解決現有基于貪婪的資源小區覆蓋結構優化算法中用戶位置很難獲取、瞬時信道狀態信息不完美的問題，對網絡覆蓋結構優化具有重要參考價值。

致謝

感謝中國科學技術大學陳玥刪、張佳杰同學對本論文做出的貢獻！