差异化业务场景下的无线资源分配模型.docxVIP

差异化业务场景下的无线资源分配模型 随着移动互联网和物联网的快速发展，出现了大量的业务场景，如高密度视频、虚拟图像、智能复制、智能家居、车联网等。终端访问数量、类型和业务性质发生了爆炸。不同类型的业务具有很大不同的特点。例如，智能家庭、环境监控和其他业务需要支持大量连接设备。对于大规模视频和移动医疗来说，速度性能的要求非常高。对车辆电气控制系统的时间延和可靠性的要求非常高。因此，不同的商业场景需要数据速率、时间延、可靠性和连接密度的性能指标。目前，第四代移动通信系统的网络架构只能满足传统移动用户的独特业务需求，不能满足各种业务场景的要求。因此，有必要发展下一代移动通信网络。 5G移动通信网络将会支持和扩展更多的差异化业务场景,并定义了3大类业务场景:增强移动宽带(eMBB,enhanced mobile broadband)、海量机器类通信(m MTC,massive machine type communication)和超可靠低时延通信(uRLLC,Ultra-reliable-low latency Communications) 许多学者以最大频谱效率为目标研究资源管理.Parsaeefard等 为节约能量,许多学者开始考虑以最大能量效率为目标的资源管理方案 云无线接入网将基带处理单元从基站解耦并组合为资源池,并通过链路与远端射频单元相连,集中式的资源管理和信号处理可以提高频谱效率和能量效率 为了满足上述要求,提供更加灵活的资源分配方案,可通过分析不同业务场景下的用户需求,并将其转化为对无线通信资源的需求.通过构建系统模型来求解最佳资源分配方案,以系统总速率最大化为目标建立无线资源管理优化问题.由于其为混合整数非线性优化,难以求解,所以考虑了基于拉格朗日对偶理论和KKT条件对原优化的问题进行转化,并对其迭代求解,给出最优资源的分配算法.最后通过与已有算法对比,并进行仿真分析,验证了所提算法的有效性. 1 基于ns的考虑性能分析 考虑如图1所示的基于正交频分多址接入(OFDMA,orthogonal frequency division multiplexing access)系统的下行链路,在基站覆盖范围内有属于不同NS的用户并为其提供通信服务.设NS集合为G={G 每类g∈G对应一种业务场景且其服务用户集合为N 为简化起见,令 用户n 前文已经分析过不同NS下的用户对性能要求差异较大,也就是每个切片都有各自侧重点,但同时也对其他性能指标要求有要求,但是要求不高.因此需要分别对不同场景进行分析来满足其要求. 首先,G G 其次,G 对于传输数据量为s 最后,在G 可靠性约束转化为BER约束如下: 设信号采用QPSK调制,则传输信号的r与E 其中余补误差函数erfc(x)为减函数: 信噪比ε与E 则BER与信噪比ε的关系为 通过对上述系统模型的分析,为提高频谱效率并保证用户的性能要求,以最大化系统总速率为目标,建立如下的优化问题: 其中:ω 2 问题解决 2.1 问题转化 下面根据得到的优化问题对其进行转化求解.令 因此原问题转化如下: 2.2 拉格朗日对偶 Yu等 其中α、λ、μ为约束条件的拉格朗日乘子.通过拉格朗日乘子可以将一个具有复杂约束条件的问题转化为一个相对简单的无约束问题,从而更容易获得问题的解,并得到拉格朗日对偶函数为 对偶问题为 2.3 对照组分解 通过观察可以将对偶问题分解成K个独立的子问题: 式(19)中令x 可得其数值解.令 根据式(21)可知Y 得到p 其中 2.4 拉格朗日乘子更新求解 根据上面的分析可得每个子信道和功率的最优分配方案,但当前的最优解不一定是全局最优解,需要对拉格朗日乘子进行迭代更新.这里采用次梯度算法对拉格朗日乘子进行更新求解. 其中: 3 拉格朗日乘子更新 根据求解过程得到资源分配算法求解步骤如下: 1)构造如式(16)的拉格朗日函数L(x,p,α,λ,μ),并转化为对偶问题g(α,λ,μ); 2)将g(α,λ,μ)分解为K个独立的子问题g 3)根据式(21)和式(22)计算最优的信道分配和功率分配方案(x 4)根据信道及功率分配结果计算更新的g(α,λ,μ); 5)根据次梯度算法更新拉格朗日乘子α,λ,μ; 6)检查收敛条件是否满足,若不满足则跳转到步骤3),若满足收敛条件则结束循环并获得全局最优资源分配方案(x 上述算法基于拉格朗日对偶理论,并将对偶问题分解成K个独立的子问题,每个子问题需要针对N个用户分别求解,并经过有限次迭代后收敛到最优解,可得该算法的计算复杂度为O(KN),远远低于穷举搜索算法的复杂度,大大降低了求解难度. 4 切片仿真与性能分析 为评价所提算法的资源分配性能,下面对算法的性能进行仿真分析.由于不同类型用户性能要求差异较大,同时为了比较所提算法获得