一種流量感知的LTE網絡節能資源分配算法

杜文峰,高思寧

(計算機與軟件學院 深圳大學,廣東 深圳 518060)

1 引 言

LTE作為當前無線網絡運營商采用的主要4G技術標準,能夠為用戶終端(User Equipment,UE)提供高帶寬、低延遲和高速率的網絡訪問途徑,滿足移動互聯網的需求.

隨著移動用戶終端數量的增多,以及用戶網絡帶寬需求的不斷增大,現有LTE基站的工作模式被設計為以固定的帶寬模式來向用戶提供足夠的資源[1],以超過帶寬需求的模式分配帶寬資源.然而,根據文章[2]的研究成果,可以發現用戶終端到達基站的需求是變化的.當網絡通信負載降低時,網絡仍然工作在較高的能耗狀態,并不能根據網絡流量調整資源分配過程,消耗的能源較多.

為了提高LTE基站在低負載下的能源使用效率,本文提出了一種流量感知的LTE網絡節能資源分配算法(A Traffic-Aware Energy Efficient Resource Allocation Scheme for LTE Network,TAE2RA).該算法通過分析用戶業務類型、用戶緩沖區以及基站通信資源的使用情況,對基站發送的數據量進行整形、調整,通過讓通信能量適配通信流量,在滿足業務QoS需求的基礎上,降低基站的通信能耗.

2 相關工作

在LTE網絡基站中,各個UE的數據包到達基站后被緩存到不同的緩沖隊列中,采用先來先服務的方式進行發送.

每隔一個傳輸時間間隔(Transmission Time Interval,TTI),UE向基站發送信道質量指標(Channel Quality Indicator,CQI)匯報信道質量.CQI值決定了UE可以使用的調制和編碼方案[3,4].而調制和編碼方案對應著數據傳輸塊大小,決定了物理資源塊(Physical Resource Block,PRB)可以傳輸的數據量.

目前,已有部分研究人員對LTE網絡的資源分配進行分析和研究[1,3,5-11].

為了獲得較好的用戶公平性,輪詢(Round Robin,RR)算法按照某種順序依次服務各個UE,不考慮信道質量[5];BestCQI(Best Channel Quality Indicator)算法將資源分配給信道質量好的UE來提升了系統吞吐量,但犧牲了公平性[5];比例公平(Proportional Fair,PF)算法則試圖在吞吐量和公平性之間進行權衡[6];文章[7],通過預測數據包的延遲來調整資源分配過程,可以提高系統吞吐量;文章[8],按照信道質量優劣,將PRB按照比例分配給UE.該算法不但在吞吐量上超過PF算法,還在公平性上接近于PF算法;文章[10]改進了最大權值優先(Modified Largest Weighted Delay First,M-LWDF)算法,利用數據包延遲剩余值與同一時刻不同用戶的平均值的關系,調整數據包的發送次序.提高了系統吞吐量并降低了丟包率.文章[11]結合實時業務對包丟失敏感的特點,利用用戶下行信道信息和時延信息,提出了改進的時延優先調度算法.隨著負載的不斷增加,改進的時延優先調度算法相對于最大權值優先算法和指數比例公平算法,可以在吞吐量和公平性之間取得更好的折中,并且獲得更好的丟包率性能.

同時,也有部分算法對基站的通信能耗進行分析.文章[1]中允許基站在網絡負載較低時,使用非連續發送技術讓功率放大器(Power Amplifier,PA)進入低能耗的睡眠模式,而達到節能的目的.然而,PA的模式變換需要消耗能量和時間,對于需要勻速發送的業務,會出現頻繁的模式切換從而帶來額外的開銷;文章[3]利用自適應調制編碼機制,將滿足傳輸需求后剩余的空閑傳輸資源分配給UE,并為UE選擇能效更高的調制和編碼方案,能夠降低基站通信能耗.然而,該算法基于RR、BestCQI和PF算法改進而來,無法滿足不同業務的需求;文章[9]通過讀取預置流量配置,調整基站硬件進入不同的能耗模式,從而使基站能耗隨流量變化而變化.然而,該算法依賴于已知的流量配置,靈活性不高,也不能根據具體的業務QoS調整資源分配.

為了降低傳統LTE基站能量過量供應的問題,貝爾實驗室提出了根據網絡流量來調整PA的工作模式,通過縮減基站使用帶寬或減少基站實際使用的PRB數量,限制功率放大器的最大射頻輸出功率,從而降低基站通信能耗[9].

可以發現,當前資源分配算法并沒有結合業務類型和流量變化來調整基站的資源使用,而在無線系統中能源有效的資源管理方式是減少能耗的有效方式[12].因此,如何結合通信業務的QoS需求來調整基站的PRB使用量,以及如何在保證當前業務QoS的基礎上降低系統通信能耗,提高PRB的使用率成為當前LTE網絡基站節能面臨的新問題.

本文正是針對以上問題進行分析,通過分析UE的業務QoS需求、數據緩沖區等信息來調整基站的資源分配過程,從而提高基站能源效率.

3 一種流量感知的LTE網絡節能資源分配算法

假設LTE基站為N個用戶終端服務,終端i標識為UEi.每個UE只有單個業務,且在基站擁有獨立的緩沖區.令UEi對應的緩沖區容量為Qi,且每個數據包僅占用一個單位的緩沖區容量.當終端對應的緩沖區滿時,該終端到達的數據包將被丟棄.為了簡化分析,本文以數據包為單位來計算基站緩存終端的數據量以及發送PRB的數據容量.

根據LTE標準中規定的QoS分類標識(QoS Class Identifier,QCI)值,本文將UE的業務分為保證比特率業務(Guaranteed Bit Rate,GBR)和不保證比特率業務Non-GBR兩種,分別簡稱為實時業務和非實時業務,不同類型業務請求發送的數據包量也不同.

本算法首先根據終端的QoS需求,將所有終端的緩沖區數據分為必須發送和非必須發送兩部分.為了限制及調整基站每個TTI內發送的數據包數量,本算法結合業務QoS需求,計算每個緩沖區中必須發送的數據量.

1)為了保證實時業務的服務質量,基站在每輪數據發送中至少發送S(min,i)個數據包,且不對業務請求進行限制.假設終端UEi使用實時業務,則UEi在第R輪向資源調度器請求發送的實時業務數據包數量N(i,R)為

N(i,R)=S(min,i)

(1)

2)然而,由于非實時業務在傳輸過程中允許一定的延遲,即,對于延遲剩余值為r的非實時數據包,基站只需要在r輪內將其發送即可.因此,本算法重點對非實時數據業務的發送過程和資源分配方式進行調整.

假設終端UEj使用非實時業務,且該業務允許的最大數據包延遲為D(max,j).令緩沖區中延遲剩余值為r的數據包個數為d(j,r),r∈{1,2,3,…,D(max,j)}.為了減少非實時業務在傳輸過程中引入的平均延遲,本算法引入了比例系數β來控制緩沖區的數據包積壓程度,其中β∈[0,1].同時,為了降低緩沖區中數據包積壓程度,本算法將延遲剩余值r<=β*D(max,j)的數據包直接提交給調度器發送,而r>β*D(max,j)的數據包盡力延遲發送.

可以得到,終端UEj在第R輪內向調度器請求發送的非實時業務數據包數量N(j,R)為

N(j,R)=

(2)

同時,由于LTE網絡只規定了實時業務優先級高于非實時業務,并未規定同種業務間的優先級高低.為了保證業務QoS需求,必須根據基站已有信息調整業務終端的優先級.由于發送請求量反映了終端UE的業務需求和緩沖區積壓程度,平均時延反映了終端UE過去的資源滿足程度.因此,本算法將利用終端UE在第R輪的發送請求量和平均時延,以及第R-1輪的資源分配情況來決定同種業務終端的服務順序.

針對實時業務,假設終端UEi引入的平均時延為D(avg,i).令ΔD=D(max,i)-D(avg,i),表示平均延遲剩余值.則,(1)當ΔD>= 0,ΔD越小,終端優先級越高;(2)當ΔD< 0,業務不可用,ΔD越小,終端優先級低.

假設終端UEi在第R- 1輪發送的數據量為S(i,R-1).為了反映業務需求和保證用戶公平性,本文引入了業務請求量系數K,K=N(i,R)/S(i,R-1).K越小,終端優先級越低.可以得到,實時終端UEi的請求優先級P(RT,i)為

(3)

由于非實時業務對延遲不敏感,為了保證終端之間的公平性,只需考慮第R-1輪發送的數據包數量S(j,R-1)和本輪向調度器請求發送的數據包數量N(j,R).可以得到,非實時終端UEj的請求優先級P(NRT,j)為

(4)

為了保證實時服務的優先級,實時終端的優先級高于非實時終端.將基站服務的所有用戶終端按照優先級從高到低的順序排列,可以得到接入基站終端集合U={UE1,UE2,UE3,…,UEN}.

假設基站為終端UEk分配PRB時,終端UE1～UEk-1已經獲得了基站服務,且系統剩余M個PRB.基站首先根據論文[3,4]中的方法來計算終端UEk對應各個PRB的可用容量,并按PRB容量從小到大排序得到未分配資源集合P={P1,P2,…,PM}.

定義:已分配資源集合Ak={A(k,1),A(k,2),…}為終端UEk可獲得的PRB資源.

為了保證用戶終端的業務服務質量,本算法在預分配過程中僅考慮各個終端必須發送的數據量,即僅為終端UEk緩沖區前N(k,R)個必須發送的數據包分配PRB.

1)本算法在未分配資源集合P中尋找能夠滿足終端UEk請求數量N(k,R)的最小容量PRB,并分配給終端UEk.此時,系統將集合A1～Ak-1中對應的PRB標識為已使用.

當存在單個PRB可以滿足終端的請求量時,為了提高PRB利用率.本算法將選擇集合P中滿足請求量的最小PRB,假設為Px.將Px從集合P中刪除,并加入集合Ak.如圖1所示.

圖1 需要單個PRB的例子
Fig.1 Example of single PRB

如果單個PRB無法滿足終端的請求數量,本算法持續將集合P中當前容量最大的PRB分配給終端UEk,直到存在單個PRB可以滿足終端的請求量時,再把Px加入集合Ak.如圖2所示.

圖2 需要多個PRB的例子
Fig.2 Example of multiple PRBs

此時,按UEk獲取PRB的先后順序,將資源集合Ak排序可以得到Ak={A(k,1),A(k,2),…,A(k,last)}.

2)同時,為了提高PRB的利用率,本算法引入了PRB利用率閾值γ.

定義:PRB利用率η∈(0,1]為PRB中的數據與PRB總容量之比值.

對于非實時業務終端,當利用率超過閾值時,即η>γ,系統將PRB分配給終端;否則,將A(k,last)標識的PRB放回集合P.

為了防止高優先級終端占用過多的通信資源,在預分配過程完成后,本算法將再次遍歷終端集合U,對預分配結果調整.

首先,基站計算終端UEk對應W個剩余PRB的可用容量,并按PRB的可用容量從小到大排序得到剩余PRB資源集合R={R1,R2,…,RW}.

假設終端UEk緩沖區的總數據量為Wk,且緩沖區數據經過預分配后,剩余的數據量為nk.同時,假設UEk已分配資源集合Ak中,容量最小的PRB為A(k,min).

1)如果nk=0或者A(k,min)>RW,則停止對終端UEk的PRB進行調整.

當nk= 0時,表示緩沖區已無數據發送,如圖3所示.

圖3 nk = 0 時,緩沖區狀態Fig.3 Buffer state when nk=0

當A(k,min)>RW時,表示剩余PRB資源集合R中無合適的PRB與A(k,min)進行替換.如圖4所示.

圖4 A(k,min)>RW時,緩沖區狀態Fig.4 Buffer state when A(k,min)>RW

2)當nk>0且A(k,min)>=RW,表示終端UEk仍有數據需要發送且集合R中存在合適的PRB與A(k,min)進行替換.此時,本算法將從集合R中選擇滿足nk的最小PRB來替換A(k,min).

令Δp表示將集合R中的PRB與A(k,min)替換后可以發送的數據包數量.

當集合R中存在滿足nk的PRB時,為了避免容量浪費,選擇滿足nk的最小PRB,假設為Ry.則此時Δp=Ry-A(k,min)>=nk,如圖5所示.

圖5 存在滿足nk的PRBFig.5 Existing PRB can satisfy nk

如果集合R中不存在能滿足nk的PRB,表示終端UEk剩余較多數據未發送,因此選擇容量最大的RW與A(k,min)替換.則此時Δp=RW-A(k,min)

圖6 不存在滿足nk的PRBFig.6 No PRB can satisfy nk

4 模擬實驗

本節給出了使用TAE2RA算法、RR算法、BestCQI算法、NS算法在Matlab中的模擬結果.

由于吞吐量只能表示基站在單位時間內發送數據的能力,并不能準確反映能源效率高低.因此,本文引入PRB平均利用率和PRB能效兩個指標.PRB平均利用率是指數據總量與PRB總容量的比值,比值越高說明數據包發送時間選取得越恰當;PRB能效是數據總量與PRB總數量的比值,比值越高說明資源利用越有效.同時,為了比較算法能耗,定義PRB平均使用量為每個TTI使用的PRB個數.在使用能源感知PA的基站中,PRB平均使用量小,則PA的工作電壓小,即算法能耗低.

本文先通過實驗進行分析,得到TAE2RA算法使用的β、γ值.隨著β值在[0,1]內增加、γ值在[0,1]內減少,TAE2RA算法對非實時業務的發送限制逐漸減弱.實驗結果表明,當基站中非實時業務的流量占總流量比例不同時,需要選擇不同的β、γ值來調整算法.如表1所示.

表1 不同非實時流量比例下的β,γ參數
Table 1βandγwith different not-real-time traffic ratio

非實時流量比例20%40%60%80%100%β0．20．40．60．81γ0．80．60．40．20

為了研究基站負載對算法能源效率的影響,本文設置β,γ的值分別為0.6和0.4.同時,模擬過程中的參數設置如表2所示.

表2 模擬參數
Table 2 Simulation configuration

基站負載10%20%30%40%50%終端數量1020304050流量類型泊松流，λ=200非實時流量比例60%系統帶寬10MHzPRB數量50

圖7對比了4種算法在不同負載下的系統吞吐量.可以發現,當系統負載較低時,由于基站可用PRB資源充足,4種算法獲得的系統吞吐量基本一致.

圖7 吞吐量對比Fig.7 Throughput comparison

圖8對比了4種算法在不同負載下的PRB平均使用量.可以發現,當基站負載低于40%時,TAE2RA算法對非實時數據包采取了積累后發送的策略,使用的PRB資源最少.當基站負載達到50%時,NS算法根據所有終端的信道質量差異,按比例分配PRB,可以獲得較好的PRB平均使用量.

圖8 PRB平均使用量對比Fig.8 PRB average usage comparison

圖9對比了4種算法在不同負載下的PRB平均利用率.可以發現,由于TAE2RA算法使用了β、γ參數對非實時數據包的發送數量和發送時間進行了調整,且PRB利用率高于一定閾值時,才將該PRB分配給非實時終端,能夠取得較好的PRB利用率.

圖9 PRB平均利用率對比Fig.9 PRB average utilization comparison

除了PRB平均利用率以外,PRB能效也是衡量能源效率的重要指標.圖10比較了4種算法在不同負載下的PRB能效差異.可以發現,當基站負載為50%時,由于NS算法在分配資源時使用了容量較大的PRB,因此可以使用較少的PRB發送數據,其PRB能效超過了TAE2RA算法.

圖10 PRB能效對比Fig.10 PRB energy efficiency comparison

然而,由于TAE2RA算法對非實時數據采取了積累發送的策略,導致了非實時數據包的等待延遲,如圖11所示.

由以上模擬結果可知,當固定非實時流量比例為60%,且基站負載低于40%時,TAE2RA算法通過調整非實時數據的發送數量和時機,在與NS算法的吞吐量保持一致的情況下,相比NS算法可以最高提高62%的PRB能效和最高43%的PRB平均利用率,并減少38%的PRB平均使用量.

為了研究非實時流量比例對算法的影響,本文將基站負載固定為40%,調整非實時流量的比例.實驗結果如表4所示.可以發現,隨著非實時流量的增多,需要通過β,γ減少對非實時數據包的發送限制,導致了算法能源效率的下降.當非實時流量為60%時,算法的性能最佳.

圖11 非實時數據包延遲比較Fig.11 Delay comparison of not-real-time data

表4 不同非實時流量比例下的結果
Table 4 Results with different not-real-time traffic ratio

非實時流量比例20%40%60%80%100%吞吐量(Mbps)88888PRB平均使用量35．530．924．839．940．0PRB平均利用率0．540．610．700．490．48PRB能效224．3257．3322．9200．5199．9非實時延遲(ms)214．7132．710．700

5 總 結

針對LTE基站過量供應資源導致的能源浪費問題,本文對低負載情況下的LTE網絡基站的PRB分配規程進行調整.通過調整非實時數據包的發送數量和時機,在滿足業務QoS需求的基礎上,提高了基站的能源效率.

[1] Frenger P,Moberg P,Malmodin J,et al.Reducing energy consumption in LTE with cell DTX[C].Vehicular Technology Conference (VTC Spring),2011 IEEE 73rd,2011:1-5.

[2] Yang Jie,Li Wei-cheng,Qiao Yuan-yuan,et al.Characterizing and modeling of large-scale traffic in mobile network[C].Wireless Communications and Networking Conference (WCNC),2015:801-806.

[3] MSabagh M R,Dianati M,Imran M A,et al.A heuristic energy efficient scheduling scheme for VoIP in 3GPP LTE networks[C].2013 IEEE International Conference on Communications Workshops (ICC),2013:413-418.

[4] Chiumento A,Pollin S,Desset C,et al.Analysis of power efficiency of schedulers in LTE[C].Communications and Vehicular Technology in the Benelux (SCVT),2012 IEEE 19th Symposium on,2012:1-4.

[5] Schwarz S,Mehlführer C,Rupp M.Low complexity approximate maximum throughput scheduling for LTE[C].Conference Record of the Forty Fourth Asilomar Conference on Signals,Systems and Computers,2010:1563-1569.

[6] Choi J G,Bahk S.Cell-throughput analysis of the proportional fair scheduler in the single-cell environment[J].IEEE Transactions on Vehicular Technology,2007,56(2):766-778.

[7] Lai Wei-kuang,Hsu Chih-Wen,Kuo Ting-huan,et al.A LTE downlink scheduling mechanism with the prediction of packet delay[C].Ubiquitous and Future Networks (ICUFN),2015 Seventh International Conference on,2015:257-262.

[8] Rahman A A A,Sharipp N M,Samingan A K,et al.Improved link level LTE scheduler[C].10th International Conference on Information,Communications and Signal Processing (ICICS),2015:1-5.

[9] Ambrosy A,Blume O,Ferling D,et al.Energy savings in LTE macro base station [C].Wireless and Mobile Networking Conference (WMNC),2014 7th IFIP,2014:1-8.

[10] Yang Peng,Yan Jun-jie,Wang Ru-yan.Queue status aware optimized M-LWDF scheduling algorithm in LTE[J].Journal of Chongqing University of Posts and Telecommunications( Natural Science Edition),2015,27(4):514-520.

[11] Wu Xuan-li,Han Xing-ling,Zhao Wan-jun.A low packet loss rate scheduling algorithm for real-time traffics in LTE system[J].Journal of Harbin Institute of Technologym,2015,47(3):24-28.

[12] Feng D,Jiang C,Lim G,et al.A survey of energy-efficient wireless communications[J].IEEE Communications Surveys & Tutorials,2013,15(1):167-178.

附中文參考文獻：

[10] 楊 鵬,閆俊杰,王汝言.LTE中隊列狀態感知的優化M-LWDF調度算法[J].重慶郵電大學學報(自然科學版),2015,27(4):514-520.

[11] 吳宣利,韓杏玲,趙婉君.LTE系統中一種低丟包率的實時業務調度算法[J].哈爾濱工業大學學報,2015,47(3):24-28.