基于彈性云無(wú)線接入網(wǎng)的協(xié)同傳輸技術(shù)

陳 禹，楊秀清，劉 涌，趙靜雅，王俊生

(1.北京電子科技職業(yè)學(xué)院 電信工程學(xué)院，北京 100176；2.北京郵電大學(xué) 信息與通信工程學(xué)院，北京 100876)

0 引 言

第五代移動(dòng)通信技術(shù)已成為當(dāng)前研究的一個(gè)熱點(diǎn)，5G研究方向中一個(gè)關(guān)鍵的部分是多輸入多輸出(multiple-input multiple-output，MIMO)系統(tǒng)以及對(duì)接入網(wǎng)部分的研究[1]。云無(wú)線接入網(wǎng)(cloud-RAN，C-RAN)是針對(duì)未來(lái)蜂窩網(wǎng)絡(luò)提出的一種架構(gòu)，是對(duì)分布式基站系統(tǒng)的一種再演進(jìn)的架構(gòu)方式[2]。它可以將基帶資源集中化、可以實(shí)現(xiàn)靈活的遠(yuǎn)程接入點(diǎn)控制，使以基站為單位的更大范圍的協(xié)作的實(shí)現(xiàn)成為可能[3,4]。

同時(shí)，對(duì)越來(lái)越高通信能力的需求推動(dòng)著新一代網(wǎng)絡(luò)的不斷發(fā)展，并推動(dòng)著出現(xiàn)全新的部署和運(yùn)營(yíng)方式以適應(yīng)更復(fù)雜的環(huán)境和更高的性能要求。隨著用戶終端數(shù)目的急速增長(zhǎng)，以及基站部署的密集化，網(wǎng)絡(luò)中干擾愈加復(fù)雜，用戶速率波動(dòng)性變強(qiáng)，對(duì)接入網(wǎng)絡(luò)管理帶來(lái)了嚴(yán)峻挑戰(zhàn)[5,6]。基于此，在5G的新場(chǎng)景下，急需新的用戶接入方案和高效的協(xié)同傳輸機(jī)制來(lái)應(yīng)對(duì)致密化帶來(lái)的諸多問(wèn)題，從而讓用戶獲取更好、更平穩(wěn)的無(wú)線通信體驗(yàn)[7]。

本文針對(duì)云無(wú)線接入網(wǎng)下行鏈路，在多接入節(jié)點(diǎn)組成協(xié)作簇為用戶提供無(wú)線服務(wù)場(chǎng)景下，秉持以用戶為中心的設(shè)計(jì)理念，提出一種基于動(dòng)態(tài)波束賦形的多節(jié)點(diǎn)協(xié)同傳輸技術(shù)。本方案將協(xié)作傳輸決策過(guò)程解耦為波束賦形方向設(shè)計(jì)和基站功率分配兩個(gè)子問(wèn)題，并分別進(jìn)行求解，體現(xiàn)了云接入網(wǎng)可以針對(duì)每個(gè)用戶的位置及通信需求，彈性地設(shè)計(jì)算法。

1 網(wǎng)絡(luò)模型

考慮基站間協(xié)作需要全部信道信息的集中式處理以及計(jì)算復(fù)雜度的難點(diǎn)，本文將云無(wú)線接入網(wǎng)與基站間協(xié)作分配方案的技術(shù)結(jié)合起來(lái)，如圖1所示。本文的場(chǎng)景沿用了分布式多天線系統(tǒng)的射頻拉遠(yuǎn)單元與基帶處理單元通過(guò)光纖相連的這一架構(gòu)，這樣的天線布置更為靈活成本也更低。在云無(wú)線接入網(wǎng)的架構(gòu)中，基帶池的中心化和處理資源的虛擬化為多基站間協(xié)作提供了可能。此外，基帶池中的基帶處理單元相互間的數(shù)據(jù)交換成本遠(yuǎn)低于傳統(tǒng)基站間的數(shù)據(jù)交換，能夠高效地實(shí)現(xiàn)基站間的信息共享，以及統(tǒng)一的計(jì)算和處理[8,9]。

圖1 本文基站間協(xié)作場(chǎng)景下的系統(tǒng)

云無(wú)線接入網(wǎng)的發(fā)展促進(jìn)了移動(dòng)通信網(wǎng)絡(luò)的去小區(qū)化。本文針對(duì)云無(wú)線接入網(wǎng)中的以用戶為中心的去小區(qū)化服務(wù)場(chǎng)景。在基帶池中，基于收集到的信道狀態(tài)信息，實(shí)現(xiàn)對(duì)用戶-基站連接的決策，一個(gè)用戶可以連接到由若干個(gè)基站組成的協(xié)作服務(wù)簇，通過(guò)基站間的聯(lián)合波束賦形，獲得較高的用戶體驗(yàn)。這種用戶服務(wù)的新模式，能夠避免用戶處于小區(qū)邊緣，從而能夠極大提升網(wǎng)絡(luò)效率。本文提出的多基站協(xié)同傳輸根據(jù)用戶的無(wú)線信道狀態(tài)，動(dòng)態(tài)進(jìn)行波束賦形設(shè)計(jì)，因此在不影響離基站較近用戶的網(wǎng)絡(luò)體驗(yàn)的同時(shí)，能夠極大提升距離基站較遠(yuǎn)的用戶的數(shù)據(jù)速率。

2 問(wèn)題建模

在云無(wú)線接入網(wǎng)多基站協(xié)同服務(wù)系統(tǒng)中，如何設(shè)計(jì)聯(lián)合波束賦形是一個(gè)重要的問(wèn)題，因?yàn)檎麄€(gè)系統(tǒng)的效能以及用戶可獲得數(shù)據(jù)速率是由波束賦形決定的。如今，通信領(lǐng)域已經(jīng)有許多針對(duì)協(xié)作傳輸?shù)难芯浚乾F(xiàn)有研究缺乏在云接入網(wǎng)中，針對(duì)以用戶為中心的服務(wù)模式的高效協(xié)作傳輸算法。這類問(wèn)題主要具有兩個(gè)難點(diǎn)：首先由大量天線帶來(lái)的巨大的空間自由度需要分配；并且在最大化系統(tǒng)的吞吐量和保證用戶公平性之間的抉擇。

本文描述的系統(tǒng)是一個(gè)具有Kt個(gè)基站，每個(gè)基站具有Nt根天線，場(chǎng)景下共有Kr個(gè)用戶接收機(jī)。本文的一個(gè)思想是加入了一個(gè)判斷用戶與天線之間是否能通信的(Kt*Nt)×(Kt*Nt)×Kr的矩陣D。每頁(yè)的矩陣D代表天線與一個(gè)用戶的通信情況，每頁(yè)的矩陣D都是對(duì)角矩陣，對(duì)角線上的值只能取0或1，當(dāng)規(guī)定對(duì)應(yīng)天線j與用戶k能通信時(shí)，D(j,j,k)取值為1，其它情況全為0。通過(guò)矩陣D的不同賦值，可以描述多種不同的通信場(chǎng)景，包括干擾信道、協(xié)作波束賦形、認(rèn)知無(wú)線電等技術(shù)。

多基站系統(tǒng)可以被抽象為一個(gè)單目標(biāo)的優(yōu)化問(wèn)題

(1)

式(1)中，優(yōu)化的變量為發(fā)送的波束賦形向量vk。信道參數(shù)hjk描述了由發(fā)送機(jī)j到用戶k的信道，由hjk為元素構(gòu)成的全部信道信息，表示為發(fā)射機(jī)到用戶的信道矩陣H。本文設(shè)定在信號(hào)傳輸過(guò)程中信道參數(shù)是固定的。用戶的性能用關(guān)于信干噪比SINR(signal to interference and noise ratio)的函數(shù)g來(lái)描述，實(shí)際上函數(shù)g所表示的速率是關(guān)于信干噪比SINR連續(xù)且嚴(yán)格單調(diào)增加的。Ql表示權(quán)矩陣。并且被優(yōu)化的波束賦形向量還滿足一系列的功率限制ql。總的系統(tǒng)效用函數(shù)f(·)表示每個(gè)用戶性能的加權(quán)總和。該函數(shù)被假設(shè)為隨著每個(gè)用戶的效能函數(shù)gk(SINRk)而連續(xù)單調(diào)增加。

對(duì)該凸優(yōu)化問(wèn)題進(jìn)行最優(yōu)解求解時(shí)，通常采用的方法是迭代上千次以逼近一個(gè)可以接受的誤差范圍內(nèi)。此方法具有較高的精確度，但是對(duì)用戶數(shù)量稍多(通常為大于等于6個(gè)用戶時(shí))，迭代計(jì)算需要的時(shí)間會(huì)大幅上升。最優(yōu)解的計(jì)算時(shí)間經(jīng)常以小時(shí)為單位，在實(shí)際的系統(tǒng)中是難以運(yùn)用的。實(shí)際的系統(tǒng)中，應(yīng)該根據(jù)上行鏈路的反饋接近即時(shí)地計(jì)算出對(duì)資源的分配情況。本場(chǎng)景假定在發(fā)送過(guò)程中信道條件是不改變的，但是實(shí)際中因?yàn)橛脩敉ǔＪ翘幵谛》男诺绤?shù)改變當(dāng)中的，計(jì)算的時(shí)間越長(zhǎng)，參數(shù)改變?cè)酱螅挥性诒ＷC計(jì)算時(shí)間復(fù)雜度很低，總計(jì)算時(shí)間很短的情況下，信道參數(shù)不改變這一假設(shè)才是成立的，該算法的計(jì)算在當(dāng)前這一環(huán)境下才是較有意義的。

本文采用了對(duì)該凸優(yōu)化問(wèn)題的一個(gè)啟發(fā)式的算法，考慮到優(yōu)化變量，即波束賦形向量，有幅度和方向兩個(gè)維度的參數(shù)，因此將原問(wèn)題拆分成波束賦形方向決策和波束賦形幅度決策(即多基站功率分配)兩個(gè)子問(wèn)題，并進(jìn)行分別求解，以得出一個(gè)可行解，并分析了這種可行解能夠獲得的網(wǎng)絡(luò)速率，算法的復(fù)雜度，以及算法與其它相近算法的比較，以下針對(duì)兩個(gè)子問(wèn)題進(jìn)行分別求解。

3 波束賦形方向決策算法

本文首先解決波束賦形的方向決策問(wèn)題。當(dāng)前主要策略有最大比例傳輸算法(MRT)和迫零傳輸算法(ZF)，最大比例傳輸算法具有低信噪比條件下或天線資源趨近無(wú)限時(shí)的優(yōu)勢(shì)和高信噪比條件下對(duì)其他用戶高干擾的劣勢(shì)，迫零傳輸算法在高信噪比下總吞吐量的優(yōu)勢(shì)以及需要知道全部信道信息和在低信噪比條件下吞吐量不夠高的劣勢(shì)。本文考慮了一種新的波束賦形方向決策策略，將兩種基本波束賦形算法結(jié)合起來(lái)，因此能夠同時(shí)獲得兩者的優(yōu)勢(shì)性能。

3.1 理論推導(dǎo)

本文的策略是基于信漏噪比(signal to leakage and noise ratio，SLNR)這一概念實(shí)現(xiàn)的，信漏噪比可以表示為信號(hào)功率與泄露到其它接收機(jī)的功率的比值[10]。采用基于信漏噪比的預(yù)編碼技術(shù)，不僅使用戶接受到的有用信號(hào)強(qiáng)度最大化，同時(shí)還盡量減少對(duì)其他用戶帶來(lái)的影響，即降低目標(biāo)用戶泄露給其他用戶的總的干擾功率，這種同時(shí)衡量最大的用戶接收功率和最小的用戶泄露功率的方式就是通過(guò)信漏噪比這一概念完成的。

對(duì)用戶k而言，泄露給其他用戶的噪聲功率可以表示為

(2)

式中：Hm是對(duì)于用戶m而言的下行信道矩陣，Wk為對(duì)于用戶k而言的預(yù)編碼矩陣。信漏噪比為

(3)

(4)

此時(shí)的信漏噪比可以表示為式(5)

(5)

進(jìn)一步計(jì)算后，有

(6)

又由于

(7)

(8)

3.2 算法實(shí)現(xiàn)

本文的波束賦形算法是基于信漏噪比這一概念，并通過(guò)預(yù)編碼使信漏噪比盡可能最大化。根據(jù)上文的理論推導(dǎo)，預(yù)編碼矩陣在滿足一些條件時(shí)，可以滿足使信漏噪比最大化的目的。

本文通過(guò)完成一個(gè)自定義的波束賦形函數(shù)來(lái)完成這一波束賦形策略參數(shù)的計(jì)算，參數(shù)如前所述。

函數(shù)的主要部分是對(duì)算法的預(yù)編碼處理，對(duì)于用戶K，首先通過(guò)將H和相應(yīng)頁(yè)數(shù)的矩陣D相乘，得到可以通信的天線-用戶終端的信道信息。接著對(duì)用戶進(jìn)行單獨(dú)處理，按照上文推導(dǎo)的式(8)完成對(duì)預(yù)編碼分配方案的計(jì)算，并在最后加入對(duì)波束賦形向量的歸一化處理，以便之后對(duì)各天線的波束賦形向量進(jìn)行功率的分配。

算法流程如圖2所示。

圖2 基于SLNR的波束賦形策略流程

本算法在計(jì)算每個(gè)用戶的預(yù)編碼矩陣的時(shí)候都用到了求逆，對(duì)每一步復(fù)雜度逐項(xiàng)求復(fù)雜度可得到算法總的時(shí)間復(fù)雜度為

TSLNR=M[MN2+2MN+(M-1)N2+2N2+2N3]

(9)

其中，M取決于用戶的規(guī)模，N取決于總天線數(shù)量的規(guī)模，得出本算法的時(shí)間復(fù)雜度為O(N4)。

3.3 算法說(shuō)明

本算法完成了在基站間協(xié)作下使用云無(wú)線接入網(wǎng)技術(shù)時(shí)，對(duì)天線的波束賦形方向的計(jì)算。對(duì)每個(gè)用戶而言，預(yù)編碼矩陣的計(jì)算僅需要一次特征值與對(duì)應(yīng)特征向量的計(jì)算。而傳統(tǒng)的基于SLNR思想的預(yù)編碼，實(shí)際上平衡了本小區(qū)用戶的等效信道增益與相鄰小區(qū)用戶造成干擾這兩者之間的矛盾。在本文的場(chǎng)景下，雖然沒(méi)有了小區(qū)的概念，但是基于SLNR思想的預(yù)編碼方式，仍然沿用了之前的思路，在對(duì)一個(gè)信道條件較好的用戶進(jìn)行預(yù)編碼從而使其性能更好的同時(shí)，注意保證對(duì)其他用戶的干擾保持在可以接受的條件下，以保證整個(gè)系統(tǒng)的更好總體性能。

值得注意的是，本算法和迫零傳輸算法一樣，在對(duì)發(fā)送給一個(gè)用戶的信號(hào)進(jìn)行預(yù)編碼的時(shí)候，需要知道整個(gè)信道的全部信息，包括其它基站到其他用戶的信道信息。因此本文結(jié)合了云無(wú)線接入網(wǎng)技術(shù)的集中化處理，在基帶池間方便地調(diào)用其它基站收到的信道反饋信息，并且集中化地計(jì)算以完成分配策略。

而本算法不僅對(duì)基于使SLNR最大化的預(yù)編碼能完成波束賦形向量的計(jì)算，對(duì)不同的預(yù)編碼方式，只需要在預(yù)編碼的部分進(jìn)行不同的計(jì)算就可以得到不同的預(yù)編碼波束賦形策略。例如在進(jìn)行SLNR算法的預(yù)編碼的時(shí)候，將預(yù)編碼方式換成最大比傳輸或迫零預(yù)編碼，最終得到的就是最大比傳輸和迫零傳輸?shù)牟ㄊx形策略。

4 功率分配策略

在完成波束賦形方向決策之后，還需要針對(duì)獲得的歸一化發(fā)射波束賦形向量進(jìn)行多天線功率分配，根據(jù)用戶信道狀態(tài)信息，進(jìn)行波束賦形強(qiáng)度調(diào)整，從而進(jìn)一步提高通信效率。

4.1 算法實(shí)現(xiàn)

本算法采用注水算法的思路，基于已經(jīng)獲得的發(fā)射波束賦形向量，判斷出天線到用戶間信道的優(yōu)劣情況，由此得出基站對(duì)用戶應(yīng)當(dāng)分配多少功率才是最優(yōu)的。

本功率分配算法需要的輸入為全部的信道矩陣H、計(jì)算完成的歸一化發(fā)送波束賦形向量、每個(gè)用戶的權(quán)矩陣、每個(gè)基站的總功率。該算法首先對(duì)輸入進(jìn)行預(yù)處理，通過(guò)已完成的歸一化發(fā)射波束賦形向量計(jì)算出有效信道增益，有效信道增益是對(duì)某一基站的所有天線到某一用戶的發(fā)送波束賦形值和對(duì)應(yīng)信道的乘積并求和。將計(jì)算完成的向量保存到新的矩陣中，矩陣的行代表一個(gè)基站，列代表一個(gè)用戶。對(duì)每一個(gè)基站K來(lái)說(shuō)，判斷出該基站的有效信道增益不為零的用戶，即是否該基站可以對(duì)該用戶進(jìn)行服務(wù)。

步驟1 對(duì)一個(gè)基站K而言，該算法假設(shè)所有的用戶都被分配了功率。按照注水算法的邏輯，非零的有效信道增益的倒數(shù)的和為衡量當(dāng)前信道性能的值。將該值與基站的總功率相加，除以用戶權(quán)值的和，就可以得到在所有用戶被分配功率的情況下，最終每個(gè)用戶的“水位”，即分配的功率與該用戶有效信道增益的倒數(shù)的和。

步驟2 計(jì)算基站只能給一部分用戶分配功率的情況。首先使用一個(gè)函數(shù)描述在給定的“水位”下，全部已分配功率和總可用功率的差值。當(dāng)分配功率使所有被分配功率的用戶子集的功率程度相同時(shí)，差值取到最小。這里使用函數(shù)fminbnd判斷差值最小時(shí)“水位”的值。

步驟3 判斷該分配方法分配給了所有用戶或一部分用戶，并將分配方式的最終結(jié)果輸出。

4.2 算法說(shuō)明

本算法通過(guò)注水算法完成了對(duì)上述歸一化發(fā)送波束賦形策略的功率分配，值得注意的是，由于有效信道增益是關(guān)于基站到用戶的全部信道上增益的和，因此最終的分配方案也是基站向用戶分配的發(fā)射功率而非向天線分配功率。本算法的輸入實(shí)際上是波束賦形向量，而非某種特定算法，因此若輸入的是經(jīng)過(guò)最大比傳輸算法或迫零預(yù)編碼算法的波束賦形向量，輸出結(jié)果就是對(duì)應(yīng)算法的注水功率分配策略。

由于上述的發(fā)送波束賦形策略計(jì)算出的結(jié)果通常是經(jīng)過(guò)歸一化的，本算法之后得出的功率分配方案，經(jīng)過(guò)開(kāi)根號(hào)并與波束賦形向量對(duì)應(yīng)相乘，可以得到波束賦形向量在不同基站到用戶之間的對(duì)應(yīng)幅度和相位的關(guān)系。

5 仿真結(jié)果及性能分析

假設(shè)基站和用戶是進(jìn)行隨機(jī)撒點(diǎn)以得到不同點(diǎn)物理位置信息，對(duì)基站和用戶間的最小距離進(jìn)行了限制，以免造成計(jì)算結(jié)果的不合實(shí)際。為了驗(yàn)證提出策略的性能優(yōu)勢(shì)，本文采用最大比例傳輸算法和迫零傳輸算法作為對(duì)比算法，并假設(shè)這兩種對(duì)比算法中基站功率平均地分配給用戶。以下標(biāo)記本文提出的算法為SLNR-MAX，兩種對(duì)比算法分別標(biāo)記為MRT，ZF。

值得注意的是，傳統(tǒng)的MAX-SLNR算法，其泛指一類基于最大化信漏噪比波束賦形算法。在現(xiàn)有研究中[11]，大多是面向SLNR進(jìn)行優(yōu)化，得到最優(yōu)的波束賦形向量，從而減少干擾泄露，增強(qiáng)有用信號(hào)功率。現(xiàn)有針對(duì)MAX-SLNR的研究大多是進(jìn)行天線功率和波束賦形方向的協(xié)同設(shè)計(jì)。本文同樣利用MAX-SLNR來(lái)進(jìn)行波束賦形設(shè)計(jì)，不同的是本文將波束賦形分解成兩個(gè)子過(guò)程，即波束賦形方向設(shè)計(jì)和天線功率分配。本文利用MAX-SLNR設(shè)計(jì)思想來(lái)獲取最優(yōu)波束賦形方向。此外，還利用注水算法進(jìn)行功率分配，從而相比傳統(tǒng)MAX-SLNR算法，進(jìn)一步提升了系統(tǒng)吞吐量，發(fā)揮了系統(tǒng)的最大性能。

仿真參數(shù)描述見(jiàn)表1。

表1 仿真參數(shù)描述

5.1 系統(tǒng)吞吐量分析

對(duì)不同用戶的速率加權(quán)求和，可以得到系統(tǒng)的總吞吐量。由于噪聲功率經(jīng)過(guò)歸一化處理，信噪比也可以看作為發(fā)射功率的變化。基于上文設(shè)置的參數(shù)的仿真下，做出吞吐量關(guān)于信噪比變化如圖3所示。

圖3 與傳統(tǒng)方式的系統(tǒng)吞吐量對(duì)比

對(duì)圖3進(jìn)行分析首先可以看到，對(duì)本文中基于SLNR最大化的算法，就其自身的特點(diǎn)而言，是隨著信號(hào)功率的增加而增加的。按照前文的理論推導(dǎo)，在與另外兩種啟發(fā)式算法的比較下，本文的策略應(yīng)該同時(shí)具有最大比傳輸算法的低信噪比優(yōu)勢(shì)和迫零算法的高信噪比優(yōu)勢(shì)。觀察圖3可以發(fā)現(xiàn)，實(shí)際信道環(huán)境下，系統(tǒng)的吞吐量確實(shí)滿足上文的推導(dǎo)，系統(tǒng)的性能達(dá)到上文理論推導(dǎo)的預(yù)計(jì)值。

觀察圖3發(fā)現(xiàn)信噪比在10 dB以下時(shí)，本文的策略與最大比傳輸極為相近，但隨著功率的進(jìn)一步提高，系統(tǒng)的吞吐量雖然依然在上升，但達(dá)不到很好的效果。這是由于在更大功率下時(shí)，最大比傳輸算法對(duì)其它信道的干擾越來(lái)越大。而在高信噪比情況下，觀察到迫零傳輸算法由于注意消除了本信道的預(yù)編碼矩陣在其它信道條件下的干擾，在系統(tǒng)的噪聲相對(duì)較小時(shí)，系統(tǒng)的總吞吐量表現(xiàn)為趨近本文的吞吐量值。而本文的策略在較低和較高發(fā)送功率時(shí)，均具有良好的吞吐量，而算法的復(fù)雜度和迫零算法相近。

通過(guò)分析吞吐量可以看出，在基站間協(xié)作的場(chǎng)景下，通過(guò)對(duì)整個(gè)信道矩陣的調(diào)用，完成全部的預(yù)編碼信息，使SLNR最大，這一算法有效地實(shí)現(xiàn)了預(yù)計(jì)的性能。使用本文的算法可以改善傳統(tǒng)預(yù)編碼算法的系統(tǒng)吞吐總量的值。尤其在發(fā)射功率較高時(shí)，本算法相比于最大比傳輸算法的有較大提高。

5.2 能量消耗與能量效率分析

能量效率是在本文確定了能耗模型的基礎(chǔ)上，確定基于云無(wú)線接入網(wǎng)的基站間協(xié)作系統(tǒng)的具體功耗數(shù)值和系統(tǒng)的總吞吐量，用吞吐量與功耗的比值便是能量效率的值。根據(jù)文獻(xiàn)[12]中對(duì)能量消耗和能量效率的推導(dǎo)和本節(jié)對(duì)仿真參數(shù)的固定，做出不同算法的能量效率隨著發(fā)射功率變化如圖4所示。

圖4 與傳統(tǒng)方式的能量效率對(duì)比

首先對(duì)圖4中的本文策略的描述，隨著發(fā)射功率的增大，采用本文策略的分配方式的能量效率很快增大，大約在15 dB附近時(shí)，有最高的能量效率值，隨后隨著發(fā)射功率的進(jìn)一步增大，能量效率開(kāi)始減小。根據(jù)能量效率定義分析，在低發(fā)射功率時(shí)，信號(hào)的發(fā)送功率很低，而基站在維持系統(tǒng)運(yùn)轉(zhuǎn)時(shí)需要消耗一個(gè)基本的靜態(tài)電路的功耗，因此此時(shí)的能量效率較低。隨著發(fā)射功率的提高，發(fā)射功率在功耗中的比例顯著提高，信號(hào)的吞吐量迅速增長(zhǎng)，進(jìn)行信道預(yù)編碼的意義開(kāi)始體現(xiàn)，此時(shí)的能量效率呈現(xiàn)快速增長(zhǎng)的趨勢(shì)。發(fā)射功率的進(jìn)一步提高后，吞吐量的上升放慢，而功率的消耗進(jìn)一步增大，能量效率呈現(xiàn)增長(zhǎng)放緩的趨勢(shì)并達(dá)到最高點(diǎn)。在達(dá)到最高點(diǎn)后，發(fā)射功率的提高使吞吐量的提高不再比總功率提高更快，曲線呈現(xiàn)下降的趨勢(shì)。

分析不同的算法，發(fā)現(xiàn)基本函數(shù)的形態(tài)是相近的，但最大比傳輸算法在更低的發(fā)射功率下就達(dá)到了能量效率最大的點(diǎn)，而迫零傳輸算法在更高的發(fā)射功率下才達(dá)到能量效率最大的點(diǎn)，并且本文策略中的能量效率的最高點(diǎn)均是高于傳統(tǒng)的二者的能量效率。

6 結(jié)束語(yǔ)

本文提出了云接入無(wú)線網(wǎng)中基于波束賦形的協(xié)同傳輸方案。針對(duì)以用戶為中心的協(xié)同服務(wù)場(chǎng)景，首先對(duì)使得網(wǎng)絡(luò)效能最大化的協(xié)同傳輸問(wèn)題進(jìn)行建模，得到了一個(gè)以波束賦形向量為變量的優(yōu)化問(wèn)題。其次將原問(wèn)題解耦成歸一化波束賦形向量求解和相應(yīng)的基站功率分配兩個(gè)子問(wèn)題，并分別利用信漏噪比最大化思路和注水算法進(jìn)行求解，從而獲得了完善的、最優(yōu)的波束賦形向量，實(shí)現(xiàn)了基于用戶需求和信道狀態(tài)的動(dòng)態(tài)彈性接入。本文提出的方案和傳統(tǒng)的策略在多方面比較，均具有更佳的性能。利用該協(xié)作傳輸方案，通過(guò)云無(wú)線接入網(wǎng)的集中化調(diào)度處理，解決傳統(tǒng)基站間合作困難的問(wèn)題，并在基站向用戶的下行鏈路側(cè)，通過(guò)云無(wú)線接入網(wǎng)以協(xié)調(diào)基站間的傳輸方案以聯(lián)合為用戶提供無(wú)線的服務(wù)。但是應(yīng)當(dāng)注意的是，本文的接入方式并沒(méi)有單獨(dú)考慮到用戶之間公平性的問(wèn)題，這也是下一步的研究方向。

參考文獻(xiàn)：

[1]Zhang H,Huang S,Jiang C,et al.Energy efficient user association and power allocation in millimeter wave based ultra dense networks with energy harvesting base stations[J].IEEE Journal on Selected Areas in Communications,2017,35(9):1936-1947.

[2]Maeder A,Ali A,Bedekar A,et al.A scalable and flexible radio access network architecture for fifth generation mobile networks[J].IEEE Communications Magazine,2016,54(11):16-23.

[3]Peng M,Sun Y,Li X,et al.Recent advances in cloud radio access networks:System architectures,key techniques, and open issues[J].IEEE Communications Surveys & Tutorials,2016,18(3):2282-2308.

[4]Zhang H,Dong Y,Cheng J,et al.Fronthauling for 5G LTE-U ultra dense cloud small cell networks[J].IEEE Wireless Communications,2017,23(6):48-53.

[5]Zhang H,Chu X,Guo W,et al.Coexistence of Wi-Fi and heterogeneous small cell networks sharing unlicensed spectrum[J].Communications Magazine IEEE,2015,53(3):158-164.

[6]Zhang H,Jiang C,Beaulieu N C,et al.Resource allocation for cognitive small cell networks:A cooperative bargaining game theoretic approach[J].IEEE Transactions on Wireless Communications,2015,14(6):3481-3493.

[7]Zhang H,Jiang C,Mao X,et al.Interference-limited resource optimization in cognitive femtocells with fairness and imperfect spectrum sensing[J].IEEE Transactions on Vehicular Technology,2016,65(3):1761-1771.

[8]Wu Dapeng,Zhang Puning,Wang Honggang,et al.Node service ability aware packet forwarding mechanism in intermittently connected wireless networks[J].IEEE Transaction on Wireless Communications,2016,15(12):8169-8281.

[9]Wu D,Wang Y,Wang H,et al.Dynamic coding control in social intermittent connectivity wireless networks[J].IEEE Transactions on Vehicular Technology,2016,65(9):7634-7646.

[10]Wu D,Zhang H,Wang H,et al.Quality-of-protection-dri-ven data forwarding for intermittently connected wireless networks[J].IEEE Wireless Communications,2015,22(4):66-73.

[11]Sadek M,Tarighat A,Sayed A H.A leakage-based preco-ding scheme for downlink multi-user MIMO channels[J].IEEE Transactions on Wireless Communications,2007,6(5):1711-1721.

[12]Zhang H,Nie Y,Cheng J,et al.Sensing time optimization and power control for energy efficient cognitive small cell with imperfect hybrid spectrum sensing[J].IEEE Transactions on Wireless Communications,2017,16(2):730-743.