C-RAN網絡中一種基于QEE優化的無線資源分配算法

肖培劍，王 波，黃冬艷

(桂林電子科技大學 認知無線電與信息處理教育重點實驗室，廣西 桂林 541004)

0 引言

隨著全球第四代移動通信系統(4G)的大規模商用化，業界已經開始進行第五代移動通信系統(5G)的研究，5G將會提供0.1～1 Gbps的用戶體驗速率、小于1 ms的端到端空中延遲、更高的能量效率(Energy Efficiency，EE)和頻譜效率(Spectral Efficiency，SE)[1-2]。預計5G將在2020年投入商用。

為了有效降低移動通信系統資本支出和運營支出，中國移動提出了C-RAN的移動網絡架構[3]。C-RAN網絡架構可以有效提高移動通信系統的頻譜效率和能量效率。目前業界己將C-RAN作為5G無線接入網架構之一。C-RAN網絡架構中，傳統基站的功能被拆分為基帶單元(Baseband Unit，BBU)和遠端射頻頭(Remote Radio Head，RRH)兩部分。C-RAN網絡可以利用BBU池的相關信息實現動態的資源分配，從而高效地服務于網絡用戶。此外RRH之間的協作通信方式可以有效降低小區間干擾，提高系統容量。

為了滿足用戶對業務多樣性的需求，5G將支持三維視頻流/會議(Three-dimensional Video Streaming/Meeting)、AR(Augmented Reality)、在線大數據挖掘(Online Big Data Mining)和實時物聯網(Real-time Internet of Things)等新興業務[4-5]。這些新興業務更加注重用戶的主觀感受，因此需要從用戶的角度來優化網絡性能。事實上，網絡運營商和服務提供商已經將對用戶服務質量(Quality of Service，QoS)的關注轉向了用戶體驗質量(Quality of Experience，QoE)。QoE是由用戶背景(如年齡、性別、地區和性格等)決定，其量化評價標準采用國際電信聯盟電信標準分局(International TPunication Union-TPunication Sector，ITU-T)建議的平均意見得分(Mean Opinion Score，MOS)[6]。MOS把主觀評估轉化成客觀的數值評估，從而更加準確地反映用戶的滿意程度[7]。

隨著節能環保的概念深入發展，通信行業也展開了綠色通信的研究[8-9]。作為下一代的移動通信技術，5G的研究也必須考慮能量效率的優化。結合QoE的研究，業界提出了QEE[10]的概念，即單位能量QoE。因此，基于C-RAN網絡QEE的研究對提高用戶QoE，減小系統能量消耗具有重要意義。

文獻[11-12]基于C-RAN網絡研究QoE，其中文獻[11]通過RRH之間協作方式達到提升用戶QoE的目的，文獻[12]采用光纖供電方式優化用戶的QoE。文獻[13-14]基于無線異構網絡提出移動關聯和資源分配方案，優化視頻業務的QEE。文獻[10]基于C-RAN網絡架構，采用一種基于迭代型Max-Min算法來優化多業務的QEE。文獻[11-12]在C-RAN網絡中并未研究視頻業務的QEE特性；文獻[13-14]雖然分析了視頻業務的QEE特性，但沒有基于C-RAN網絡進行研究。文獻[10]雖然基于C-RAN中分析研究了QEE特性，但只從功率資源調度的角度來優化QEE，并沒有考慮載波與功率聯合調度的動態資源分配方式來優化QEE。本文基于C-RAN架構，提出一種基于載波與功率聯合調度的NFP分配算法，優化視頻業務的QEE。

1 系統模型

C-RAN網絡架構如圖1所示。典型的C-RAN網絡由一個BBU池和多個分布在不同地理區域內的RRHs組成。RRHs與BBU池之間通過高帶寬低延遲的前傳鏈路(例如光纖)連接[15-16]。

圖1 C-RAN網絡架構

系統總用戶數Nu表示為：

(1)

系統載波資源數Nc表示為：

(2)

(3)

RRHs功率集合表示為{P1，…，Pl，…，PNr}，其中Pl表示第l個RRH的總功率。RRHl總功率Pl包括射頻放大器功率與電路功率[17]，

(4)

2 問題定義與描述

2.1 QEE定義

隨著5G網絡的發展，將會誕生諸如AR、4K視頻(4K Video)等新型業務，但是業界并沒有給出這些新型業務的QoE定義；另外一方面，未來的5G網絡中視頻業務仍占有相當大的比重，為了提高視頻業務的QoE性能，滿足綠色節能通信的需求，將對下行鏈路視頻業務QEE性能進行優化。

對于視頻業務[18]，用戶的MOS表示為：

(5)

式中，a1=4.5為最大的MOS值上限；a2=0.04為與函數陡降度相關的系數；a3=1 650 kbits為可以滿足50%用戶的最大下行速率；Pe為丟包率；r為用戶下行速率。

(6)

根據香農定理，RRHl第k個用戶在載波m上的下行速率(kbits)可以表示為：

(7)

式中，Bm為子載波m的帶寬(kHz)。C-RAN架構中一個BBU池對多個RRHs進行服務，系統RRHs總功率為：

(8)

系統總的MOS表示為：

(9)

QEE的定義表示為：

(10)

2.2 問題描述

本文采用基于無線資源分配的方式來優化QEE，QEE優化目標表示為：

(11)

3 算法設計

問題(11)是一個混合整數分式非線性優化問題，這是一個NP-hard問題，直接求解比較困難。為了減小復雜度，首先應用非線性分數規劃方法將問題(11)轉化成混合整數非分式非線性優化問題，然后用迭代方法解決該轉化問題。在解決轉化問題的每次迭代過程中，采用拉格朗日對偶分解方法決策出最優的功率和載波分配方式。

(12)

如果λ取得最優值λ*，那么問題(12)滿足：

由于F(λ*)=0需要非常苛刻的條件，為了達到估算和簡化計算的目的，從而設置一個大于0任意小的常量δ1，使得F(λ*)≤δ1收斂。問題(12)是一個混合整數非分式非線性優化問題[18]，根據Dinkelbach方法[19]，提出利用NFP算法來優化該問題。NFP算法如下：

① Initialize:λ，δ1，i，j；

③ 解決式(12)功率和載波分配的問題；

⑥ End

⑦ Output：λ*；

NFP算法可以有效地解決問題(12)。NFP算法基本思想是對于給定的λ值，決策出最優的功率和載波分配方式。鑒于在給定的λ值條件下，問題(12)是一個混合整數非分式非線性優化問題，因此引入拉格朗日對偶分解的方法來決策出最優的功率和載波分配方式。

(13)

考慮到式(13)具有很強的對偶性，可以通過關于拉格朗日函數對偶問題的方法來求解[20-21]。因此，式(13)的對偶問題表示為：

(14)

(15)

(16)

獲得子問題最優功率后，下一步是求解子問題最優的載波資源分配。最優的載波分配可以表示如式(17)所示：

(17)

子問題求解目標是在特定的μ值下，獲得最優的資源分配；并且通過更新μ值，可以求取不同的最優值。因此，下一步要解決的問題是更新μ。通過更新拉格朗日乘子的方式，可以獲得不同μ值。考慮到D(μ)可微，故主問題可以采用梯度下降法來更新μ值。對L關于拉格朗日乘子求導如式(18)所示：

(18)

故更新的拉格朗日乘子表示如式(19)所示：

(19)

式中，ηl為正的步進大小；i為迭代指數。為了達到估算和簡化計算的目的，從而設置一個大于0且任意小的常量δ2，使得主問題變化量ΔD(μ)<δ2收斂。

根據以上討論，得到NFP算法的詳細步驟表示如下：

步驟1

初始化參數λ，μ，δ1，δ2，i，j。

步驟2

μ(i，j))；

③ 更新拉格朗日因子μ(i，j)；

步驟3

步驟4

① 繼續執行步驟2和步驟3；

② 直到F(λ(i，j))≤δ1，算法結束。

4 仿真結果與分析

5G三大應用場景包括增強型移動寬帶、大規模機器通信以及高可靠低時延通信。本文基于增強型移動寬帶的室外熱點場景進行仿真分析。相鄰RRH之間的距離分別設置為40 m，160 m，280 m，400 m[22-23]。載波頻率和系統帶寬分別為2.3 GHz，100 MHz[24-26]。為了更好地分析無線資源分配對QEE性能的影響，令Pe=0。系統參數設置如表1所示。

表1 系統參數表

圖2(a)～圖2(d)分析了NFP算法中迭代次數與QEE性能之間的關系，可以得出以下結論：

① 在有限的迭代次數下，NFP算法趨向于收斂，可以獲得系統最優的QEE；

② 隨著用戶數的增多，QEE的性能將會變差。這是因為隨著用戶的增加，在有限的帶寬資源條件下要滿足用戶同等QoE的需求，就必須通過增大發射功率來提升QoE，故導致QEE的性能隨用戶數的增加而變差；

③ 隨著相鄰RRHs距離D的增加，QEE的性能也將會減小。這是因為隨著D的增大，由于要滿足用戶同等QoE的需求，發射功率則需相應的增大，故導致QEE的性能隨D的增加而變差。

圖2 不同D的QEE性能曲線

在距離D=160 m時，對比了NFP算法、基于塊坐標下降法的比例公平(Block Coodinate Descent-based Proportional Fairness，BCD-based PF)算法和基于塊坐標下降法的最大最小(Block Coodinate Descent-based Max-Min，BCD-based Max-Min)算法3種算法的QEE性能，圖3(a)～圖3 (d)分別分析了在不同用戶數Nu的QEE性能曲線、MOS性能曲線、MOS標準差和邊緣用戶與中心用戶的MOS公平指數。從圖3可以得出以下結論：

① 圖3(a)和圖3(b)反映出隨著用戶數增加，不同算法的QEE性能和MOS性能都減小；并且3種算法中，NFP算法性能最好，BCD-based PF算法次之，BCD-based Max-Min算法性能最差。

② 圖3(c)反映出隨著用戶數增加，不同算法的MOS標準差都增大；并且3種算法中，BCD-based PF算法性能最好，NFP算法次之，BCD-based Max-Min算法性能最差。

③ 圖3(d)反映出隨著用戶數增加，不同算法的邊緣用戶與中心用戶MOS公平指數都下降；并且3種算法中，BCD-based PF算法性能最好，NFP算法次之，BCD-based Max-Min算法性能最差。

綜合分析圖3(a)～圖3(d)可以看出，雖然在公平性方面本文所提NFP算法性能比BCD-based PF算法性能要差，但是NFP算法在可以接受的公平性約束下，可以獲得最優的QEE性能。

圖3 不同算法的性能曲線

5 結束語

本文基于C-RAN網絡架構采用NFP算法對視頻業務的QEE性能進行了優化研究。NFP算法基于載波與發射功率聯合調度方式來優化系統的QEE性能。針對QEE優化目標，NFP算法在一定的收斂條件下，經過有限次迭代，可以獲得最優的QEE性能。通過仿真比較，本文所提的NFP算法在可以接受的公平性約束下，QEE性能優于BCD-based PF算法和BCD-based Max-Min算法。