5G沖突管理的研究

周壯 戴鵬

摘 要：隨著5G的發展，多個優化參數與多個KPI關聯，有時候嘗試去實現多個配置目標就是沖突的。眾所周知，M-MIMO的基本原理是通過增加發射天線和接收天線的數量，即設計一個多天線陣列，生成高增益、可調節的賦形波束，從而明顯改善信號質量，并減少對周邊的干擾。

本文要講的優化樣例是基于5G M-MIMO特性。隨后談談多目標優化，最后介紹多目標優化在無線領域可能的應用前景和困難。

關鍵詞：沖突管理；負載均衡；乒乓切換

一、5G沖突管理需求來源

在無線網絡優化過程中經常碰到這樣的場景，多個優化參數與多個KPI關聯。如何在參數可配置范圍中選擇合適的設置以滿足多個特定KPI要求，是一件非?？鄲赖氖虑椤６?，有時候嘗試去實現多個配置目標就是沖突的。例如SON特性MLB（Mobility Load Balancing）和MRO（Mobility Robust Optimization）的優化都涉及切換門檻參數，如HOM（Handover Margin），TTT（Time-to-trigger）等。我們希望通過MLB特性降低切換門檻，盡快將本小區的負載均衡到周邊小區，從而實現負載均衡；而降低切換門檻可能導致過早切換，甚至切換的乒乓效應。MRO特性則會想辦法升高切換門檻。

二、M-MIMO多目標優化樣例

眾所周知，M-MIMO的基本原理是通過增加發射天線和接收天線的數量，即設計一個多天線陣列，生成高增益、可調節的賦形波束，從而明顯改善信號質量，并減少對周邊的干擾。

在本例中[1] [2]，作者假定有3個未知變量，即用戶的數量K，天線的個數M，以及發射功率P。它們分別滿足如下的一些約束（如K<=M/2，意味著每個用戶至少能享受雙天線；2<=M<=Mmax，意味著天線個數至少大于2，而少于某一特定值，如500）：

更進一步，作者分析平均用戶速率滿足如下表達式（除上述3個變量為未知，其他參數均假定有特定值設置）：

功率消耗滿足如下條件：

最后，設定了3個優化目標，即1>平均用戶速率；2>總的區域速率；3>能源效率。從下面的圖中可以看出，我們很難找到一個點，它對應的平均用戶速率最高，總的區域速率最高，而且能源效率也能達到最高。

具體就平均用戶速率與能源效率的關系，一開始隨著平均用戶速率的增加，能源效率也得到提升，因為能源效率的分子包含了平均用戶速率；但譬如通過增加天線數目使平均用戶速率升高后，對應的能源消耗也增加了，會拉低能源效率。后半段的曲線即是沖突的體現。優化的目標首先是得到這個關系曲線，最終在沖突域中選擇最合適的點作為此次優化的結果。

上述的曲線是通過SCALARIZATION的優化算法得到的，還有一篇論文通過NSGA II和SMPSO算法得到了類似的曲線結果[3]。

三、多目標優化基本概念

上面的樣例其實是一個典型的多目標優化的問題（MOP，Multi-objective Optimization Problem）。與單目標優化只有一個最優解不同，多目標優化的解通常有多個，稱為Pareto最優解。求解MOP的最終目的是在各個優化目標之間權衡處理，使所有的目標都“盡可能”達到最優。

MOP是一個研究很多年的問題，學術界已經產生了大量的算法嘗試解決這個問題。簡單分類如下：

上面提到是比較復雜的多目標優化，如非連續，非線性等。如果是線性類的關系，則可以通過一些簡單的方法，如區間傳播算法，滿意度函數及多目標協商等方法，得到讓步之后大家都滿意的結果。

四、無線的沖突管理

從多目標優化理論回到無線領域，在5G時代，優化場景必定更復雜，如M-MIMO，多頻段，多垂直業務等場景；其次，網絡需要自動駕駛意味著極小的人為干預。系統將自我實現優化計算和調整，傳統的人工沖突消解方法很難滿足自動化Level 4及以上水平的要求。

通過ML獲得無線領域目標函數表達和多目標的優化求解在學術界已經有一些研究；ML（機器學習），GA（遺傳算法），ACO（蟻群算法）等AI技術在SON領域均已有一些應用。

五、沖突管理的機會和困難

1.基于無線網絡的復雜性，即便我們嘗試使用AI技術來學習參數和目標的關系也會很困難。同時，AI的效果還依賴更好設計的，更多場景覆蓋的海量數據。對于無線某一領域的優化，要先通過良好的自生系統設計，如良好的資源建模和系統架構設計，解決大部分的問題，然后再通過AI解決少部分確實難以解決的問題；嘗試通過AI解決所有問題是不必要的，也是不可能的；

2.即使通過線性/非線性回歸等手段建立了超多目標的優化表達，但目前的算法很難支撐5個及其以上目標的優化。針對4個目標以下的場景，已有算法的適配性和計算效率都還比較匹配，可以嘗試在某些特定的場景中使用，如前面提到的M-MIMO場景；

3.參數數量的多少對配置尋優的性能的結果影響也有一些影響，有一些技術手段，如GRA（Grey Relationship Analysis），可以挖掘出相關性高的參數集；

參考文獻

[1] Multiobjective Signal Processing Optimization：The way to balance conflicting metrics in 5G systems，Emil Bjornson，etc.，2014

[2] https：//ieeexplore.ieee.org/document/6924852

[3] Energy-Efficient Communication in Wireless Networks：Small or massive MIMO？，Emil Bjornson，2014，

[4] https：//www.commsys.isy.liu.se/～ebjornson/presentation_5green.pdf

[5] Multi-Objective Optimization in 5G Wireless Networks With Massive MIMO，Sotirios K. Goudos，etc.，2018，

[6] https：//ieeexplore.ieee.org/document/8454783