未來移動網(wǎng)絡(luò)移動性管理新技術(shù)

董春利，王 莉

（南京交通職業(yè)技術(shù)學院電子信息工程學院，江蘇南京，211188）

0 引言

以高達500km/h的速度，為大量的移動用戶和各種設(shè)備（包括手機、平板電腦、傳感器等）提供令人滿意的體驗質(zhì)量（QoE），給未來移動網(wǎng)絡(luò)帶來了極大的挑戰(zhàn)。與傳統(tǒng)技術(shù)不同，未來移動網(wǎng)絡(luò)將把移動性作為通信標準的一個組成部分。現(xiàn)有的移動性管理方案，在一定程度上，由于多個因素，不能很好地適應(yīng)未來移動網(wǎng)絡(luò)的部署。超密集網(wǎng)絡(luò)（UDN）和毫米波基站（BS）的使用，將使移動性管理面臨更加復雜的挑戰(zhàn)，需要做大量的研究工作。下面將重點介紹未來移動網(wǎng)絡(luò)的移動性管理技術(shù)，以滿足新興移動網(wǎng)絡(luò)的需求。

1 主動移動性管理

由于5G網(wǎng)絡(luò)的挑戰(zhàn)（例如低時延、低開銷和高體驗質(zhì)量），無法通過當前的反應(yīng)式移動性管理技術(shù)解決。一個經(jīng)過充分研究的事實是，人們在日常生活中傾向于反復訪問相同的地方，這使他們的運動具有高度的重復性，具有可預測性[1]。在蜂窩網(wǎng)絡(luò)中，這些模型可以通過利用大量用戶設(shè)備（UE）移動相關(guān)數(shù)據(jù)來構(gòu)建，例如呼叫詳細記錄（CDR），GPS跟蹤，和來自現(xiàn)有網(wǎng)絡(luò)的數(shù)據(jù)流量。表1列出了蜂窩網(wǎng)絡(luò)中主動移動性預測的一些潛在用例。

表1 主動移動性預測的潛在用例

主動移動性管理，即主動移動性預測，可分為三大類，基于歷史的預測，基于測量的預測和基于位置的預測。

1.1 基于歷史的預測

在這種類型的預測中，UE的下一個目標小區(qū)，是基于對切換記錄等歷史記錄的統(tǒng)計分析來預測的，或CDR記錄。基于歷史的移動性預測方法，可以進一步分為以下幾類：

1.1.1 基于機器學習的預測

機器學習方法可以很好地捕獲網(wǎng)絡(luò)不同組件之間的復雜交互。出于同樣的原因，許多基于歷史的預測工作，都圍繞基于機器學習的方法展開。

1.1.2 基于馬爾可夫鏈的預測

已經(jīng)有大量的研究應(yīng)用基于馬爾可夫鏈的方法進行移動性預測，因為它們能夠產(chǎn)生比大多數(shù)其它較低復雜性的預測更好的準確性。此外，出于隱私考慮，客戶可能不允許移動運營商使用他們的歷史數(shù)據(jù)。即使可以訪問歷史記錄，由于歷史記錄的提取和處理復雜性，仍可能觀察到切換時延。由于這些因素，基于歷史的預測算法可能變得不切實際。

1.2 基于測量的預測

該預測方法基于實時測量，推導出用戶轉(zhuǎn)換到下一個小區(qū)的概率、RSSI、SINR、距離等。基于測量的移動性預測方法，比基于歷史的移動性預測方法更準確。然而，由于測量程序造成的處理復雜性不容忽視。

1.2.1 基于RSSI的預測

基于RSSI的移動性預測，同時考慮不同的UE速度。結(jié)合UE軌跡和道路拓撲信息，以產(chǎn)生更好的預測精度。

1.2.2 基于測量報告的預測

使用灰色系統(tǒng)理論，從高速鐵路的第N個測量報告（MR）預測第（N+1）個MR。核心思想是利用預測的MR做出主動切換觸發(fā)決策。

1.2.3 基于用戶方向的預測

根據(jù)用戶的移動方向，以及用戶與相鄰小區(qū)之間的距離，來預測用戶到達相鄰的毫微微蜂窩。

1.2.4 基于用戶速度的預測

較高的UE速度會對可靠性造成嚴重的威脅。預測UE的速度，可幫助更有效地進行參數(shù)調(diào)整。

1.3 基于位置的預測

基于位置的預測中，當前用戶位置，以及在某些情況下城市交通基礎(chǔ)設(shè)施用于預測未來用戶位置。UE位置的知識可以幫助改進移動性預測。與移動性預測算法相結(jié)合時，有效的定位可以產(chǎn)生與切換相關(guān)的更有效的QoE結(jié)果。

2 面向移動性的網(wǎng)絡(luò)規(guī)劃與優(yōu)化

實現(xiàn)網(wǎng)絡(luò)密集化的巨大潛力，以解決容量緊缺問題，帶來了額外的網(wǎng)絡(luò)規(guī)劃挑戰(zhàn)。其中一個挑戰(zhàn)是，網(wǎng)絡(luò)中移動用戶的比例越來越大。因此，在規(guī)劃網(wǎng)絡(luò)時必須考慮移動性管理。合適的網(wǎng)絡(luò)架構(gòu)可以幫助實現(xiàn)QoS目標，同時保持成本（如信令）最低，并最終幫助實現(xiàn)更高的網(wǎng)絡(luò)效率。

2.1 通過減少高速列車中的切換來最小化信令

由于單個切換會產(chǎn)生相當大的信令開銷，因此旨在減少切換數(shù)量的網(wǎng)絡(luò)規(guī)劃和體系結(jié)構(gòu)肯定會非常有效。高速列車用戶在軌道上行駛時會頻繁受到切換的影響。除了產(chǎn)生大量信令數(shù)據(jù)外，它們還可能遇到嚴重問題，如RACH故障、切換時延、無線鏈路故障（RLF）和重定向釋放，這對具有更小占地面積的小蜂窩的未來移動網(wǎng)絡(luò)將帶來更大的風險。為了解決這個問題，Chung等[2]提出了一種切換最小化技術(shù)，他們建議在列車頂部安裝一個天線，該天線將執(zhí)行連接并觸發(fā)覆蓋BS的切換。網(wǎng)絡(luò)部署方法如圖1所示。這種高架天線與列車內(nèi)部網(wǎng)絡(luò)連接，為乘客提供服務(wù)。因此，與多個用戶同時執(zhí)行切換不同，高架天線將只執(zhí)行一個切換。這不僅降低了信號負載，還將切換故障的風險降至最低，因為UE在列車內(nèi)不會經(jīng)歷20-30 dB的穿透損失。在2.4km的運行中進行的現(xiàn)場試驗表明，下行吞吐量為1.25Gbps。

圖1 高速列車使用遠程無線電頭（RRH）的定向網(wǎng)絡(luò)部署

高架天線的概念似乎很實用，甚至3GPP也對其進行了研究。然而，單點故障是其根本所在。如果高架天線出現(xiàn)故障，并觀察到切換故障，則在該天線下服務(wù)的多個用戶將中斷數(shù)據(jù)傳輸。BS鄰近的高架天線的智能切換，不僅可以避免切換故障，而且由于更好的SINR，還可以提供高吞吐量，但代價是復雜性和成本。另一個缺點是，由于頂部安裝的天線和列車內(nèi)部UE之間增加了跳數(shù)，會造成時延。因此，在不久的將來，自駕列車可能無法達到所需的QoE時延目標。

2.2 改變核心網(wǎng)絡(luò)（CN）以實現(xiàn)時延目標

Lauridsen等[3]基于19000公里的駕駛測試，研究了四個實時LTE網(wǎng)絡(luò)的時延、切換執(zhí)行時間和覆蓋范圍。這項測試是在農(nóng)村、郊區(qū)和城市的混合環(huán)境中進行的。測量結(jié)果顯示，大部分時延來自CN，而不是空中接口。基于以上的研究，又提出了一種新的實體，稱為邊緣節(jié)點，它集成了MME、SGW和PGW的控制面部分。每個邊緣節(jié)點覆蓋多個BS，當UE移動到另一個邊緣節(jié)點的覆蓋范圍時，應(yīng)用服務(wù)器和網(wǎng)關(guān)也會移動以最小化時延。這種方法有助于減少BS內(nèi)連接到同一邊緣節(jié)點的每個切換的時延。然而，與邊緣間節(jié)點關(guān)聯(lián)的切換之后是IP地址重新分配和應(yīng)用服務(wù)器轉(zhuǎn)換，這增加了時延和數(shù)據(jù)中斷。

考慮到到2025年5G訂閱的數(shù)量將達到26億， Kiess等[4]提出了一個簡化的5G CN，它將是無連接的，并將在不支持節(jié)點移動性的情況下盡最大努力。其核心思想是建立一個類似于傳統(tǒng)互聯(lián)網(wǎng)的CN，該網(wǎng)絡(luò)將不以服務(wù)質(zhì)量為中心，大部分流量將僅通過默認承載。在智能手機上進行的實驗表明，視頻流、網(wǎng)絡(luò)瀏覽和消息傳遞將很好地工作，因此，未來CN可以從根本上簡化，從而產(chǎn)生一個經(jīng)濟高效的解決方案。但是由于計費和訪問控制的主要功能無法繼續(xù)，CN的過度簡化不是一種切實可行的方法。類似地，在每個切換上重新分配IP是不可行的，可能會導致高時延甚至數(shù)據(jù)包丟失。

2.3 控制面/用戶面分離

隨著硬件技術(shù)的改進和進步，電信運營商可以從控制面與用戶面的解耦中受益。通過這樣做，未來移動網(wǎng)絡(luò)可以智能地利用宏蜂窩與小蜂窩的組合，實現(xiàn)資源的高效利用。此外，通過將控制面/用戶面分別分配給宏蜂窩和小蜂窩，可以最小化來自大量切換的信令開銷。

Wang等[5]使用本地化移動性管理（LMM）技術(shù)解決了高密度、靈活部署小蜂窩體系結(jié)構(gòu)和靈活回程的移動性支持問題。第一步將控制面從小蜂窩集中到本地訪問服務(wù)器（LAS）。第二步允許單個小蜂窩處理移動事件，但仍需要LAS充當移動錨。基于離散時間馬爾可夫鏈的分析模型用于評估平均切換信令成本、平均分組傳送成本、平均切換時延和到CN的平均信令負載。結(jié)果表明，與3GPP方案相比，平均切換時延減少了10毫秒。

Mubarak等[6]將5G網(wǎng)絡(luò)中的信令開銷降至最低，在宏BS的保護下，高密度的毫米波 BS為用戶提供服務(wù)。在宏BS提供控制面的情況下，采用控制面/用戶面分離，將幾個毫米波小區(qū)分組成簇。通過使用網(wǎng)關(guān)集群控制器來限制小區(qū)間切換信令，從而使CN中的信令減少。結(jié)果表明，隨著部署的毫米波小區(qū)密度的增加，歸一化X2信令開銷從100%降低到10%。

3 人工智能輔助移動性管理

近年來，人工智能在未來蜂窩網(wǎng)絡(luò)中，主動管理移動性方面已廣受歡迎。因為配置參數(shù)數(shù)量的增加，以及網(wǎng)絡(luò)參數(shù)和相關(guān) KPI 之間的復雜交互，一旦研究界能夠克服這些復雜的挑戰(zhàn)，人工智能輔助解決方案將對電信行業(yè)產(chǎn)生革命性的影響。

Zang等通過將用戶體驗考慮為吞吐量和切換成本的加權(quán)和，為毫米波蜂窩開發(fā)了一種基于強化學習（RL）的切換決策算法。根據(jù)用戶的移動性信息，通過考慮方向性增益，和波束賦形失準之間的權(quán)衡，來選擇最佳波束寬度。該算法根據(jù)UE速度和BS密度批準移動用戶的切換觸發(fā)。與文獻中的其它現(xiàn)有算法相比，可以通過評估信令開銷減少和吞吐量增益來擴展這項工作。

在UDN中，大量小型基站（SBS）被密集部署以服務(wù)用戶，多個SBS同時服務(wù)會顯著增加能耗。具體而言，多個構(gòu)建的數(shù)據(jù)鏈路可以增加傳輸功率。為了最大限度地降低UDN的能耗，Ju等提出了一種基于深度強化學習（DRL）的用戶關(guān)聯(lián)技術(shù)，以降低UDN的能耗。DRL是一種有效的深度學習算法，適用于順序決策。在DRL中，代理估計期望的累積獎勵（即Q值），通過該獎勵，代理獲得最佳決策策略。由于切換過程消耗的功率幾乎是傳輸消耗功率的一半，通過使用DRL，代理可以學習最小化傳輸功率和切換次數(shù)的用戶關(guān)聯(lián)策略。盡管DRL具有這樣的優(yōu)勢，但由于代理和SBS之間的通信，會產(chǎn)生大量可能的關(guān)聯(lián)以及信令開銷，單一代理DRL算法不適合用于毫米波 UDN。

Moon等提出了一種基于多智能體DRL的節(jié)能用戶關(guān)聯(lián)技術(shù)。多代理DRL利用多個代理，每個代理都以分布式的方式進行決策。代理中的參與者網(wǎng)絡(luò)使用本地獲得的信息，來確定用戶與SBS的關(guān)聯(lián)；代理中的批評家網(wǎng)絡(luò)，使用收集的全局信息和關(guān)聯(lián)結(jié)果來估計Q值。由于每個代理都可以在本地確定用戶關(guān)聯(lián)，因此決策空間大大減少，從而提高了找到最佳用戶關(guān)聯(lián)策略的機會。

4 結(jié)語

在未來移動網(wǎng)絡(luò)中，實現(xiàn)無縫移動需要非常復雜的網(wǎng)絡(luò)設(shè)計和規(guī)劃，以實現(xiàn)QoE目標，并解決實現(xiàn)承諾的用戶體驗所需的網(wǎng)絡(luò)架構(gòu)的復雜性。高吞吐量要求UE和BS的異構(gòu)性，以及5G環(huán)境的安全意識，要求快速、分布式和隱私保護的移動性管理。