基于超密集組網的無線傳輸容量優化方法研究

摘要：超密集組網（UDN）是5G/6G網絡擴容關鍵技術，但微基站密度大幅提升導致跨層干擾。鑒于此本文提出了優化方法：利用分布式探針采集參數，改進支持向量機識別容量瓶頸，構建深度強化學習自適應模型優化資源。實驗表明，該方案有效提升了吞吐量和頻譜效率，相較于傳統方法具有明顯優勢。

關鍵詞：超密集組網；無線傳輸容量；支持向量機；優化方法

doi：10.3969/J.ISSN.1672-7274.2025.03.002

中圖分類號：TN 929.5 " " " " "文獻標志碼：B " " " " " "文章編碼：1672-7274（2025）03-000-03

Research on Optimization Methods for Wireless Transmission Capacity

Based on Ultra-Dense Network

WU Lian

（Diqing Branch of China Mobile Communications Group Yunnan Co.， Ltd.， Diqing 674499， China）

Abstract： Ultra-Dense Network （UDN） is a key technology for capacity expansion in 5G/6G. However， the increase in the density of micro base stations leads to cross-layer interference. This paper proposes optimization methods： using distributed probes to collect parameters， improving the Support Vector Machine to identify capacity bottlenecks， and constructing a deep reinforcement learning adaptive model to optimize resources. Experiments show that this scheme effectively improves throughput and spectral efficiency and has obvious advantages compared with traditional methods.

Keywords： ultra-dense network; wireless transmission capacity; support vector machine; optimization method

0 " 引言

在5G網絡和未來6G網絡中，超密集組網（Ultra-Dense Network，UDN）被認為是提高網絡容量、支持海量連接設備的關鍵技術之一[1]。UDN通過大規模部署低功率、小覆蓋的微基站，將無線接入點部署得更加接近用戶，從而顯著提升系統容量和頻譜效率。然而，UDN場景下微基站密度的大幅提升也帶來了嚴重的跨層干擾問題，使得無線鏈路容量難以進一步增加。因此，如何在UDN環境下優化無線傳輸容量，克服密集部署導致的干擾，成為當前亟須解決的關鍵問題。本文針對超密集組網場景，研究無線傳輸容量的優化方法，旨在提升UDN的頻譜效率和傳輸性能，為5G網絡乃至未來6G網絡的發展提供理論基礎和技術支撐。

1 " 超密集組網概念與特點

超密集組網（Ultra-Dense Network，UDN）是一種前沿的蜂窩網絡架構，其核心是在特定區域內大規模、高密度地部署低功率、小覆蓋范圍的微基站（Small Cell），部署密度遠超傳統宏蜂窩網絡[2]。UDN的設計理念是通過網絡的密集化和異構化布局，使無線接入點更貼近用戶終端，從而在空間維度上實現頻譜資源的高效、極致復用，顯著增強系統的整體容量和頻譜利用效率。UDN獨具四大顯著特性：一是微基站的部署密度極高，典型情況下可達到每平方千米數百個之多；二是微基站的覆蓋范圍相對較小，一般僅為幾十米，確保了信號的精準覆蓋；三是微基站的發射功率較低，通常控制在數毫瓦至數瓦的范圍內，既節能又環保；四是微基站與宏基站相互協同，形成多層異構的網絡覆蓋結構，能夠靈活應對室內外、熱點區域、邊緣地帶等多種復雜場景的需求。正是這些獨特優勢，使得UDN能夠將無線信號更近距離地傳遞給用戶，極大地改善了用戶的信道環境，提供了更高的數據傳輸速率和更優質的服務體驗[3]。

2 " 超密集組網下無線傳輸容量優化的需求

在超密集組網場景下，由于微基站的大規模密集部署，無線傳輸容量面臨著前所未有的挑戰和優化需求。首先，海量微基站的引入雖然縮短了用戶與基站之間的距離，但同時也帶來了嚴重的跨層干擾問題[4]。相鄰微基站之間的同頻干擾、異頻干擾以及與宏基站之間的跨層干擾都大幅增加，顯著制約了無線鏈路的傳輸品質和容量提升。其次，超密集組網中微基站負載的不均衡性更加突出。由于用戶分布和業務需求的時空動態變化，不同微基站的負載差異巨大，部分微基站可能出現嚴重的擁塞和容量瓶頸，影響整網的傳輸性能[5]。再次，復雜的無線傳播環境對容量優化提出更高要求。UDN場景中存在大量的窄帶深衰落、多徑、遮擋等因素，加劇了信道的選擇性衰落和隨機性，給無線傳輸容量的優化帶來不確定性。最后，海量異構網元的部署也導致UDN的網絡能耗急劇攀升，需要在保障容量的同時兼顧能效。

3 " 基于超密集組網的無線傳輸容量優

化方法

3.1 網絡容量參數采集

在超密集組網無線傳輸容量優化中，網絡容量參數的實時準確采集是優化方案實施的基礎。為了全面感知UDN內部的容量狀態，本文提出在網絡中部署分布式測量探針，對網絡各節點的容量參數進行主動監測。探針采用基于SDN的可編程數據采集技術，通過定制化的探測報文，周期性地測量鏈路的關鍵容量指標，包括信道容量、吞吐量、時延、誤碼率等[6]。其中，信道容量反映了鏈路的最大傳輸率上限，采用改進的香農公式進行估算，考慮了信道帶寬、信噪比、發射功率等影響因素；吞吐量表征鏈路的實際傳輸速率，通過統計單位時間內成功傳輸的數據量獲得；時延反映數據在鏈路中傳播的延遲，通過探測報文的往返時間RTT計算得到；誤碼率衡量鏈路傳輸的錯誤概率，采用基于偽隨機序列的誤碼率測試方法測定。同時，測量探針還獲取網絡的拓撲結構信息，包括微基站位置、覆蓋范圍、鄰接關系等，形成多維拓撲屬性數據。采集到的異構網絡容量參數通過數據清洗、歸一化等預處理后，構建起一個全局統一的UDN容量參數數據集，為后續的容量瓶頸識別、自適應優化等分析提供了數據支撐。

3.2 容量瓶頸識別

在獲取超密集組網（UDN）容量參數的全面數據集后，本文探索了一種創新的機器學習方法，旨在智能識別網絡容量瓶頸。具體而言，我們采用了一種經過優化的支持向量機（Support Vector Machine，SVM）算法。該算法通過深入訓練和學習多維容量參數，構建了一個描述網絡容量分布的超平面模型。利用這一模型，能夠精準地分析并識別出網絡內部存在的容量異常區域，為后續的網絡優化和資源調配提供了有力的科學依據，從而有效提升了網絡的整體性能和效率。傳統SVM算法通過尋找最大間隔超平面將數據集劃分為不同類別，其數學模型可表示為

（1）

式中，為超平面法向量；b為偏置項；為第個樣本特征向量；為對應的類別標簽，取值為1或-1；N為樣本總數。但在容量瓶頸識別任務中，由于不同微基站的容量差異性和時變性，導致容量邊界模糊，難以直接進行二分類。針對這一問題，本文引入核函數將原始容量參數映射到高維特征空間，找出各維度參數之間的非線性關聯規律，再結合自適應懲罰因子C動態調整超平面，得到改進的SVM模型：

（2）

式中，為拉格朗日乘子。通過求解上述優化問題，得到一個柔性可變的容量超平面模型。模型中偏離超平面較遠的異常點，即為網絡的容量瓶頸區域。通過追蹤異常點的參數特征，可精準定位瓶頸節點。此外，考慮到UDN場景中容量參數的動態變化，采用滑動窗口的增量學習機制，使模型能夠適應網絡容量的實時變化。容量瓶頸的精準識別，為動態容量優化策略的制定提供了重要依據。

3.3 自適應容量優化

自適應容量優化是本文方案的核心執行環節，該環境基于前述容量瓶頸識別的結果，針對超密集組網中的容量瓶頸區域，提出一種基于深度強化學習的動態容量優化方法。傳統的容量優化方法，如功率控制、資源調度等，大多采用靜態的優化策略，難以適應UDN的動態復雜性。鑒于此，本文利用深度強化學習（Deep Reinforcement Learning，DRL）的優勢，通過持續地探索學習，自主構建容量優化策略映射。具體而言，采用一種改進的深度Q網絡（Deep Q-Network，DQN）模型，將UDN的容量狀態作為環境輸入，將網絡配置動作作為智能體輸出，通過Q值迭代更新逼近最優策略。在Q值計算中，除考慮當前的容量收益外，還納入了相鄰微基站間的干擾代價，以平衡局部和全局性能，其Q函數可表示為

（3）

式中，st和at分別表示t時刻的網絡狀態和動作；R為容量收益；I為干擾代價；n為相鄰微基站；為平衡因子；N為相鄰微基站集合。在實際優化中，DQN模型通過經驗回放和目標網絡等機制不斷優化Q函數逼近，生成容量自適應的動態優化策略。為進一步提升學習效率，我們還引入了基于圖神經網絡（Graph Neural Network，GNN）的網絡嵌入技術，將UDN拓撲映射到低維嵌入空間，加速DRL的收斂速度和泛化能力。

4 " 實驗驗證

4.1 實驗設計

為驗證所提出的基于超密集組網的無線傳輸容量優化方法的有效性，本文設計了系統的仿真實驗方案。實驗在MATLAB R2023a平臺上進行仿真，采用Intel Core i9-12900K處理器，128 GB RAM的計算環境。在仿真場景中，設置一個1 km×1 km的城市熱點區域，部署1個宏基站和200個隨機分布的微基站，微基站發射功率為23 dBm；采用2.6 GHz頻段，系統帶寬為100 MHz；用戶終端數量設置為1 000個，呈泊松分布；實驗持續時長為24 h，采樣間隔為100 ms。

本實驗采用對比實驗方法，將本文提出的方案與傳統的基于固定閾值的容量優化方法（Fixed Threshold-based Optimization，FTO）進行對比。FTO方法采用預設的靜態閾值進行容量監測和優化，在實際網絡環境中具有一定的代表性，但缺乏動態適應能力。實驗從容量瓶頸識別和自適應容量優化兩個方面展開評估。

在容量瓶頸識別方面，主要評估指標包括識別準確率、識別時延和誤報率。通過在網絡中人為設置不同程度的容量瓶頸場景，測試兩種方法的識別性能。在自適應容量優化方面，評估指標包括系統平均吞吐量、頻譜效率、負載均衡度。其中，負載均衡度采用Jain公平性指數衡量。為確保實驗結果的統計顯著性，每組實驗重復運行50次，取平均值作為最終結果。實驗結果的置信區間設置為95%，采用t檢驗方式評估兩種方法之間性能差異的統計顯著性。

4.2 實驗結果

通過在超密集組網場景下的仿真實驗，對本文提出的容量優化方法與基于固定閾值的容量優化方法進行了系統性能評估。表1展示了兩種方法在關鍵性能指標上的對比結果。

實驗結果顯示，在針對超密集組網容量瓶頸的識別任務中，本文所提出的方法展現出了相較于傳統固定閾值方法的顯著優越性。具體而言，本文方法的識別準確率高達94.6%，較固定閾值方法提升了整整12.3個百分點，體現了其高度的準確性。在識別時延方面，本文方法僅需45.2 ms，相較于固定閾值方法減少了64.4%，大大提升了識別效率。此外，誤報率也降低至3.8%，與固定閾值方法相比，改善效果十分明顯，這主要得益于改進后的SVM算法在容量瓶頸識別中的出色表現。在系統整體性能評估中，本文方法同樣表現出色。系統平均吞吐量達到了856.4 Mbps，較固定閾值方法提升了33.2%，顯著增強了網絡的數據傳輸能力。頻譜效率也提高至7.82 bit/s/Hz，相較于固定閾值方法提升了31.6%，展現了更高的頻譜利用效率。在負載均衡性方面，本文方法的負載均衡度達到了0.86，較固定閾值方法的0.71有了顯著提升。這表明，本文提出的基于深度強化學習的自適應優化策略能夠更有效地實現網絡資源的均衡分配，充分驗證了其在超密集組網容量優化方面的技術優勢和實用價值。

5 " 結束語

本文針對超密集組網場景下的無線傳輸容量優化問題開展了系統研究，提出了一套包含網絡容量參數采集、容量瓶頸識別和自適應容量優化的完整技術方案。通過改進的SVM算法實現了容量瓶頸的精準識別，基于深度強化學習的自適應優化策略有效提升了網絡傳輸性能。實驗結果表明，該方法在識別準確率、系統吞吐量、頻譜效率和負載均衡等關鍵指標上均優于傳統方法。未來研究方向可進一步探索多智能體協同學習、邊緣計算賦能等新技術在UDN容量優化中的應用，同時需要考慮網絡安全、隱私保護等新需求，為6G網絡的演進發展提供更全面的技術支撐。

參考文獻

[1] 龔崇立.城市地區廣播電視無線覆蓋問題與解決方案[J].電視技術，

2024，48（05）：90-92.

[2] 鄔毅松.無線低功耗大容量數據采集系統的設計[J].電腦知識與技術，

2023，19（21）：94-96.

[3] 王培吉.5G通信移動傳輸中的大規模天線技術分析[J].集成電路應用，

2022，39（06）：152-153.

[4] 呂進.5G通信大規模天線無線傳輸技術探討[J].產業與科技論壇，

2021，20（23）：37-38.

[5] 陽析.毫米波大規模MIMO無線傳輸關鍵技術研究[D].南京：東南大學，2019.

[6] 羅鳳婭.面向能效優化的多通道無線傳輸系統快速功率分配算法[D].成都：電子科技大學，2013.