论文部分内容阅读
随着医疗卫生、智能家居、自动驾驶以及城市信息化等需求的大规模增长,机器通信(Machine Type Communication,MTC)设备及通信连接数快速增长。各大科研机构都将MTC通信技术视为其重要技术发展方向。目前,以第三代合作伙伴计划(The 3rd Generation Partnership Proj ect,3 GPP)为代表的相关标准化组织已经开始推进基于长期演进(Long Term Evolution,LTE)的MTC通信技术标准化工作。现在大量的研究工作致力于MTC随机接入网络和无线资源管理技术问题研究。与此同时,MTC通信在接入性能、连接数量和可靠性等方面有着比传统业务更高的要求,这给传统的蜂窝网络网络的有限控制资源带来了极大的挑战。因此,针对大规模机器类型通信的接入及资源管理技术,本文主要研究了以下三个方面的内容:针对MTC通信场景中信令资源紧缺的问题和传输数据量相比传统蜂窝用户数据小的特点,提出了一种联合使用分级策略和退避策略的方案去解决接入拥塞问题,相比于传统蜂窝网络随机接入的步骤,较好的提升了小区内MTC用户的接入性能。在此基础上对MTC与蜂窝用户混合场景下的带宽资源分配问题进行了分析,针对蜂窝用户与MTC用户共存的网络场景,对MTC业务和蜂窝用户业务的体验质量(Quality of Experience,QoE)指标分别建立数学模型,形成一个整数约束的数学优化问题,提出了两步迭代算法,提升了系统的QoE指标性能。MTC通信场景面临海量接入设备数目的挑战,通过Group-based的接入方案能有效解决这一问题。具体而言,MTC设备将信息传递给簇头,由其聚合后发送信息给基站(Base Station,BS)。与现存的特定场景下的Group-based的MTC接入方案不同,本文提出了一种更为通用的数据聚合与成组方式,此方案能够根据所提算法自适应的进行小区簇头的选择。组内的数据传输不需要控制资源,这样可以提升控制资源利用效率。在网络资源受限和数据传输速率保证的基础上,联合优化了信令和数据资源的传输,提出了两步分析算法解决MTC大规模接入场景的接入及资源分配问题。此外本文考虑了多时隙场景下的MTC接入问题,基于Group接入架构模式,提出了 一种基于马尔科夫决策过程(Markov Decision Process,MDP)的接入选择方案。在传统单时隙接入的基础上,引入增强学习的方法,通过策略迭代,逐步得到最优的接入方案。相比于传统的基于接收信号强度(Received Signal Strength,RSS)接入方案,多时隙场景下基于MDP方法提供了更好的接入性能。综上所述,本文研究了 MTC通信接入与资源管理技术研究相关三个的研究点,分别提出了相应的接入和资源分配方案,并对所提方法进行了仿真验证。