论文部分内容阅读
随着移动通信技术和应用设备的革新,以及移动多媒体业务的飞速发展,移动用户对移动通信网络覆盖和速率的要求越来越高,需要越来越多的基站提供更好的网络覆盖以及更大的系统容量。当前移动通信网络采用基于分布式基站的接入网架构,存在基站建设及维护成本巨大,网络能耗高,小区间干扰严重,业务峰均比高带来的资源利用率低等问题。以中科院计算所提出的超级基站系统为代表的集中式蜂窝移动通信接入网架构,为解决上述问题提供了新的架构支撑。集中式接入网络架构实现了射频与基带处理的分离,其中,天线与远端射频单元构成分布式网络提供无线信号覆盖,集中部署的大规模基带处理池提供基带处理。集中式接入网架构在减少网络建设维护成本的同时为系统资源的动态共享和协同管控创造了基础条件。 在集中式接入网络架构下,如何利用全网信息实时共享、资源池高性能计算能力等特点,根据网络用户的业务需求和分布特性,进行灵活的异质资源协同管理和智能分配,将系统资源部署到网络需要的地方,从而提高系统容量、降低系统能耗,是超级基站等集中式接入网络需要解决的核心问题。针对这一问题,本文对超级基站系统资源管控的关键技术展开了系统研究,首先进行超级基站资源虚拟化管控架构及机制的研究,使得超级基站具备在集中式部署的基础设施上动态分配组合资源、部署虚拟基站的能力,支持系统运行;其次进行智能资源分配算法的研究,使得超级基站具备根据用户业务需求控制虚拟基站运行的能力,以提升系统性能。主要工作和创新成果包括: 1.提出了超级基站资源虚拟化管控架构及机制 超级基站资源虚拟化管控架构及机制是超级基站功能实现的根本,是各类智能资源管控算法得以运行的基础。超级基站资源虚拟化的目标是在集中式部署的基础设施上部署虚拟基站,生成移动通信接入网络以提供用户服务。本文从资源管控的角度研究超级基站资源虚拟化框架及关键机制。借鉴传统IT虚拟化中对资源抽象、聚合、整合的思想,基于超级基站资源虚拟化模型,本文提出超级基站资源虚拟化管控系统框架,定义了各管控实体功能及管理控制接口,并给出基于该管控框架的虚拟基站部署,虚拟基站资源调整等关键功能的管控流程。超级基站资源管控系统的核心是计算资源管理器,其机制决定了系统计算资源分配性能的高低。本文提出了保证计算资源管理器性能的多个核心机制,包括基于优先级的双层资源调度机制,资源分配机制等,并给出资源管理器的具体实现模型。本文进一步提出一种将处理逻辑和数据上下文相分离的基于业务上下文的无缝业务迁移机制。基于提出的资源管控架构及机制,超级基站具备在统一的基础设施上,根据业务负载及计算资源负载变化需求,动态分配资源、部署虚拟基站的能力。 2.提出了超级基站架构下能效优化的基站开关控制及用户接入算法 为了应对用户潮汐效应带来的基站能源浪费问题,本文提出一种超级基站系统能效优化的联合基站开关控制与用户接入算法。文中分析超级基站的能耗模型,并基于此定义系统优化目标为通过对系统内基站开关与用户接入基站的控制,最大化系统能效(系统能效定义为系统用户的速率和除以系统的总能耗)。基于对系统能效的分析,我们将系统优化问题分解为两个子问题分步解决:一、给定系统内基站的开关模式,最大化能效问题等同于最大化系统吞吐量的用户接入基站控制问题;二、最大化系统能效的基站开关控制问题。对于给定基站开关模式下最大化系统吞吐量的用户接入控制,提出一种基于边际效应的贪婪用户接入算法(MGUA);对于最大化系统能效的基站开关控制问题,结合MGUA算法,提出一种基于模拟退火的基站开关算法(SABO),在算法执行过程中,利用概率突变的特点在问题对应的解空间随机寻找使得系统能效最高的全局最优解,通过多次迭代过程,获得近似最优基站开关与用户接入方案,提升超级基站系统能效。仿真结果表明:利用所提出的用户接入(MGUA)与基站开关控制算法(SABO),相比传统的用户接入及基站开关算法,系统可获得35%的能效增益。 3.提出了超级基站架构下基站间协同干扰抑制算法 针对集中式蜂窝网络架构下密集部署蜂窝网络基站间的干扰问题,本文提出一种基于功率控制的协同干扰抑制算法。本文综合考虑了基站的离散传输功率限制,用户传输质量要求以及整个网络的干扰状态,首先分析给出网络中满足用户传输质量要求的可行传输功率解的必要条件。在此分析基础上,定义系统的优化目标为最大化网络中满足SINR要求的可同时传输的基站传输的个数。我们将系统内基站的功率控制问题建模成一个协作博弈模型,并证明其纯策略纳什均衡的存在性。利用超级基站信息集中管控和高计算能力的优势,首先提出一种随机自适应功率控制(Random Adaptive Power Control,RAPC)算法获取纯策略纳什均衡。该算法需要集中管控中心获取系统的完整信息,并要求所有基站同步执行算法。为降低集中管控中心的计算量,充分利用资源池内分配给各个(虚拟)基站的计算资源,本文提出一种基于随机学习的分布式协同的离散功率控制算法(Stochastic Learning based Discrete Power Control,SLPC)。该算法将基站作为学习机,通过对选择的传输功率和网络反馈信息的学习不断调整传输功率,以实现系统目标最大化。仿真结果表明,提出的RAPC及SLPC算法,均具有很好的收敛性和寻优性能。在网络密集部署情况下,使用提出算法网络支持的满足传输质量要求的基站传输数目达到使用现有功率控制算法支持数目的两倍。