文摘
网络致密化被认为是一种重要的原料增加下一代移动通信网络的能力。然而,它也会导致流动性问题,因为用户更有可能移交到另一个细胞密集,甚至超密度的移动通信网络。因此,支持无缝的和强大的连接通过网络成为一个非常重要的问题。在本文中,我们调查移交(HO)在下一代移动通信网络优化。我们提出一个数据驱动的回归优化(DHO)方法,旨在缓解流动性问题包括太晚HO过早HO HO错误的细胞,乒乓球,和不必要的。关键性能指标(KPI)被定义为加权平均比率的流动问题。DHO方法收集的数据移动通信测量结果和提供了一个模型来估计KPI和功能之间的关系从收集到的数据集。基于该模型,回归参数,包括交接边缘和time-to-trigger优化以减少KPI。仿真结果表明,该DHO方法可以有效地缓解流动性问题。
1。介绍
第一代(1 g)移动通信系统启用释放从传统有线岛通信无线人与人之间的通信。技术和需求的变化,现在的第五代(5 g)移动通信系统的目标是任何连接到世界各地的东西。
5 g的工程要求之一是实现1000 x数据率(1]。有三个类别的技术,将组合在一起实现1000 x容量增益:(1)网络致密化和流量卸载来提高频谱效率。(2)毫米波(mmWave)技术和访问未经授权的频谱增加带宽。(3)大规模的多输入多输出(MIMO)大规模,多用户MIMO (MU-MIMO),和协调多点(CoMP)提高频谱效率。
在这些类别的技术,网络致密化和流量卸载将提供大部分(40至50 x)获得所需的能力。网络致密化是一个简单但有效的方法来增加网络容量,使单元尺寸小。细胞萎缩的优点包括频率重用和减少资源的每一个细胞内用户之间的竞争。
然而,网络致密化导致的流动性问题,因为用户更有可能移交到另一个细胞密集,甚至超密度的移动通信网络。因此,支持无缝的和强大的连接通过网络成为一个非常重要的问题。此外,随着基站数量的增加,安装,配置和维护工作也增加。减轻这些努力减少资本支出(资本支出)和运营支出(OPEX)也是一个关键问题2]。
在下一代移动通信网络优化回归(HO)参数来提高系统的性能是至关重要的。交接的目标优化、自组织网络(儿子)的一个重要组成部分,是提供快速和无缝切换从一个细胞到另一个,同时保持简单网络管理(3,4]。回归优化的主要目标包括减少调用下降,减少无线链路失败(RLF),尽量减少不必要的交接,并最小化空闲模式问题。
在本文中,我们调查的交接在下一代移动通信网络优化问题。我们提出一个数据驱动的回归优化(DHO)方法,旨在缓解流动性问题。DHO方法收集的数据移动通信测量结果和提供了一个模型来估计关键性能指标(KPI)之间的关系从收集到的数据和功能。基于模型,回归参数,包括回归保证金(HOM)和time-to-trigger (TTT)进行了优化,以减少KPI,各种流动问题的加权平均比率。仿真结果表明,该DHO方法可以有效地缓解流动性问题。
本文的主要贡献有三点:(1)我们考虑一些功能,包括位置、移动速度和移动方向移动站,力宏,到达目标时间。该方法是环境敏感和自适应移动通信环境。(2)我们将流动性问题划分为五个不同的类型和设计流动问题识别机制基于三个条件的组合测试。(3)我们采用神经网络模型来估计KPI函数和优化回归参数的HOM和到达目标时间。
本文的其余部分组织如下。节2我们现在回顾相关工作。何氏问题公式化描述部分3。节4,我们提供该DHO方法的详细描述。绩效评估和讨论的部分5。最后,部分6本文总结道。
2。相关工作
存在一些交接工作的优化在长期演进(LTE)的移动通信网络。詹森等人提出了一个自优化算法,曲调的回归参数LTE基站为了减少负面影响,如电话下降和交接失败(5]。他们的算法选择最优滞后和time-to-trigger组合为当前的网络状态。作者还提出了一种基于加权业绩的回归优化算法(WPHPO)曲调的滞后和time-to-trigger迭代步骤(6]。李等人提出了一个动态hysteresis-adjusting (DHA)方法,它使用network-allowed最大RLF比率作为关键指标(7]。天线波束的控制等人研究了回归参数的协调优化和负载平衡在LTE的儿子8]。Capdevielle等人研究了联合干扰管理和移交优化LTE网络(小细胞9]。他们专注于两个挑战LTE部署小细胞,注液电池干扰管理、移动性管理。
几个关注异构/ inter-RAT交接工作。阿里和Saquib调查手机/无线局域网回归分析不同的流动模型,以利用无线环境的异质性(10]。他们提供了一个媒介选择垂直交接的方法。Awada等人调查了cell-pair inter-RAT交接的具体优化参数在儿子11]。他们提供的配置范例inter-RAT交接阈值。Giacomini和阿加瓦尔使用QoS和声誉预测决策在垂直交接(12]。他们建基于一本小说的声誉垂直交接交接决策决定评级系统的进步。Lopez-Perez等人交接失败之间的关系特征和乒乓球利率在异构网络的情况下13]。早期和Panwar提出了一种新的快速prefetch-based交接过程,旨在克服造成的延迟高的使用公共网络连接的毫微微蜂窝基站移动核心网络(14]。Xenakis等人提出了一个新颖的回归决定政策的双重LTE网络的目标来减少功耗移动站(15]。该方法能够适应回归滞后保证金规定的SINR目标和测量结果。
一些作品介绍新的概念和架构来提高移动通信网络的用户移动性。塔勒布等人研究了高度的支持移动用户(16]。他们引入了数据锚网关搬迁方法基于的信息,包括用户移动性,历史信息,和用户活动模式,提出了一个交接管理策略选择一个目标基站。伊姆兰等人研究了如何让儿子与大数据启用5克(17]。他们第一次在下一代移动通信网络大数据特征,然后提供挑战的儿子使5克,包括充分利用智慧,需要self-coordination,需要更加透明的儿子,可伸缩性,能源效率,需要一个范式从被动转向主动的儿子。作者还提出了一个框架,用于大数据授权的儿子(BSON),上述挑战。在本文中,我们利用的基本概念和研究问题是儿子最重要的问题之一。
3所示。问题公式化
我们制定了何鸿燊的问题如下。假设是一个特征向量,包括两种类型的变量,和。具体而言,表示测量结果,包括女士的位置、移动速度的女士,女士的方向移动,和其他有用的部分中描述的计数器和旗帜4.1。表示何氏问题的决策变量,回归参数向量和两个元素,HOM和到达目标时间。这两个回归参数的细节描述如下。
(我)交接边缘(HOM)(也称为滞后)。轨的定义为不同的阈值信号干扰加噪声比(SINR)之间的服务和目标细胞。当靶细胞的SINR HOM比,从细胞,何氏条件满足。
(2)Time-to-Trigger (TTT)。何请求不会立即寄出当上述相应的HO条件满足。相反,何氏条件必须满足一段表示到达目标时间。TTT何氏条件满足时,一个请求触发。
正确价值观的HOM和TTT是无缝连接的关键。大坎以及TTT价值观导致更稳定的行为,但是他们可能推迟何氏决定可能导致不必要的问题。另一方面,小HOM和到达目标时间值避免长延迟触发HO请求,但是他们可能会导致乒乓球HO和不必要的。
何的问题是制定 在哪里相应的关键性能指标(KPI),这取决于特征向量。KPI应该旨在衡量流动性问题的缓解。
有四个主要挑战HO的问题:(1)有各种各样的流动性问题在下一代移动通信网络(18]。识别流动性问题将是何问题的首要任务。(2)KPI的设计需要全面和仔细考虑这些流动性问题。(3)KPI可以制定的函数;也就是说,。然而,的具体形式是未知的。因此,这项工作我们承担的挑战之一是提供一个良好的估计的函数。有一个很好的估计我们可以预测的KPI在一些点,在那里是一个向量的一些特定值的。(4)决策变量由两个元素组成,HOM和到达目标时间。缓解流动性问题由joint-optimizing轨以及TTT何氏问题将是另一个挑战。
节4我们描述该DHO方法处理这些主要挑战。
4所示。提出DHO方法
在本节中,我们提供的详细描述,提出了数据驱动的回归优化(DHO)方法。图1显示了系统架构的提出DHO方法。首先,从移动通信网络收集的测量结果。数据库中的数据集收集包括部分中描述的特征向量3和各种计数器和标志用于识别流动性问题。这些计数器和标志的细节提供了部分4.1。DHO方法分析和处理数据来计算流动比率(MPR)问题的流动问题,获得KPI,这是保存在数据库中表示“正确的数据”,如图1。KPI函数估计引擎使用“正确的数据处理提供KPI函数估计。之后,何氏参数优化引擎使用KPI函数估计优化HO参数包括HOM和到达目标时间。最后,坎以及TTT的最优值应用于相应的基站。
在下面的文章中,我们提供的详细描述每个构件图1。
4.1。流动性问题识别
会有五个不同的流动性问题(MPs)在下一代移动通信网络。
(1)太晚了何。太晚了何鸿燊触发时机导致服务单元的SINR水平低。无线电连接失败(RLF)移动站(MS)和服务之间的韧皮站(BS)发生,然后女士试图重新连接到附近的废话。
(2)过早何。过早HO触发时机导致靶细胞的SINR偏低。女士和目标之间的RLF BS发生,然后尝试重新连接到原始女士BS。
(3何错误的细胞。何鸿燊B细胞从源到目标细胞提供稳定的SINR导致RLF。同时,如果有另一个合适的细胞C RLF后重新连接到女士,女士与细胞重新确立C,既不为细胞和靶细胞B。在这种情况下,而不是失败的HO从细胞到细胞B, C HO直接从细胞到细胞将会是一个更好的决定。
(4)乒乓球何。细胞通过细胞B女士的手,和B细胞的手回到女士在同一细胞后不久。由于数据传输期间暂时屏蔽连接转移到目标细胞,这两个居屋计划,尽管都是成功的,应该避免。
(5)不必要的何。细胞通过细胞B女士手和细胞B的手到另一个女士在同一细胞C后不久。这两个居屋计划,尽管都是成功的,可以组合成一个HO直接从细胞到细胞C为了避免不必要的数据传输阻塞连接传输时间。
为了识别流动性问题上面提到的,我们设计的流动性问题识别标准,如表1所示。流动性问题识别标准取决于三个条件测试:(1)接近去年何?当前HO事件的发生时间是否接近前面的HO事件吗?(2)RLF地位?是否有一个RLF当前连接?(3)新目标=之前的服务?新目标细胞是否是一样的以前的服务吗?
表1显示五流动性问题会确定基于上述三个条件测试的测试结果。
在拟议的DHO方法中,我们设计以下计数器和标志识别流动性问题:(我)lastHoCounter:自去年HO表示的时间间隔。(2)lastHoThreshold:定义一个阈值,再加上lastHoCounter识别当前HO事件的发生时间是否接近前面的事件。(3)rlfStatus:表明是否发生RLF当前连接。(iv)newTagertCellId:表明新的靶细胞ID。(v)previousServingCellId:表明前面的服务单元的ID,结合newTagertCellId表明是否新靶细胞是一样的前面的一个服务。
4.2。KPI设计
何问题,KPI被定义为不同的流动性问题的加权平均比率(mpr)。有五个不同的流动问题。KPI是计算 在哪里流动性问题的重量吗,是由移动网络运营商MPR的流动性问题的函数。MPR被定义为事件的概率的流动性问题(MP)发生了。考虑 在哪里表示数量的,代表何鸿燊的总数。每个BS使用滑动时间窗口收集的统计信息和为了获得每个MPR和KPI。
4.3。KPI函数估计
为了解决何问题,(1)显示,一些以前的解决方案专注于分析和获取KPI函数。当分析公式解方程,知道吗会得到最优回归参数HOM和到达目标时间。然而,请注意,函数由复杂的联合特征向量的影响。在这些复杂的影响,很难分析和获得一个精确的KPI的功能。
在本文中,我们使用机器学习技术来估计KPI函数。具体而言,我们使用多层感知(MLP),这是一个最流行的神经网络,功能KPI评估(19]。
向MLP由一个输入层、一个或多个隐藏层和输出层。在本文中,我们采用延时一个隐藏层组成的四个隐藏的神经元。特征向量应用于输入层和通过网络传播一层一层地从左到右。这个图中的每个箭头表示一个可调节突触的重量。从我们的综合实验,这个架构是经验足以模型KPI和特征向量之间的关系,而其他的实验更多的隐藏神经元提供类似的结果。仿真结果的均方误差(MSE) KPI函数的估计与各种数字隐藏的神经元如图2。时代限制设置为1000。这图显示四个隐藏神经元足以提高建模的性能的程度,而两个神经元的性能只能达到的程度。应用更多的隐藏神经元并不显著改善MSE。
延时的反向传播(BP)算法用于调整神经网络参数,以最小化目标之间的误差(测量)的KPI和响应函数估计。BP算法的详细操作包括向前和向后传球。我们提供的详细描述向前和向后传球在以下段落。
4.3.1。传球前进
传球前进的目的是让中长期规划的实际反应按照指定的输入信号。提出通过特征向量在迭代应用于输入层和通过网络传播一层一层地从左到右。上面图的一部分3显示了信号流的传递。坎表示,表示到达目标时间。来表示其他特性。当通过突触信号传播时,它的值是乘以突触权重。输入神经元的突触前一层的输出的加权和。例如,输入的th神经元的th层是 在哪里代表偏差项。这种神经元的输入是应用于激活函数。激活函数应该处处可微。我们采用常用的s形的函数 该神经元的输出将通过网络传播到下一层,并再次执行相同的操作。最后信号聚集在输出层,估计KPI的功能是获得。在远期通过突触权重都是固定的。
4.3.2。向后传递
向后传递的目的是调整突触权重以实际响应之间的误差最小化和所需的响应。错误的信号被定义为 瞬时平方误差被定义为 反向传播算法的目标是最小化。为了实现这一目标,反向传播算法适用于各自的校正每一个突触权重。修正被设计成梯度成正比吗;也就是说, 负号来自较低的事实者优先。是Behera等人提出的自适应学习速率(20.),表示为 在哪里和。同时考虑到体重校正= 2,输出层,根据微积分链式法则,梯度可以写成 应用(4)- (7)四个偏导数在等号右边的(10),它可以写成 在哪里是当地的梯度的定义是 同时考虑到体重校正,隐藏层,通过迭代反向传播和链式法则的举止,当地的梯度是 在每个局部梯度层的推导过程图的下半部分所示3。最后,每个突触权重修正以下这个公式: 向前和向后传球反复执行,直到平方误差达到令人满意的水平或当时代的数量超过某个阈值。执行之后,回归参数优化。
4.4。回归参数优化
本文回归优化问题是通过梯度下降算法来解决21]。这里的回归参数,包括HOM和双塔,自适应调整。找到KPI函数的局部最小值使用梯度下降法,采取步骤与梯度成正比。假设在th的时间调整,回归参数KPI是。在接下来的时间调整,回归参数是设置为 取决于的梯度估计的KPI关于;也就是说, 在哪里是不断调整利率。
如何获得梯度是一个问题了。最初的BP算法中描述的部分4.3只包含两个传球:向前和向后传球。为了获得梯度,提出DHO方法修改原BP算法添加第三个通过:调整通过。我们提供调整的详细描述在接下来的段落。
通过调整的目的是获取估计梯度它是调整交接的关键参数以最小化KPI。的突触权重调整在向后通过依照(14)被设置为固定的调整。在下面我们将展示如何获得估计梯度。调整的信号流如图4。
首先,我们定义了局部梯度通过调整 这个局部梯度类似于本地梯度向后通过定义在(12),除了偏导数的目标是改变。同时考虑到输出层,局部梯度是 同时考虑到隐层,局部梯度是 使用的结果(18)和(19),梯度可以写成: 最后一个平等从哪里来(18)。自 第二项在最正确的20.)可以写成 第三个平等来自这样一个事实:在哪里总是等于及其偏导数可以忽略的总和。结合(19)和(22)(20.),梯度获得的是 当地的推导梯度在每个层和梯度描绘在图4。基于的结果(23),回归参数调整(15)和(16)显示。
为了应对时变信道条件下,我们使用在线培训和操作三个通过迭代模型的瞬时关系和优化回归参数,HOM和到达目标时间。
5。绩效评估和讨论
在本节中,我们描述了仿真环境,仿真结果和讨论。
在我们的模拟中,移动通信网络由100个小细胞是建立在一个5公里5公里的区域。图5显示了这些小细胞基站的坐标。每个单元有5 MHz带宽与25资源块和2 GHz的载波频率。每个资源块由12副载波的尺寸15 kHz。时间是0.5毫秒时间和传输时间间隔(创科实业)是1毫秒。
100年仿真,海量存储系统(MSs)中与随机初始化位置均匀分布在该地区。这100海量存储系统(MSs)中生成的流动跟踪使用曼哈顿迁移模型,广泛用于城市和适合实现逼真的模拟(22- - - - - -24]。在曼哈顿流动模型中,海量存储系统(MSs)中移动在水平或垂直方向的城市地图。在每一个十字路口,一个女士采用概率方法选择的方向运动。直接的概率,左转,右转是0.5,0.25,和0.25,分别。蓝线在图5显示了一个说明性的移动路径女士的移动通信网络。同时考虑到KPI,流动性问题的权重将相等。
RLF会发生如果SINR提供细胞水平低于−6.5 dB之前完成交接的执行(18]。我们将这个作为我们的SINR阈值,这样如果SINR从源的废话低于阈值,一个RLF将发生。仿真时间设置为5000秒。操作与0 dB HOM和0年代到达目标时间点开始操作点网络中所有细胞。
在本文中,我们使用ltesim,一个开源的框架来模拟LTE网络,作为我们的基本仿真工具(25]。设计和开发的ltesim支持以下方面:(我)进化的通用陆地电台访问(E-UTRAN)和演变包系统(EPS)。(2)单和异构多单元的环境。(3)多用户环境。(iv)用户移动性。(v)交接手续。(vi)频率复用技术。(七)服务质量(QoS)管理。(八)调度策略。
然而,ltesim仍然缺少一些重要的功能和特性,需要在这工作。因此,我们修改ltesim从几个方面。我们的修改ltesim包括以下:(1)添加:(我)无线连接失败,(2)交接失败,(3)HOM和到达目标时间,(iv)提出DHO方法。(2)修改:(我)流动模式:使用相同种子生成的随机数序列我们每一次仿真运行。
仿真参数值如表所示2除非另有说明。
图6显示仿真结果,当发射功率设置为20 dBm。横轴表示指数流动性问题。索引1到5意味着太晚了何鸿燊的流动性问题,过早HO HO错误的细胞,乒乓球,分别和不必要的。指数6意味着KPI,五个mpr的加权平均。MPR的垂直轴意味着相应的值或KPI。蓝色酒吧显示静态HO的性能参数设置为0分贝HOM和0年代到达目标时间和绿色的另一个静态设置10 dB HOM和5.12到达目标时间。黄条显示的性能提出DHO方法。结果如图6验证该DHO方法能有效缓解流动性问题,实现更好的mpr和KPI。
图7显示仿真结果,当发射功率设置为43 dBm。自发射功率高于一个在前面的场景图6,不太可能出现RLF。因此,mpr和KPI在图7低于图吗6。此外,提出DHO方法仍然可以有效地缓解流动性问题和提供更好的连接到海量存储系统(MSs)中。
图8显示仿真结果,当发射功率设置为15 dBm。由于发射功率低于之前的场景图6,它更有可能发生RLF。因此,mpr和KPI在图8高于图吗6。此外,提出DHO方法仍然可以有效地缓解流动性问题和提供更好的连接到海量存储系统(MSs)中。
我们比较下的KPI改进各种价值观的发射功率。KPI计算改进最初病例KPI的区别(HOM 0分贝,TTT 0)和KPI的DHO方法,除以最初病例KPI。图9显示KPI改进范围从15%降至20%。它还显示KPI改善发射功率较低时更重要;也就是说,基站的传输范围较小。
6。结论
在这项工作中,我们调查在下一代移动通信网络的移动性问题。完全有五个不同的流动问题,每个国家都有不同的特征。我们提出一个数据驱动的回归优化(DHO)方法,旨在缓解流动性问题。DHO方法包括四个部分:(1)流动性问题识别。(2)KPI设计。(3)KPI评估函数。(4)回归参数的优化。DHO方法收集的数据移动通信测量结果和提供了一个模型来估计KPI和功能之间的关系从收集到的数据集。基于模型,回归参数,包括HOM和双塔,优化KPI降到最低,这是不同的加权平均流动比率问题。仿真结果表明,该DHO方法可以有效缓解流动性问题和提供更好的连接。
相互竞争的利益
作者宣称没有利益冲突。
确认
这项工作由科技部支持的部分(大部分),台北,台湾,在授予nos。大多数103 - 2221 - e - 155 - 005,大多数104 - 2221 - e - 155 - 017和105 - 2218 e - 155 - 001。