文摘
随着网络结构的复杂性,多样性网络切片,和引进先进的技术,如设备(D2D),很难下一代(5 g + 6 g)网络,全面考虑用户的需求从不同的片,共同分配无线资源,提高网络能量效率。本文研究了能源效率优化问题D2D-enabled雾无线电接入网络(FRANs)。资源分配算法的网络能效最大化联合优化波束形成向量,资源块分配和传输的远程无线头(rrh),雾访问点(FAP)和D2D用户。开发的算法是基于非线性规划,凸优化和拉格朗日对偶。仿真结果表明,应用该算法,显著提高系统吞吐量,和网络能耗大大降低,从而最终提高网络能量效率明显。
1。介绍
在日益数字化的背景下和全球化的社会里,人们对移动通信的需求急剧增长。5 g的大规模部署通信网络,移动通信已经进入了5 g +时代和整个社会变得流行1]。由于高传输速率和高可靠性的移动通信、移动通信的发展空间已经扩大了令人难以置信的。其优势已经成为一个重要的支持高度发达的软件甚至硬件产业,已经成为社会的快速发展的重要基石。
当然,相应地,无线通信正在向下一代网络与高速度和高可靠性。移动通信发展的重点转向发展的最先进的技术,如大规模的多输入多输出(MIMO)大规模,智能反光的表面(IRS)、毫米波和太赫兹通信、先进的网络架构和场景,如雾无线电接入网络(FRANs)和共存的多元化的传播模式在通信技术中,和先进的无线资源分配方案与波束形成、权力分配和传输模式选择(2]。不断增加的压力下对无线网络的需求,云计算和雾计算已经出现。与云计算相比,雾计算有几个明显的特点:更低的延迟和更节能。得益于这些优势,fog-enabled网络体系结构,也就是说,弗兰与强大的缓存,沟通,和计算能力,广泛采用5 g和下一代(6 g)网络和被认为是最有前途的网络技术为未来网络(3]。弗兰,同时提供网络的频谱效率高,也是必要的,以确保用户请求的服务质量(QoS)的实时服务超过一定水平。无线资源分配的关键作用是进一步提高网络性能,保证QoS。因此,在弗兰,它采用具有重要意义资源分配方法,可以保证用户的QoS,进一步提高网络性能。
许多研究近年来在弗兰的资源分配。在[4),计算卸载当前贡献的效率低下和资源分配是指出,和深基于强化学习资源分配算法最小化延迟联合优化的模式选择、资源分配和功率分配。人工智能等。5)集中在网络slicing-based弗兰和联合开发资源分配和录取控制方案最大化的用户数量在热点片,可以支持所需的服务质量。承认控制和波束形成进行了热点片,而子通道和功率分配进行物联网(物联网)片。在[6),连续讨论了雾节点的资源分配,在物联网用户的访问决策是由基于强化学习的方法改善系统实用程序的延迟。尽管先进的方案提出了比无线资源和其他资源,如计算资源、被使用,大多数以前的研究集中在延迟和协会的用户数量,没有考虑网络能量效率和吞吐量(7]。更高的能源效率的预期成果为下一代移动系统,如超出5 g和6克(8]。网络能源效率,最大化Dinh et al。9)提出了一种联合优化算法基于用户协会和波束形成以及启发式低策略的约束下当地的边缘处理能力。全球的场景,但过时的用户信道状态信息(CSI)和完美但当地CSI都考虑。在[10),能源效率和跨越层干扰问题研究了网络的弗兰,用户协会,缓存和功率分配共同优化基于乘数的交替方向法。能源效率、频谱效率和干扰在[共同最大化11)通过优化内容分发从雾节点为用户和云。
弗兰,设备间(D2D)之间的通信是一种技术,允许直接交流相对较近的两个雾用户远程广播多路复用头(RRH)频谱资源(12]。受益于多路复用增益,距离增益和卸载获得D2D沟通,D2D技术可以提高频谱效率和能源效率的弗兰,在很大程度上,减轻fronthaul的传输容量限制问题的链接。因此,D2D场景是一个重要的情况下,资源分配应该考虑,和D2D用户应该包括资源优化配置能源效率优化的研究在弗兰13]。然而,据我们所知,很少有研究在这个领域。本文关注的是资源分配算法根据用户的QoS需求最大化网络能源效率在弗兰RRH用户,物联网用户,和D2D用户所有的存在。制定数据率和延迟的约束用户的QoS需求和能源效率终于提高了传输模式,联合优化波束形成向量,和权力的分配和资源块。设计合理的联合优化算法,相应的节能资源分配算法,提出了多种模式的共存。通过构建一个MATLAB仿真平台,进行系统仿真来验证该算法的性能。资源分配方法的应用弗兰在当前和未来的移动通信网络架构,确保实时服务需求设计。研究不仅提供了理论分析和性能参考弗兰,以更好地支持对延迟敏感的服务还有促进弗兰的商业部署具有重要意义。
然而,进一步的纸是安排在一个订单等部分2,简要介绍系统模型,和一个网络能效最大化问题切弗兰制定。为了便于制定问题的解决,在部分3,原问题转化为3可以解决的子问题。一个节能的联合优化波束形成算法,提出了资源块分配和功率控制部分4。为了证明算法的有效性,仿真给出了部分配置和相应的结果5。结论提出了部分6。
2。系统模型
2.1。网络场景
摘要研究D2D-enabled弗兰。满足高速和低延迟需求的用户,分别为系统模型如图所示1高速切片和低延迟切片被认为在网络场景中,高速切片和低延迟切片由网络切片技术实现基于NFV(网络功能虚拟化)和SDN(软件定义网络)。用户在网络可以分为RRH用户,物联网用户,和D2D用户,由RRH, FAP,分别和直接连接设备。每个用户只有一个天线,可以利用的总带宽表示B,采用OFDM(正交频分复用)技术的系统。
2.1.1。高速片
在高速切片,米rrh提供服务GRRH用户提供高速的要求连接到基带单元(BBU)池通过capacity-limited下行。rrh可以参与协作通信在高速切片。rrh是由集米={1,2,米、…米},为每个RRH是天线的数量T。集RRH用户在高速切片来标示={1,2, ,。. .,}。不同的物联网用户在低延迟片,RRH用户请求高速服务可以选择使用D2D函数来提供相应的高速服务。一旦启用D2D函数,用户被称为D2D用户。使用∈X={0,1}表示D2D模式选择的用户 ,然后用户D2D用户如果=1,这是一个RRH用户如果=0。对于一个RRH用户 ,其服务RRH RRH协会决定的指标 ;如果 ,然后RRH用户与由RRH米;否则, 。
在时间t的接收信号th RRH用户由BBU池可以表达的 在哪里 CSI(信道状态信息)向量从RRH RRH用户吗 , 的波束形成矩阵RRH RRH用户 ,在哪里 和 代表了向量从RRH波束形成米RRH用户 , 数据的象征RRH用户吗与 ,和RRH用户所产生的噪音了吗 ,和 。根据香农公式,RRH用户的数据传输速率可以表达的
对于D2D用户来说,D2D用户的接收信号d由D2D用户r可以表达的 在哪里表示D2D用户的传输功率r和之间的路径损耗D2D一对。D2D用户的数据传输速率d是由 在哪里是一组DD2D用户和是一种干扰D2D用户用户 。
2.1.2。低延迟片
低延迟片,问雾物联网用户提供低延迟需求服务的访问点(FAP)配备年代天线。FAP的低延迟片可以有效地实现物联网用户的资源分配和功率控制。物联网用户的集合ψ={1、2、…问、……问}。在时间t,K物联网用户资源块分配,资源块的设置▿= {1,2,…,k、……K},问≤K。由于物联网用户的信号处理能力有限,一个物联网的用户只能分配一个资源块最多。如果在时间t、资源块k是分配给物联网用户问,那么资源块分配指标 ,和物联网用户的接收信号问在资源块k是 在哪里是FAP物联网用户的传输功率问在资源块k,指FAP和物联网用户之间的路径损耗问在资源块k,是物联网用户接收到的噪声功率问。
根据香农公式,物联网用户的数据传输速率问可以表示为
网络能源效率被定义为网络的平均总吞吐量的比例平均功耗,位/焦耳,表达式如下: 在哪里和总吞吐量和网络的能耗时间吗t,分别 和 分别。在方程(9), 的功耗RRH吗米,在那里的放大器效率RRH吗米。 FAP的功耗,在哪里FAP的放大器效率。
2.2。问题公式化
根据方程(7),有两种方法可以提高网络的能源效率:一是增加吞吐量 ,,另一个是减少能源消费总量 。考虑到关系方程(2),(4),(6),(9)和(7),可以提高能源效率的联合优化波束形成向量每个RRH ,资源块分配的FAP D2D模式选择指标 ,RRH协会指示器 ,传动功率FAP的物联网用户问在资源块k,传动功率D2D的用户。
使用 来表示资源块分配指标向量的物联网用户, 表示网络的波束形成的向量, 表示FAP的传动功率向量,和 代表的传动功率向量D2D用户,考虑网络稳定性约束,QoS需求的用户,和限制条件,如传动功率限制和回程链路容量限制,弗兰的资源优化配置能源效率最大化问题定义如下: 在哪里 , ,和交通队列是RRH用户吗 ,D2D用户d和物联网用户问,分别。C1构成网络的稳定条件。C2,C3是RRH用户的QoS约束和D2D用户高速切片,分别。C4的概率是保证物联网用户的延迟不超过给定的阈值 。C5和C6每个RRH和FAP的最大传输功率约束,分别。C7和C8的意思是每一个物联网用户只能分配给一个资源块。C9是回程链路的容量限制BBU池。C10的最大传输功率约束D2D用户d。
3所示。转换的问题
利用李雅普诺夫理论,很容易证明该优化问题可以转化为以下形式: 在哪里李雅普诺夫控制参数,这是一个非负实数。更大的价值是,更重要的是无线资源分配的策略是优化网络能源效率和越延迟性能。和交通队列RRH吗米和资源块kFAP,分别。
从(11),它可以发现波束形成向量集只有相关 , ,C2,C5,C9。资源块指示符变量集和传动功率向量FAP的仅仅是相关的 , ,C4,C6,C7,C8。传动功率向量D2D用户仅仅是相关的和C3所示。因此,方程的优化问题(11)可以分解为三个独立的子问题:优化波束形成问题设计高效的片,联合优化问题的资源块分配和功率控制在低延迟片,和功率控制的优化问题在D2D模式。
3.1。子问题1:优化波束形成问题设计高效的片
根据上述分析,优化波束形成问题设计高效的片可以写成
将优化问题(12)到凸约束C2,C9应该改变了。C2可以写成
C9可以重建 在哪里是一个常规因素接近0。
3.2。子问题2:优化问题的联合资源块分配和功率控制在低延迟片
联合优化问题的资源块分配和功率控制可以转化成低延迟片
变换(15)到凸约束C4和C7应该改变了。因为每个物联网问题只能分配给一个资源块,每个物联网的最低数据速率要求问题t相当于其最小传输功率需求的资源块。此外,考虑到交通队列和数据速率之间的关系,约束C可以转换为4
使问题更容易解决,离散约束C可以转化为7
3.3。子问题3:功率控制的优化问题D2D模式
功率控制的优化问题D2D模式可以表示为
4所示。提出了联合优化算法
4.1。波束形成设计RRH用户高效的片
的帮助下WMMSE方法(14),原始子问题1 (12)可以转化为以下WMMSE相同问题最优解: 在哪里 , ,和均方误差的重量,均方误差,和最佳接收的重量RRH用户的接收信号吗 ,分别。均方误差的定义如下:
对于任何RRH用户 ,当和,最优的计算均方误差的体重吗是
鉴于 ,最好的接收重量可以根据计算
考虑到组和RRH用户,WMMSE优化的问题在(19)是
C2在优化问题(23)是一个二阶锥约束C5和C9都是二次约束;因此,问题(23)是一个QCQP凸优化问题可以解决的工具箱CVX [15]。使用工具箱废的结果(23在一个迭代可以得到)。通过多次迭代,波束形成向量将接近最优解。
4.2。共同为物联网用户资源块分配和功率控制算法在低延迟片
问题的目标函数(15)可以通过优化传动功率最小化为物联网的用户,然后优化资源块指标 。此外,解决方案获得通过求解对应的拉格朗日对偶问题(15)至少是局部最优解(15)。因此,优化问题(15)可以改革为如下优化问题和 ,分别。
优化问题(15)可以改革为如下优化问题 :
目标函数(24)连续一阶导数,约束给传输能量的范围;因此,绑定集显然是一个凸集的定义。根据马条件(16),以获得最佳的传输能量,只需要让第一个目标函数的偏导数(24)= 0。最优传输能量可以表示如下:
从(25),它可以发现,当信道的质量是好还是用户的交通队列很长,FAP的资源管理模块将增加服务物联网用户传输能量,反之亦然。替换为优化问题(15),优化问题是 这是一个线性优化问题。最优资源块分配策略可以获得的 在哪里 。
4.3。D2D功率控制算法
问题的目标函数(18)是一个严格凸函数和约束C3和C分别10是线性和凸。因此,拉格朗日方法可以用来解决问题(18)。相对应的拉格朗日对偶问题(18)如下: 在哪里 拉格朗日函数定义为
问题(28)是一个凸优化问题和 。次梯度法(17)可以用来更新最优拉格朗日因子和迭代地根据 和 分别在哪里和寻找最优的步长是吗和 ,他们是积极的和小实数接近于零。然后,可以获得的最优传动功率
最后,计算D2D用户的传输功率rD2D用户d根据
4.4。整体算法
首先,每个用户报告参考信号接收功率(RSRP) signal-to-interference-noise比、信道状态信息参考信号(CSI-RS),位置和其他参数到云上。
然后,云接受来自用户的服务请求。如果两个用户之间的距离小于阈值和相对运动速度小于阈值 ,两个用户发布的通信链路RRU并启动D2D通信模式。在此基础上,可以确定。
之后,云计算和分配波束形成向量为每个RRH基于RRH用户CVX小节中提供的结果4.1。束的配置权重最终服务于能源效用函数,目标函数。考虑到RRH用户的波束形成向量,FAP的传动功率和D2D发射机可以由方程(25)和(33),分别。与此同时,云计算并确定资源块分配根据方程(27FAP)为每一个物联网用户。
最后,云实时检测用户的状态,决定了用户的服务状态和用户之间的距离进行通信服务,并更新访问和离职的用户启用更新D2D通信模式。
5。仿真和结果
5.1。模拟配置
以验证算法的有效性,系统级模拟。相关仿真参数和设置表中列出1。
5.2。仿真结果
图2给用户的数量之间的关系在D2D模式和整体吞吐量。仿真结果表明,当在D2D传输模式下的用户数量的增加,系统的整体吞吐量也增加。这证明了D2D fronthaul链接模式下可以减轻压力,减少之间的干扰问题,并增加SINR,从而提高吞吐量。相反,用户选择D2D传输方式不占用基站资源和释放大量的系统容量,从而大大提高了系统的整体吞吐量。
图3之间的关系是每一个算法的迭代次数和整体吞吐量。仿真结果表明,随着迭代次数的增加,两种算法的全球解决方案接近最优解。同时,融合算法的整体吞吐量比单个波束形成算法。这是因为与单个波束形成算法相比,系统吞吐量只能通过调整改善梁改善信噪比,以及融合算法可以减少基站负载在这个基础上,扩大系统容量。
图4显示了每个算法的迭代次数之间的关系和整个系统的能量。仿真结果证实了波束形成算法的有效性和系统节能的融合算法。每个方向的波束形成算法调整增益的梁根据分布问题,以达到节能的效果。因为终端之间的直接沟通,融合算法并不会占用基站资源,所以波束形成的效果是更重要的,系统能量进一步降低。
6。结论
摘要能源效率优化问题D2D-enabled雾无线电接入网络(FRANs)进行了研究。一个基于波束形成的能源效率最大化算法,提出了资源块分配和功率控制来解决能源效率优化问题。波束形成的向量,资源块分配和传动功率rrh, FAP,和D2D用户共同优化非线性规划的帮助下,凸优化和拉格朗日对偶。仿真结果表明,利用提出的优化算法,网络可以显著改善,能源效率和吞吐量和网络可以大大减少能源消耗,最终证明了该算法的有效性。
6.1。未来的工作
这项工作可以在一个巨大的进一步加强和扩大和大规模。它可以用于高度可伸缩的无线接入网络的资源分配变得悲惨。这个配置是基于所提供的服务质量并获得用户。同样的,可以挖出,当和哪种资源应当需要时,用户通常数量的增加。
数据可用性
使用的数据来支持本研究的结果包括在本文中。
的利益冲突
作者宣称没有利益冲突。
确认
这项研究的部分支持由中国国家自然科学基金(没有。61801227),江苏省Qinglan项目(QLGC2021号和QLGC2020),未来网络科研基金项目(没有。fnsrfp - 2021 yb - 28),江苏省重点建设实验室的开放研究基金的物联网应用技术(没有。19 wxwl04),工业大学合作合作教育项目,教育部高等教育学系(没有。202101220012)。