论文部分内容阅读
第五代移动通信系统(5G)对频谱效率(Spectrum Efficiecy, SE)，能量效率(Energy Efficiecy, EE)，网络成本，传输时延等性能都提出了更高的要求。为了有效应对上述挑战，5G系统将云接入网络(Cloud Radio Access Network, C-RAN)作为关键的备选技术。在C-RAN中，基带处理部分被聚集并且共享在一个虚拟的基带单元池(Base Band Unit Pool，BBU Pool)，这样可以有效的适应非均匀业务(例如数据的潮汐效应)，并更有效利用资源(例如基站的计算能力)。作为仅具备有限功能的射频拉远头(Remote Radio Head，RRH)，可以通过有线/无线前程链路，将移动用户设备接收来的信号预处理并转发至BBUPool集中处理。比起传统的通信架构，C-RAN需要更少的BBU，并可以根据网络实际情况灵活部署升级BBU与RRH，可以有效降低网络成本。同时，共享虚拟BBUPool可以有效提高频谱效率，降低小区间干扰，降低基站交互时延，实现小区间负载均衡。然而，C-RAN技术在应用过程中仍存在许多待解决的问题，如信号量化机制下最大化能效联合前程速率优化设计，多优化目标冲突场景中联合功率分配优化，有限前程容量下最大化吞吐量射频拉远头选择优化，增强型RRHs场景中联合子载波分配优化设计，增强型RRHs场景中传输时延建模与缓存分布优化设计等。基于此，本论文开展了“云接入网络联合资源分配与高效缓存方法研究”这一课题，具体研究内容和主要贡献如下：
1.针对C-RANOFDMA系统中用户端EE提升问题，在RRHs端设计两种信号量化机制下，提出了联合优化前程速率等变量的资源分配算法。在考虑前程容量与用户上行功率约束的基础上，单RRH上行传输场景中采用分数规划转化非凸问题，并引入拉格朗日对偶方法设计迭代算法；多RRHs上行传输场景中采用改进粒子群算法解决更复杂的非凸问题，避免单用户方案直接沿用带来的低效。通过有效的算法设计，在用户发射功率与前程容量约束下，使用户上行传输功率与射频拉远端头前程容量得到联合优化，用户端能量效率实现最大化。实验结果表明，所提算法可以有效提升云接入网络中用户端能量效率，进而降低系统功耗，符合未来绿色通信的要求。
2.在上行C-RAN系统中，针对前程效率，频谱效率，能量效率多个冲突目标的权衡问题，设计了用户功率等变量的联合优化算法。在C-RAN中，不同的需求导向不同的优化目标，而其中多数目标是相互耦合的，这就易导致一个目标性能的提升会导致其他目标性能的下降，因此，多目标优化(Multi-Objective Optimization，MOO)问题在C-RAN中仍然存在。在C-RANOFDMA上行多目标耦合场景中，采用高斯量化方案，分别建立了前程效率(Fronthaul Efficiency，FE),SE,EE的数学模型，并基于以上不同目标建立了FE-SE，EE-SE的MOO问题。通过加权和(Weighted Sum, WS)方法，原始复杂非凸MOO问题被转化为较为简单的单目标优化(Signal-Objective optimization，SOO)问题，并分别针对单用户场景与多用户场景设计对应的联合资源分配算法。仿真结果显示，比起仅考虑SOO，本文提出的算法可以有效的解决不同优化目标之间的权衡，并且为云接入网络的资源分配提供一个新的方向。
3.在前程容量受限的C-RAN下行传输系统中，针对系统吞吐量最大化问题，提出了优化射频拉远头选择的算法。在C-RAN中，前程链路容量，即每个RRH与BBUPool间的容量是受限的。处理前程链路的容量约束常用方法是在RRH端进行量化/压缩，而较少有文献考虑利用RRHs选择所带来的分集增益来提升性能。当活动RRHs的数目从零开始增长时，由于越来越多的RRHs被激活进行数据传输，系统总吞吐量不断增长；但由于前程容量的限制，当活动RRHs数目达到一定数目时，吞吐量停止增长，因此需要考虑如何选择活动RRHs的最优数目。首先，在不同信道条件下，推导了已给定RRHs数目时的吞吐量表达式；其次，设计了一个选择最优RRHs数目的算法最大化吞吐量，并分别在低SNRs与高SNRs的实际环境下推导了选择RRHs数目的闭合表达式；最后，仿真结果验证，设计的RRHs优化选择算法可以有效提高系统总吞吐量。
4.在带缓存的增强型RRHs场景中，针对RRHs端功耗最小化问题，设计了子载波等变量的联合优化算法。在C-RAN中，现有工作大多假定RRHs不具备缓存功能，然而下一代通信网络具有以内容为中心的特性，因此在C-RAN中考虑带缓存的RRHs也变得有必要。在C-RANOFDMA下行系统中，通过联合优化子载波(SubCarrier，SC)分配，RRH选择与下行传输功率，最小化系统下行总功耗，并通过拉格朗日对偶分解转化非凸问题，获得最优分配方案。仿真结果表明，所提出的最优资源分配方案可以有效地提升RRHs端能效，节省系统功耗。
5.在带缓存的增强型RRHs场景中，基于混合式自动重传请求(Hybrid Automatic Repeat reQuest, HARQ)建立了传输时延的数学模型，并针对传输时延的最小化问题，设计了优化缓存分布的算法。在前程链路与下行链路频谱信道正交前提下，系统考虑具体传输机制(HARQ)与数据包传输成功概率，利用马尔可夫链理论建立了最小化系统传输时延的优化问题。考虑只能通过递归方式得到优化目标函数表达式，头脑风暴优化(Brain Storm Optimization，BSO)算法被引入解决非凸问题，获得最优缓存方案。实验结果证明，比起其他缓存方案，本文提出的优化算法可以有效地减少系统传输时延，提升系统性能。
1.针对C-RANOFDMA系统中用户端EE提升问题，在RRHs端设计两种信号量化机制下，提出了联合优化前程速率等变量的资源分配算法。在考虑前程容量与用户上行功率约束的基础上，单RRH上行传输场景中采用分数规划转化非凸问题，并引入拉格朗日对偶方法设计迭代算法；多RRHs上行传输场景中采用改进粒子群算法解决更复杂的非凸问题，避免单用户方案直接沿用带来的低效。通过有效的算法设计，在用户发射功率与前程容量约束下，使用户上行传输功率与射频拉远端头前程容量得到联合优化，用户端能量效率实现最大化。实验结果表明，所提算法可以有效提升云接入网络中用户端能量效率，进而降低系统功耗，符合未来绿色通信的要求。
2.在上行C-RAN系统中，针对前程效率，频谱效率，能量效率多个冲突目标的权衡问题，设计了用户功率等变量的联合优化算法。在C-RAN中，不同的需求导向不同的优化目标，而其中多数目标是相互耦合的，这就易导致一个目标性能的提升会导致其他目标性能的下降，因此，多目标优化(Multi-Objective Optimization，MOO)问题在C-RAN中仍然存在。在C-RANOFDMA上行多目标耦合场景中，采用高斯量化方案，分别建立了前程效率(Fronthaul Efficiency，FE),SE,EE的数学模型，并基于以上不同目标建立了FE-SE，EE-SE的MOO问题。通过加权和(Weighted Sum, WS)方法，原始复杂非凸MOO问题被转化为较为简单的单目标优化(Signal-Objective optimization，SOO)问题，并分别针对单用户场景与多用户场景设计对应的联合资源分配算法。仿真结果显示，比起仅考虑SOO，本文提出的算法可以有效的解决不同优化目标之间的权衡，并且为云接入网络的资源分配提供一个新的方向。
3.在前程容量受限的C-RAN下行传输系统中，针对系统吞吐量最大化问题，提出了优化射频拉远头选择的算法。在C-RAN中，前程链路容量，即每个RRH与BBUPool间的容量是受限的。处理前程链路的容量约束常用方法是在RRH端进行量化/压缩，而较少有文献考虑利用RRHs选择所带来的分集增益来提升性能。当活动RRHs的数目从零开始增长时，由于越来越多的RRHs被激活进行数据传输，系统总吞吐量不断增长；但由于前程容量的限制，当活动RRHs数目达到一定数目时，吞吐量停止增长，因此需要考虑如何选择活动RRHs的最优数目。首先，在不同信道条件下，推导了已给定RRHs数目时的吞吐量表达式；其次，设计了一个选择最优RRHs数目的算法最大化吞吐量，并分别在低SNRs与高SNRs的实际环境下推导了选择RRHs数目的闭合表达式；最后，仿真结果验证，设计的RRHs优化选择算法可以有效提高系统总吞吐量。
4.在带缓存的增强型RRHs场景中，针对RRHs端功耗最小化问题，设计了子载波等变量的联合优化算法。在C-RAN中，现有工作大多假定RRHs不具备缓存功能，然而下一代通信网络具有以内容为中心的特性，因此在C-RAN中考虑带缓存的RRHs也变得有必要。在C-RANOFDMA下行系统中，通过联合优化子载波(SubCarrier，SC)分配，RRH选择与下行传输功率，最小化系统下行总功耗，并通过拉格朗日对偶分解转化非凸问题，获得最优分配方案。仿真结果表明，所提出的最优资源分配方案可以有效地提升RRHs端能效，节省系统功耗。
5.在带缓存的增强型RRHs场景中，基于混合式自动重传请求(Hybrid Automatic Repeat reQuest, HARQ)建立了传输时延的数学模型，并针对传输时延的最小化问题，设计了优化缓存分布的算法。在前程链路与下行链路频谱信道正交前提下，系统考虑具体传输机制(HARQ)与数据包传输成功概率，利用马尔可夫链理论建立了最小化系统传输时延的优化问题。考虑只能通过递归方式得到优化目标函数表达式，头脑风暴优化(Brain Storm Optimization，BSO)算法被引入解决非凸问题，获得最优缓存方案。实验结果证明，比起其他缓存方案，本文提出的优化算法可以有效地减少系统传输时延，提升系统性能。