本發(fā)明屬于移動通信中的無線資源管理技術領域，具體涉及無線通信系統(tǒng)中的一種基于二分查找和梯度下降法的超密集異構網絡用戶關聯(lián)優(yōu)化方法。

背景技術：

在宏站覆蓋范圍內密集部署低功率小站的超密集異構網絡是3GPP(Third Generation Partnership Project)提出的一種提升5G網絡頻譜利用率和網絡容量的有效方法。小站的大規(guī)模部署使得運營商采用無線傳輸技術傳輸核心網到小站的回程鏈路相比于傳統(tǒng)的宏站使用光纖傳輸回程鏈路，用戶連接到小站將經歷無線傳輸產生的回程鏈路傳輸時延。同時宏站更大的發(fā)射功率，使得用戶可能更多連接到宏站，導致宏站過載，用戶在宏站排隊等待服務，將要經歷更多的等待時延。只有設計合理的用戶關聯(lián)策略，使得連接到宏站和小站的用戶總數(shù)達到最優(yōu)的狀態(tài)，才能使整個網絡的時延達到最低?？紤]到常用的服務小區(qū)選擇準則——最大RSRP(Reference Signal Receiving Power，參考信號接收功率)準則，每個用戶選擇接收信號功率最強的小區(qū)作為服務小區(qū)，小區(qū)偏置值的調整導致用戶服務小區(qū)的相應變化，用戶連接到小站和宏站的概率相應變化，此時以最小化網絡時延為目的的偏置值調整問題是一個非確定性多項式困難(NP-hard)問題。

技術實現(xiàn)要素：

發(fā)明目的：為了克服現(xiàn)有技術中存在的不足，提供一種以最小化網絡時延為目標，在用戶連接宏站和小站概率隨著小區(qū)偏置值變化的情況下，結合二分查找和梯度下降方法，得出用戶連接宏站的最優(yōu)概率的超密集異構網絡用戶關聯(lián)優(yōu)化方法，該方法考慮用戶的流量模型滿足泊松到達過程，得出基站的負載率和基站服務的用戶數(shù)目成非線性遞增關系，在給定的服務用戶數(shù)目下，通過二分查找得出基站的負載率，通?；緹o線接入鏈路和回程鏈路滿足M/G/1模型，由基站端的瞬時速率及基站負載率，得出用戶在集站端總的時延，通過梯度下降法迭代求解出網絡時延函數(shù)的極小值點，該方法能夠有效的解決無線回程傳輸下最小化網絡時延難題。

技術方案：為實現(xiàn)上述目的，本發(fā)明提供一種結合二分查找和梯度下降法的超密集異構網絡用戶關聯(lián)優(yōu)化方法，包括以下具體步驟：

步驟1)：采集網絡信息：通過運營商測量出區(qū)域面積內用戶，基站和網關總數(shù)目，得到該區(qū)域內用戶的分布密度λ_u、小站分布密度λ_s、宏站分布密度λ_m、網關分布密度λ_g，用戶流量到達滿足泊過程，運營商統(tǒng)計一段時間內用戶流量使用情況得出用戶流量到達率λ以及每個包的平均比特大小v，通過運營商得到部署在該區(qū)域內小站無線的回程鏈路帶寬W_b、宏站采用的無線接入帶寬W_m、小站采用的無線接入帶寬W_s、宏站傳輸功率P_m、小站傳輸功率P_s、網關傳輸功率P_g，通過傳統(tǒng)信道估計方法得出無線信道中路損系數(shù)α、此外信干比門限β、迭代搜索步長ξ，迭代搜索精確度δ的取值由運營商根據(jù)網絡運行情況自行確定，初始化用戶連接到宏站的初始概率P⁰＝0.5，初始化已完成迭代次數(shù)n＝0。

步驟2)：計算在當前連接概率下，用戶在宏站和小站的時延，以及整個網絡平均時延：

將用戶分成兩部分：第一部分為連接宏站的用戶，第二部分為連接小站的用戶，對于連接宏站的用戶，每個包的平均服務時間E(T_m)計算公式為

$E\left(T_m\right)={\∫}_0^{\frac{v}{W_m\log (1+\mathrm{\β})}}(1-\frac{1+E\[{\mathrm{\ρ}}_m\]Z\left(\mathrm{\β}\right)}{1+E\[{\mathrm{\ρ}}_m\]Z(e^{v/{\mathrm{tW}}_m}-1)})dt$

考慮每個宏站為M/G/1型隊列，宏站的負載率E[ρ_m]計算公式為

E[ρ_m]＝E[λ_totE(T_m)]＝E[λ_tot]E(T_m)

宏站總的流量到達率E[λ_tot]為：

$E\[{\mathrm{\λ}}_{tot}\]=\frac{\mathrm{\λ}(1-p)\mathrm{\λ}u}{{\mathrm{\λ}}_m}{P}_m\[SINR\>\mathrm{\η}\]$

通過對上述三個公式進行迭代可以得出宏站負載率E(T_m)和用戶連接到宏站概率P之間的滿足非線性單調遞增關系：

$\frac{{\mathrm{\λ}}_m}{\mathrm{\λ}(1-p){\mathrm{\λ}}_u}=\frac{1}{1+E\[{\mathrm{\ρ}}_m\]Z\left(\mathrm{\β}\right)}{\∫}_0^{\frac{v}{W_m\log (1+\mathrm{\β})}}\frac{Z(e^{v/{\mathrm{tW}}_m}-1)-Z\left(\mathrm{\β}\right)}{1+E\[{\mathrm{\ρ}}_m\]Z(e^{v/{\mathrm{tW}}_m}-1)}dt$

其中

$Z\left(y\right)=y^{2/\mathrm{\α}}{\∫}_{y^{-2/\mathrm{\α}}}^{\mathrm{\∞}}\frac{1}{1+u^{\mathrm{\α}/2}}du$

根據(jù)當前的連接概率P，利用二分查找法可以得出宏站當前負載率E[ρ_m]，每個包的總時延D_m為：

$D_m=\frac{E\left(T_m\right)}{1-E\[{\mathrm{\ρ}}_m\]}$

對于接入小站的用戶，每個包的時延分為無線接入和無線回程兩部分之和，對于無線接入部分與宏站部分分析類似，每個包的的平均服務時間E(T_s)為：

$E\left(T_s\right)={\∫}_0^{\frac{v}{W_s\log (1+\mathrm{\β})}}(1-\frac{1+E\[{\mathrm{\ρ}}_s\]Z\left(\mathrm{\β}\right)}{1+E\[{\mathrm{\ρ}}_s\]Z(e^{v/{\mathrm{tW}}_s}-1)})dt$

小站負載率E[ρ_s]和用戶連接到宏站概率P滿足下列關系：

$\frac{{\mathrm{\λ}}_s}{{\mathrm{\λp\λ}}_u}=\frac{1}{1+E\[{\mathrm{\ρ}}_s\]Z\left(\mathrm{\β}\right)}{\∫}_0^{\frac{v}{W_s\log (1+\mathrm{\β})}}\frac{Z(e^{v/W_{s}t}-1)-Z\left(\mathrm{\β}\right)}{1+E\[{\mathrm{\ρ}}_s\]Z(e^{v/W_{s}t}-1)}dt$

根據(jù)當前的連接概率P，利用二分查找法可以得出小站當前負載率E[ρ_s]，每個包的總時延為D_s：

$D_s=\frac{E\left(T_s\right)}{1-E\[{\mathrm{\ρ}}_s\]}$

對于小站用戶無限回程鏈路滿足M/G/1模型，每個包在小站回程鏈路部分服務時間T_b計算公式為：

$T_b={\∫}_0^{\frac{v}{W_b\log (1+\mathrm{\β})}}(1-\frac{1+Z\left(\mathrm{\β}\right)}{1+Z(e^{v/{\mathrm{tW}}_b}-1)})dt$

小站回程鏈路的負載率μ_b計算公式為：

${\mathrm{\μ}}_b=\frac{{\mathrm{\λT}}_b{\mathrm{p\λ}}_u}{(1+Z(\mathrm{\η}\left)\right){\mathrm{\λ}}_s}$

小站回程鏈路總時延D_b計算公式為：

$D_b=\frac{{\mathrm{\λ}}_s}{{\mathrm{\λ}}_g}\frac{T_b}{1-{\mathrm{\μ}}_b}$

小站用戶經歷的總時延D_sb計算公式為：

D_sb＝D_s+D_b

整個網絡用戶的平均時延D的計算公式為：

D＝pD_sb+(1-p)D_m

＝p(D_s+D_b)+(1-p)D_m

步驟3)：求解網絡時延D對連接概率P的梯度函數(shù)：

最小化網絡時延問題可表示為：

min D＝p(D_s+D_b)+(1-p)D_m

p

s.t.

0<p<1

0＜E[ρ_m]＜1

0＜E[ρ_s]＜1

由于用戶連接概率和基站負載率呈現(xiàn)很復雜的非線性關系，得出一個網絡時延D關于用戶連接概率P的閉合表達式，利用梯度下降法求解局部最優(yōu)問題，首先求解網絡時延D對連接概率P的梯度函數(shù)：

$\frac{\&part;D\left(p\right)}{\&part;p}=\frac{{\mathrm{\&lambda;}}_m}{{\mathrm{\&lambda;\&lambda;}}_u}\frac{\&part;f1\left(p\right)}{\&part;p}+\frac{{\mathrm{\&lambda;}}_s}{{\mathrm{\&lambda;\&lambda;}}_u}\frac{\&part;f2\left(p\right)}{\&part;p}+\frac{{\mathrm{\&lambda;}}_{s}Tb}{{\mathrm{\&lambda;}}_g}\frac{\&part;f3\left(p\right)}{\&part;p}$

其中

$\frac{\&part;f1\left(p\right)}{\&part;p}=\frac{(1+2{\mathrm{\&rho;}}_m(p\left)z\right(\mathrm{\&beta;})+{\mathrm{\&rho;}}_m(p)+{\mathrm{\&rho;}}_m{\left(p\right)}^{2}z(\mathrm{\&beta;}\left)\right)\frac{\&part;{\mathrm{\&rho;}}_m\left(p\right)}{\&part;p}}{{(1-{\mathrm{\&rho;}}_m(p\left)\right)}^2}$

$\frac{\&part;f2\left(p\right)}{\&part;p}=\frac{(1+2{\mathrm{\&rho;}}_s(p\left)z\right(\mathrm{\&beta;})+{\mathrm{\&rho;}}_s(p)+{\mathrm{\&rho;}}_s{\left(p\right)}^{2}z(\mathrm{\&beta;}\left)\right)\frac{\&part;{\mathrm{\&rho;}}_s\left(p\right)}{\&part;p}}{{(1-{\mathrm{\&rho;}}_s(p\left)\right)}^2}$

$\frac{\&part;f3\left(p\right)}{\&part;p}=\frac{\left({\mathrm{\&lambda;}}_s\right(1+z\left(\mathrm{\&beta;}\right))-{\mathrm{\&lambda;\&lambda;}}_{u}Tbp){\mathrm{\&lambda;}}_s(1+z(\mathrm{\&beta;}\left)\right)+{\mathrm{p\&lambda;}}_s(1+z(\mathrm{\&beta;}\left)\right){\mathrm{\&lambda;\&lambda;}}_{u}Tb}{{\left({\mathrm{\&lambda;}}_s\right(1+z\left(\mathrm{\&beta;}\right))-{\mathrm{\&lambda;\&lambda;}}_{u}Tbp)}^2}$

其中ρ_m(p)和ρ_s(p)分別表示當用戶連接宏站概率為p時，宏站和小站對應的負載率E[ρ_m]和E[ρ_s]。

步驟4)：根據(jù)當前第n次迭代得到的用戶連接概率pⁿ，利用步驟3)得出的梯度函數(shù)公式，求出

步驟5)：更新連接概率：

第n+1次迭代時，用戶連接至大站的概率更新為：

$p^{n+1}=p^n-\mathrm{\&delta;}\frac{\&part;D\left(p^n\right)}{\&part;p^n}$

步驟6)：判斷當前連接概率下，整個網絡時延是否到達最小值點：

當(pⁿ⁺¹-pⁿ)＜δ時，表明到達了最優(yōu)點，執(zhí)行步驟8)退出迭代過程；

否則，執(zhí)行步驟7)。

步驟7)：更新當前迭代次數(shù)n＝n+1，執(zhí)行步驟4)。

步驟8)：退出迭代過程。

有益效果：本發(fā)明與現(xiàn)有技術相比，考慮小站采用無線回程技術帶來的回程鏈路時延，以及利用排隊論理論得出用戶在基站和回程鏈路的服務時間和總等待時間，通過優(yōu)化用戶連接至宏站和小站的概率，使得連接到宏站和小站的用戶達到最優(yōu)的狀態(tài)，整個網絡的包傳輸平均時延達到最低，提出的基于二分查找和梯度下降法通過不斷迭代求解當前用戶連接概率下，宏站和小站的負載率，整個網絡的時延以及時延對于連接概率的梯度函數(shù)，并且判斷當前概率是否達到極小值。本發(fā)明相比于傳統(tǒng)的基于最大RSRP和最短距離連接策略，這種方法可以收斂得到用戶最佳連接概率，在有限次的迭代后，可以求解到一個使得整個網絡平均時延最低的用戶連接概率，從而能夠有效的解決無線回程傳輸下最小化網絡時延難題。

附圖說明

圖1為本發(fā)明的流程示意圖。

具體實施方式

下面結合附圖和具體實施例，進一步闡明本發(fā)明，應理解這些實施例僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍，在閱讀了本發(fā)明之后，本領域技術人員對本發(fā)明的各種等價形式的修改均落于本申請所附權利要求所限定的范圍。

如圖1所示，本發(fā)明提供一種結合二分查找和梯度下降法的超密集異構網絡用戶關聯(lián)優(yōu)化方法，包括以下具體步驟：

步驟1)：采集網絡信息：通過運營商測量出區(qū)域面積內用戶，基站和網關總數(shù)目，得到該區(qū)域內用戶的分布密度λ_u、小站分布密度λ_s、宏站分布密度λ_m、網關分布密度λ_g，用戶流量到達滿足泊過程，運營商統(tǒng)計一段時間內用戶流量使用情況得出用戶流量到達率λ以及每個包的平均比特大小v，通過運營商得到部署在該區(qū)域內小站無線的回程鏈路帶寬W_b、宏站采用的無線接入帶寬W_m、小站采用的無線接入帶寬W_s、宏站傳輸功率P_m、小站傳輸功率P_s、網關傳輸功率P_g，通過傳統(tǒng)信道估計方法得出無線信道中路損系數(shù)α、此外信干比門限β、迭代搜索步長ξ，迭代搜索精確度δ的取值由運營商根據(jù)網絡運行情況自行確定，初始化用戶連接到宏站的初始概率P⁰＝0.5，初始化已完成迭代次數(shù)n＝0。

步驟2)：計算在當前連接概率下，用戶在宏站和小站的時延，以及整個網絡平均時延：

將用戶分成兩部分：第一部分為連接宏站的用戶，第二部分為連接小站的用戶，對于連接宏站的用戶，每個包的平均服務時間E(T_m)計算公式為

$E\left(T_m\right)={\&Integral;}_0^{\frac{v}{W_m\log (1+\mathrm{\&beta;})}}(1-\frac{1+E\&lsqb;{\mathrm{\&rho;}}_m\&rsqb;Z\left(\mathrm{\&beta;}\right)}{1+E\&lsqb;{\mathrm{\&rho;}}_m\&rsqb;Z(e^{v/{\mathrm{tW}}_m}-1)})dt$

考慮每個宏站為M/G/1型隊列，宏站的負載率E[ρ_m]計算公式為

E[ρ_m]＝E[λ_totE(T_m)]＝E[λ_tot]E(T_m)

宏站總的流量到達率E[λ_tot]為：

$E\&lsqb;{\mathrm{\&lambda;}}_{tot}\&rsqb;=\frac{\mathrm{\&lambda;}(1-p)\mathrm{\&lambda;}u}{{\mathrm{\&lambda;}}_m}{P}_m\&lsqb;SINR\&gt;\mathrm{\&eta;}\&rsqb;$

通過對上述三個公式進行迭代可以得出宏站負載率E(T_m)和用戶連接到宏站概率P之間的滿足非線性單調遞增關系：

$\frac{{\mathrm{\&lambda;}}_m}{\mathrm{\&lambda;}(1-p){\mathrm{\&lambda;}}_u}=\frac{1}{1+E\&lsqb;{\mathrm{\&rho;}}_m\&rsqb;Z\left(\mathrm{\&beta;}\right)}{\&Integral;}_0^{\frac{v}{W_m\log (1+\mathrm{\&beta;})}}\frac{Z(e^{v/{\mathrm{tW}}_m}-1)-Z\left(\mathrm{\&beta;}\right)}{1+E\&lsqb;{\mathrm{\&rho;}}_m\&rsqb;Z(e^{v/{\mathrm{tW}}_m}-1)}dt$

其中

$Z\left(y\right)=y^{2/\mathrm{\&alpha;}}{\&Integral;}_{y^{-2/\mathrm{\&alpha;}}}^{\mathrm{\&infin;}}\frac{1}{1+u^{\mathrm{\&alpha;}/2}}du$

根據(jù)當前的連接概率P，利用二分查找法可以得出宏站當前負載率E[ρ_m]，每個包的總時延D_m為：

$D_m=\frac{E\left(T_m\right)}{1-E\&lsqb;{\mathrm{\&rho;}}_m\&rsqb;}$

對于接入小站的用戶，每個包的時延分為無線接入和無線回程兩部分之和，對于無線接入部分與宏站部分分析類似，每個包的的平均服務時間E(T_s)為：

$E\left(T_s\right)={\&Integral;}_0^{\frac{v}{W_s\log (1+\mathrm{\&beta;})}}(1-\frac{1+E\&lsqb;{\mathrm{\&rho;}}_s\&rsqb;Z\left(\mathrm{\&beta;}\right)}{1+E\&lsqb;{\mathrm{\&rho;}}_s\&rsqb;Z(e^{v/{\mathrm{tW}}_s}-1)})dt$

小站負載率E[ρ_s]和用戶連接到宏站概率P滿足下列關系：

$\frac{{\mathrm{\&lambda;}}_s}{{\mathrm{\&lambda;p\&lambda;}}_u}=\frac{1}{1+E\&lsqb;{\mathrm{\&rho;}}_s\&rsqb;Z\left(\mathrm{\&beta;}\right)}{\&Integral;}_0^{\frac{v}{W_s\log (1+\mathrm{\&beta;})}}\frac{Z(e^{v/W_{s}t}-1)-Z\left(\mathrm{\&beta;}\right)}{1+E\&lsqb;{\mathrm{\&rho;}}_s\&rsqb;Z(e^{v/W_{s}t}-1)}dt$

根據(jù)當前的連接概率P，利用二分查找法可以得出小站當前負載率E[ρ_s]，每個包的總時延為D_s：

$D_s=\frac{E\left(T_s\right)}{1-E\&lsqb;{\mathrm{\&rho;}}_s\&rsqb;}$

對于小站用戶無限回程鏈路滿足M/G/1模型，每個包在小站回程鏈路部分服務時間T_b計算公式為：

$T_b={\&Integral;}_0^{\frac{v}{W_b\log (1+\mathrm{\&beta;})}}(1-\frac{1+Z\left(\mathrm{\&beta;}\right)}{1+Z(e^{v/{\mathrm{tW}}_b}-1)})dt$

小站回程鏈路的負載率μ_b計算公式為：

${\mathrm{\&mu;}}_b=\frac{{\mathrm{\&lambda;T}}_b{\mathrm{p\&lambda;}}_u}{(1+Z(\mathrm{\&eta;}\left)\right){\mathrm{\&lambda;}}_s}$

小站回程鏈路總時延D_b計算公式為：

$D_b=\frac{{\mathrm{\&lambda;}}_s}{{\mathrm{\&lambda;}}_g}\frac{T_b}{1-{\mathrm{\&mu;}}_b}$

小站用戶經歷的總時延D_sb計算公式為：

D_sb＝D_s+D_b

整個網絡用戶的平均時延D的計算公式為：

D＝pD_sb+(1-p)D_m

＝p(D_s+D_b)+(1-p)D_m

步驟3)：求解網絡時延D對連接概率P的梯度函數(shù)：

最小化網絡時延問題可表示為：

min D＝p(D_s+D_b)+(1-p)D_m

p

s.t.

0<p<1

0＜E[ρ_m]＜1

0＜E[ρ_s]＜1

由于用戶連接概率和基站負載率呈現(xiàn)很復雜的非線性關系，得出一個網絡時延D關于用戶連接概率P的閉合表達式，利用梯度下降法求解局部最優(yōu)問題，首先求解網絡時延D對連接概率P的梯度函數(shù)：

$\frac{\&part;D\left(p\right)}{\&part;p}=\frac{{\mathrm{\&lambda;}}_m}{{\mathrm{\&lambda;\&lambda;}}_u}\frac{\&part;f1\left(p\right)}{\&part;p}+\frac{{\mathrm{\&lambda;}}_s}{{\mathrm{\&lambda;\&lambda;}}_u}\frac{\&part;f2\left(p\right)}{\&part;p}+\frac{{\mathrm{\&lambda;}}_{s}Tb}{{\mathrm{\&lambda;}}_g}\frac{\&part;f3\left(p\right)}{\&part;p}$

其中

$\frac{\&part;f1\left(p\right)}{\&part;p}=\frac{(1+2{\mathrm{\&rho;}}_m(p\left)z\right(\mathrm{\&beta;})+{\mathrm{\&rho;}}_m(p)+{\mathrm{\&rho;}}_m{\left(p\right)}^{2}z(\mathrm{\&beta;}\left)\right)\frac{\&part;{\mathrm{\&rho;}}_m\left(p\right)}{\&part;p}}{{(1-{\mathrm{\&rho;}}_m(p\left)\right)}^2}$

$\frac{\&part;f2\left(p\right)}{\&part;p}=\frac{(1+2{\mathrm{\&rho;}}_s(p\left)z\right(\mathrm{\&beta;})+{\mathrm{\&rho;}}_s(p)+{\mathrm{\&rho;}}_s{\left(p\right)}^{2}z(\mathrm{\&beta;}\left)\right)\frac{\&part;{\mathrm{\&rho;}}_s\left(p\right)}{\&part;p}}{{(1-{\mathrm{\&rho;}}_s(p\left)\right)}^2}$

$\frac{\&part;f3\left(p\right)}{\&part;p}=\frac{\left({\mathrm{\&lambda;}}_s\right(1+z\left(\mathrm{\&beta;}\right))-{\mathrm{\&lambda;\&lambda;}}_{u}Tbp){\mathrm{\&lambda;}}_s(1+z(\mathrm{\&beta;}\left)\right)+{\mathrm{p\&lambda;}}_s(1+z(\mathrm{\&beta;}\left)\right){\mathrm{\&lambda;\&lambda;}}_{u}Tb}{{\left({\mathrm{\&lambda;}}_s\right(1+z\left(\mathrm{\&beta;}\right))-{\mathrm{\&lambda;\&lambda;}}_{u}Tbp)}^2}$

其中ρ_m(p)和ρ_s(p)分別表示當用戶連接宏站概率為p時，宏站和小站對應的負載率E[ρ_m]和E[ρ_s]。

步驟4)：根據(jù)當前第n次迭代得到的用戶連接概率pⁿ，利用步驟3)得出的梯度函數(shù)公式，求出

步驟5)：更新連接概率：

第n+1次迭代時，用戶連接至大站的概率更新為：

$p^{n+1}=p^n-\mathrm{\&delta;}\frac{\&part;D\left(p^n\right)}{\&part;p^n}$

步驟6)：判斷當前連接概率下，整個網絡時延是否到達最小值點：

當(pⁿ⁺¹-pⁿ)＜δ時，表明到達了最優(yōu)點，執(zhí)行步驟8)退出迭代過程；

否則，執(zhí)行步驟7)。

步驟7)：更新當前迭代次數(shù)n＝n+1，執(zhí)行步驟4)。

步驟8)：退出迭代過程。

本發(fā)明考慮超密集網絡場景下，小站采用無線回程技術傳輸愈發(fā)普遍，然而無線回程鏈路產生的時延成為分析網絡時延不可忽視的因素。同時，基站的負載率直接影響用戶在基站服務的排隊等待時延，基站的負載率越高，用戶的等待時延越長，因此只有求得最優(yōu)的用戶連接概率，使得用戶連接至宏站和小站的數(shù)目達到平衡，整個網絡的時延才能達到最小。本發(fā)明提出的基于二分查找和梯度下降法通過不斷迭代求解當前用戶連接概率下，宏站和小站的負載率，整個網絡的時延以及時延對于連接概率的梯度函數(shù)，來判斷當前用戶連接概率是否達到最優(yōu)值。