密集網絡中基于虛擬小區的干擾管理方法
【技術領域】
[0001] 本發明涉及高密集異構自組織網絡領域技術，尤其涉及一種密集網絡基于虛擬小 區的干擾管理方法。
【背景技術】
[0002] 對于高密集蜂窩網絡而言，小區邊緣用戶的吞吐量一直是無法回避的問題，邊緣 用戶的吞吐量的降低將嚴重影響整個小區的吞吐量水平。并且由于網絡和頻譜資源的稀 缺，共信道部署的解決方案又會使得系統內的同層干擾和跨層干擾十分嚴重。針對以上問 題，在高密集分層異構網絡中采用構建虛擬小區的組網方案可以提供更大容量的傳輸能 力，并且由于依靠空閑頻段和小區間的干擾協調技術，使得系統的性能得到優化頻譜效率 得到提高，特別是小區的邊緣用戶性能得到改善。
[0003] 隨著無線網絡的不斷更新換代，特別是在加入了高密集異構小蜂窩的5G網絡中， 整個網絡中的數據量空前的巨大，而大數據問題是目前學術界和產業界共同關注的挑戰性 問題。伴隨著大數據的采集、傳輸、處理和應用的相關技術就是大數據處理技術，也就是能 夠獲得分析和預測結果的一系列數據處理技術。
[0004]由于大數據存在復雜、高維、多變等特性，如何從真實、凌亂、無模式和復雜的大數 據中挖掘出我們需要的信息成了一個難題。特別是在網絡自組織、自優化的需求下，利用大 數據機器學習得到的統計預測結果會對系統的性能有比較明顯的加強。本章采用改進的 AdaBoost方法對用戶以及femtocell資源使用情況進行預測。下面介紹AdaBoost方法的 一些基本概念。
[0005]AdaBoost是最具代表性的Boosting方法，由Freund和Schapire于1995年提出， 現有的各種Boosting方法都是在AdaBoost方法的基礎之上發展而來的。其突出優點是不 需要任何關于弱學習器的先驗知識，樣本分布的改變取決于樣本是否被正確分類。方法的 基本思路是賦予分類正確的樣本以較低的權值，同時調高分類錯誤樣本的權值，作為后續 學習器的輸入，最終得到的結果是弱分類器的加權組合。AdaBoost是一種有很高精度的分 類器，能夠有效避免過擬合。
[0006] 虛擬小區或者可以被稱為"宏蜂窩輔助"的微基站，是在分布式天線陣中移動臺自 組小區，它與傳統蜂窩小區不同之處在于，虛擬小區沒有被配置例如主/輔同步信號（PSS/ SSS)ID、小區特定參考信號（CRS)以及控制信息模塊（MIB)/系統信息模塊（SIB)等專用的 信號和信道。宏小區和虛擬小區是主從關系，由宏基站（MeNB)信令控制UE和虛擬小區之間 的無線資源控制（RRC)連接程序，虛擬小區基站（PhNB)僅為用戶業務提供數據傳輸通路。
[0007] 虛擬小區的概念為未來高密集異構網絡帶來了一般性的設計理念和思路，它的實 現包含了多種相關技術，與本文密切相關的有負載均衡、干擾管理和小區間干擾協調，除此 之外還有頻帶擴展、高密度網絡的基帶處理、小小區的發現、小區規劃、移動性支持以及進 一步的低成本設計等等的內容。由于在高密集異構蜂窩網絡下異構小蜂窩的部署密度較 高，在傳統的頻率復用技術下，宏用戶和宏用戶之間、宏用戶與異構蜂窩用戶之間以及不同 異構蜂窩用戶之間的干擾都將變得更加的嚴重。為此，我們提出虛擬小區的概念，旨在解決 這些高密度異構蜂窩用戶的嚴重干擾問題并且提高頻譜使用率。
【發明內容】
[0008] 針對現有技術的不足，提出了一種同層干擾更加有效的被抑制，同時本方法能夠 獲得更好的公平性，能夠為用戶提供更好的服務質量的密集網絡中基于虛擬小區的干擾管 理方法。本發明的技術方案如下：一種密集網絡中基于虛擬小區的干擾管理方法，其包括以 下步驟：
[0009] 101、建立用戶分布庫，所述用戶分布庫包括成功構建了虛擬小區的用戶的集合， 即用于機器學習中的預測訓練集合，所述用戶的集合包括用戶位置信息、用戶被分配到的 資源情況，用集合?A&/表示第i個小區內的第j個用戶的所有情況，若i= 〇則表示為宏小 區，貝1j 代表某時刻的用戶分布情況；
[0010] 102、采用基于Adaboost的分布預測方法對步驟101中建立的用戶分布庫進 行分布預測，若預測成功，得到結果為/和，其中表示資源使用情況。則 按照庫中給出的頻率資源和功率進行分配，否則跳轉至步驟103,建立虛擬小區；
[0011] 103、根據系統的用戶分布構建虛擬小區的步驟；
[0012] 104、對步驟103建立的虛擬小區進行資源分配的步驟，依次進行基于優先級的 PRB分配步驟、基于最小干擾的功率分配步驟和虛擬小區功率補分配步驟，得到用戶分布和 資源使用方式，并將用戶分布和資源使用方式存入步驟101建立的用戶分布庫中完成虛擬 小區的分配。
[0013] 進一步的，步驟103根據系統的用戶分布構建虛擬小區的步驟具體包括；
[0014]A1、設定虛擬小區初始半徑R以及最大無干擾用戶數量N，即系統最大PRB數；搜 尋整個系統中在以R為半徑的圓的范圍內宏用戶和所有區域內異構小蜂窩用戶總數大于N 的地區；
[0015]A2、計算相鄰虛擬小區的中心間距，設定兩個相鄰虛擬小區的中心間距不小于 力死，將符合要求的虛擬小區進行編號，表示為：VC；，輸出成功構建的虛擬小區。
[0016] 進一步的，步驟104中所述的基于優先級的PRB分配步驟具體為：
[0017] 首先定義虛擬小區中間距丸,表示虛擬小區內的第i和第j兩個用戶之間的距離。 同時，通過感知技術統計在虛擬小區內使用相同PRB的用戶的數量并用變量Si表示虛擬小 區中第i個用戶的情況。于是有：山=￡du表示第i個用戶和虛擬小區中其他使用相同 PRB資源的所有用戶的距離之和。
[0018]B1、賦值i= {1，2,…，NJ計算SjPcU，判斷用戶是否和其他已分配PRB的用戶處 于相同家庭基站，如果處在相同基站，則為該用戶分配不重復PRB;如果不處在同一家庭基 站則進入步驟B2;
[0019]B2、判斷Si的值是否大于其他未分配的用戶，則優先為這個用戶分配不重復PRB; 如果其值不大于其他未分配的用戶，則進入B3 ;
[0020] B3、判斷山，如果其值小于其他未分配的用戶，則優先為這個用戶分配不重復的 PRB;如果其值不小于其他未分配的用戶，則判斷當前是否還有剩余的不重復PRB資源，如 果有，那么為這個用戶分配不重復的PRB;輸出用戶占用PRB信息An，k。
[0021] 進一步的，步驟104中所述的基于最小干擾的功率分配步驟具體為：
[0022] C1、建立P1優化模型的方法；
[0028] 式中，C_表示每個用戶的容量，P_表示功率最大值，Qnik為虛擬小區中第k個用 戶在占用第n個PRB時的干擾因子，它僅是通過位置信息和An，k來確定的；N為虛擬小區可 以使用的PRB數量；Nk為虛擬小區中的用戶數量；Cnik為第k個用戶的容量；Pnik為第k個 用戶的功率；
[0029]C2、優化求解后得到關于功率分配的最優解：
[0030]
[0031]其中[x] + =max(0,x) 〇
[0032] 進一步的，步驟104中所述的虛擬小區功率補分配步驟包括以下步驟：
[0033]E1、對經過基于最小干擾的功率分配步驟后剩余的功率余量可以表示為：
[0034]
[0035]E2、對步驟E1的功率余量建立以下優化模型：
[0040]其中I表示虛擬小區內的第i個用戶同虛擬小區的路損和其受到的干擾的總和 因子，求解得到功率分配。
[0041] 本發明的優點及有益效果如下：
[0042] 通過本方法的處理，能夠有效的解決大規模部署小蜂窩帶來的資源使用不充分的 問題，同時也能夠盡量地規避干擾。
【附圖說明】
[0043] 圖1是本方法總體簡要流程圖；
[0044] 圖2是虛擬小區資源分配方法流程圖；
[0045] 圖3是本方法總體詳細流程圖。
【具體實施方式】
[0046] 以下結合附圖，對本發明作進一步說明：
[0047] 本發明提供了一種密集網絡基于虛擬小區的干擾管理方法
[0048] 參見圖1，圖1為本方法的總體流程圖，從圖中可以看出本方法可以分為4個大步 驟，即：
[0049] 步驟A，建立用戶分布庫。
[0050] 步驟B，基于Adaboost的分布預測方法。
[0051] 步驟C，構建虛擬小區的方法。
[0052] 步驟D，虛擬小區資源分配方法。
[0053] 下面詳細介紹每個步驟的具體過程。
[0054] 步驟A--建立用戶分布庫。
[0055] 在給出數學模型之前，我們先假定家庭基站和宏基站共享信道資源，家庭用戶和 宏用戶隨機地分布在整個小區范圍內。在不通過小區間的協作的前提下整個系統的干擾非 常嚴重，信道環境很差，為此我們利用構建虛擬小區的方式來應對這個問題。首先，我們建 立一個基于大數據的庫，這個庫包含了所有的成功構建虛擬小區的用戶的集合，也就是運 用到機器學習中的預測訓練集合。這些集合中存儲著某些時段的用戶分布情況，包括用戶 位置信息、用戶被分配到的資源情況等。用集合表示第i個小區內的第j個用戶的所 有情況，若i= 〇則表示為宏小區。則代表某時刻的用戶分布情況。
[0056] 步驟B--基于Adaboost的分布預測方法
[0057] 首先介紹Adaboost方法流程：
[0058] 對于一組長度為m的預測訓練集合C，（Xl，yi)G C表示預測訓練集合中的元素。 Q為X;被分類的集合，即yQ= {-1，1}，當y 1時即代表x;確實出現在下一時段的 分布中，反之yi= -1代表x;未出現在下一時段的分布中。
[0059]Input:長度為m的樣本并且帶有Q={-1，1}標簽的預測訓練集合C。
[0060]Output:預測結果。
[0061]Step1:初始化預測訓練數據的權值分布：
[0062]
[0063]Step2:對t=1，…，T:
[0064] (2.a)使用具有權值分布的訓練數據集進行學習，得到：
[0065]
[0066] (2.b)計算gt(x)在預測訓練數據集上的誤差率St:
[0067]
[0068] 如果計算得St>l/2,則退出方法。
[0069] (2.c)計算gt(x)的系數：
[0070]
[0071] (2.d)更新預測訓練數據集的權值分布：
[0072]
[0073] 其中，Zt是規范化因子，它使D t+1成為一個概率分布：
[0074]
[0075]Step3:輸出最終數據預測結果：
[0076]