大规模MTC场景中基于负载感知的动态接入与退避方法及系统

技术特征：
1.一种大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，包括以下步骤：s1、建立大规模mtc场景中基于负载感知的动态退避的系统模型；s2、基于所述系统模型最大化各个rao期望吞吐量所需的接入设备数，即理想负载；s3、基于设备激活模型预测当前rao与未来t
m
个rao的接入负载，得到当前rao负载预测值和未来rao的负载预测值；s4、基于当前rao的负载预测值产生acb因子，并在随机接入完成后估计新产生退避设备数；s5、基于rao的新激活负载与退避负载，调节退避窗口与退避概率向量，最小化退避窗口内各个rao的退避设备数与理想退避设备数之间的均方差，构建优化问题如下：口内各个rao的退避设备数与理想退避设备数之间的均方差，构建优化问题如下：口内各个rao的退避设备数与理想退避设备数之间的均方差，构建优化问题如下：口内各个rao的退避设备数与理想退避设备数之间的均方差，构建优化问题如下：约束条件(1)表示退避窗口的可能范围，t
m
为退避窗口的长度上界，t
m
为人工给定，受基站的负载预测能力与设备的最大可允许接入时延影响，约束条件(2)(3)保障形成一个概率空间；s6、采用分层优化的方法求解所述优化问题；得到最优退避概率向量与最优退避窗口大小实现有效控制退避窗口内各个rao的退避设备数。2.根据权利要求1所述的大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，s1中，考虑一个具有n个mtcd的mmtc小区，设n个设备在t秒内依贝塔分布激活，设备在时间τ处激活的概率密度函数为：式中，b(α，β)表示形状参数为α和β的贝塔函数，在每个随机接入机会开始时，激活设备首先需进行acb检验，通过acb检验的设备向基站发起随机接入请求，否则设备进入退避过程。3.根据权利要求2所述的大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，对于第t个rao的激活设备，基站向设备广播acb因子以限制激活设备向基站发起随机接入请求的概率，激活设备将产生一个0到1之间的随机数p与acb因子比较，p不大于则对应的激活设备通过acb检验，否则设备接入退避过程。4.根据权利要求1所述的大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，s2中，假设设备未成功完成随机接入过程的原因仅为前导码碰撞，任意rao的接入
负载为m，可用前导码数为r，在该rao中，计算某一设备成功接入概率p
s|m
为：记s为成功接入的设备数，则在接入负载为m的情况下，rao中成功接入设备数的期望值e(s|m)为：m为可动态变换的整数，则当m＝r或者m＝r-1时，rao吞吐量期望着e(s|m)最大，即理想负载l
ideal
＝r或者l
ideal
＝r-1，进一步设置l
ideal
＝r。5.根据权利要求1所述的大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，s3中，当前rao t开始前，进行未来t
m
个rao的激活设备数进行预测；每个rao内激活设备分为新激活设备与退避设备两类，其中，新激活的设备数由激活模型决定，退避设备数由过去rao产生的退避设备以及退避概率向量决定，基站基于设备激活模型、过去rao产生的退避设备数以及退避概率向量预测当前以及未来t
m
个rao的新激活负载退避负载具体包括以下步骤：设当前rao为第t个rao，则基站对于第t i个rao的新激活负载预测值为式中，t
rao
表示两个相邻rao的间隔时间，p(τ)表示设备在时刻τ的激活概率密度，n表示小区内设备总数，<
·
>表示取整操作；基于第(t-1)个rao内基站生成的退避负载预测值、退避概率向量以及第(t-1)个rao新产生的退避设备数估计值和基站在第t个rao对第(t i)个rao内退避负载预测值通过上一rao对第(t i)个rao的退避负载预测值加上新转入的退避设备数期望值进行迭代更新，基于第(t i)个rao的新激活负载预测值与退避负载预测值得到该rao的接入负载预测值l
t
(i)如下：6.根据权利要求1所述的大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，s4中，基站完成负载预测后，基于当前rao接入负载预测值l
t
(0)，动态调节acb因子
并基于当前rao内前导码碰撞情况估计当前rao产生的退避设备数；acb因子控制当前rao的激活设备发起接入的概率，使实际发起随机接入过程的激活设备数期望值最大程度接近于理想负载r，计算方法如下：其中l
t
(0)为基站对于当前rao的接入负载预测值；激活设备以概率通过acb检验，通过acb检验的激活设备向基站发起随机接入过程，基站侧根据前导码使用情况对接入负载进行估计，估计接入负载为其中，式中，s
t
为第t个rao内成功接入的前导码数目，e
t
为第t个rao未被用户使用的前导码数目，基于接入负载估计结果，进一步估计当前rao产生的退避设备数目，基于接入负载估计结果，进一步估计当前rao产生的退避设备数7.根据权利要求1所述的大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，s5中，第(t i)个rao的理想退避设备数c
t
(i)，为最小化激活设备数l
t
(i)与理想负载r差值的退避设备数，i＝1，2，
…
，t
m
，对于任意和退避完成后第(t i)个rao内退避设备数的估计值为：8.根据权利要求1所述的大规模mtc场景中基于负载感知的动态接入与退避方法，其特征在于，采用分层优化的方法求解所述优化问题具体包括以下步骤：s601，初始化输入参数t
m
，c
t
(i)以及设定初始退避窗口s602，采用注水算法求解拉格朗日乘子λ：s603，求解一定时，各个rao的最优退避设备数一定时，各个rao的最优退避设备数
s604，求解一定，各个rao的退避设备数为时优化问题目标函数取值，s605，当时，返回步骤s602；s606，比较s606，比较的取值，并输出目标函数最小时对应的与s607，根据与求解最优退避概率向量9.一种基于大规模mtc场景中基于负载感知的动态退避系统，其特征在于，包括模型搭建模块、理想负载计算模块、负载预测模块、估计模块、问题构建模块以及解算模块；模型搭建模块用于建立大规模mtc场景中基于负载感知的动态退避的系统模型；理想负载计算模块基于所述系统模型最大化各个rao期望吞吐量所需的接入设备数，即理想负载；负载预测模块基于设备激活模型预测当前rao与未来t
m
个rao的接入负载，得到当前rao负载预测值和未来rao的负载预测值；估计模块基于当前rao的负载预测值产生acb因子，并在随机接入完成后估计新产生退避设备数；问题构建模块基于rao的新激活负载与退避负载，调节退避窗口与退避概率向量，最小化退避窗口内各个rao的退避设备数与理想退避设备数之间的均方差，构建优化问题如下：数与理想退避设备数之间的均方差，构建优化问题如下：数与理想退避设备数之间的均方差，构建优化问题如下：数与理想退避设备数之间的均方差，构建优化问题如下：约束条件(1)表示退避窗口的可能范围，t
m
为退避窗口的长度上界，t
m
为人工给定，受基站的负载预测能力与设备的最大可允许接入时延影响，约束条件(2)(3)保障形成一个概率空间；解算模块采用分层优化的方法求解所述优化问题；得到最优退避概率向量与最优退避窗口大小实现有效控制退避窗口内各个rao的退避设备数。10.一种大规模mtc场景通信系统，其特征在于，包括基站和若干用户终端，基站在运行时能执行权利要求1至8中任一项所述的大规模mtc场景中基于负载感知的动态接入与退避
方法。

技术总结
本发明公开一种基于负载感知的动态接入与退避方法及系统，在已知设备激活模型的前提下，预测当前RAO与未来RAO内试图发起随机接入过程的设备数(简称为激活设备数)。基于当前RAO的负载预测结果，基站动态调节ACB因子，控制当前RAO内激活设备发起随机接入过程的概率，使得当前RAO内发起随机接入过程的设备数不超过最大化网络吞吐量的设备数，基于未来RAO的负载预测结果，方案动态调节退避设备的分布，控制退避窗口内各个RAO的激活设备数尽可能接近理想负载，保障了方案在时变大规模接入场景的适应性，激活设备通过ACB检验的概率提高，从而降低设备接入网络所需侦听ACB因子的次数，实现在不影响吞吐量的前提下，降低设备接入网络的能耗。备接入网络的能耗。


技术研发人员：王熠晨 肖湘湘 王弢 王奕欣 王璋楠
受保护的技术使用者：西安交通大学
技术研发日：2022.08.17
技术公布日：2022/11/15