一种基于用户关联和回传带宽配置联合优化方法

1.本技术属于数据分类技术领域，特别是涉及一种基于用户关联和回传带宽配置联合优化方法。


背景技术：

2.随着移动通信技术的快速发展，移动智能终端的数量和种类不断增加，同时人们对无线网络传输速率的需求越来越高。为了支撑不断涌现的新兴的移动通信场景，第五代(the fifth generation，5g)移动通信系统具有网络异构化、部署密集化和业务多样化等特点。作为支撑5g的一种候选关键技术，双连接技术已经受到了学术界的广泛关注。
3.双连接是指用户设备可以关联至同频部署或者异频部署的一个宏基站和一个小基站，并且同时与其通信。根本上来讲，双连接是一种演进的小小区增强技术，是载波聚合技术在非理想回传网络场景下的应用实现。因而，相比传统的单关联的异构无线网络，双连接可行的异构网络结构通过提升频谱利用率来有效提升系统吞吐量，特别是系统边缘用户的吞吐量。在一个双连接可行的异构无线网络中，用户设备可以被关联至宏基站和一个小基站，实现双连接通信方式。小基站需要与宏基站通过宏基站到小基站之间的回程链路相连接，而宏基站作为服务网管实现所有用户数据与核心网之间的请求发送。因而，双连接结构的实现性能很大程度上受到回程容量的限制。特别是在宏基站和小基站同频部署的非理想回传异构无线网络中，回传带宽的配置机制将是一个至关重要的模型。
4.现有技术只考虑异构网络异频部署场景，而不考虑共信道(同频)部署场景。尤其，在宏基站和小基站同频部署的非理想回传异构无线网络中，并没有解决关于双连接可行的用户关联与回传带宽配置的联合优化模型。即使考虑宏基站和小基站同频部署的非理想回传异构无线网络场景，但是其仅仅关注双连接可行的用户关联与前传带宽配置的联合优化模型；仅仅考虑了每个小基站到宏基站的固定无线回程限制。


技术实现要素：

5.1.要解决的技术模型
6.基于当前的一些关于semg信号的基于用户关联和回传带宽配置联合优化算法，识别准确度低，训练模型过程中还会存在过拟合与欠拟合、梯度消失、鲁棒性差，训练时间长的模型，本技术提供了一种基于用户关联和回传带宽配置联合优化方法。
7.2.技术方案
8.为了达到上述的目的，本技术提供了一种基于用户关联和回传带宽配置联合优化方法，所述方法包括构建非凸混合整数分式优化模型，对所述模型去分式化转换为非凸混合整数非线性优化模型，将所述非凸混合整数非线性优化模型分解为回传单位带宽配置优化子模型和双连接可行的用户关联优化子模型，交替求解所述回传单位带宽配置优化子模型和所述双连接可行的用户关联优化子模型。
9.本技术提供的另一种实施方式为：所述非凸的混合整数分式优化模型包括连续回
传单位带宽配置因子变量和二进制基站-用户关联变量。
10.本技术提供的另一种实施方式为：所述交替求解采用基于交替优化的迭代更新优化算法。
11.本技术提供的另一种实施方式为：所述回传单位带宽配置优化子模型基于固定用户关联，所述所述双连接可行的用户关联优化子模型基于固定回传带宽配置因子。
12.本技术提供的另一种实施方式为：所述非凸混合整数分式优化模型通过联合优化用户关联变量和前传带宽配置变量，在考虑用户速率需求的同时最大化用户吞吐量效用之和。
13.本技术提供的另一种实施方式为：所述回传单位带宽配置优化子模型已知用户关联情况下的回传资源配置优化模型，所述双连接可行的用户关联优化子模型为已知回传资源配置因子情况下的用户关联优化子模型。
14.本技术提供的另一种实施方式为：所述交替求解包括通过固定用户关联变量得到最优的回传带宽配置机制；通过固定回传带宽配置因子变量求解双连接可行的用户关联子子模型。
15.本技术提供的另一种实施方式为：还包括采用数学仿真方法验证所述基于用户关联和回传带宽配置联合优化方法的有效性和优越性。
16.本技术提供的另一种实施方式为：所述非凸混合整数分式优化模型优化目标和约束条件中存在分式项，存在连续变量和离散变量，所述优化目标和几个约束条件中存在所述连续变量和所述离散变量耦合乘积关系。
17.本技术提供的另一种实施方式为：所述方法基于两层异构网络的下行传输过程，所述网络包括宏基站和若干可开放接入的小基站。
18.3.有益效果
19.与现有技术相比，本技术提供的一种基于用户关联和回传带宽配置联合优化方法的有益效果在于：
20.本技术提供的基于用户关联和回传带宽配置联合优化方法，为一种双连接可行的异构无线网络中新的用户关联和回传带宽配置的联合优化方法，该方法考虑了包括双连接在内的灵活的用户关联机制和回程容量约束等。
21.本技术提供的基于用户关联和回传带宽配置联合优化方法，在小基站回程容量的约束下，针对双连接可行的异构无线网络，建立一个以最大化吞吐量效用之和为优化目标的用户关联和回传带宽资源配置联合优化模型。将该联合优化模型建模为一个混合整数分式规划模型。
22.本技术提供的基于用户关联和回传带宽配置联合优化方法，基于交替优化的迭代更新优化算法。通过对优化目标进行等价变换和对约束条件进行去分式处理，将已表述的优化模型转化为无分式结构的混合整数非线性优化模型。针对这种非凸优化模型，将其分解为两个优化子模型
‑‑
回程带宽配置子模型和用户关联子模型，并分别求解。
23.本技术提供的基于用户关联和回传带宽配置联合优化方法，构建了一个新的最大化网络吞吐量效用和最大化框架。
24.本技术提供的基于用户关联和回传带宽配置联合优化方法，相比基于固定的回传带宽配置机制，可以获得最优的回传单位带宽配置因子值，同时拥有最优的系统吞吐量和
系统吞吐量效用和性能。
附图说明
25.图1是本技术的双连接可行的下行两层异构网络场景示意图；
26.图2是本技术的不同用户数下三种机制效果对比示意图；
27.图3是本技术的不同用户数下三种机制的网络吞吐量示意图；
28.图4是本技术的不同用户数下三种机制的回传单位带宽配置因子示意图；
29.图5是本技术的不同微服务实例规格下的业务请求接受率示意图；
30.图6是本技术的不同用户最小速率需求下三种机制的网络吞吐量效用示意图；
31.图7是本技术的不同用户最小速率需求下三种机制的回传单位带宽配置因子示意图。
具体实施方式
32.在下文中，将参考附图对本技术的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本技术，并能够实施本技术。在不违背本技术原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
33.参见图1～7，本技术提供一种基于用户关联和回传带宽配置联合优化方法，所述方法包括构建非凸混合整数分式优化模型，对所述模型去分式化转换为非凸混合整数非线性优化模型，将所述非凸混合整数非线性优化模型分解为回传单位带宽配置优化子模型和双连接可行的用户关联优化子模型，交替求解所述回传单位带宽配置优化子模型和所述双连接可行的用户关联优化子模型。
34.本技术考虑一个两层异构网络的下行传输过程。该网络由一个宏基站和多个可开放接入的小基站组成，它们共同服务于在网络覆盖范围内的随机分布的用户。首先，假设所有的用户设备都有两个无线电接口，都具备同时与一个宏基站和一个小基站通信的能力。接下来，假设从小基站到宏基站之间的无线回传链路和从小基站到用户设备之间的前传链路以共信道方式部署。每一个用户设备被分配若干子信道，且假设所有信道是平稳衰落，同时每一个小基站在每一个子信道上分配相同的功率。
35.如图1所示，本技术考虑由一个宏基站、m个小基站和随机分布的n个用户组成的下行异构无线网络场景。定义所有用户的集合、所有小基站的集合和所有基站的集合分别为行异构无线网络场景。定义所有用户的集合、所有小基站的集合和所有基站的集合分别为和于是，以上集合可以分别被表示为和其中中元素0代表宏基站，同时存在
36.小基站配置单一天线，采用单输入单输出(siso)的模式进行信号传输。而宏基站部署毫米波天线阵列(天线数a
t
)，针对小基站和宏用户的波束成型分组大小(beam-forming group size)分别为a
sbs
，a
ue
(a
t
＞＞a
sbs
，a
t
＞＞a
ue
)。
37.进一步地，所述非凸的混合整数分式优化模型包括连续回传单位带宽配置因子变量和二进制基站-用户关联变量。
38.进一步地，所述交替求解采用基于交替优化的迭代更新优化算法。
39.进一步地，所述回传单位带宽配置优化子模型基于固定用户关联，所述所述双连接可行的用户关联优化子模型基于固定回传带宽配置因子。
40.进一步地，所述非凸混合整数分式优化模型通过联合优化用户关联变量和前传带宽配置变量，在考虑用户速率需求的同时最大化用户吞吐量效用之和。
41.进一步地，所述回传单位带宽配置优化子模型已知用户关联情况下的回传资源配置优化模型，所述双连接可行的用户关联优化子模型为已知回传资源配置因子情况下的用户关联优化子模型。
42.进一步地，所述交替求解包括通过固定用户关联变量得到最优的回传带宽配置机制；通过固定回传带宽配置因子变量求解双连接可行的用户关联子子模型。
43.假设采用正交频分多址接入机制。α定义为每个小基站的回传单位带宽配置因子，0≤α≤1。
44.假设用户设备i被关联至第j个小基站，那么其可获得的单位带宽最大用户速率可以表示为：
[0045][0046]
其中，p
i，j
为第j个小基站向用户设备i发送信号的发射功率，g
i，j
为第j个小基站向用户设备i发送信号的路径增益，为宏基站对被关联至第j个小基站的用户设备i的干扰，σ2为加性高斯白噪声功率。
[0047]
小基站j的单位带宽最大回程速率可以表示为：
[0048][0049]
假设用户设备i被关联至宏基站，那么其可获得的单位带宽最大用户速率可以表示为：
[0050][0051][0052]
假设用户关联矩阵为z，那么z
i，j
存在如下定义：
[0053][0054]
根据本技术考虑的双连接机制，即用户设备既可以仅仅被单关联至宏基站或者某个小基站也可以被同时关联至宏基站和某个小基站，那么可以得到关联约束如下：
[0055]
[0056][0057]
假设各基站向关联至自己的用户分配均匀的前传带宽，如果关联至基站j的用户数为uj，那么基站j为服务的用户设备i分配的单位带宽为，那么基站j为服务的用户设备i分配的单位带宽为进而基站j为服务的用户设备i提供的长期速率，实际上可以表达为如果用户设备i可得到的总的吞吐量，ri，可以表示为：
[0058][0059]
那么用户的速率约束可以写成如下形式：
[0060][0061]
其中为用户i需求的最小速率。另外，考虑每个小基站的前传容量不能超过其获得的回传容量，那么如下约束条件必须满足：
[0062][0063]
优化目标是通过联合优化用户关联变量和前传带宽配置变量，在考虑用户速率需求的同时最大化用户吞吐量效用之和。最终的优化模型可以建模为以下形式：
[0064]
(p1)
[0065]
s.t.(c1)
[0066]
(c2)
[0067]
(c3)
[0068]
(c4)
[0069]
(c5)
[0070]
(c6)α∈[0，1]
[0071]
(c7)
[0072]
(c8)
[0073]
其中α为一个连续单一变量。在p1模型中，目标函数表示最大化用户吞吐量效用之和。第1个约束条件确保每个小基站的前传容量不能超过其获得的回传容量。第2个约束条件确保每个用户的最小需求速率得到满足。第3、4、5个约束联合确保每一个用户终端可以同时被关联至宏基站和某个小基站，实现双连接关联机制。第5和6个分别是二进制的用户关联变量约束和连续的被分配给每个小基站的单位回传带宽资源配置变量约束。
[0074]
通过观察，p1模型存在以下三个显著特点：第一，优化目标和约束条件中存在分式项第二，2个优化变量既存在连续变量α，也存在离散变量z
i，j
；第三，优化目标和几个约束条件中存在连续变量和离散变量耦合乘积关系，比如αz
i，j
。因此p1模型是一个非凸的混合整数分式优化模型。显然，该模型也是一个np-hard模型，同时随着模型规模变大求解复杂度变高，通常这类不能用精确算法求解，必须寻求其有效的近似算法。
[0075]
为了简化p1模型，首先考虑去除优化目标和约束条件中的分式，简化后的具体形式如下所示：
[0076]
(p2)
[0077]
s.t.(c1)
[0078]
(c2)
[0079]
(c3)
[0080]
(c4)
[0081]
(c5)
[0082]
(c6)α∈[0，1]
[0083]
(c7)
[0084]
(c8)
[0085]
(c9)
[0086]
其中，优化目标是借助log函数的性质进行的等价变换；在第一个约束中，由于表示被关联至基站j的用户数，因此给约束1的左右两侧同时乘以该项，就可以等价得到p2的第一个约束；在第二个约束中，由于和式的不同，明显约束2不能像约束1一样
进行等价转换。为了简化模型，我们用常数k＝n/m来取代这表示n个用户被均匀关联至m个基站上。需要强调的是，基于用户随机部署和前向资源均匀分配假设，同时log函数的自然公平性属性，这样的简化假设是合理的。
[0087]
转换后的p2模型依旧是一个混合整数非线性优化模型。模型的非凸性质没有发生明显的变化，其依旧是一个np-hard模型。对于这样一个优化模型，我们采用交替优化方法将p2模型分解为两个优化子模型。即已知用户关联情况下的回传资源配置优化模型，以及已知回传资源配置因子情况下的用户关联优化模型。
[0088]
3)模型求解
[0089]
首先，在已知用户关联情况下，p2模型可以转化为一个回传资源配置优化模型，具体形式如下所示：
[0090]
(p2-1)
[0091]
s.t.(c1)
[0092]
(c2)
[0093]
(c6)α∈[0,1)
[0094]
观察可知，p2-1子模型是一个连续变量凸优化模型，显然其很容易求解。通过变换，c1约束可以等价为以下形式：
[0095]
α≥α1[0096][0097]
通过变换，c2约束可以等价为以下形式：
[0098]
α≤α2[0099][0100]
综上，如果α1＞α2，则p2-1模型无解，说明p2-1模型的基本条件，即用户关联解是固定且已知的，不够合理；如果α1≤α2，p2-1模型的解为α＝α1。
[0101]
那么，在已知回传资源配置因子的情况下，p2模型可以转化为一个用户关联和前传资源配置联合优化模型，具体形式如下所示：
[0102]
(p2-2)
[0103]
s.t.(c1)
[0104]
(c2)
[0105]
(c3)
[0106]
(c4)
[0107]
(c5)
[0108]
(c6)
[0109]
(c7)
[0110]
借助负载变量并且引入3个拉格朗日乘子λ、v和ω，模型p2-2对应的拉格朗日函数可以写成如下形式：
[0111][0112]
通过移项和归类之后，拉格朗日函数进一步可以写成如下形式：
[0113][0114]
其中：和分别表示如下形式：
[0115][0116][0117]
通过观察可以发现和是解耦的。因而根据朗格朗日对偶方法可知，求解p2-2就可以分解两个子模型，即分别求解和的最大值。那么第一个子模型的解z可以被定义为如下形式：
[0118][0119]
其中
[0120][0121]
同样，通过设置的偏导数为0，在满足c7约束的条件下，可以得到μj的
值：
[0122][0123]
对于拉格朗日乘子λ、v和ω的更新，本技术采用传统的次梯度法(sub-gradient method)。具体更新过程如下所示：
[0124][0125][0126][0127]
式中[a]

＝max(a，0)，ε1、ε2和ε3是三个恰当被选择的步长值。
[0128]
借助(5-16)和(5-17)获得相应的变量解，同时更新几个拉格朗日乘子，随着这三个乘子的更新迭代并最终收敛，至此p2-2模型就可以求解。
[0129]
4)双关联和回传带宽资源配置联合优化算法
[0130]
基于上述两个子优化模型的求解过程，最终模型p1的求解算法的描述总结如下表1所示。
[0131]
表1所提jdcba算法
[0132][0133]
[0134]
进一步地，还包括采用数学仿真方法验证所述基于用户关联和回传带宽配置联合优化方法的有效性和优越性。
[0135]
进一步地，所述非凸混合整数分式优化模型优化目标和约束条件中存在分式项，存在连续变量和离散变量，所述优化目标和几个约束条件中存在所述连续变量和所述离散变量耦合乘积关系。
[0136]
进一步地，所述方法基于两层异构网络的下行传输过程，所述网络包括宏基站和若干可开放接入的小基站。
[0137]
本技术将所提双关联和回传带宽资源配置联合优化算法(简称为jdcba算法)与两种基于固定回传单位带宽配置因子的双连接方法的性能进行了比较。
[0138]
1)不同用户数下性能对比
[0139]
在图2中，随着网络中用户总数的逐渐增加，三种方案的网络吞吐量效用和性能呈现快速降低的趋势，同时两两方案的网络吞吐量效用和性能之间的差值变大。数值计算表明，本技术所提jdcba方案的网络吞吐量效用和性能平均比dc-α1方案和dc-α2方案的网络效用性能高出7.85％和27.70％。在图3中，随着网络中用户总数的逐渐增加，本技术所提jdcba方案的网络吞吐量性能呈现缓慢增长的趋势，其他两个方案的网络吞吐量性能保持不变。数值计算表明，在网络吞吐量性能方面，本技术所提jdcba方案平均比dc-α1方案和dc-α2方案的性能分别高出22.03％和144.06％。
[0140]
1)不同用户最小需求速率下性能对比
[0141]
通过观察图5可知，本技术所提jdcba方案拥有最好的系统吞吐量效用性能，dc-α1方案次之，dc-α2方案的系统吞吐量效用性能最差。数值计算表明，本技术所提jdcba方案的系统吞吐量效用性能平均比dc-α1方案和dc-α2方案的系统吞吐量效用性能高出9.51％和33.21％。
[0142]
通过观察发现，图6和图5相似。同样，本技术所提jdcba方案拥有最好的系统吞吐量性能，dc-α1方案次之，dc-α2方案的系统吞吐量性能最差。数值计算表明，本技术所提jdcba方案的系统吞吐量性能平均比dc-α1方案和dc-α2方案的系统吞吐量效用性能高出20.62％和140.20％。
[0143]
本技术将所提算法与两种基于固定回传单位带宽配置因子的双连接方法的性能进行了比较。这两种对比方法分别简称为：“dc-α1”和“dc-α2”，其中α1＝0.4、α2＝0.7。此外，需要强调的是，所有的仿真结果都是在超过1000次蒙特卡罗平均中得到的。
[0144]
图2中随着网络中用户总数的逐渐增加，三种方案的网络吞吐量效用和性能呈现快速降低的趋势，同时两两方案的网络吞吐量效用和性能之间的差值变大。数值计算表明，本技术所提jdcba方案的网络吞吐量效用和性能平均比dc-α1方案和dc-α2方案的网络效用性能高出7.85％和27.70％。
[0145]
图3中随着网络中用户总数的逐渐增加，本技术所提jdcba方案的网络吞吐量性能呈现缓慢增长的趋势，其他两个方案的网络吞吐量性能保持不变。数值计算表明，在网络吞吐量性能方面，本技术所提jdcba方案平均比dc-α1方案和dc-α2方案的性能分别高出22.03％和144.06％。
[0146]
图4中与dc-α1方案和dc-α2方案相比，本技术所提jdcba方案拥有最小的回传单位带宽配置因子值。在图4中，随着网络中用户总数的逐渐增加，所提jdcba方案的回传单位带
宽配置因子值呈现缓慢降低的趋势。
[0147]
图5为不同微服务实例规格下的业务请求接受率，由于业务请求接受率与资源碎片成反比，微服务实例规格较大时，资源碎片较多，造成业务请求接受率较低；反之，微服务实例规格较小，资源碎片也较少，业务请求接受率较高。
[0148]
通过观察发现，图6和图5相似。同样，本技术所提jdcba方案拥有最好的系统吞吐量性能，dc-α1方案次之，dc-α2方案的系统吞吐量性能最差。数值计算表明，本技术所提jdcba方案的系统吞吐量性能平均比dc-α1方案和dc-α2方案的系统吞吐量效用性能高出20.62％和140.20％。而且，在图6中，三条曲线呈现水平且平行的状态。这说明，随着网络中用户速率需求的逐渐提高，所提jdcba方案和两种基于固定回传单位带宽配置因子的方案一样，三者的系统吞吐量效用和性能未发生可观察到的变化。
[0149]
通过观察发现，图7和图5、图6相似。同样，与dc-α1方案和dc-α2方案相比，本技术所提jdcba方案拥有最小的回传单位带宽配置因子值，即值。而且，同图5和图6一样，随着网络中用户速率需求的逐渐提高，所提jdcba方案的值未发生可观察到的变化。
[0150]
尽管在上文中参考特定的实施例对本技术进行了描述，但是所属领域技术人员应当理解，在本技术公开的原理和范围内，可以针对本技术公开的配置和细节做出许多修改。本技术的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。