高级搜索

超密集组网下一种基于干扰增量降低的分簇算法

梁彦霞 姜静 孙长印 刘欣 谢永斌

引用本文: 梁彦霞, 姜静, 孙长印, 刘欣, 谢永斌. 超密集组网下一种基于干扰增量降低的分簇算法[J]. 电子与信息学报, 2020, 42(2): 495-502. doi: 10.11999/JEIT181144 shu
Citation:  Yanxia LIANG, Jing JIANG, Changyin SUN, Xin LIU, Yongbin XIE. A Cluster Algorithm Based on Interference Increment Reduction in Ultra-Dense Network[J]. Journal of Electronics and Information Technology, 2020, 42(2): 495-502. doi: 10.11999/JEIT181144 shu

超密集组网下一种基于干扰增量降低的分簇算法

    作者简介: 梁彦霞: 女,1981年生,博士,副教授,研究方向为超密集无线网络,多点协作传输,无线资源管理;
    姜静: 女,1974年生,博士,教授,研究方向为无线通信,大规模MIMO;
    孙长印: 男,1963年生,博士,副研究员,研究方向为超密集网络,无线资源管理,无线干扰管理;
    刘欣: 男,1977年生,硕士,工程师,研究方向为移动通信,量子通信;
    谢永斌: 男,1965年生,博士,教授,研究方向为无线网络架构,无线标准
    通讯作者: 梁彦霞,530332718@qq.com
  • 基金项目: 国家自然科学基金(6187012068, 61501371),陕西省创新团队项目(2017KCT-30-02),陕西省科技厅国际科技合作与交流项目(2017KW-011)

摘要: 超密集网络(UDNs)拉近了终端与节点间的距离,使得网络频谱效率大幅度提高,扩展了系统容量,但是小区边缘用户的性能严重下降。合理规划的虚拟小区(VC)只能降低中等规模UDNs的干扰,而重叠基站下的用户的干扰需要协作用户簇的方法来解决。该文提出了一种干扰增量降低(IIR)的用户分簇算法,通过在簇间不断交换带来最大干扰的用户,最小化簇内的干扰和,最终最大化系统和速率。该算法在不提高K均值算法的复杂度的同时,不需要指定簇首,避免陷入局部最优。仿真结果表明,网络密集部署时,有效提高系统和速率,尤其是边缘用户的吞吐量。

English

    1. [1]

      朱晓荣, 朱蔚然. 超密集小峰窝网中基于干扰协调的小区分簇和功率分配算法[J]. 电子与信息学报, 2016, 38(5): 1173–1178. doi: 10.11999/JEIT150756
      ZHU Xiaorong and ZHU Weiran. Interference coordination-based cell clustering and power allocation algorithm in dense small cell networks[J]. Journal of Electronics &Information Technology, 2016, 38(5): 1173–1178. doi: 10.11999/JEIT150756

    2. [2]

      LIANG Liang, WANG Wen, JIA Yunjian, et al. A cluster-based energy-efficient resource management scheme for ultra-dense networks[J]. IEEE Access, 2016, 4: 6823–6832. doi: 10.1109/ACCESS.2016.2614517

    3. [3]

      AL-RUBAYE S, AL-DULAIMI A, COSMAS J, et al. Call admission control for non-standalone 5G ultra-dense networks[J]. IEEE Communications Letters, 2018, 22(5): 1058–1061. doi: 10.1109/LCOMM.2018.2813360

    4. [4]

      GE Xiaohu, TU Song, MAO Guoqiang, et al. 5G ultra-dense cellular networks[J]. IEEE Wireless Communications, 2016, 23(1): 72–79. doi: 10.1109/MWC.2016.7422408

    5. [5]

      YANG Bin, MAO Guoqiang, DING Ming, et al. Dense small cell networks: From noise-limited to dense interference-limited[J]. IEEE Transactions on Vehicular Technology, 2018, 67(5): 4262–4277. doi: 10.1109/TVT.2018.2794452

    6. [6]

      PATEROMICHELAKIS E, SHARIAT M, QUDDUS A, et al. Dynamic clustering framework for multi-cell scheduling in dense small cell networks[J]. IEEE Communications Letters, 2013, 17(9): 1802–1805. doi: 10.1109/LCOMM.2013.072313.131248

    7. [7]

      王莹, 刘宝玲, 沈晓冬, 等. 分布式虚拟群小区中的接入控制[J]. 电子与信息学报, 2006, 28(11): 2090–2093.
      WANG Ying, LIU Baoling, SHEN Xiaodong, et al. Admission control in distributed virtual group cell systems[J]. Journal of Electronics &Information Technology, 2006, 28(11): 2090–2093.

    8. [8]

      LIU Qian, CHUAI Gang, GAO Weidong, et al. Fuzzy logic-based virtual cell design in ultra-dense networks[J]. EURASIP Journal on Wireless Communications and Networking, 2018, 2018: 87. doi: 10.1186/s13638-018-1093-6

    9. [9]

      BASSOY S, FAROOQ H, IMRAN M A, et al. Coordinated multi-point clustering schemes: A survey[J]. IEEE Communications Surveys & Tutorials, 2017, 19(2): 743–764. doi: 10.1109/COMST.2017.2662212

    10. [10]

      KINOSHITA K, SHIBATA S, KAWANO K, et al. A CoMP clustering method in consideration of spectrum sharing for fairness improvement[C]. The 9th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops, Munich, Germany, 2017: 137–142.

    11. [11]

      刘娇. 面向5G超密集网络基站协同节能关键技术研究[D]. [硕士论文], 北京交通大学, 2018.
      LIU Jiao. Research on energy-saving technology of base station in 5G ultra dense network[D]. [Master dissertation], Beijing Jiaotong University, 2018.

    12. [12]

      KANG H S and KIM D K. User-centric overlapped clustering based on anchor-based precoding in cellular networks[J]. IEEE Communications Letters, 2016, 20(3): 542–545. doi: 10.1109/LCOMM.2016.2515085

    13. [13]

      ALI M, HOSSAIN E, and KIM D I. Non-orthogonal multiple access (NOMA) for downlink multiuser MIMO systems: User clustering, beamforming, and power allocation[J]. IEEE Access, 2017, 5: 565–577. doi: 10.1109/ACCESS.2016.2646183

    14. [14]

      KURRAS M, FAHSE S, and THIELE L. Density based user clustering for wireless massive connectivity enabling Internet of Things[C]. 2015 IEEE Globecom Workshops, San Diego, USA, 2015: 1–6.

    15. [15]

      WEI Rong, WANG Ying, and ZHANG Yuan. A two-stage cluster-based resource management scheme in ultra-dense networks[C]. 2014 IEEE/CIC International Conference on Communications in China, Shanghai, China, 2014: 738–742. doi: 10.1109/ICCChina.2014.7008373.

    16. [16]

      HUANG Junwei, ZHOU Pengguang, LUO Kai, el al. Two-stage resource allocation scheme for three-tier ultra-dense network[J]. China Communications, 2017, 14(10): 118–129. doi: 10.1109/CC.2017.8107637

    17. [17]

      LI Wenchao and ZHANG Jing. Cluster-based resource allocation scheme with QoS guarantee in ultra-dense networks[J]. IET Communications, 2018, 12(7): 861–867. doi: 10.1049/iet-com.2017.1331

    1. [1]

      朱晓荣, 朱蔚然. 超密集小峰窝网中基于干扰协调的小区分簇和功率分配算法. 电子与信息学报, 2016, 38(5): 1173-1178.

    2. [2]

      赵夙, 张涛, 朱晓荣. 超密集分簇网络中基于预测门限滞后余量可调的切换算法. 电子与信息学报, 2016, 38(3): 649-654.

    3. [3]

      谢显中, 徐冰, 雷维嘉, 马彬. 三小区环境中基于三角分解的低复杂度干扰对齐算法. 电子与信息学报, 2013, 35(5): 1031-1036.

    4. [4]

      成文婧, 王欣, 马东堂, 魏急波. 非对称信道下双向中继网络中最大化和速率的波束成形设计. 电子与信息学报, 2012, 34(5): 1220-1225.

    5. [5]

      胡升泽, 包卫东, 王博, 乐俊, 葛斌. 无线传感器网络基于多元簇首的分簇数据收集算法. 电子与信息学报, 2014, 36(2): 403-408.

    6. [6]

      孙剑锋, 高锦春, 刘元安, 谢刚. 基于频谱感知结果的认知无线电用户分簇方法. 电子与信息学报, 2012, 34(4): 782-786.

    7. [7]

      孟洛明, 江彦馥, 刘彦君, 苏汉, 徐思雅, 亓峰. 基于相对移动性预测的k跳AdHoc网络分簇算法. 电子与信息学报, 2018, 40(12): 2954-2961.

    8. [8]

      张玺栋, 康桂霞, 张平, 张恒. 基于博弈的大规模无线传感器网络分簇算法. 电子与信息学报, 2011, 33(10): 2516-2520.

    9. [9]

      张军强, 王汝传, 黄海平. 基于分簇的无线多媒体传感器网络数据聚合方案研究. 电子与信息学报, 2014, 36(1): 8-14.

    10. [10]

      田洪亮, 钱志鸿, 王义君, 梁潇. 能量分簇传感器网络距离误差校正MDS-MAP定位算法. 电子与信息学报, 2017, 39(7): 1735-1740.

    11. [11]

      张小波, 程良伦, ZhuQuan-min. SAHRC: 一种基于分簇的无线传感器网络路由控制算法. 电子与信息学报, 2011, 33(8): 2013-2017.

    12. [12]

      徐霄飞, 陈翔, 赵明, 周世东, 王京. 基于分布式天线的全双工中继系统最大化和速率波束成形设计. 电子与信息学报, 2015, 37(11): 2657-2663.

    13. [13]

      袁凌云, 王兴超, 徐天伟. 基于移动Agent和WSN的突发事件场景数据收集算法研究. 电子与信息学报, 2010, 32(8): 1974-1979.

    14. [14]

      程银波, 司菁菁, 候肖兰. 适用于无线传感器网络的层次化分布式压缩感知. 电子与信息学报, 2017, 39(3): 539-545.

    15. [15]

      熊余, 张鸿, 王汝言, 吴大鹏. 基于光通路状态感知的分簇式故障定位机制. 电子与信息学报, 2014, 36(1): 41-47.

    16. [16]

      黄开枝, 郑丽清, 李坤, 吉江. 基于协同度的基站群利益树动态分簇算法. 电子与信息学报, 2012, 34(6): 1469-1475.

    17. [17]

      郑丽清, 黄开枝, 李坤, 吉江. 基于重叠分簇的联合预编码方案设计. 电子与信息学报, 2011, 33(10): 2293-2299.

    18. [18]

      黄容兰, 刘云, 李啟尚, 唐文. 基于非正交多址接入中继通信系统的功率优化. 电子与信息学报, 2019, 41(8): 1909-1915.

    19. [19]

      周先存, 黎明曦, 陈振伟, 徐英来, 熊焰, 李瑞霞. 基于层次混合的高效概率包标记WSNs节点定位算法. 电子与信息学报, 2014, 36(2): 384-389.

    20. [20]

      张海波, 李虎, 陈善学, 贺晓帆. 超密集网络中基于移动边缘计算的任务卸载和资源优化. 电子与信息学报, 2019, 41(5): 1194-1201.

  • 图 1  以用户为中心的可重叠虚拟小区

    图 2  信道矢量关系图

    图 3  6 小区、36 用户的随机分布图

    图 4  系统吞吐量与CDF关系图

    图 5  本算法计算复杂度衡量

    图 6  不同载波数下,系统吞吐量与CDF关系图

    图 7  不同载波数,平均每载波系统吞吐量与CDF关系图

    表 1  参数含意对照表

    参数意义参数意义
    $C$全部虚拟小区的集合${{\text{W}}_i}$${U_i}$中用户的预编码矩阵
    ${C_i}$为用户i服务的虚拟小区${c_i}$预编码矩阵的功率约束条件
    $U$全部用户的集合$V\;$用户分簇集合
    ${U_j}$j个虚拟小区所服务的所有用户的集合${V_g}$g个簇中的用户集合
    ${{\text{H}}_{i,{C_i}}}$用户i在虚拟小区${C_i}$服务下的信道矢量$R_e^{[g]}$g个簇的用户e的可达速率
    ${g_{i,{m_k}}}$基站mk和用户i之间的信道增益$Z_e^{\left[ g \right]}$在第g个簇中的用户e的虚拟小区间干扰
    ${{\text{x}}_i}$虚拟小区${C_i}$内所有基站发送给用户i的信号所构成的矢量${\text{h}}_e^{\left[ c \right]}$g中用户e和虚拟小区c中每一个基站的信道增益
    ${{\text{y}}_i}$用户i的接收信号矢量$U_c^g$用户集合${U_c}$中簇g对应的用户集合
    ${{\text{n}}_i}$加性高斯白噪声矢量${{\text{w}}_{c,d}}$虚拟小区c中预编码矩阵${{\text{W}}\!_c}$的第d
    ${P_{tx}}$基站的功率${\omega _k}$用户k的和速率权重
    $\sigma _{\rm n}^2$噪声的功率
    下载: 导出CSV

    表 2  干扰增量降低分簇算法

     算法:干扰增量降低分簇算法
     输入:两两用户间的权重矩阵Wab,用户数N,用户集合U
     输出:用户分簇集合V1, V2
     (1) 将用户随机的分成同样大小的两组,记为V1, V2,且
    $\left| {{V_1}} \right|{\rm{ = }}\left| {{V_2}} \right|{\rm{ = }}N/2$;
     (2) 找到V1V2中具有最大干扰的用户,记为用户mn
     (3) for: (mn所在分组的剩余用户);
     (4)  计算当前用户分别与mn的干扰和,记为△Pm△Pn
     (5) end;
     (6) for: (非mn所在分组的剩余用户);
     (7)  计算所有用户分别与mn的干扰和,记为△Nm△Nn
     (8) end;
     (9) △m=△Pm-△Nm,为用户m的干扰增量;
     (10) △n=△Pn-△Nn,为用户n的干扰增量;
     (11) if (△m>0且△n<0)或(△m>0且△n>0且△m>△n);
     (12)  将用户m从原来组交换到另一组;转至(2)。
     (13) end;
     (14) if (△m<0且△n>0)或(△m>0且△n>0且△m<△n);
     (15)  将用户n从原来组交换到另一组;转至(2)。
     (16) end;
     (17) if △m>0且△n>0且△m=△n
     (18)  将用户mn同时从原来组交换到另一组;转至(2)。
     (19) end;
     (20) if △m<0且△n<0;
     (21) 算法结束,得到更新后的V1V2
     (22) end;
    下载: 导出CSV

    表 3  仿真参数

    参数数值
    载波带宽(MHz)10
    AP基站路径损耗(dB)140.7+36.7lgd
    载波数量(个)2/4/8
    阴影衰落(dB)8
    AP基站发射功率(dBm)20
    接收端天线数目(个)1
    发送端天线数目(个)2
    用户总数(个)36, 54, 72
    下载: 导出CSV

    表 4  干扰增量降低(IIR)算法与参考算法仿真结果对比

    小区及用户分簇算法改善程度6个小区36个用户 9个小区54个用户 12个小区72个用户
    K-mean/
    ×108(bps)
    IIR/
    ×108(bps)
    提升(%)K-mean/
    ×108(bps)
    IIR/
    ×108(bps)
    提升(%)K-mean/
    ×108(bps)
    IIR/
    ×108(bps)
    提升(%)
    边缘用户吞吐量1.671.828.98 2.432.9119.75 3.053.5416.07
    系统平均吞吐量1.902.1010.532.713.1215.133.363.7311.01
    下载: 导出CSV

    表 5  多个载波下的计算复杂度衡量

    不同载波
    交换次数
    序号
    12345678910
    22901041030
    437897231437
    81034510791734
    下载: 导出CSV
  • 加载中
图(7)表(5)
计量
  • PDF下载量:  19
  • 文章访问数:  946
  • HTML全文浏览量:  722
文章相关
  • 通讯作者:  梁彦霞, 530332718@qq.com
  • 收稿日期:  2018-12-12
  • 录用日期:  2019-04-23
  • 网络出版日期:  2019-04-28
  • 刊出日期:  2020-02-01
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章