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]

      邵鸿翔, 孙有铭, 蔡佶昊. 面向用户体验的多小区混合非正交多址接入网络资源分配方法. 电子与信息学报, 2020, 42(0): 1-8.

    2. [2]

      雷维嘉, 杨苗苗. 时间反转多用户系统中保密和速率优化的预处理滤波器设计. 电子与信息学报, 2020, 42(5): 1253-1260.

    3. [3]

      马彬, 王梦雪, 谢显中. 超密集异构无线网络中基于位置预测的切换算法. 电子与信息学报, 2020, 42(0): 1-9.

    4. [4]

      刘焕淋, 杜理想, 陈勇, 胡会霞. 串扰感知的空分弹性光网络频谱转换器稀疏配置和资源分配方法. 电子与信息学报, 2020, 42(7): 1718-1725.

    5. [5]

      刘焕淋, 胡会霞, 陈勇, 温濛, 王展鹏. 节点中介性和频谱离散度感知虚拟光网络生存性协同映射. 电子与信息学报, 2020, 41(0): 1-7.

    6. [6]

      贺利芳, 陈俊, 张天骐. 短参考多用户差分混沌移位键控通信系统性能分析. 电子与信息学报, 2020, 42(0): 1-8.

    7. [7]

      贺利芳, 吴雪霜, 张天骐. 正交多用户短参考差分混沌移位键控通信系统性能分析. 电子与信息学报, 2020, 42(0): 1-9.

    8. [8]

      缪祥华, 单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报, 2020, 41(0): 1-7.

    9. [9]

      智慧, 王飞跃, 黄子菊. 大规模MIMO系统中联合用户分组和联盟博弈的动态导频分配方案. 电子与信息学报, 2020, 42(7): 1686-1693.

    10. [10]

      张海波, 程妍, 刘开健, 贺晓帆. 车联网中整合移动边缘计算与内容分发网络的移动性管理策略. 电子与信息学报, 2020, 42(6): 1444-1451.

    11. [11]

      王威丽, 陈前斌, 唐伦. 虚拟网络切片中的在线异常检测算法研究. 电子与信息学报, 2020, 42(6): 1460-1467.

    12. [12]

      刘焕淋, 杜理想, 陈勇, 王展鹏. 基于灾难预测多区域故障的虚拟光网络生存性映射. 电子与信息学报, 2020, 42(7): 1710-1717.

    13. [13]

      曾菊玲, 张春雷, 蒋砺思, 夏凌. 基于信道定价的无线虚拟网络资源分配策略:匹配/Stackelberg分层博弈. 电子与信息学报, 2020, 41(0): 0-7.

    14. [14]

      唐伦, 魏延南, 谭颀, 唐睿, 陈前斌. H-CRAN网络下联合拥塞控制和资源分配的网络切片动态资源调度策略. 电子与信息学报, 2020, 42(5): 1244-1252.

    15. [15]

      惠鏸, 张晓静. 无线自组织网络的联合安全路由选择和功率优化算法. 电子与信息学报, 2020, 41(0): 1-8.

    16. [16]

      刘通, 唐伦, 何小强, 陈前斌. 融合区块链与雾计算系统中基于网络时延和资源管理的优化任务卸载方案. 电子与信息学报, 2020, 42(0): 1-6.

    17. [17]

      袁庆军, 张勋成, 高杨, 王永娟. 轻量级分组密码PUFFIN的差分故障攻击. 电子与信息学报, 2020, 42(6): 1519-1525.

    18. [18]

      贺利芳, 吴雪霜, 张天骐. 正交多载波降噪差分混沌键控通信系统. 电子与信息学报, 2020, 41(0): 1-9.

    19. [19]

      张琳, 陈炳均, 吴志强. 基于矩阵低秩估计的可靠多载波差分混沌键控接收机. 电子与信息学报, 2020, 42(0): 1-8.

    20. [20]

      武迎春, 王玉梅, 王安红, 赵贤凌. 基于边缘增强引导滤波的光场全聚焦图像融合. 电子与信息学报, 2020, 41(0): 1-9.

  • 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:  27
  • 文章访问数:  1468
  • HTML全文浏览量:  876
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