删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

终端直接通信中基于统计QoS保证的资源优化

本站小编 Free考研考试/2020-04-15

米翔 , 赵明 , 许希斌 , 王京
清华大学 电子工程系, 微波与数字通信技术国家重点实验室, 清华信息科学与技术国家实验室, 北京 100084

收稿日期:2017-01-23
基金项目:国家“八六三”高技术项目(2014AA01A703);国家科技重大专项项目(2015ZX03001031-002);科技部国际合作项目(2014DFT10320);清华大学自主科研项目(2015Z02-3);清华-高通联合研究项目;清华-英特尔联合研究项目
作者简介:米翔(1991-), 男, 博士研究生
通信作者:王京, 教授, E-mail:wangj@tsinghua.edu.cn

摘要:终端直通(device-to-device,D2D)通信技术已成为第五代移动通信(5G)中的关键技术。资源分配直接关系着D2D通信的质量,是D2D通信中的重要研究内容。该文研究了正交频分多址接入(orthogonal frequency division multiple access,OFDMA)蜂窝网络中的D2D通信,用统计服务质量(quality-of-service,QoS)保证来刻画用户的时延需求,在保证蜂窝用户的干扰门限要求下,以最大化统计带QoS保证的系统吞吐量为目标,提出了有效的资源分配算法。通过Lagrange方法求解原始优化问题,提出了交替式优化算法和渐进凸近似算法。仿真表明,所提方案能有效提升系统性能。
关键词:无线通信终端直接通信资源分配功率控制统计服务质量保证
Resource optimization for D2D communications based on statistical QoS provisioning
MI Xiang, ZHAO Ming, XU Xibin, WANG Jing
Tsinghua National Laboratory for Information Science and Technology, State Key Laboratory on Microwave and Digital Communications, Department of Electronic Engineering, Tsinghua University, Beijing 100084, China


Abstract: Device-to-device (D2D) communications are a key technology in fifth generation (5G) cellular networks. Resource allocation is critical to the D2D communication performance and is a key research topic. This study considers D2D communications in orthogonal frequency division multiple access (OFDMA) based cellular networks where the user delay requirements are characterized by the statistical quality-of-service (QoS) provisioning. An effective resource allocation scheme is given to maximize the QoS-guaranteed system throughput while guaranteeing the interference threshold requirements of the cellular users. The original optimization problem is solved using the Lagrange approach with algorithms based on an alternating optimization method and a successive convex approximation method. Simulations show that the resource allocation scheme significantly improves the system performance.
Key words: wireless communicationdevice-to-device (D2D) communicationsresource allocationpower controlstatistical quality-of-service (QoS) provisioning
第五代移动通信(5G)中研究的终端直通(device-to-device,D2D)通信技术主要是指在蜂窝网络控制下终端与终端之间直接通信[1]。由于传输数据不需要经过基站路由转发,D2D通信在提升吞吐量、降低端到端时延等方面有很大优势[2]。在D2D通信中,直通用户能重用蜂窝用户的资源,进一步提升系统容量。鉴于上述优势,D2D通信已成为5G中的关键技术,得到了学术界和工业界的广泛关注[3]
在D2D通信中,虽然重用时频资源能提升系统容量,但随之而来的干扰问题却会严重影响通信质量。资源分配影响干扰程度,进而影响通信性能。因此,资源分配已成为D2D通信中的关键挑战[3]。同时,在5G时代,时延服务质量(quality-of-service, QoS)保证是众多应用场景(如车联网、工业控制等[4])中的关键需求。D2D通信由于能降低端到端时延,被认为是能提供时延QoS保证的关键技术[4]。因此,在D2D通信中进行资源分配时,考虑用户的时延QoS需求是非常重要的。由于无线信道具有时变特性,确定性的时延保证是很难提供的。对此,文[5]提出了有效容量理论来为用户提供统计QoS保证。对于一个服务过程,其有效容量定义为满足统计QoS需求的最大恒定业务到达率。有效容量理论能够刻画用户不同的统计QoS需求,得到了学术界的广泛认可[6]
D2D通信中基于统计QoS保证的资源分配研究最近开始引起学术界的关注[7-10]。文[7]研究了一条全双工D2D通信链路,以最大化有效容量为目标提出了最优的功率控制算法。文[8]研究了由具有相同QoS需求的一个蜂窝用户和一对直通用户组成的单元,以最大化该单元的有效容量为目标提出了有效的功率控制算法。文[9]研究了一个蜂窝用户和一对直通用户以不同QoS需求共享资源的场景,提出了有效的功率控制算法,在保证直通用户最小有效容量需求的同时,最大化蜂窝用户的有效容量。文[7-9]的共同不足是不能应用到多对直通用户重用同一资源的场景,因而其提出的功率控制算法十分局限[3]。文[10]研究了多对直通用户共享资源的场景,以最大化带QoS保证的系统吞吐量为目标,提出了有效的资源分配算法。但为了简化问题,文[10]没有考虑蜂窝用户的存在。同时,文[7-10]的一个共同不足是他们研究的都是单载波系统,因而其提出的功率控制算法不能用于多载波系统。考虑到正交频分多址接入(orthogonal frequency division multiple access,OFDMA)已广泛应用到4G网络中,并且很可能被5G网络采用,因此为OFDMA系统中的D2D通信提供统计QoS保证是非常有意义的[11]
为了解决上述问题,本文研究了OFDMA蜂窝网络中的D2D通信。考虑多个蜂窝用户和多对直通用户以不同的统计QoS需求共享多个子信道,在保证蜂窝用户的干扰门限要求下,提出了有效的资源分配算法以最大化带QoS保证的系统吞吐量。通过Lagrange方法求解原始优化问题。为了求解对偶函数,提出了交替式优化算法和渐进凸近似算法。仿真表明,本文所提方案能有效提升系统性能。
1 系统模型本文考虑一个基于OFDMA的蜂窝小区,如图 1所示。该小区由1个基站、C个蜂窝用户、D对直通用户和K个正交子信道组成。用B表示每个子信道的带宽。本文假设直通用户重用蜂窝用户的上行传输资源。因此,本文考虑的蜂窝用户都是上行用户。为了表示方便,用$\mathcal{C}$={0, 1, …, C-1}、$\mathcal{D}$={C, C+1, …, C+D-1}分别表示蜂窝通信链路和直接通信链路的集合,用$\mathcal{K}$={0, 1, …, K-1}表示所有可用的子信道集合。
图 1 系统模型
图选项





用Txi和Rxi分别表示通信链路i$\mathcal{C}$$\mathcal{D}$的发端和收端。用hijk表示在子信道k上,Txi到Rxj的信道功率增益。假设信道变化服从块衰落模型,即信道功率增益在一个时隙内保持不变,在不同时隙间独立变化。假设一个时隙长为T。用$\mathcal{H}$={hijk, ?i, j$\mathcal{C}$$\mathcal{D}$, ?k$\mathcal{K}$}表示所有通信链路和干扰链路的信道状态信息(channel state information,CSI),假设基站能获得全部CSI。
在给定$\mathcal{H}$的情况下,假设部分子信道被分配给蜂窝用户,记这些子信道集合为${{\mathcal{K}}_{C}}\left( \mathcal{K} \right)$。这些子信道能被直通用户重用的条件是直通用户对蜂窝用户产生的干扰不能超过给定的干扰门限值。在实际应用中,可以通过调整该干扰门限值来调节对蜂窝用户的保护程度。本文关注直通用户的资源优化,因此蜂窝用户的资源分配不在本文考虑范围内。
Pik($\mathcal{H}$)表示$\mathcal{H}$下,直通用户Txi在子信道k上的发送功率。用P($\mathcal{H}$)={Pik($\mathcal{H}$), ?i$\mathcal{D}$, ?k$\mathcal{K}$}表示$\mathcal{H}$下,所有直通用户对的发端在所有子信道上的发送功率集合。给定$\mathcal{H}$和发送功率P($\mathcal{H}$)后,直接通信链路i$\mathcal{D}$在一个时隙内的最大发送数据量可以表示为
$\begin{array}{*{20}{c}}{{R_i}\left( {P\left( {\cal H} \right)} \right) = }\\{\sum\limits_{k \in {\cal K}} {TB\;1{\rm{b}}\left( {1 + \frac{{P_i^k\left( {\cal H} \right)h_{ii}^k}}{{\sigma _k^2+\sum\limits_{j \in {\cal D},j \ne i} {P_j^k\left( {\cal H} \right)h_{ij}^k} + \delta _i^k\left( {\cal H} \right)}}} \right)} ,}\\{\forall i \in {\cal D}.}\end{array}$ (1)
其中:σk2表示子信道k上的噪声功率;δik($\mathcal{H}$)表示蜂窝用户在子信道k上对直通用户Rxi的干扰,注意δik($\mathcal{H}$)只在子信道k$ {{\mathcal{K}}_{C}}\left( \mathcal{H} \right)$上为正,即δik($\mathcal{H}$)=0, ?k$\mathcal{K}$/ $ {{\mathcal{K}}_{C}}\left( \mathcal{H} \right)$
图 1中,每个发端用户处有一个队列来存储待发送业务。用λi表示直通用户Txi的业务到达率,令λ={λi, ?i$\mathcal{D}$}。由于业务到达率的调整频率一般都远远慢于信道的变化频率,因此本文假设λ在通信开始前给定,$\mathcal{H}$之后不随变化。
2 统计QoS保证本文用如下的队列门限超出概率限制来刻画统计QoS保证:
$\Pr \left\{ {{Q_i} \ge Q_i^{{\rm{th}}}} \right\} \le \rho _i^{{\rm{th}}},\forall i \in {\cal D}.$ (2)
其中:Qi表示Txi的稳态队长,Qith表示给定的队列门限值,ρith表示允许的最大队列门限超出概率。根据大偏差理论[12],当队列的到达和服务过程是平稳的且各态历经的,式(2)中的概率可以近似如下:
$\Pr \left\{ {{Q_i} \ge Q_i^{{\rm{th}}}} \right\} \approx {{\rm{e}}^{ - {\theta _i}Q_i^{{\rm{th}}}}},\forall i \in {\cal D}.$ (3)
其中θi(θi>0)称为QoS指数,用于表示队列分布的指数衰减率。θi被用于表征QoS需求程度[6]θi越大,衰减速率越快,表明系统可以提供越紧的QoS保证。
对于任意一个服务过程,其有效容量定义为满足统计QoS需求的最大恒定业务到达率[6]。对于通信链路i$\mathcal{D}$上的服务过程Ri(P($\mathcal{H}$)),给定QoS指数θi时,其有效容量为[6]
${C_i}\left( {{\theta _i}} \right) = - \frac{1}{{{\theta _i}}}\ln \left( {{E_{\cal H}}\left\{ {{{\rm{e}}^{ - {\theta _i}{R_i}\left( {\mathit{\boldsymbol{P}}\left( {\cal H} \right)} \right)}}} \right\}} \right),\forall i \in {\cal D}.$ (4)
其中${{\mathit{E}}_{\mathcal{H}}}${·}表示对$\mathcal{H}$求期望。结合式(2)—(4)可知,对于一个服务过程,为了满足式(2)给出的统计QoS需求,要求其有效容量必须大于给定的业务到达率,即
${C_i}\left( {{\theta _i}} \right) \ge {\lambda _i},\forall i \in {\cal D}.$ (5)
其中θi=-lnρith/Qith
对于一个没有缓存空间限制的稳定队列,其平均业务到达率等于平均服务率。因此$\sum\limits_{i\in \mathcal{D}}{{{\lambda }_{i}}}$可视为带QoS保证的系统吞吐量,其中统计QoS保证由式(2)给出。
3 问题建模本文的目标是通过有效的资源分配即业务到达率调整和功率控制,以最大化带QoS保证的系统吞吐量。相应的数学问题P1可表示为
$\mathop {\max }\limits_{\mathit{\boldsymbol{\lambda }},\mathit{\boldsymbol{P}}\left( {\cal H} \right)} \sum\limits_{i \in {\cal D}} {{\lambda _i}} ;$ (6a)
${\text{s.t.}}\;\;\;\Pr \left\{ {{Q_i} \ge Q_i^{{\rm{th}}}} \right\} \le \rho _i^{{\rm{th}}},\forall i \in {\cal D};$ (6b)
${\lambda _i} \ge 0,\forall i \in {\cal D};$ (6c)
$\sum\limits_{i \in {\cal D}} {P_i^k\left( {\cal H} \right)h_{i0}^k} \le I_k^{{\rm{th}}}\left( {\cal H} \right),\forall k \in {{\cal K}_C}\left( {\cal H} \right),\forall {\cal H};$ (6d)
$P_i^k\left( {\cal H} \right) \ge 0,\forall i \in {\cal D},\forall k \in {\cal K},\forall {\cal H};$ (6e)
$\sum\limits_{k \in {\cal K}} {P_i^k\left( {\cal H} \right)} \le P_i^{\max },\forall i \in {\cal D},\forall {\cal H}.$ (6f)
其中式(6d)表示在子信道k$ {{\mathcal{K}}_{C}}\left( \mathcal{H} \right)$上,直通用户对蜂窝用户的干扰不能超过门限值Ikth($\mathcal{H}$),Pimax表示直通用户Txi的最大发送功率。
由节2可知,式(6b)表示的统计QoS保证可以等价为式(5)表示的有效容量限制。同时,将式(4)代入式(5),可以进行如下等价变换:
$\begin{array}{l}{C_i}\left( \theta \right) = - \frac{1}{{{\theta _i}}}\ln \left( {{E_{\cal H}}\left\{ {{{\rm{e}}^{ - {\theta _i}{R_i}\left( {P\left( {\cal H} \right)} \right)}}} \right\}} \right) \ge {\lambda _i}\\\;\;\;\;\;\;\;\; \Leftrightarrow {E_{\cal H}}\left\{ {{{\rm{e}}^{ - {\theta _i}{R_i}\left( {P\left( {\cal H} \right)} \right)}}} \right\} \le {{\rm{e}}^{ - {\theta _i}{\lambda _i}}}\\\;\;\;\;\;\;\;\; \Leftrightarrow {E_{\cal H}}\left\{ {{{\rm{e}}^{{\theta _i}\left( {{\lambda _i} - {R_i}\left( {P\left( {\cal H} \right)} \right)} \right)}}} \right\} \le 1.\end{array}$ (7)
于是问题P1可以等价转换为如下问题P2:
$\mathop {\max }\limits_{\lambda ,P\left( {\cal H} \right)} \;\;\sum\limits_{i \in {\cal D}} {{\lambda _i}} ;$ (8a)
$\begin{array}{*{20}{c}}{{\text{s.t.}}\;\;{E_{\cal H}}\left\{ {{{\rm{e}}^{{\theta _i}\left( {{\lambda _i} - {R_i}\left( {P\left( {\cal H} \right)} \right)} \right)}}} \right\} \le 1.\;\;\forall i \in {\cal D};}\\{式\left( {6c} \right) - \left( {6f} \right)成立.}\end{array}$ (8b)
由于通信链路间存在干扰,Ri(P($\mathcal{H}$))是典型的非凹函数[13],因此优化问题是非凸的。但是,文[14]证明了当随机变量的累积分布函数(cumulative distribution function,CDF)连续时,P2这种非凸函数出现在期望内的优化问题的对偶间隙为零。在P2中,随机变量为$\mathcal{H}$。对于所有实际的衰落信道如Rayleigh衰落、Rician衰落等,$\mathcal{H}$的CDF都是连续的,因此P2具有零对偶间隙,可以采用Lagrange方法等效求解。
$ \overline{\mu }$={μi, ?i$\mathcal{D}$}表示与式(8b)相对应的对偶变量,可以将P2的部分Lagrange函数写为
$\begin{array}{*{20}{c}}{{\cal L}\left( {\lambda ,P\left( {\cal H} \right),\bar \mu } \right) = }\\{\sum\limits_{i \in {\cal D}} {{\lambda _i}} + \sum\limits_{i \in {\cal D}} {{\mu _i}\left( {1 - {E_{\cal H}}\left\{ {{{\rm{e}}^{{\theta _i}\left( {{\lambda _i} - {R_i}\left( {P\left( {\cal H} \right)} \right)} \right)}}} \right\}} \right)} .}\end{array}$ (9)
给定$ \overline{\mu }$后,记相应的对偶函数为g($ \overline{\mu }$),g($ \overline{\mu }$)定义为下述优化问题P3($ \overline{\mu }$)的最优目标函数值:
$\begin{array}{*{20}{c}}{\mathop {\max }\limits_{\lambda ,P\left( {\cal H} \right)} \;\;{\cal L}\left( {\lambda ,P\left( {\cal H} \right),\bar \mu } \right)}\\{{\text{s.t.}}\;\;式\left( {6{\rm{c}}} \right) - \left( {6{\rm{f}}} \right)成立.}\end{array}$ (10)
相应的对偶问题P4为
$\begin{array}{*{20}{c}} {\mathop {\max }\limits_\mu \;\;\;\;g\left( {\bar \mu } \right),} \\ {{\text{s.t.}}\;\;\bar \mu \succcurlyeq 0.} \end{array}$ (11)
当存在μi=0时,由式(9)和P3($ \overline{\mu }$)可知,λig($ \overline{\mu }$)的值将取正无穷,此时g($ \overline{\mu }$)是一个无意义的上界[15]。因此在下文中,假设$ \overline{\mu }$中各元素均为正,即μi>0, ?i$\mathcal{D}$
虽然P2具有零对偶间隙,但这并不意味着P2可以很容易的通过Lagrange方法求解。事实上,由于Ri(P($\mathcal{H}$))是非凹函数,问题P3($ \overline{\mu }$)的求解仍然十分困难。因此,本文先提出有效的算法来求解P3($ \overline{\mu }$),然后通过次梯度算法求解P4。
4 问题求解4.1 通过交替式优化算法求解P3($ \overline{\mu }$)因为同时优化λP($\mathcal{H}$)十分困难,本文采用交替式优化算法[16]来求解P3($ \overline{\mu }$),其核心思想是固定λP($\mathcal{H}$),然后只对另一个变量进行优化。
1) 给定业务到达率时,进行功率控制。
λ表示任意给定的业务到达率。通过交换式(9)中求期望与求和的顺序,可将式(9)重写为
$\begin{array}{l}{\cal L}\left( {\lambda ,P\left( {\cal H} \right),\bar \mu } \right)\\\;\;\;\;\;\;\;\; = \sum\limits_{i \in {\cal D}} {{\lambda _i}} + \sum\limits_{i \in {\cal D}} {{\mu _i}} - \sum\limits_{i \in {\cal D}} {{\mu _i}{E_{\cal H}}\left\{ {{{\rm{e}}^{{\theta _i}\left( {{\lambda _i} - {R_i}\left( {P\left( {\cal H} \right)} \right)} \right)}}} \right\}} \\\;\;\;\;\;\;\;\; = \sum\limits_{i \in {\cal D}} {{\lambda _i}} + \sum\limits_{i \in {\cal D}} {{\mu _i} - {E_{\cal H}}\left\{ {f\left( {\lambda ,P\left( {\cal H} \right)} \right)} \right\}} .\end{array}$ (12)
其中$f\left( \lambda, P\left( \mathcal{H} \right) \right)\triangleq \sum\limits_{i\in \mathcal{D}}{{{\mu }_{i}}{{\rm{e}}^{{{\theta }_{i}}\left( {{\lambda }_{i}}-{{R}_{i}}\left( P\left( \mathcal{H} \right) \right) \right)}}}$,期望${{\mathit{E}}_{\mathcal{H}}}${·}可以通过Monte Carlo方法近似。
根据对偶分解算法[17],P3($ \overline{\mu }$)可以分解为一系列具有同样结构的独立子问题,每个子问题对应一个$\mathcal{H}$。因此给定$\mathcal{H}$后,相应的最优功率控制结果为下述子问题P5($\mathcal{H}$, λ)的最优解
$\begin{array}{*{20}{c}}{\mathop {\min }\limits_{P\left( {\cal H} \right)} \ \ \ f\left( {\lambda ,P\left( {\cal H} \right)} \right);}\\{{\rm{s}}{\rm{.}}\;{\rm{t}}{\rm{.}}\;\;\;\sum\limits_{i \in {\cal D}} {P_i^k\left( {\cal H} \right)h_{i0}^k} \le I_k^{{\rm{th}}}\left( {\cal H} \right),\forall k \in {{\cal K}_C}\left( {\cal H} \right);}\\{P_i^k\left( {\cal H} \right) \ge 0,\;\forall i \in {\cal D},\;\forall k \in {\cal K};}\\{\sum\limits_{k \in {\cal K}} {P_i^k\left( {\cal H} \right) \le P_i^{\max }} ,\forall i \in {\cal D}.}\end{array}$ (13)
考虑到f(λ, P($\mathcal{H}$))中包含非凹函数Ri(P($\mathcal{H}$)),因此优化问题P5($\mathcal{H}$, λ)是非凸的。本文将在节4.2中通过渐进凸近似算法求解P5($\mathcal{H}$, λ)。
2) 给定功率控制结果时,调整业务到达率λ
用{P(${{\mathcal{H}}_{n}}$), ?n$\mathcal{N}$}表示与N个CSI相对应的功率控制结果,其中$\mathcal{N}$={0, 1, …, N-1}。通过Monte Carlo方法,可得如下近似:
${E_{\cal H}}\left\{ {{{\rm{e}}^{- {\theta _i}{R_i}\left( {P\left( {\cal H} \right)} \right)}}} \right\} \approx \frac{1}{N}\sum\limits_{n \in {\cal N}} {{{\rm{e}}^{ - {\theta _i}{R_i}\left( {P\left( {\cal H} \right)} \right)}}} .$ (14)
将式(9)中的Lagrange函数对λi求导可得
$\frac{{{\rm{d}}{\cal L}\left( {\lambda ,P\left( {\cal H} \right),\bar \mu } \right)}}{{{\rm{d}}{\lambda _i}}} = 1 - {{\rm{e}}^{{\theta _i}{\lambda _i}}}{\theta _i}{\mu _i}{E_{\cal H}}\left\{ {{{\rm{e}}^{ - {\theta _i}{R_i}\left( {P\left( {\cal H} \right)} \right)}}} \right\}.$ (15)
因为θi, μi${{\mathit{E}}_{\mathcal{H}}}${e-θiRi(P($\mathcal{H}$))}都为正数,所以易得$\frac{{\rm{d}}\mathcal{L}\left( \lambda, P\left( \mathcal{H} \right), \mu \right)}{\rm{d}{{\lambda }_{\mathit{i}}}}$λi是单调递减的。因此在给定功率控制结果{P(${{\mathcal{H}}_{\mathit{n}}}$), ?n$\mathcal{N}$}的情况下,能最大化Lagrange函数的最优业务到达率${{\widetilde{\lambda }}^{*}}\rm{=}\left\{ \widetilde{\lambda }_{\mathit{i}}^{*}, \forall \mathit{i}\in \mathcal{D} \right\}$
$\tilde \lambda _i^ * = {\left[ {{{\tilde \lambda }_i}} \right]^ + },\forall i \in {\cal D}.$ (16)
其中${{\widetilde{\lambda }}_{i}}=-\frac{1}{{{\theta }_{i}}}{\rm{ln}}\left( {{E}_{\mathcal{H}}}\left\{ {{\rm{e}}^{-{{\theta }_{i}}{{R}_{i}}\left( P\left( \mathcal{H} \right) \right)}} \right\} \right)-\frac{1}{{{\theta }_{i}}}{\rm{ln}}\left( {{\theta }_{i}}{{\mu }_{i}} \right)$为满足$\frac{{\rm{d}}\mathcal{L}\left( \lambda, P\left( \mathcal{H} \right), \overline{\mu } \right)}{\rm{d}{{\lambda }_{\mathit{i}}}}\left| _{{{\lambda }_{\mathit{i}}}={{\widetilde{\lambda }}_{i}}}=0 \right.$的点,[·]+=max(·,0)。
3) 基于交替式优化的迭代算法。
基于上述分析,本文提出的求解P3($ \overline{\mu }$)的算法流程如下:
步骤1??初始化:业务到达率初值λ(0),迭代序号v=0,最大迭代次数vmax
步骤2??功率控制:遍历N个CSI,给定λ(v)${{\mathcal{H}}_{\mathit{n}}}$后,求解P5(${{\mathcal{H}}_{\mathit{n}}}$, λ(v)),得到功率控制结果P(${{\mathcal{H}}_{\mathit{n}}}$)(v)
步骤3??调整业务到达率:给定N个CSI下的功率控制结果{P(${{\mathcal{H}}_{\mathit{n}}}$)(v), ?n$\mathcal{N}$}后,通过式(16)求得最优的业务到达率λ(v+1)
步骤4??计算P3($ \overline{\mu }$)的目标函数值g($ \overline{\mu }$)(v)= (λ(v), P($\mathcal{H}$)(v), $ \overline{\mu }$)。
步骤5??如果g($ \overline{\mu }$)(v)收敛或者v=vmax,则停止迭代,输出λ(v)和{P(${{\mathcal{H}}_{\mathit{n}}}$)(v), ?n$\mathcal{N}$}作为P3($ \overline{\mu }$)的求解结果;否则,更新v=v+1,转步骤2。
4.2 通过渐进凸近似算法求解P5($\mathcal{H}$, λ)本小节通过渐进凸近似算法求解P5($\mathcal{H}$, λ)。为了将P5($\mathcal{H}$, λ)转换为一个凸优化问题,本文采用文[18]提出的如下引理。
引理1??对于任意给定的z≥0和$\overline{z}$≥0,有下式成立
$\ln \left( {1 + z} \right) \ge \alpha \ln \left( z \right) + \beta .$ (17)
其中近似系数αβ定义如下:
$\left\{ \begin{array}{l}\alpha = \frac{{\bar z}}{{1 + \bar z}},\\\beta = \ln \left( {1 + \bar z} \right) - \frac{{\bar z}}{{1 + \bar z}}\ln \left( {\bar z} \right).\end{array} \right.$ (18)
不等式(17)在z=$\overline{z}$时取得等号。
基于引理1和等价变换$\widetilde{P}_{i}^{k}\left( \mathcal{H} \right)=\ln P_{i}^{k}\left( \mathcal{H} \right)$,对Ri(P($\mathcal{H}$))做如下松弛:
$\begin{array}{*{20}{c}}{{R_i}\left( {P\left( {\cal H} \right)} \right) \ge }\\{\sum\limits_{k \in {\cal K}} {\frac{{TB}}{{\ln 2}}\left[ {\alpha _i^k\ln \left( {\frac{{P_i^k\left( {\cal H} \right)h_{ii}^k}}{{\sigma _k^2 + \sum\limits_{j \in {\cal D},j \ne i} {P_j^k\left( {\cal H} \right)h_{ji}^k} + \delta _i^k\left( {\cal H} \right)}}} \right) + \beta _i^k} \right]} = }\\{\sum\limits_{k \in {\cal K}} {\frac{{TB}}{{\ln 2}}\left[ {\alpha _i^k\ln h_{ii}^k + \alpha _i^k\tilde P_i^k\left( {\cal H} \right) - } \right.} }\\{\left. {a_i^k\ln \left( {\sigma _k^2 + \sum\limits_{j \in {\cal D},j \ne i} {{{\rm{e}}^{\tilde P_j^k\left( {\cal H} \right)}}h_{ji}^k} + \delta _i^k\left( {\cal H} \right)} \right) + \beta _i^k} \right] \buildrel \Delta \over = }\\{{{\tilde R}_i}\left( {\tilde P\left( {\cal H} \right),{w_i}} \right).}\end{array}$ (19)
其中:$\widetilde{P}(\mathcal{H})$={$\widetilde{P}_{i}^{k}\left( \mathcal{H} \right)$, ?i$\mathcal{D}$, ?k$\mathcal{K}$}表示等价变换后的功率;wi={αik, βik, ?k$\mathcal{K}$}表示通信链路i$\mathcal{D}$的近似系数,令w={wi, ?i$\mathcal{D}$}。
文[15]证明了log-sum-exp是凸函数,所以${{\widetilde{R}}_{i}}\left( \widetilde{P}\left( \mathcal{H} \right), {{w}_{i}} \right)$是线性函数和凹函数的和,进而可得${{\widetilde{R}}_{i}}\left( \widetilde{P}\left( \mathcal{H} \right), {{w}_{i}} \right)$是凹函数。基于上述松弛,可将P5($\mathcal{H}$, λ)转化为如下的新问题P6(w):
$\begin{array}{*{20}{c}}{\mathop {\min }\limits_{\mathit{\boldsymbol{\tilde P}}\left( {\cal H} \right)} \;\;\tilde f\left( {\lambda ,\tilde P\left( {\cal H} \right),w} \right);}\\{{\rm{s}}{\rm{.}}\;{\rm{t}}{\rm{.}}\;\;\;\sum\limits_{i \in {\cal D}} {{{\rm{e}}^{\tilde P_i^k\left( {\cal H} \right)}}h_{i0}^k} \le I_k^{{\rm{th}}}\left( {\cal H} \right),\forall k \in {{\cal K}_C}\left( {\cal H} \right);}\\{\sum\limits_{k \in {\cal K}} {{{\rm{e}}^{\tilde P_i^k\left( {\cal H} \right)}}} \le P_i^{\max },\forall i \in {\cal D}.}\end{array}$ (20)
其中$\widetilde{f}\left( \lambda, \widetilde{P}\left( \mathcal{H} \right), w \right)\triangleq \sum\limits_{i\in \mathcal{D}}{{{\mu }_{i}}{{\rm{e}}^{{{\theta }_{i}}\left( {{\lambda }_{i}}-{{\widetilde{R}}_{i}}\left( \widetilde{P}\left( \mathcal{H} \right), {{w}_{i}} \right) \right)}}}$
因为${{\widetilde{R}}_{i}}\left( \widetilde{P}\left( \mathcal{H} \right), {{w}_{i}} \right)$是凹函数,所以易得$\widetilde{f}\left( \lambda, \widetilde{P}\left( \mathcal{H} \right), w \right)$为凸函数,进而可证优化问题P6(w)是凸的。P6(w)可以通过内点法[15]等算法求解。
求解完P6(w)后,可用新得到的功率控制结果更新近似系数以获得更准确的近似[18]。基于上述分析,本文提出的求解P5($\mathcal{H}$, λ)的算法流程如下:
步骤1??初始化:近似系数初值w(0),迭代序号y=0,最大迭代次数ymax
步骤2??功率控制:给定近似系数w(y)后,求解P6(w(y)),记最优解为$\widetilde{P}{{\left( \mathcal{H} \right)}^{\left( y \right)}}$,通过逆变换$P_{i}^{k}{{\left( \mathcal{H} \right)}^{\left( y \right)}}={{\rm{e}}^{\widetilde{P}_{i}^{k}{{\left( \mathcal{H} \right)}^{\left( y \right)}}}}$得到功率控制结果P($\mathcal{H}$)(y)
步骤3??更新近似系数:由P($\mathcal{H}$)(y)计算出通信链路i(i$\mathcal{D}$)在子信道k(k$\mathcal{K}$)上的信干噪比,记为$\overline{z}$,按式(18)计算得更新后的近似系数αik(y+1)βik(y+1)
步骤4??计算P5($\mathcal{H}$, λ)的目标函数值f(λ, P($\mathcal{H}$)(y))。
步骤5??如果f(λ, P($\mathcal{H}$)(y))收敛或者y=ymax,则停止迭代,输出P($\mathcal{H}$)(y)作为的P5($\mathcal{H}$, λ)求解结果;否则,更新y=y+1,转步骤2。
4.3 通过次梯度算法求解P4在求解完P3$ \overline{\mu }$后,可通过次梯度算法求解对偶问题P4,即对偶变量$ \overline{\mu }$可通过如下方式更新:
$\mu _i^{\left( {l + 1} \right)} = {\left[ {\mu _i^{\left( l \right)} + s\left( {{E_{\cal H}}\left\{ {{{\rm{e}}^{{\theta _i}\left( {{\lambda _i} - {R_i}\left( {\mathit{\boldsymbol{P}}\left( {\cal H} \right)} \right)} \right)}}} \right\} - 1} \right)} \right]^ + }.$ (21)
其中:l表示迭代序号,s表示足够小的步长。
5 仿真分析本章通过仿真来验证所提算法的有效性。考虑一个半径为500 m的圆形小区,基站位于圆心,蜂窝用户和直通用户对发端随机分布于小区。直通用户对收端随机分布于以其相应发端为圆心、半径为100 m的圆内。如节2所述,用θi来刻画通信链路i$\mathcal{D}$的统计QoS需求。为了仿真简便,假设所有直通用户具有相同的统计QoS需求和最大发送功率,分别用θPmax表示。每个时隙初,所有子信道随机分配给蜂窝用户,即$ {{\mathcal{K}}_{C}}\left( \mathcal{H} \right)$=$\mathcal{K}$, ?$\mathcal{H}$,同时各子信道上的干扰门限值相同,即Ikth($\mathcal{H}$)=Ith, ?k$\mathcal{K}$, ?$\mathcal{H}$。其余参数取值为:C=D=30,K=5,B=0.5 MHz,T=1 ms,Pmax=23 dBm,噪声功率谱密度为-174 dBm/Hz,用户与基站间的路损数值为15.3+37.6 lg d,用户与用户间的路损数值为28+40 lg d,其中:d表示距离,单位为m;路损单位为dB。阴影衰落的标准差为7 dB,快衰落考虑均值为1的Rayleigh衰落。
本文选取带QoS保证的系统吞吐量$\sum\limits_{i\in \mathcal{D}}{{{\lambda }_{i}}}$作为性能指标。为了获得平均性能,本文仿真了100个随机产生的拓扑,每个拓扑仿真104个时隙。为了比较性能,选取下面2个对比方案:
1) 和速率最大方案:给定$\mathcal{H}$后,P($\mathcal{H}$)通过最大化和速率$\sum\limits_{i\in \mathcal{D}}{{{R}_{i}}\left( P\left( \mathcal{H} \right) \right)}$求得。对于通信链路i$\mathcal{D}$,给定后θiλi调整为Ri(P($\mathcal{H}$))的有效容量,即λi=Ci(θi)。
2) 最大功率发送方案:各直通用户对的发端都以最大功率发送,功率在所有子信道上均分,可以通过同比例减小子信道k$ {{\mathcal{K}}_{C}}\left( \mathcal{H} \right)$上的发送功率来保证式(6d)中的干扰门限一定满足。业务到达率的调整方式同方案1。
图 2显示了QoS指数θ对系统吞吐量的影响,其中Ith=-90 dBm。当θ变大时,对应的QoS需求变紧,因此系统吞吐量随θ单调递减。可以发现本文所提方案始终具有最优性能,且性能优势随θ的变大而愈加明显。例如相比和速率最大方案,本文所提方案在θ为10-3和10-2.4时能将性能分别提升51%和115%。
图 2 $\sum\limits_{i\in \mathcal{D}}{{{\lambda }_{i}}}$θ的关系
图选项





图 3显示了系统吞吐量随干扰门限值Ith的变化情况。当Ith很小时,对蜂窝用户的保护程度很高,此时要求直通用户发送功率很小,因此吞吐量很低。随着Ith变大,对蜂窝用户的保护程度减弱,允许直通用户以更大的功率发送,因此吞吐量随之上升并逐渐饱和。同样可以发现所提方案始终能达到最大的系统吞吐量。
图 3 $\sum\limits_{i\in \mathcal{D}}{{{\lambda }_{i}}}$Ith的关系
图选项





6 结论本文研究了OFDMA蜂窝网络中的D2D通信,在保证蜂窝用户的干扰门限要求下,以最大化带统计QoS保证的系统吞吐量为目标,提出了有效的资源分配算法。通过Lagrange方法求解原始优化问题。为了求解对偶函数,提出了交替式优化算法和渐进凸近似算法。仿真表明本文所提方案能有效提升系统性能。

参考文献
[1] Boccardi F, Heath R W, Lozano A, et al. Five disruptive technology directions for 5G[J]. IEEE Communication Magazine, 2014, 52(2): 74–80. DOI:10.1109/MCOM.2014.6736746
[2] Mumtaz S, Rodriguez J. Smart Device to Smart Device Communication[M]. Gewerbestrasse, Switzerland: Springer, 2014.
[3] Asadi A, WANG Qing, Mancuso V. A survey on device-to-device communication in cellular networks[J]. IEEE Communications Surveys Tutorials, 2014, 16(4): 1801–1819. DOI:10.1109/COMST.2014.2319555
[4] Tullberg H, Popovski P, Li Z, et al. The metis 5G system concept:Meeting the 5G requirements[J]. IEEE Communication Magazine, 2016, 54(12): 132–139. DOI:10.1109/MCOM.2016.1500799CM
[5] WU Dapeng, Negi R. Effective capacity:A wireless link model for support of quality of service[J]. IEEE Transactions on Wireless Communications, 2003, 2(4): 630–643.
[6] TANG Jia, ZHANG Xi. Quality-of-service driven power and rate adaptation over wireless links[J]. IEEE Transactions on Wireless Communications, 2007, 6(8): 3058–3068. DOI:10.1109/TWC.2007.051075
[7] CHENG Wenchi, ZHANG Xi, ZHANG Hailin. Heterogeneous statistical QoS provisioning for full-duplex D2D communications over 5G wireless networks[C]//Proc IEEE Globecom. San Diego, CA, USA:IEEE Press, 2015:1-7.
[8] CHENG Wenchi, ZHANG Xi, ZHANG Hailin. Optimal power allocation with statistical QoS provisioning for D2D and cellular communications over underlaying wireless networks[J]. IEEE Journal on Selected Areas in Communications, 2016, 34(1): 151–162. DOI:10.1109/JSAC.2015.2476075
[9] MI Xiang, XIAO Limin, ZHAO Ming, et al. Heterogeneous statistical QoS-driven power control for D2D communications underlaying cellular networks[C]//IEEE International Conference on Telecommunications (ICT). Thessaloniki, Greece:IEEE Press, 2016:74-78.
[10] MI Xiang, XIAO Limin, ZHAO Ming, et al. Statistical QoS-driven power control and source adaptation for D2D communications[C]//IEEE Military Communications Conference (MILCOM). Baltimore, MD, USA:IEEE Press, 2016:307-312.
[11] Mach P, Becvar Z, Vanek T. In-band device-to-device communication in OFDMA cellular networks:A survey and challenges[J]. IEEE Communications Surveys Tutorials, 2015, 17(4): 1885–1922. DOI:10.1109/COMST.2015.2447036
[12] Chang C S. Stability, queue length, and delay of deterministic and stochastic queueing networks[J]. IEEE Transactions on Automatic Control, 1994, 39(5): 913–931. DOI:10.1109/9.284868
[13] Hayashi S, LUO Zhiquan. Spectrum management for interference limited multiuser communication systems[J]. IEEE Transactions on Information Theory, 2009, 55(3): 1153–1175. DOI:10.1109/TIT.2008.2011433
[14] Ribeiro A, Giannakis G B. Separation principles in wireless networking[J]. IEEE Transactions on Information Theory, 2010, 56(9): 4488–4505. DOI:10.1109/TIT.2010.2053897
[15] Boyd S, Vandenberghe L. Convex Optimization[M]. Cambridge, UK: Cambridge University Press, 2004.
[16] Niesen U, Shah D, Wornell G W. Adaptive alternating minimization algorithms[J]. IEEE Transactions on Information Theory, 2009, 55(3): 1423–1429. DOI:10.1109/TIT.2008.2011442
[17] ZHANG Rui, CUI Shuguang, LIANG Yingchang. On ergodic sum capacity of fading cognitive multiple-access and broadcast channels[J]. Transactions on Information Theory, 2009, 55(11): 5161–5178. DOI:10.1109/TIT.2009.2030449
[18] Papandriopoulos J, Evans J. Scale:A low-complexity distributed protocol for spectrum balancing in multiuser DSL networks[J]. Transactions on Information Theory, 2009, 55(8): 3711–3724. DOI:10.1109/TIT.2009.2023751

相关话题/通信 系统

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 密集小区多载波系统中基于业务排队的能效优化
    魏红鑫1,王燕敏2,李云洲1,周世东11.清华大学电子工程系,北京100084;2.中国电子科技集团公司电子科学研究院,北京100041收稿日期:2017-04-14基金项目:国家"九七三"重点基础研究项目(2013CB329002);国家"八六三"高技术项目(2014AA01A703);国家科技重 ...
    本站小编 Free考研考试 2020-04-15
  • 神经机器翻译系统在维吾尔语-汉语翻译中的性能对比
    哈里旦木·阿布都克里木,刘洋,孙茂松清华大学计算机科学与技术系,智能技术与系统国家重点实验室,清华信息科学与技术国家实验室(筹),北京100084收稿日期:2017-02-23基金项目:国家自然科学基金重点项目(61331013);国家"八六三"高技术项目(2015AA015407)作者简介:哈里旦 ...
    本站小编 Free考研考试 2020-04-15
  • 视觉系统光学渐晕效应非线性补偿方法
    丁莹1,范静涛2,权巍1,韩成11.长春理工大学计算机科学与技术学院,长春130022;2.清华大学自动化系,北京100084收稿日期:2015-10-21基金项目:国家自然科学基金资助项目(61671265,61602058);中科院重点实验室基金(WLHKZ2015007)作者简介:丁莹(198 ...
    本站小编 Free考研考试 2020-04-15
  • 液压混合动力履带推土机行星齿轮传动系统的设计
    秦兆博1,罗禹贡1,2,张东好1,陈龙1,李克强11.清华大学汽车安全与节能国家重点实验室,北京100084;2.北京电动车辆协同创新中心,北京100081收稿日期:2016-09-08基金项目:国家自然科学基金项目(U1564208);浙江大学流体动力与机电系统国家重点实验室开放基金项目(GZKF ...
    本站小编 Free考研考试 2020-04-15
  • 组合循环推进系统燃料消耗模型及优化分析
    计自飞,王兵,张会强清华大学航天航空学院,北京100084收稿日期:2015-12-11基金项目:清华大学自主科研计划(20141081217)作者简介:计自飞(1991—),男,博士研究生通信作者:王兵,副教授,E-mail:wbing@tsinghua.edu.cn摘要:根据飞行任务要求,准确计 ...
    本站小编 Free考研考试 2020-04-15
  • 卫星高速数传系统相位噪声迭代补偿算法
    裴玉奎1,索婉萍21.清华大学宇航技术研究中心,北京100084;2.清华大学电子工程系,北京100084收稿日期:2015-12-25基金项目:国家自然科学基金资助项目(61301079,91338103,91538202);北京高等学校青年英才计划项目(YETP0103);清华大学自主科研项目( ...
    本站小编 Free考研考试 2020-04-15
  • 全系统一体的访问控制保障模型
    李瑜1,2,3,赵勇2,3,郭晓栋1,刘国乐11.国家保密科技测评中心,北京100044;2.北京工业大学计算机学院,北京100124;3.可信计算北京市重点实验室,北京100124收稿日期:2016-03-16基金项目:国家“八六三”高技术项目(2015AA016002)作者简介:李瑜(1983— ...
    本站小编 Free考研考试 2020-04-15
  • 全变量系统和支持向量机结合的说话人确认
    郭武1,张圣1,徐杰2,胡国平3,马啸空11.中国科学技术大学电子工程与信息科学系,合肥230026;2.国家计算机网络应急技术处理协调中心,北京100029;3.科大讯飞股份有限公司,合肥230088收稿日期:2016-06-21作者简介:郭武(1973-),男,副教授。E-mail:guowu@ ...
    本站小编 Free考研考试 2020-04-15
  • 基于时空特征的中继卫星系统业务模型
    王磊1,3,匡麟玲2,黄惠明31.清华大学航天航空学院,北京100084;2.清华大学宇航技术研究中心,北京100084;3.北京空间信息中继传输技术研究中心,北京100094收稿日期:2016-03-30基金项目:国家自然科学基金重点项目(91438206,91338108)作者简介:王磊(198 ...
    本站小编 Free考研考试 2020-04-15
  • 多小区分布式天线系统高能效协同传输方案
    王璟1,王燕敏2,冯伟1,肖立民1,周世东11.清华大学电子工程系,北京100084;2.中国电子科技集团公司电子科学研究院,北京100041收稿日期:2016-04-19基金项目:国家“九七三”重点基础研究项目(2012CB316002);国家“八六三”高技术项目(2015AA01A701);国家 ...
    本站小编 Free考研考试 2020-04-15