论文研究-LTE-A 异构网一种基于移动性预测的切换方案 .pdf

所需积分/C币:11 2019-08-16 15:21:15 636KB .PDF

LTE-A 异构网一种基于移动性预测的切换方案,张丹昱,邹素玲,针对LTE-A 异构网(Heterogeneous Network, HetNet)系统中因接收信号强度受到信道快速衰落的影响而导致的提前切换、滞后切换、乒乓切换等问�
山国武技记文在 移动模型 在图()、()的移动场景中,由于建筑物距离较分散,用户的移动模型均采用马 尔科夫链移动预测算法,号尔科夫链是状态之间进行转换的数学系统,它通常是一种无记 忆的随机过程,即下一状态仅仅依赖于当前状态。马尔科大链是一种转换系统,组成如下 一系列状态={…},每一个状态对应一个基站(或者一个基站集) 个转移状态集,每一个转移对应用户从一个基站移动到另一个基站。 如果马尔科夫链有个状态,则转移概率矩阵的维度为×。 转移概率矩阵的值由马尔科大状态图获得,图显示了马尔科大状态图和转移概率 矩阵。 A B B 图马尔科夫状态图和转移概率矩阵的关系图 图中考虑了两个状态和,因而转移概率矩阵的维度是。α是用户从状态 转换到状态的转移概率,-∝是用户从状态转换到状态的转移概率;冋理可知β是 用户从状态转换到状态的转移概率,一β是用户从状态转换到状态的转移概率 每一行的转移概率之和都为 马尔科夫链中除了要考虑转移概率矩阵,还需要考虑的参数是初始分布矩阵。初 始分布矩阵可以通过用户的移动速度、移动距离或者初始状态荻得。本文中将用户的初始 状态作为初始分布矩阵的值。因此用户的路径是通过他们的初始状态到用户的最终稳定状态 之间的转移进行抉择。图中有两个状态,共初始分布维度是 因此在步移动后用户的位置可以通过()式获得 这里,是用户的初始分布 是当前的转移概率矩阵,是状态转移数 基于移动性预测的切换算法 针对传统切换算法中存在的问题,夲文提出了新的移动性预测切换算法,根据不同移动 场景下的移动性预测算法首先颈测岀用户的下一个移动位置,再结合移动位置执行切换流 程。 不同移动场景下的移动预测算法 场景中的移动预测算法 在场景中,根据用户日常生活中的移动习惯预先设定好用户的转移概率矩阵,并以 山国武技记文在 用户所处位置假定用户的初始分布。例如,用户在周内和周末的转移概率矩阵设置如表 所示,用户的初始分布如表所示 表预先设定的用户转移概率矩阵表 转移概率奉矩阼 周内 周末 表用户的初始分布表 用户初始分布 将表和表中的转移概率矩阵和初始分布代入()式,可获得仼一用户在步移动 后的位置。 场景中的移动预测算法 场景中各基站邻近,与场景的算法区别是场景将用户的移动性历史信息作为输 入从而获得式()中转移概率知阵。 用户移动性历史信息 用户的移动性历史信息提供了很多有用的信息,例如用户常去的地方、用户经常使用 的驾驶路线以及用户在某个地方花费的时间。我们使用一个日志记录文件在基站中储存用户 的移动历史信息。日忐文件的结构如图所示。日志文件包括用户、时间和位置。时间 代表用户连接到某个基站的日期和时间点,位置代表用户在某个特定时间连接到的基站的 。当用户进入一个位置区域时触发一次日志文件 用户 时 位置 图日志文件的结构图 发现用户的移动方式 移动方式的确定是为了寻找用户经常访问的基站。用户移动方式通过以下定义获得 定义:和分别代表基站和时间。有序对=(∈,∈)代表一个 ∈∈}代表所有点集。 考虑两个点 和 ,只要= 则点与相等。如果 <,则的时间早于,这代表用户连接到的时间比连接到的时间早 定义:用户的路线被定义为在×空间由点组成的有限序列 其 ≤≤ 对于每一个用户,路线中点的值必须是唯一的(即≠),这是因为用户不可能 在相同的时间连接到相同的基站。在路线中,必须是唯一的,但是基站值可以相同, 山国武技记文在 这就是说用户可以在不同的吋间段连接到同个基站。 定义:是两个点序列和的时间间隔。是用户连接到某个特定基站的时间 冋隙。如果>,则我们假定用户停止了移动或者凵经到达了目的地。 时间间隙值直接影响到移动预测的准确性,因而需要选择合适的值。 基于上述的口志文件,我们建立个事务性数据斥来描述源基站和目的基站的关系。 通过数捱库,可以识别出被频繁访问的基站。如图显示了事务性数据库的步骤和格式。首 先,日志记录被转换成源目的基站表来定义用户的路线。时间间隙分割∫两条路线。如 果时间间隔大于吋间间隙,则目的基站的值与源基站的值设置为相等。之后,源目的 基站表被转换为一个事务性数据库。数据库显小∫所有转换过程中源基站和目的基站的关 系。事务性数据库的第一列是源基站列表,筅一行代表目的基站列表。例如事务性数据库的 值(第三列,第二行)代表用广在时间从基站移动到的频率 是 用户从·个基站转移到另·个基站的总数量。例如值(最后·列,第二行)代表用户从基 站移动到其他基站的总次数。一旦创建了事务性数据库,则以每一行的值除以总值来 计算转移概率矩阼。例如,从基站转移到基站的转移概率为(即值除以值)。 以事务性数据库获得的转移概率矩阵被用于马尔科夫链公式()中预测用户的移动状态。 日志记录 源-目的基站表 用户 时间 位置 源基站 目标基站 源基站 日标基站 每一个用户 事务性数据库 目标基站 源基站 BS1 图事务性数据库的步骤和格式 旦公式()被执行,可以预测出步之后用户的位置。 基于移动性预测的切换算法 的切换机制可以分成切换测量、切换准备以及切换执行三个阶段。在切换测 量阶段,用户需要对各小区的信号质量进行监测,并根据测量结果判决是否需要进行切换, 向源基站发送测量报告。在切换准备阶段,源基站将根据用户发送κ的测量报告,选择切换 的目标小区,并与目标小区做好切换准备工作。成功完成了切换准备阶段后,源基站就可以 通知用户开始切换,断开与源基站的连接,并接入到目标基站中,这就是最后的切换执行阶 山国武技记文在 对于基站内切换,由于切换发生在同·个基站的不同小区间,切换准备阶段所需吋间较 少。对于基站间的切换,切换发生在相邻的两个基站间,当前服务基站和目标基站需要进行 信令交互,切换时间大大增加,影响最终切换性能。图()和图()的移动场景均 属于基站间切换,针对基站间的切换时延问题,本文提出根据用户的位置信息,预测切换的 目标小区,提前进行切换准备工作的方案,从而缩知了切换流稈,减小了切换时延 本文提出的移动性预测切换算法的切换流稈如图所示,具体步骤如下: ()用户根据公式()判断是否处在需要进行切换的日标小区预测区域: 其中,为用户与当前服务基站的距离,为一个距离门限值,其大小通过基站的 覆盖范围来决定。若()式成立,则判定用户进入了目标小区预测区域(基站覆盖的边缘 区域),此时开始目标小区的预测行为,进入步骤()。 ()进入预测区域后,用户利用当前的位置信息,根据自身所处的移动场景(图() 或图()),选择相应的移动预测算法来预测目标小区。 ()用户将预测得到的日标小区发送给当前服务基站,服务基站与日标基站之间进行切 换准备工作,包括目标小区建立连接、目标小区预留资源、获取用户接入目标小区所需的信 ()用户断廾与服务小区的连接,建立与目标小区的连接。 用户 源基站 目标基站 判断预测区域 预测目标小区 预测结果 切换准备 -切换准备确认 测量报告 切换命令 切换完成 图基于移功性顶测的切换流程图 仿真结果及分析 本文搭建」宏基站与微微基站共冋组网的系统级仿真平台,在此平台的基础上对所提出 的移动性预测切换方案和传统的 切换方案(以事件判决目标小区)进行了仿真 比较。仿真场景如图()和图()所示,整个系统的仿貞参数如衣所示。为了评估 移动预测切换方案对系统性能的影响,分别对预测准确率、两种切换方案的切换时延、切换 失败率和总切换次数进行了仿真分析。仿真结果图中各符号的含义如下: 场景采用的移动性预测切换方案( :场景采用的移动性预测切换方案( :场景采用的传统 切换方案( 场景采用的传统 切换方案( 山国武技记文在 表整个系统的仿真参数 参数 数值 小区局 个小区,每个小区有个扇区,每个扇区有个微 微小区 站间距 系统频率 系统带宽 调度方式 微微小区覆盖半径 宏基站发射功率 微微基站发射功率 每个扇区屮的用户数 用户移动方向 天线模式 宏基站一 路径衰落 大线增益 与宏基站间的最小距离 徵微基站 路径衰落 天线增益 微微基站与宏基站间的最小距离 已MPA MPB 非随机数据( 图两种栘动场景卜栘动预测算法的预测准确性 图显示了和两和场景下移动预测算法的预测准确性,从图中可以看出随着非随 机数据的增加,即用户移动随杋性的降低,预测准确率逐渐増加。用户的移动规则越有规律, 即用户频繁地沿着相同路径移动,其转移概率知阵逐渐趋于固定值,则预测准确度越髙。在 本文提出的两种狈测算法中,当用户每天遵循相冋的路径移动,预测准确率均可达到 这是因为该预测算法不考虑用户不能到达的场所。由于高速移动场景下切换频繁、移动随机 性大,所以方案的预测准确率略低于 山国武技记文在 日MPA 图移动性预测切换方案和传统 切换方案的切换时延对比 图是仿真得到的移动性预测切换方案和传统 切换方案的切换时延。由图中叫 以看出场景两种切换方案的切换时延均小于场景,这是因为场景部署的基站距离较 近,并且用户速度小,存在较多的基站内切换,所需的切换时延较少,而场景的切换主 要是基站间切换。对比四种方案,可以看到案相对于方案,其切换时延可以 降低 左石 相对于方案,其切换时延可以降低左右。这是因为在仿 真模型的设置中,场景的原系统切换准备阶段要消耗左右的时间,场景要消耗 左右的时间。而和方案正是以较髙的预测准确率预测日标切换小区,提前 进行切换准备工作,因而减少了切换准备阶段的时延。 水 TRA -MPB TRE 图移动性预测切换方案和传统切换方案的切换失败※对比 图显示了移动性预测切换方案和传统 切换方案的切换失败率。从图中可以看 出用户处于高速移动场景中的切换失败率大于场景,高速运动更容易导致切换过程中 的连接中断。和两条曲线基本重合,而比的切换失败率略低,这是由 于髙速移动场景下方案有效地减少了切换过稈中因资源重分配引起的切换时延,降低 了丢包率,保证了用户的持续迕接质量。随着增加, 和方案的切换失败率 显著增加,这是因为高速移动时用户需要尽早触发切换才能在穿越切换区之前成功完成切换 流程。 E TRA 6- MPB 图移动性预测切换方案和传统 切换方案的总切换次数对比 山国武技记文在 图给出了栘动性预测切换方案和传统 切换方案的总切换次数。图中显示出用 户在低速移动场景中的总切换次数均少于扃速移功场景。在场景中, 与 方案的总切换次数基本相同,说明方案预测出的目标小区基本与方案通过事 件判别出的目标小区一致。而在高速移动场景中,方案的总切换次数略小于, 差值维持在 范围内。这是因为方案的切换失败率略小于 减少了重新切 换的次数。 结论 本文对两种不同移动场景下 通信系统的切换方案进行研究,提出了基于 移动性预测的切换方案。该方案根据用户的移动规则,利用有效的预测算法,预测切换的目 标小区,并提前与该小区进行切换的准各工作,使其能够在正式的切换流程开始后跳过切换 准备阶段,缩短切换流程,减小切换时延。仿真结果表眀相比于传统 基于事件 判决目标小区的切换方案,该方案可以提高 系统的切换性能,降低切换时延,降低 切换失败率和总切换次数。 参考文献

...展开详情
img

关注 私信 TA的资源

上传资源赚积分,得勋章
相关内容推荐