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
用Txi和Rxi分别表示通信链路i∈
在给定
用Pik(
$ \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(
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∈
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∈
$ {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
$ {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
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∈
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(
用
$ \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
$ \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(
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(
因为同时优化λ和P(
1) 给定业务到达率时,进行功率控制。
设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
根据对偶分解算法[17],P3(
$ \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(
2) 给定功率控制结果时,调整业务到达率λ。
用{P(
$ {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和
$ \tilde \lambda _i^ * = {\left[ {{{\tilde \lambda }_i}} \right]^ + },\forall i \in {\cal D}. $ | (16) |
其中
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(
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)和
步骤3 调整业务到达率:给定N个CSI下的功率控制结果{P(
步骤4 计算P3(
步骤5 如果g(
本小节通过渐进凸近似算法求解P5(
引理1 对于任意给定的z≥0和
$ \ln \left( {1 + z} \right) \ge \alpha \ln \left( z \right) + \beta . $ | (17) |
其中近似系数α和β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=
基于引理1和等价变换
$ \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:
文[15]证明了log-sum-exp是凸函数,所以
$ \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
因为
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(
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
步骤3 更新近似系数:由P(
步骤4 计算P5(
步骤5 如果f(λ, P(
在求解完P3
$ \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∈
本文选取带QoS保证的系统吞吐量
1) 和速率最大方案:给定
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∈
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 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。
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。
[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 |