基于干扰抑制的小区深度覆盖和频谱分配方法与装置
阅读说明：本技术 基于干扰抑制的小区深度覆盖和频谱分配方法与装置 (Cell deep coverage and spectrum allocation method and device based on interference suppression ) 是由 唐元春 陈端云 卓秀者 林红阳 夏炳森 林文钦 游敏毅 陈力 周钊正 郑欢 李� 于 2019-11-05 设计创作，主要内容包括：本发明涉及一种基于干扰抑制的小区深度覆盖和频谱分配方法,包括以下步骤：步骤S1:实时收集MBS和各mRBS的CSI和服务用户当前时刻的业务请求信息；步骤S2:根据收集到的信息动态配置当前子帧类型、决策最优小区合并因子并计算相应的各小区内的子载波分配策略;步骤S3:将步骤S2计算结果存储成具有对应关系的表；步骤S4:通过深度学习对具有对应关系的表进行学习,拟合CSI和用户业务请求量与最优小区合并因子和各小区内最优子载波分配策略间的关系;步骤S5:判断得到任一子载波的用户是否已经获得了足够的频谱资源,需要将其从接下来的子载波分配进程中剔除,或者是否所有用户均已获得了足够的子载波资源,子载波分配进程需要立即终止,完成分配。(The invention relates to an cell deep coverage and spectrum allocation method based on interference suppression, which comprises the following steps of S1, collecting the CSI of an MBS and each mRBS in real time and service request information of service users at the current time, S2, dynamically configuring the current subframe type according to the collected information, deciding an optimal cell merging factor and calculating corresponding subcarrier allocation strategies in each cell, S3, storing the calculation result of the S2 into a table with a corresponding relation, S4, learning the table with the corresponding relation through deep learning, fitting the relation between the CSI and the service request quantity of the users, the optimal cell merging factor and the optimal subcarrier allocation strategies in each cell, and S5, judging whether users of any subcarriers have obtained enough spectrum resources, and needing to be removed from the next subcarrier allocation process, or whether all the users have obtained enough subcarrier resources, and the subcarrier allocation process needs to be immediately terminated, so as to finish allocation.)
技术领域
本发明涉及一种基于干扰抑制的小区深度覆盖和频谱分配方法及装置。
背景技术
随着移动通信的快速发展，移动数据业务量呈指数型爆发式增长，且不断增多的终端用户需求高速率和高服务质量(quality of service, QoS)的数据传输，传统的依靠宏基站提供连续覆盖的组网方式已无法满足用户日益增长的通信需求，且受站址资源和传输资源等限制，新增宏基站会极大提升运营商的部署规划成本，并仍无法解决因建筑物遮挡和人口密度分布不均等所导致的网络覆盖盲点、盲区和部分区域容量受限问题。因此，宏微协同组网方式应运而生。宏微协同组网，即在传统宏蜂窝小区基础上引入低功率小基站（微基站），用以补充覆盖和吸收热点地区话务。与宏站相比，微站覆盖范围小、体积小且部署灵活简便，不会对网络其他小区造成严重的强干扰。采用宏微协同组网可以实现精细、高效率的网络部署，同时降低运营商的组网成本。进一步，宏微组网可分为宏微同频和宏微异频两种方式。在异频组网方式下，微站与宏站在不同的频段工作，宏微基站间基本无干扰，但网络对频谱资源需求较大，频谱资源利用率也会相应的比较低。在运营商频谱资源有限的情况下，宏微同频组网是一种主要的组网方式，但同时会带来严重的宏微间干扰，影响系统性能和微站的业务分流效果。因此，如何抑制宏微同频组网下的小区间干扰则尤为关键。
发明内容
有鉴于此，本发明的目的在于提供一种基于干扰抑制的小区深度覆盖和频谱分配方法及装置，通过联合考虑宏微基站间联合传输、宏基站动态ABS配置和微基站间小区合并等干扰抑制技术，所述小区深度覆盖和频谱分配方法根据网络当前的信道状态和用户请求业务量动态地配置当前的子帧类型、决策当前最优小区合并因子并基于此为各（虚拟）小区用户分配合适的子载波数量。
为实现上述目的，本发明采用如下技术方案：
一种基于干扰抑制的小区深度覆盖和频谱分配方法，包括以下步骤：
步骤S1:实时收集MBS和各mRBS的CSI和服务用户当前时刻的业务请求信息；
步骤S2:根据收集到的信息动态配置当前子帧类型、决策最优小区合并因子并计算相应的各小区内的子载波分配策略;
步骤S3:将步骤S2计算结果存储成具有对应关系的表；
步骤S4:通过深度学习对具有对应关系的表进行学习，拟合CSI和用户业务请求量与最优小区合并因子和各小区内最优子载波分配策略间的关系；
步骤S5:判断得到任一子载波的用户是否已经获得了足够的频谱资源，需要将其从接下来的子载波分配进程中剔除，或者是否所有用户均已获得了足够的子载波资源，子载波分配进程需要立即终止,完成分配。
进一步的，所述各mRBS根据与MBS的距离，分为一个近mRBS和若干边缘mRBS两类。
进一步的，所述步骤S2具体为：
步骤S21：根据各小区服务用户的业务请求信息和信道状态信息，分别计算当当前子帧为正常子帧和ABS时的最优小区合并因子和相应的各小区内最优子载波分配策略；
步骤S23：比较正常子帧和ABS下的网络加权和速率，选择较大的一项作为当前子帧的最终配置类型，进而确定所配置子帧类型下的最优小区合并因子和各小区子载波分配策略。
进一步的，所述步骤S21具体为：
步骤S211：计算任一可能的小区合并因子下各小区内的最优子载波分配策略;
步骤S212：判断是否已遍历所有可能的小区合并因子配置,若是，则转向步骤S213，否则，则返回至步骤S211;
步骤S213：比较所有小区合并因子配置下的网络加权和速率，选择使目标函数最大的小区合并因子和相应的各小区内子载波分配作为最优的小区合并因子配置和资源分配策略。
进一步的，所述步骤S211具体为：
步骤S201：输入各小区服务用户的业务请求信息和信道状态信息;
步骤S202：对任一子载波s，将其分配给加权瞬时传输速率最大的用户，其中，各用户的权重为其当前的业务请求量;
步骤S203：更新得到上述子载波s的用户的待传业务数据量，所述用户更新后的待传业务量等于其当前的待传业务数据量减去利用子载波s发送出去的数据量;
步骤S204：判断所述得到子载波s的用户是否已经获得了足够的频谱资源。若是，则转向步骤S205，否则，跳向步骤307;
步骤S205：若所述得到子载波s的用户已经获得了足够的子载波数量则将其从接下来的子载波分配进程中排除，以避免资源浪费
步骤S206：判断是否所有用户均已分配到足够的子载波数量。若是，则跳向步骤S208，否则，转至步骤S207;
步骤S207：判断是否已遍历所有可用的子载波。若是，则退出子载波分配过程，否则，返回至步骤S202;
步骤S208：若所有用户均已分配到足够的子载波，则终止子载波分配进程。
一种基于干扰抑制的小区深度覆盖和频谱分配装置，包括
信息收集模块，用于实时收集MBS和各mRBS的CSI和服务用户当前时刻的业务请求信息；
资源管理模块，用于根据信息收集模块收集到的信息动态配置当前子帧类型、决策最优小区合并因子并计算相应的各小区内的子载波分配策略；
存储模块，用于将资源管理模块计算所得结果存储成具有对应关系的表，用于网络运营后期利用深度学习等技术学习这些数据，增强系统可扩展性并降低计算复杂度；
机器学习模块，用于通过深度学习等手段对存储模块中的数据进行学习，拟合CSI和用户业务请求量与最优小区合并因子和各小区内最优子载波分配策略间的关系，以降低系统的计算复杂度。
进一步的，所述资源管理模块中还包含有判断模块，用于判断得到任一子载波的用户是否已经获得了足够的频谱资源，需要将其从接下来的子载波分配进程中剔除，或者是否所有用户均已获得了足够的子载波资源，子载波分配进程需要立即终止。
本发明与现有技术相比具有以下有益效果：
本发明通过联合考虑宏微基站间联合传输，宏基站动态ABS配置和微小区间合并等干扰抑制技术，根据网络当前的信道状态和用户请求业务量动态地配置当前的子帧类型、决策当前最优小区合并因子并基于此为各小区的用户分配合适的子载波数量，以实现网络的连续深度覆盖和系统容量提升。
附图说明
图1是本发明一实施例中宏微协同组网下行传输场景示意图；
图2是本发明一实施例中装置示意图；
图3是本发明一实施例中各（虚拟）小区内最优子载波分配策略流程图；
图4是本发明一实施例中基于干扰抑制的小区深度覆盖和频谱分配策略流程图；
图5是本发明一实施例中当前子帧为正常子帧或ABS时最优小区合并因子和相应的各（虚拟）小区内最优子载波分配策略流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，在本实施例中针对所述宏微同频组网，具体包括：网络可用的带宽资源在宏微基站间全频率复用，在各（虚拟）小区内部正交分配。所有mRBSs均采用CRE技术分流MBS的负载以尽可能多地接入用户。所有mRBS根据与MBS的距离分为近mRBS和边缘mRBS两类。任一近微小区CRE用户由MBS和其服务mRBS提供联合数据传输服务，近微小区中心用户则由其服务微基站单独服务。边缘mRBSs间利用小区合并技术，将原先的物理小区边缘高干扰区域转变为逻辑小区中心区域，以消除边缘微小区间的同层干扰，提升微-微边缘区域的覆盖性能。
本实施例中考虑边缘mRBSs间采用简单的基于地理位置的小区合并技术，将原先的物理小区边缘高干扰区域转变为逻辑小区中心区域，以消除边缘微小区间的同层干扰，提升微-微边缘区域的覆盖性能。合并后各边缘虚拟微小区内的mRBSs联合为小区内用户传输数据。小区合并因子为正整数，且不超过边缘mRBS的数量。
本实施例提供一种基于干扰抑制的小区深度覆盖和频谱分配方法，包括以下步骤：
步骤S1:实时收集MBS和各mRBS的CSI和服务用户当前时刻的业务请求信息；
步骤S2:根据收集到的信息动态配置当前子帧类型、决策最优小区合并因子并计算相应的各小区内的子载波分配策略;
步骤S3:将步骤S2计算结果存储成具有对应关系的表；
步骤S4:通过深度学习对具有对应关系的表进行学习，拟合CSI和用户业务请求量与最优小区合并因子和各小区内最优子载波分配策略间的关系；
步骤S5:判断得到任一子载波的用户是否已经获得了足够的频谱资源，需要将其从接下来的子载波分配进程中剔除，或者是否所有用户均已获得了足够的子载波资源，子载波分配进程需要立即终止,完成分配。
在本实施例中，如图4所示，所述步骤S2具体为：
步骤S401：根据各小区服务用户的业务请求信息和信道状态信息，
步骤S402：分别计算当当前子帧为正常子帧和ABS时的最优小区合并因子和相应的各小区内最优子载波分配策略；
步骤S403：比较正常子帧和ABS下的网络加权和速率，选择较大的一项作为当前子帧的最终配置类型，进而确定所配置子帧类型下的最优小区合并因子和各小区子载波分配策略。
在本实施例中，如图5所示，当前子帧为正常子帧或ABS时最优小区合并因子和相应的各（虚拟）小区内最优子载波分配策略为：
步骤S501：计算任一可能的小区合并因子下各小区内的最优子载波分配策略;
步骤S502：判断是否已遍历所有可能的小区合并因子配置,若是，则转向步骤S503，否则，则返回至步骤S501;
步骤S403：比较所有小区合并因子配置下的网络加权和速率，选择使目标函数最大的小区合并因子和相应的各小区内子载波分配作为最优的小区合并因子配置和资源分配策略。
在本实施例中，如图3所示，各（虚拟）小区内最优子载波分配策略具体为：
步骤S301：输入各小区服务用户的业务请求信息和信道状态信息;
步骤S302：对任一子载波s，将其分配给加权瞬时传输速率最大的用户，其中，各用户的权重为其当前的业务请求量;
步骤S303：更新得到上述子载波s的用户的待传业务数据量，所述用户更新后的待传业务量等于其当前的待传业务数据量减去利用子载波s发送出去的数据量;
步骤S304：判断所述得到子载波s的用户是否已经获得了足够的频谱资源。若是，则转向步骤S305，否则，跳向步骤307;
步骤S305：若所述得到子载波s的用户已经获得了足够的子载波数量则将其从接下来的子载波分配进程中排除，以避免资源浪费
步骤S306：判断是否所有用户均已分配到足够的子载波数量。若是，则跳向步骤S208，否则，转至步骤S207;
步骤S307：判断是否已遍历所有可用的子载波。若是，则退出子载波分配过程，否则，返回至步骤S202;
步骤S308：若所有用户均已分配到足够的子载波，则终止子载波分配进程。
参考图2，本实施例提高一种基于干扰抑制的小区深度覆盖和频谱分配装置，包括
信息收集模块，用于实时收集MBS和各mRBS的CSI和服务用户当前时刻的业务请求信息；
资源管理模块，用于根据信息收集模块收集到的信息动态配置当前子帧类型、决策最优小区合并因子并计算相应的各小区内的子载波分配策略；
存储模块，用于将资源管理模块计算所得结果存储成具有对应关系的表，用于网络运营后期利用深度学习等技术学习这些数据，增强系统可扩展性并降低计算复杂度；
机器学习模块，用于通过深度学习等手段对存储模块中的数据进行学习，拟合CSI和用户业务请求量与最优小区合并因子和各小区内最优子载波分配策略间的关系，以降低系统的计算复杂度；
所述资源管理模块中还包含有判断模块，用于判断得到任一子载波的用户是否已经获得了足够的频谱资源，需要将其从接下来的子载波分配进程中剔除，或者是否所有用户均已获得了足够的子载波资源，子载波分配进程需要立即终止。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。