无人机蜂群多微蜂窝频谱资源管理方法
阅读说明：本技术 无人机蜂群多微蜂窝频谱资源管理方法 (Unmanned aerial vehicle swarm multi-microcellular frequency spectrum resource management method ) 是由 张周 谢佳 赵维维 王彤彤 陈小庆 赵润森 于 2021-07-30 设计创作，主要内容包括：本发明公开了一种无人机蜂群多微蜂窝频谱资源管理方法,该方法为：构建无人机蜂群多微蜂窝网络模型,并针对无人机蜂窝网中的下行资源调度问题进行建模；采用分布迭代算法,首先在固定功率分配的条件下将各个RU分配给子节点,然后在信道调度固定的情况下更新功率分配,有限次的反复迭代后,即可达到上述资源管理优化问题的相对最优解。本发明方法可实现无人机微蜂窝集群间的频谱共享和干扰协调,使得同一频率载波能够在相邻的不同无人机微蜂窝集群间多次复用,解决对抗环境下频谱资源短缺问题,进一步提升无人蜂群的效能,应对复杂多变的组网环境。(The invention discloses a multi-microcellular frequency spectrum resource management method for an unmanned aerial vehicle swarm, which comprises the following steps: constructing an unmanned aerial vehicle swarm multi-microcellular network model, and modeling aiming at a downlink resource scheduling problem in an unmanned aerial vehicle cellular network; and (3) adopting a distributed iteration algorithm, firstly allocating each RU to a child node under the condition of fixed power allocation, then updating the power allocation under the condition of fixed channel scheduling, and after repeated iteration for a limited time, achieving the relatively optimal solution of the resource management optimization problem. The method can realize the spectrum sharing and interference coordination among the micro-cellular clusters of the unmanned aerial vehicle, so that the carrier wave with the same frequency can be reused among the adjacent micro-cellular clusters of different unmanned aerial vehicles for multiple times, the problem of spectrum resource shortage under the confrontation environment is solved, the efficiency of the unmanned bee colony is further improved, and the unmanned aerial vehicle can cope with the complex and changeable networking environment.)
技术领域
本发明属于无线通信技术领域，特别是一种无人机蜂群多微蜂窝频谱资源管理方法。
背景技术
现有蜂窝技术主要应用于5G网络中，大量小蜂窝基站密集部署以实现系统整体性能的提升，网络呈现超密集状态。UDN作为5G蜂窝网络的典型特征，能够提高频谱和能量效率、增加网络容量，成为未来网络的主要特征之一。基于密集部署的小蜂窝基站，UDN能够满足大规模数据传输需求，为mMTC场景提供基础。另一方面，密集部署的小蜂窝基站和宏基站、微蜂窝基站、微微蜂窝基站等构成了多层异构蜂窝网络，以提升网络垂直空间的复用增益。异构网络通过利用现有网络基础架构、整合不同层级频带资源，能够改善系统数据速率提高频谱利用效率，因此可为eMMB场景中高容量大速率的数据传输业务提供服务。随着5G技术为各个行业赋能，众多新兴通信场景如车联网、无人机通信、物联网等蓬勃发展，使无线网络呈现出高度动态特性，此类高动态网络中的控制相关操作对通信的可靠性和传输时延要求较高。
频谱共享作为提高频谱利用效率缓解频谱供需矛盾的关键技术之一，在5G/后5G移动通信系统中发挥着重要作用，是使能5G不同场景高性能需求多样化应用的资源保障，更是推动无线通信长足发展的动力支撑无人机蜂群网络多采用蜂窝的形式，但频谱资源较之5G网络更为有限，因此，将异构网络的频谱共享技术与无人机蜂群相结合，将具有较大的应用前景。
近年来，对频谱共享技术的研究取得了显著的进展。然而，考虑5G网络的复杂动态特性，现有关于频谱共享的相关研究仍然存在以下不足：
(1)对于频谱的高效利用共享，虽然己有研究将频谱的单一时域共享拓展至时空两维共享，提出了基于地理位置分离的空间频谱共享方案。然而，以上方案仅考虑了网络中用户间的粗粒度位置分离(即两个用户的同信道干扰解耦合建立在其相距较远的基础上)。考虑无人机蜂群场景特点，网络中用户分布密集，相互间的空间距离较近。这种超密集精细化部署使得现有基于粗粒度地理位置分离的空间复用难以适用，因而无法获得空间维度频谱共享的性能增益。而单一时域维度共享的频谱效率低下，无法支撑密集用户的无线接入需求。此外，现有依据全局信息进行学习更新的集中式优化算法往往会造成巨大的信令开销和难以忍受的时间延迟。因而，当前现有的分布式高效频谱共享技术仍有不足之处。
(2)对于频谱的可靠接入共享，现有研究大多针对静态网络拓扑结构，即网络中的用户节点位置是固定不变的，而未来复杂网络中不仅包含静态用户节点更有多样化的移动节点，这使得无线蜂窝网络拓扑呈现动态性，该动态性给频谱共享的稳健接入带来了挑战。尽管已有文献考虑了网络环境的动态性对频谱共享的影响，但其研究大多依赖于理想信道状态信息假设，即假设信道状态在用户竞争接入时隙内是静态或准静态的。基于该理想假设虽然易于分析，但在实际应用中存在问题：在具有动态特性的无线网络中，对信道状态信息的准确估计需要消耗大量的时间和信令资源，考虑到频谱共享用户竞争接入时隙的有限性，因此往往无法在有限时隙内获取准确的信道信息，造成基于理想信道状态信息假设的学习算法无法适用。综上，目前对动态蜂窝网络中更加符合实际的频谱共享方案的研究仍然欠缺。
(3)对于优化算法的设计，现有研究中虽然已提出了诸多迭代学习算法，这些算法大多基于确定博弈模型，即博弈中各个元素的值均为明确的，并且在算法执行中博弈参与者依据其直接观测获取的效应值进行对周围环境的学习和策略选择的更新。然而，在具有高度动态性的新兴通信场景中，网络中用户位置、信道状态等相关信息呈现出明显的不确定特性。这种情况下，由于传统确定博弈模型无法描述不确定信息，因而难以准确建模动态不确定条件下的优化问题，更重要的是，由动态环境引起的用户时变效应值使得现有学习算法难以兼顾其优化性能、接入稳健性和实现复杂度等性能指标，甚至导致其无法收敛到稳定优化状态。因此，就新兴高动态无线网络中频谱共享而言，现有研究关于优化学习算法的研究存在较大的空白。
基于以上对现有研究的分析，可以看出如何实现蜂群中超密集网络、异构蜂窝网络、高动态网络等多种复杂网络场景中稳健高效的频谱共享仍然是当前技术的难点，存在较大的理论挑战。
发明内容
本发明的目的在于提供一种无人机蜂群多微蜂窝频谱资源管理方法，实现蜂群中超密集网络、异构蜂窝网络、高动态网络等多种复杂网络场景中稳健高效的频谱共享。
实现本发明目的的技术解决方案为：一种无人机蜂群多微蜂窝频谱资源管理方法，构建无人机蜂群多微蜂窝网络模型，将频谱共享问题描述为信道调度和功率分配两个子问题，在固定其一变量的同时求解另一变量的最优解，信道调度问题为无约束最优化问题，而功率分配问题为约束凸优化问题，且每次功率分配求解均求得解析最优解，步骤如下：
步骤1：初始建网阶段，对于无人机双层蜂窝网络，当完成初步建网，即簇内有簇子节点和簇首后，簇首选择启动资源调度模块；
步骤2：簇子节点向簇首发送资源请求包，簇首对资源管理模块进行初始参数配置，包括工作频段、可分配RU数、最大发射机功率；
步骤3：第一阶段信息收集：簇首根据各节点的上下行需求信息，判断需要进行信息收集的节点和RU，并发送相应训练序列对信道CSI进行估计；
步骤4：初步RU分配：簇首基于收集到的各节点在RU上传输的信道CSI，根据信道调度规则对RU进行分配；
步骤5：簇首判断其自身是否收到其他簇首的信道调度信息，若有，则将初步RU分配结果与其他簇首的信道分配结果相结合，判断该簇首最有可能干扰到的节点，称为主干扰节点；随后簇首发送训练序列，对主干扰节点的干扰路径CSI进行估计；
步骤6：基于初步RU分配结果，簇首根据已获得的信道信息，计算每个RU上对应的最优功率；当计算功率结果小于零时，取功率0，同时修正初步RU分配结果；
步骤7：本次资源调度结束，簇首的资源管理模块向MAC层输出调度结果，并将本轮调度结果通过宏蜂窝广播给其他簇首；
步骤8：下一轮调度周期开始，回到步骤3。
进一步地，所述构建无人机蜂群多微蜂窝网络模型，具体如下：
无人机蜂群网络分为两层，上层为宏蜂窝，采用无中心的ad-hoc网络形式，下行为微蜂窝，采用以簇首为中心的集中式网络形式，一个下层微蜂窝为一个簇，其中中心节点为簇首，负责簇间交互以及簇内资源调度，底层通信节点为簇子节点，簇子节点根据所属簇首的资源调度信息进行信道接入和数据传输；簇内的信道链路分为上行和下行，上行为簇子节点到簇首，下行为簇首到簇子节点，上下行使用不同的频段，资源调度相互独立；
基于上述网络模型，无人机蜂窝网中的下行资源调度问题，建模为如下最优化模型
其中，m表示微蜂窝即簇首的索引号；k表示微蜂窝内簇子节点的索引号，若子节点k属于微蜂窝m，则表示为k∈Km，Km表示微蜂窝m内的簇子节点集合；n表示RU的索引号，假设全网RU序列号同步，即一个n只对应一个频率的RU，假设所有微蜂窝都共享同一个大的频段；表示微蜂窝m内节点k在所有RU上的信道速率的长时平均，用公式表示为表示RU的分配情况，若则在微蜂窝m中，将RUn分配给节点k进行数据传输，同一个蜂窝内，一个RU仅能为一个节点服务，但一个节点可同时占用多个RU；表示微蜂窝m中在RU上与节点k进行数据传输发射信号的功率，总和不应超过簇首发射机的总功率
簇首m到簇子节点k在RUn上的下行信道的接收信干噪比的计算公式如下
采用分布迭代算法，首先在固定功率分配的条件下将各个RU分配给子节点，然后在信道调度固定的情况下更新功率分配，有限次的反复迭代后，即达到上述资源管理优化问题的相对最优解。
进一步地，所述将频谱共享问题描述为信道调度和功率分配两个子问题，在固定其一变量的同时求解另一变量的最优解，信道调度问题为无约束最优化问题，而功率分配问题为约束凸优化问题，且每次功率分配求解均求得解析最优解，具体如下：
第一阶段：信道调度
假设初始入网时，所有RU都未被占用，此时所有N为RU的总数，对于每一个RUn，按照以下的规则分配子节点
若则
其中为蜂窝m内，子节点k占用RUn时的信道瞬时速率的估计值；
第二阶段：功率分配
在固定RU信道调度的情况下，将式(1)中的优化问题简化为如下的凸优化模型
将式(2)中的约束优化问题转化为无约束优化问题进行求解，有
使用KKT条件解式(3)中的无约束优化问题，得功率分配的解为
其中，表示改变蜂窝内簇子节点的发送功率对相邻受同频干扰的蜂窝内的簇子节点在同一RU上的信道接收性能的影响，由求导获得解析表达式；
同时受到同频小区间干扰的蜂窝小区可能不止一个，对所有受到干扰的簇子节点的求和，参数表示下行干扰信道的增益，将求和过程简化为倍数关系，具体为：
其中c≥1。
进一步地，步骤6中基于初步RU分配结果，簇首根据已获得的信道信息，计算每个RU上对应的最优功率；当计算功率结果小于零时，取功率0，同时修正初步RU分配结果，具体为：
步骤6.1：对每一个簇首m，和其内的簇子节点k∈Km，初始化λm＝0，迭代步长设置为0.01；
步骤6.2：根据本地信道CSI和通过跨簇估计得到的相邻蜂窝CSI，基于距离最近原则选取主干扰节点及对应簇首，计算本蜂窝内功率变化对齐链路的影响值t；
步骤6.3：根据t参数，对所有的节点k和RU号n，计算信道占用参数不为0的RU的发射信号功率
步骤6.4：判断每个节点k和Run上所对应的发射信号功率是否大于0，若小于零，则取零值；
步骤6.5：上行：对簇首m内的每一个簇子节点k，遍历占用的RU，即的RU，并对相应功率值求和，判断其是否满足簇子节点的发射机最大功率约束；
下行：对簇首m内所有的簇子节点和RU，对所有功率值进行求和，判断是否满足簇首节点的发射机最大功率约束；
若不满足约束，则将λm增大，λm＝λm+0.01，返回步骤6.3；否则进入步骤6.6；
步骤6.6：功率分配计算完成，对初步RU分配进行修正，具体为：若RUn上的功率值且信道占用标志位则将信道占用标志位置零，
本发明与现有技术相比，其显著优点为：(1)考虑了动态异构网络特性，所提算法针对动态网络，如无人机蜂窝网、车载通信网等信道动态变更地网络，具有良好地适用性和鲁棒性；(2)针对完全重叠地频率带宽，所提算法具有更高地频率复用率，且算法所需地信息较少，信令开销小，在资源紧缺的无人机环境下，能够实现较为可靠且高效的并行通信，具有良好的应用前景。
附图说明
图1是无人蜂群网络架构示意图。
图2是连续资源调度算法流程图。
图3是连续资源调度算法中的功率计算流程图。
图4是基于连续速率信道的资源调度算法的复用RU数示意图。
具体实施方式
本发明考虑10km×10km网络覆盖场景，由100架无人机平台组成的无人蜂群系统运行在该网络场景中。该无人蜂群系统包含了丰富的异构主体，各无人机平台携带不同的任务载荷，功能不尽相同，可根据任务需要快速部署和编配，高效完成各项协同任务。因此，无人蜂群的自组网性能将直接决定协同任务目标能否高效实现，尤其是在频谱资源受限的特殊场景下。本发明针对强对抗环境频谱受限条件下的动态信道接入，提出了一种无人机蜂群网络中，基于连续理想速率信道的频谱资源调度算法及其实现方法。为了便于描述，结合图1所示的网络架构模型，具体描述如下：
考虑5km×5km网络覆盖场景，场景中分布着50架无人机组成的无人蜂群。该无人机蜂群网络分为两层，上层为宏蜂窝，采用无中心的ad-hoc网络形式，下行为微蜂窝，采用以簇首为中心的集中式网络形式，我们简称一个下层微蜂窝为一个簇，其中中心节点为簇首，负责簇间交互以及簇内资源调度，底层通信节点为簇子节点，簇子节点根据其所属簇首的资源调度信息进行信道接入和数据传输。簇内的信道链路分为上行和下行，上行为簇子节点到簇首，下行为簇首到簇子节点，上下行使用不同的频段，资源调度相互独立。
基于上述网络模型，无人机蜂窝网中的下行资源调度问题，可建模为如下最优化模型
其中，m表示微蜂窝(簇首)的索引号；k表示微蜂窝内簇子节点的索引号，若子节点k属于微蜂窝m，则表示为k∈Km，Km表示微蜂窝m内的簇子节点集合；n表示RU的索引号，假设全网RU序列号同步，即一个n只对应一个频率的RU，为解决密集空间内的复杂资源共享问题，本文假设所有微蜂窝都共享同一个大的频段；表示微蜂窝m内节点k在所有RU上的信道速率的长时平均，具体用公式表示为表示RU的分配情况，若则在微蜂窝m中，将RUn分配给节点k进行数据传输，同一个蜂窝内，一个RU仅能为一个节点服务，但一个节点可同时占用多个RU；表示微蜂窝m中，在RU上与节点k进行数据传输发射信号的功率，其总和不应超过簇首发射机的总功率簇首m到簇子节点k在RUn上的下行信道的接收信干噪比(SINR)的计算公式如下
资源调度的关键问题是为每个小区内的每个RU选择不同的子节点，并未其分配不同的发射信号功率，在信道数量充足的情况下，每个微蜂窝都希望调度与相邻蜂窝完全不干扰的子节点，可使用枚举法进行搜索，但在信道数量不充足的情况下，枚举法显然是不可行的，因此，为了降低算法复杂度，我们提出了一种分布迭代算法，首先在固定功率分配的条件下将各个RU分配给子节点，然后在信道调度固定的情况下更新功率分配，有限次的反复迭代后，即可达到上述资源管理优化问题的相对最优解。
第一阶段：信道调度
假设初始入网时，所有RU都未被占用，此时所有N为RU的总数，对于每一个RUn，按照以下的规则为其分配子节点
若则
其中为蜂窝m内，子节点k占用RUn时的信道瞬时速率的估计值，计算公式与Rmk类似，需通过在相应RU信道上发送参考序列，在收端获得。
第二阶段：功率分配
在固定RU信道调度的情况下，我们将(1)中的优化问题简化为如下的凸优化模型
考虑将(2)中的约束优化问题转化为无约束优化问题进行求解，因此有
使用KKT条件解(3)中的无约束优化问题，得功率分配的解为
其中，表示改变蜂窝内簇子节点的发送功率对相邻受同频干扰的蜂窝内的簇子节点在同一RU上的信道接收性能的影响，数学分析时，由求导获得解析表达式。由于同时受到同频小区间干扰的蜂窝小区可能不止一个，因此需对所有受到干扰的簇子节点的求和，其中涉及到的参数表示下行干扰信道的增益，为一个非本地值，主要通过信令交互获得，为了降低信令开销，我们将求和过程简化为倍数关系，具体表示为
其中c≥1，经过仿真验证，通常取c＝2时性能较好。
无人机蜂窝网中的下上行资源调度问题与下行资源调度原理类似，且工作频段正交，不存在上下行交叉干扰，则在上述下行调度问题的基础上，仅需考虑干扰路径和信道参数不同，即可得到相应的上行资源调度问题的最优解，因此不再做多余赘述。
基于上述推导，频谱共享问题可描述为两个子问题：信道调度和功率分配。在固定其一变量的同时求解另一变量的最优解，信道调度问题为无约束最优化问题，而功率分配问题为约束凸优化问题，且每次功率分配求解均求得解析最优解，具有唯一性，则算法流程可由图2表示，具体可分为8个步骤
步骤1：初始建网阶段，对于无人机双层蜂窝网络，当完成初步建网，即簇内有簇子节点和簇首后，簇首即有条件选择启动资源调度模块。
步骤2：簇子节点向簇首发送资源请求包，簇首即对资源管理模块进行初始参数配置，如工作频段，可分配RU数，最大发射机功率等。
步骤3：第一阶段信息收集：簇首根据各节点的上下行需求信息，判断需要进行信息收集的节点和RU，并发送相应训练序列对信道CSI进行估计。
步骤4：初步RU分配：簇首根据收集到的各节点在RU上传输的信道CSI，根据信道调度规则对RU进行分配。
步骤5：簇首判断其自身是否收到其他簇首的信道调度信息，若有，则将初步RU分配结果与其他簇首的信道分配结果相结合，判断其最有可能干扰到的节点，后续称之为主干扰节点。随后簇首发送训练序列，对主干扰节点的干扰路径CSI进行估计。
步骤6：基于初步RU分配结果，簇首根据已获得的信道信息，结合公式(5)、(6)计算每个RU上对应的最优功率。当计算功率结果小于零时，取功率0，同时修正初步RU分配结果，其具体流程如图3所示，可描述为以下子步骤
步骤6.1：对每一个簇首m，和其内的簇子节点k∈Km，初始化λm＝0，迭代步长设置为0.01；
步骤6.2：根据本地信道CSI和通过跨簇估计得到的相邻蜂窝CSI，根据距离最近原则选取主干扰节点及其对应簇首，计算本蜂窝内功率变化对齐链路的影响值t；
步骤6.3：根据t参数，对所有的节点k和RU号n，计算信道占用参数不为0的RU的发射信号功率
步骤6.4：判断每个节点k和Run上所对应的发射信号功率是否大于0，若小于零，则取零值；
步骤6.5：上行--对簇首m内的每一个簇子节点k，遍历其占用的RU，即的RU，并对相应功率值求和，判断其是否满足簇子节点的发射机最大功率约束；下行—对簇首m内所有的簇子节点和RU，对所有功率值进行求和，判断其是否满足簇首节点的发射机最大功率约束。若不满足约束，则将λm增大，λm＝λm+0.01，返回步骤6.3；否则进入步骤6.6；
步骤6.6：功率分配计算完成，对初步RU分配进行修正，具体描述为：若该RUn上的功率值且信道占用标志位则将信道占用标志位置零，功率分配结束，进入步骤7.
步骤7：本次资源调度结束，簇首的资源管理模块向MAC层输出调度结果，并将本轮调度结果通过宏蜂窝广播给其他簇首，便于其他簇首进行实时动态分配。
步骤8：下一轮调度周期开始，回到步骤3。
在matlab中对上述算法进行初步仿真。在10*10km的范围内平均分配9个簇首，随机产生150个簇子节点，各节点按照距离最近原则进行分簇，工作频率为2GHz，带宽为5M，考虑实际应用中隔离带宽的存在，RU数为13，单RU带宽为345KHz。簇首和簇子节点设置不同的移动速度，每一次算法周期中，簇首最多移动100m，簇子节点最多移动500m，移动方向随机。
考虑连续的信道速率，即不存在单信道信噪比约束，仅实现全网吞吐量最大化，仿真结果如图4中实线所示，经优化后的可用RU数为100以上，复用率约为7-8倍，实现了密集蜂窝组网环境下同频微蜂窝间的高效频谱共享和干扰协调，为资源紧缺的zhanchang无人机网络通信提供更可靠的通信条件。
综上所述，本发明基于无人机蜂群双层“宏-微蜂窝”网络，提出了一种基于理想连续速率信道的资源调度算法，用于协调同频微蜂窝之间的频谱调度和功率分配，实现密集环境下多蜂窝小区间的频谱共享和干扰协调。设计了其算法在实际应用中的实现流程，并基于matlab仿真软件，验证了其算法的有效性，进一步地，在系统及仿真软件中构建了双层网络构架，设计并实现了相关信令交互流程，包括包格式定义、信令交互、状态转换等。