面向负载均衡的主动切换

随着智能终端和移动设备的快速增长,对于移动数据流量的需求急剧增加,超密集无线网络成为增加网络容量、满足用户需求的有效途径。在超密集网络中,用户移动不仅存在频繁的越区切换问题,还会导致网络的负载发生变化,影响用户的服务质量(Quality of Service, QoS)。因此,如何设计合理的切换策略,减少用户移动过程中的切换次数并保证用户体验成为亟待解决的问题。

为了避免频繁切换导致的乒乓效应,切换策略为当用户在触发时间(Time To Trigger, TTT)内持续满足切换条件才进行切换。现有的文献针对越区切换展开了大量研究,主要通过优化触发门限、偏置参数,以及触发时间来提升切换性能。文献[1-2]研究了TTT和偏置参数的联合优化来减少切换失败次数。文献[3]研究了根据用户的移动速度大小来调整TTT参数的方法,可以减少切换中断时间和切换失败次数。文献[4]在设计切换策略时,为宏小区与微小区分配不同的资源来协调小区间干扰,可以减少用户切换失败次数和切换次数。考虑到用户的切换还会影响网络的负载变化,只根据信道质量来设计的切换策略在用户切换到目标小区后可能导致小区过负载,没有足够的资源服务当前用户,导致用户QoS降低。

有一些研究进一步根据用户的接收信号强度并结合负载状态来设计切换策略,也称为负载均衡技术。文献[5]根据小区的负载量大小来选择用户进行切换。文献[6]综合分析了切换算法中切换参数值、用户移动速度和小区负载对用户掉线率的影响,提出了一种结合用户移动速度和小区负载的切换优化算法。文献[7]考虑网络资源限制与用户数据率需求来设计负载均衡切换策略,所提方法在均衡网络负载的同时降低了用户掉线率。文献[8]根据小区间的网络负载与流量大小动态调整切换门限与TTT取值的大小,保持网络负载平衡的同时提升网络吞吐量。上述的移动切换和负载均衡策略主要是根据过去和当前的信道质量、网络负载来设计切换方案。在这些被动的切换方案中,用户在满足切换触发条件后还需要等待TTT的时间,导致用户QoS下降。

随着无线大数据和人工智能的快速发展,用户未来时刻的移动轨迹是可以预测的,因此可以利用预测信息来设计主动切换的策略。与传统的被动切换策略相比,主动切换无需再等待TTT时间,可以有效降低切换时延,提升用户切换时的QoS。文献[9-10]研究了超密集网络中的主动切换问题,还考虑了双连接技术来提升用户QoS。文献[11]通过预测用户未来信道增益来设计切换策略。文献[12]分析了面向移动切换管理和基于位置应用的轨迹预测误差。文献[13]和[14]直接预测了下一个接入基站。考虑到无线网络的动态变化,固定的切换参数并不能提供最优的性能,文献[15]使用强化学习设计能够随着网络状态动态调整的切换参数,可以最大化网络长期的吞吐量并减少切换次数。现有的主动切换策略主要考虑的是基于信道质量的移动切换,并没有考虑移动切换对小区间负载的影响。

为了保证用户在移动过程中的服务质量,本文提出了面向负载均衡的主动切换策略,主要贡献如下:

1)考虑到用户在小区边缘进行切换时会受到很强的小区间干扰,本文引入了干扰协调策略。通过优化小区中心到小区边缘的切换门限,可以在保证用户需求的情况下降低系统总开销。

2)为了保证用户在移动过程中的QoS,根据网络负载优化用户在相邻两个小区的切换门限,通过提前或滞后的切换可以有效平衡负载。

3)通过预测用户未来大尺度信道信息,设计主动的双门限切换策略,可以有效降低切换延迟。

本文后续部分的结构如下:第2节介绍系统模型;第3节介绍主动切换策略;第4节进行仿真分析;第5节对全文进行总结。

2 系统模型

考虑一个多小区多用户网络,研究区域中有G个多天线的基站服务K个单天线的用户。每个基站有M个天线,用户单天线。假设用户请求有最小数据率需求的实时业务,对于第k个用户(记为UEk)需求的最小数据率为

根据信道的相干时间Δs(例如10 ms)把时间划分成多个时隙,瞬时信道增益(也称为小尺度信道增益)在每个时隙内保持不变,在不同的时隙发生变化。假设平均信道增益(也称为大尺度信道增益)在一个帧内的多个时隙保持相同,在不同的帧发生变化。考虑每个帧包含Tt个时隙,那么每个帧的长度为Δf=TtΔs(例如1 s)。

系统带宽记为B,单位资源块(Resource Block, RB)的带宽为ΔB,则系统在每个时隙可用RB总数为N=B/ΔB,可用RB的集合记为

在第f帧内,第t个时隙,第k个用户与第g个基站(记为BSg)在第n个RB的瞬时信道响应可以表示为

满足:

其中

表示在第f帧内BSg到UEk的平均信道增益,β表示路径损耗因子,

表示UEk和BSg之间的距离,

表示阴影衰落,是一个零均值、标准差为σX的高斯随机变量。令

表示平均信道增益的对数形式,则有:

2.1 移动切换和资源分配

为了避免用户频繁更换接入基站,我们假设用户每一帧接入的基站表示不变。用二元变量

表示是否在第f帧把UEk从BSi切换到BSj,i≠j,i, j=1,…,G,因此称

为切换变量。当用户切换接入基站之后,BSi和BSj的用户集合

和

可以表示:

其中符号

表示集合

和

的并集,

表示从集合

中去掉集合

的元素。

当确定接入基站之后,系统还需要为用户分配资源,由于资源分配与小尺度信道增益密切相关,需要优化每个时隙的资源分配结果,因此采用二元变量

表示是否在第f帧内第t个时隙把第n个RB分给UEk。

分给用户的RB个数不能超过可用的RB总数,因此资源分配变量需要满足:

当UEk接入BSg,并且

时,UEk的接收信号可以表示为:

其中

表示发送给UEk的信号,

表示BSg服务UEk的预编码向量,Pl,g表示BSg给UEk的发射功率,考虑用户间等功率分配,有

表示BSg的最大发射功率,

表示BSg在第n个RB上服务的用户个数,

表示接收噪声,为零均值,方差为

的高斯随机变量。

为了消除小区内多用户干扰,基站采用迫零预编码,并限定小区每个RB上的最大接入用户数满足

其中

不超过基站的天线数个数M,有

因此,资源分配变量还满足:

2.2 用户性能

根据(5)可以得到UEk的信干噪比(Signal to Interference plus Noise Ratio, SINR)为:

根据(7),UEk在第f帧的第t个时隙的瞬时数据率

可以表示为:

对于实时业务用户,要求在第f帧的第t个时隙的瞬时数据率满足:

当实际的瞬时数据率低于用户的最小数据率需求,则出现服务中断,因此UEk在第f帧的平均掉线概率可以表示为:

其中1(·)表示指示函数。

2.3 系统性能

本文在移动切换时还考虑对负载平衡的影响,因此使用RB资源占用率(Physical Resource Block Usage, PRBU)来评估各个小区的负载是否均衡。在第f帧,BSg的资源占用率可以表示为:

此时系统的总RB占用率为:

3 面向负载均衡的主动切换策略

传统的移动切换主要根据信道增益的变化指定切换策略,即当即将接入基站的平均信道增益超过当前连接基站的平均信道增益一段时间后执行切换。考虑到用户切换不仅会影响到不同基站的负载量变化,而且负载程度不同的基站能够为用户提供的服务资源也不同。例如,当用户从负载轻的小区移动到负载重的小区,按照传统方式进行切换不仅会导致网络拥塞,也导致用户分配不到足够的通信资源,从而造成用户掉线。本文在设计切换策略时同时考虑网络的负载变化,根据负载量的差异对一部分用户进行提前切换或滞后切换,从而提升用户在移动切换中的性能。

考虑到当对用户进行提前切换或滞后切换时,切换用户会持续接入一个距离相对较远的基站,这时候用户会受到严重的小区间干扰,导致用户数据率急剧下降,造成用户服务中断。为了保证用户在移动切换过程中的用户体验,本文所设计的切换策略考虑对小区边缘用户进行干扰协调,也就是为不同小区边缘分配正交资源来回避干扰。为了提高资源利用率,考虑基于部分频率复用(Fractional Frequency Reuse, FFR)的干扰协调方法,即小区中心采用全频复用的服务方式,而小区边缘采用正交频率服务,复用因子取决于邻小区干扰的个数。本文假设G个小区相邻,因此复用因子为G。

图1给出了基于FFR干扰协调的移动切换示意图,图中不同区域的图案代表使用的资源不同。小区中心用户由于受到的小区间干扰程度比较轻,因此使用相同的资源,而小区边缘用户受到的干扰比较严重,因此使用正交的资源来避免干扰。

当用户UEk从第i个小区移动到第j个小区时,系统需要判断:1)何处是小区中心和小区边缘的分界线,从而来改变所使用的资源策略;2)何处是两个小区的分界线,从而决定用户是接入BSi还是接入BSj。如图1所示,与传统不进行干扰协调的切换策略相比,基于FFR的切换策略包含两个切换门限:一个是表示小区中心和小区边缘分界的门限,记为

另一个是表示两个小区的切换门限,记为

由于进入小区边缘的用户才需要考虑是否执行越区切换,因此门限

也可以称为“切换预备门限

称为“切换执行门限”,所以,本文所研究的方法称为“双门限切换策略”。

3.1 双门限切换策略

为了判断用户是否在小区中心,小区边缘,以及是否需要从第i个小区切换到第j个小区,本文采用用户到相邻两个基站的平均信道增益差值进行衡量。对于UEk,在第f帧,到BSi和BSj的平均信道增益差值可以表示为:

其中

和

分别表示用户UEk到BSi和BSj的信道增益。

从(2)中可见,由于平均信道增益还受到阴影衰落的影响,为了避免因平均信道增益导致的频繁切换,对一个TTT内多个帧的信道增益进行观测来判断是否进行切换。假设TTT内包含nf个帧,基站可以预测用户未来nf个帧内的信道增益。

用二元变量

表示UEk是否是BSi的边缘用户,则有:

其中

表示BSi到UEk在第f+τ个帧的平均信道增益。

与第二个门限进行比较,可以确定是否需要把UEk从第i个小区切换到第j个小区,即:

为了保证用户在移动过程中的服务质量,下面分别优化

和

这两个门限。

3.2 门限1的优化

基于FFR的干扰协调策略通过降低小区边缘用户的资源利用率来提升用户的SINR,如果小区边缘所占的区域过大,则会降低整个系统的资源利用率;然而小区边缘所占的区域过小,则不能有效协调小区间干扰,也会增加边缘用户的资源开销。因此,系统存在一个最优的小区中心和边缘分界线划分方法,可以在保证用户需求的条件下降低系统总资源开销。下面我们就设计第一个门限

来使用户在整个小区移动过程中,保证用户数据率需求时系统的总资源消耗最小。首先分析干扰协调后的用户性能,根据(7)可以得到干扰协调后的瞬时SINR为:

式中第一项表示小区中心用户的SINR,第二项表示小区边缘用户的SINR。

为了分析用户所需的RB个数,我们首先需要分析用户在单位RB上的数据率。虽然资源分配会受到小尺度信道衰落的影响,但是从统计平均的角度上看,用户所需的资源个数主要受到大尺度信道增益的影响[15]。因此我们可以用大尺度信道增益来近似估计用户在每一帧内的平均数据率。考虑到大尺度信道增益在同一帧内对所有时隙、所有RB上都相同,因此平均数据率只与帧编号f有关,与时隙编号t和RB编号n无关。对于UEk,在第f帧中每个RB上数据率为:

其中

和

分别表示把UEk划分成小区中心和小区边缘用户时在每帧的平均SINR。

为了满足最小数据率需求,用户所需的资源个数

为:

考虑到小区中心用户可以重用资源,而小区边缘用户需要使用正交资源,则整个系统所需的总RB个数mTotal为:

式中第一项考虑到小区中心用户可以重用资源,因此实际占用的RB个数是总资源需求的1/G。

从(18)可见,系统的总资源开销与用户的需求

相关,也与用户的位置分布有关。为了使优化的门限

适用与一般的场景,这里假设所有的用户需求的最小数据率都相同,即

并且用户在小区内均匀分布,因此可以得到系统的总资源开销为:

其中x为用户的位置坐标,Φc与Φe分别表示小区中心与小区边缘区域,与

有关。

可以选择最优的

使mTotal最小,优化问题可以建模为:

在P1中,可以采用简单的线性搜索方法获得最优的

3.3 门限2的设计

下面考虑第二个门限的优化。与传统基于信道增益的切换策略不同,本文考虑的面向负载均衡的切换策略根据负载情况调整切换门限。

首先根据每个小区的资源占用率来评估小区的负载情况。根据(17)可以得到第g个小区的资源占用率为:

通过比较相邻两个小区的资源占用率,可以通过优化用户切换门限来提升用户在移动中的服务体验。由于切换需要观测一段时间,如果切换门限随着网络负载连续变化,会影响切换的成功概率。为此,我们在设计门限2时简化了门限的取值范围。只考虑三种情况,即提前切换、正常切换和滞后切换。如何选择切换门限,取决于相邻两个小区的负载情况。

比较第i个小区和第j个小区的资源占用率,可以得到两者的差值为:

对于一个给定的正数ξ来表示负载不平衡的门限,当

时,可知小区i比小区j负载严重,当用户UEk从小区i移动到小区j时需要提前切换;当

时,可知小区i比小区j负载轻,当用户UEk从小区i移动到小区j时可以滞后切换;当

时,可知小区i与小区j负载相当,这时可以根据信道增益进行正常切换。因此,所设计的门限2可以表示为:

其中

和

分别表示从高负载小区切换到低负载小区的偏移值和从低负载小区切换到高负载小区的偏移值,

表示用户在两个负载相当的小区间切换时的偏移值。

为了说明面向负载均衡的移动切换过程,图2给出了越区切换示意图。假设小区1具有相对较低的负载,而小区2具有相对较高的负载。当用户1从小区1移动到小区2时,由于小区2服务繁忙,没有足够的资源来服务用户1,因此可以采用滞后切换。当用户2从小区2移动到小区1,由于小区1有相对充足的服务资源,可以对用户2采用提前切换。

3.4 主动切换策略

从(14)和(15)可见,无论是小区中心和小区边缘的切换,还是两个小区间的切换,为了避免乒乓效应需要对TTT时间内的平均信道增益进行观测,再决定是否进行切换。传统被动切换策略存在TTT的时间延迟,从而降低了用户的服务质量。本文考虑基于预测的主动切换策略,图3给出了主动切换示意图。

当用户满足切换条件后,需要预测用户在接下来TTT时间内是否持续满足切换条件。考虑到实际大尺度信道信息与用户的位置密切相关,基站可以预先测量和存储用户的信号地图,也就是每个位置的用户接入基站的大尺度信道信息值,通过预测用户轨迹来预测用户的大尺度信道信息。在第f帧结束时,各基站根据收集到的用户历史轨迹预测用户未来一段时间内的轨迹,结合信号地图得到用户未来nf帧内的信道质量

从而得到接收信号差值

若用户在TTT时间内持续满足切换触发条件,则在第f+1帧直接切换该用户;否则,该用户将继续保持原来的连接状态。

为了实现轨迹预测,基站需要根据用户在过去nh帧的轨迹,预测用户在未来nf帧的轨迹。历史窗轨迹序列记做xHis(f)=[x(f-nh+1),…,x(f)]T,预测窗的轨迹记做xPre(f)=[x(f+1),…,x(f+nf)]T,其中x(f)=(a(f),b(f))表示用户在f帧所处的位置,a(f)和b(f)分别表示水平方向和垂直方向的位置坐标。

为了提高预测精度,本文考虑一个基于深度神经网络(Deep Neural Network, DNN)的轨迹预测器,如图5所示,其中输入为用户历史窗内的移动轨迹xHis(f),输出为预测窗内的移动轨迹xPre(f)。在DNN中,选择线性整流函数(Rectified Linear Unit, ReLU)作为隐含层的激活函数。轨迹预测包含离线训练和在线预测两个过程。在离线训练阶段,采集研究场景中的用户移动轨迹信息作为样本训练DNN,训练完成后就进入在线预测阶段。在线预测时,用户端实时上传用户的位置,预测器就可以根据用户上传的历史信息预测用户未来的移动轨迹。根据预测的用户位置结合信号地图可以得到用户未来的大尺度信道增益。

3.5 算法流程

图5总结了面向负载均衡的主动切换流程图,所提策略由两个关键部分组成,包括小区中心与边缘划分以及小区间用户切换:

小区中心与边缘划分:首先在每一帧结束时,基站根据用户上报的历史移动轨迹预测未来一段时间内的轨迹,结合信号地图预测未来时刻信道状态,然后根据接收信号强度差值与门限1进行比较来决定用户是小区中心用户还是小区边缘用户。

小区间用户切换:根据小区间负载量差值确定门限2,通过判断用户在未来TTT时间内接收信号强度差值是否持续大于门限2,满足条件则直接进行切换,否则不进行切换。

4 仿真结果

本节通过仿真实验评估了所提出的主动切换算法的性能。

4.1 仿真参数

仿真考虑一个多小区网络,包含多个宏小区。用户请求实时业务,所有用户的最小数据率需求

均相同。每帧长度为1 s,各时隙长度为10 ms。系统带宽B为10 MHz,单位RB带宽ΔB为200 kHz,每个时隙有50个RB。无线网络仿真参数按照3 GPP的标准[16]设置,具体参数如表1所示。

假设人步行的速度为1 m/s～2 m/s,加速度服从零均值,方差为0.2 m2/s2的高斯分布,每条轨迹的时长为60 s。由于负载均衡时不会卸载中心用户,为了评估更典型的应用场景中负载均衡的性能,使得移动用户主要分布在小区边缘。由于基于全球定位系统获得的轨迹数据中存在一定的测量误差,在生成的轨迹数据中加入零均值,方差为0.1/1 m2的高斯白噪声来表示测量误差。用所有用户的轨迹数据训练一个预测器,预测器的超参数(经过初步调试)见表2。

4.2 仿真结果

4.2.1 干扰协调和门限1的优化

为了研究干扰协调对系统性能的增益,本节对比干扰协调前后的性能增益。考虑到干扰协调的性能受用户划分门限

的影响,图6和图7首先给出不同划分门限的影响。图6给出小区个数为2时,大尺度衰落差值

在整个小区中的分布图,根据不同的

小区中心和小区边缘划分的区域不同。图7给出了小区中心用户、边缘用户以及所需要的RB个数随

取值个数的变化情况。

从图7中的结果可见,当

较小时,小区中心区域较大,因此中心用户多,占用的RB个数多。随着

增加,小区中心用户需求的RB不断降低,而小区边缘用户需求的RB不断增加。导致小区的总资源消耗随着

的增加呈现先降低再上升的变化趋势。当

时,所有用户的平均RB需求最小。因此可见当相邻小区个数为2时,最优的门限1为12 dB。对于其他相邻小区个数不同的情况,我们可以用类似方法得到最优的用户划分门限。图6中黑色的虚线标出了

时小区中心与小区边缘分界线。

图8比较了进行干扰协调前后的数据率增益,图9比较了干扰协调前后所需RB数目差值。从图8的结果可以看出,进行干扰协调后小区边缘用户使用正交的频率资源,消除了小区间干扰,因此处于小区边缘的用户数据率得到明显提升。由于用户的数据率的提升,达到数据率需求所需RB数也有效降低,节省了系统资源。因此,干扰协调能有效地提升小区边缘用户数据率,降低用户所需RB数,从而在保证用户移动过程中QoS的情况下,最小化系统资源开销。

为了评估所提出的主动切换策略性能,本文与如下几种策略进行比较:

1)为了评估主动切换策略的性能增益,与传统的被动切换策略进行比较,被动策略需要等待TTT时间的切换策略系统性能(称为“被动切换-主动负载均衡”);

2)为了评估在切换门限中考虑小区间负载量的性能增益,还考虑主动切换并且不考虑负载均衡时的系统性能(称为“主动切换-不主动负载均衡”);

3)为了评估干扰协调的性能增益,与不做干扰协调的切换策略(称为“无干扰协调”)进行比较。

①不同切换策略的资源占用率

首先在理想信道预测的条件下,比较不同切换策略的资源占用率。为了评估主动切换、切换门限和干扰协调对系统资源占用率的影响,图10比较了“主动切换-主动负载均衡”、“主动切换-不主动负载均衡”、“被动切换-主动负载均衡”、“被动切换-不主动负载均衡”和“无干扰协调”五种方法的PRBU性能。假设不同方法的信道信息均理想已知,因此可以保证用户的数据率需求,此时用户掉线的概率均为0。仿真时小区个数设置为3,在初始时刻,小区1、2和3的用户数分别为90、60和60。用户的数据率需求均为1 Mbps。

从图10可以看出,与无干扰协调方法相比,采用干扰协调后三个小区的负载量明显降低,并且三个小区的负载量也比较均衡,这是由于采用干扰协调可以提升边缘用户的SINR,降低达到相同数据率时所需的RB个数,从而可以降低三个小区的负载量。与“主动切换-不主动负载均衡”相比,所提出的“主动切换-主动负载均衡”在考虑切换用户信道增益的同时考虑了小区间负载量大小,设置了合理的切换门限,可以把过载小区中的部分用户提前分流到其他小区,把低负载小区中的用户滞后切换到高负载小区,因此小区间负载更加平衡。

由于中心用户和边缘用户的资源重用方式不同,每个小区实际可用的RB数小于总的RB数,因此还比较了不同方法的系统总资源占用率。从系统PRBU可以看出,与“无干扰协调”相比,“主动切换”与“被动切换”在负载均衡中都引入了干扰协调,降低了系统PRBU,因此在保证用户掉线概率相同的情况下,系统占用较少的资源。在负载均衡中引入干扰协调能够减少资源占用数,提高系统的资源利用率。

②不同切换策略的用户掉线概率

下面比较在资源占用相同的情况下,不同切换策略的用户掉线率。图11比较“主动切换-主动负载均衡”、“主动切换-不主动负载均衡”、“被动切换-主动负载均衡”、“被动切换-不主动负载均衡”和“无干扰协调”的性能。仿真中所有策略使用的资源数相同,资源利用率固定为80%,用户的数据率需求均为2 Mbps。

从图11可以看出不做干扰协调的用户掉线概率最高,这是因为在使用相同的资源时,不做干扰协调的边缘用户受到相邻小区的干扰最大,用户的数据率低于干扰协调后的用户数据率,导致用户的掉线率上升。本文所提出的“主动切换-主动负载均衡”方法掉线率明显低于其他方法的用户掉线率,这是因为“主动切换-主动负载均衡”方法同时考虑了用户未来一段时间的信道增益以及小区间的负载量,当用户在未来TTT时间内的信道增益持续满足切换触发条件时,直接对用户进行切换,不需要等待TTT时间。当小区间负载量相差较大时,通过主动负载均衡可以把过载小区中的部分用户提前分流到其他小区,从而增加高负载小区可用的RB数,提高高负载小区中用户的数据率,进而有效降低用户切换过程中的掉线概率。而“主动切换-不主动负载均衡”方法没有考虑小区间负载量的变化,切换时间点不合适,此时高负载小区没有足够的资源来服务用户,用户的数据率需求无法得到满足,导致用户在切换过程中的掉线概率较高。而“被动切换-主动负载均衡”方法在满足切换触发条件后需要等待TTT的时间,在这段时间内用户的数据率持续下降,从而导致用户的掉线概率增加,降低了用户体验。

③不同切换策略的用户切换次数

图12比较了“主动切换-主动负载均衡”、“主动切换-不主动负载均衡”、“被动切换-主动负载均衡”、“被动切换-不主动负载均衡”和“无干扰协调”在切换过程中的切换次数。

从图12中的结果可以看出,采用“主动切换-主动负载均衡”的方法切换次数最少。这是由于主动负载均衡能根据小区的负载量,选择合适的切换门限,保证用户在切换到下一个小区后不会导致小区间负载量的急剧变化,从而避免用户由于小区间负载的震荡而来回切换。同时主动切换通过预测用户未来TTT时间内的信道增益,当用户在TTT时间内持续满足切换触发条件则在当前帧直接进行切换,保证用户朝着目标小区移动,从而避免了由于用户移动方向频繁变化导致的用户切换次数增加。而“主动切换-不主动负载均衡”的方法由于没有考虑用户切换后小区未来的负载量变化,当用户被切换至下一个小区后,可能导致下一个小区的负载量增加过大,而小区为了实现负载均衡,只能将该用户切换回原小区,从而增加用户切换次数,降低了用户体验。而“被动切换-主动负载均衡”方法由于没有考虑用户未来一段时间内的信道质量,当用户在移动过程中移动方向频繁变化时,用户在移动过程中来回切换,从而增加用户切换次数。

5 结论

本文针对实时业务用户提出了一种面向负载均衡的主动切换策略。设计了基于双门限的移动用户切换策略,通过设置合理的门限以划分小区中心与小区边缘,降低边缘用户的资源利用率。通过设置合理的切换门限可以实现小区间用户切换,有效均衡小区间负载,保证用户在移动过程中的QoS。通过使用预测信息可以实现主动切换,从仿真结果可知,所提出的主动切换策略相比于传统的被动式切换能够有效降低用户掉线概率并减少用户切换次数,提升用户体验,同时降低系统资源开销。

[1] NGUYEN M T, KWON S, KIM H.Mobility robustness optimization for handover failure reduction in LTE small-cell networks[J].IEEE Transactions on Vehicular Technology, 2018, 67(5): 4672-4676.

[2] CHAUDHURI S, BAIG I, DAS D.Self organizing method for handover performance optimization in LTE-advanced network[J].Computer Communications, 2017, 110: 151-163.

[3] JOUD M, GARC width=5,height=14,dpi=110

A-LOZANO M, RUIZ S.User specific cell clustering to improve mobility robustness in 5G ultra-dense cellular networks[C]∥2018 14th Annual Conference on Wireless On-demand Network Systems and Services(WONS).Isola 2000, France.IEEE, 2018: 45-50.

[4] LOPEZ-PEREZ D, GUVENC I, CHU Xiaoli.Mobility management challenges in 3GPP heterogeneous networks[J].IEEE Communications Magazine, 2012, 50(12): 70-78.

[5] HASAN M M, KWON S, NA J H.Adaptive mobility load balancing algorithm for LTE small-cell networks[J].IEEE Transactions on Wireless Communications, 2018, 17(4): 2205-2217.

[6] OH S, KIM H, KIM Y.User mobility impacts to mobility load balancing for self-organizing network over LTE system[C]∥2018 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering(TCSET).Lviv-Slavske, Ukraine.IEEE, 2018: 1082-1086.

[7] HUANG Miaona, FENG Suili, CHEN Jun.A practical approach for load balancing in LTE networks[J].Journal of Communications, 2014, 9(6): 490-497.

[8] HUANG Zhangpeng, LIU Jing, SHEN Qiang, et al.A threshold-based multi-traffic load balance mechanism in LTE-A networks[C]∥2015 IEEE Wireless Communications and Networking Conference(WCNC).New Orleans, LA, USA.IEEE, 2015: 1273-1278.

[9] WANG Chujie, ZHAO Zhifeng, SUN Qi, et al.Deep learning-based intelligent dual connectivity for mobility management in dense network[C]∥2018 IEEE 88th Vehicular Technology Conference(VTC-Fall).Chicago, IL, USA.IEEE, 2018: 1-5.

[10] QI Kaiqiang, LIU Tingting, YANG Chenyang, et al.Dual connectivity-aided proactive handover and resource reservation for mobile users[J].IEEE Access, 2021, 9: 36100-36113.

[11] ALI Z, BALDO N, MANGUES-BAFALLUY J, et al.Machine learning based handover management for improved QoE in LTE[C]∥NOMS 2016-2016 IEEE/IFIP Network Operations and Management Symposium.Istanbul, Turkey.IEEE, 2016: 794-798.

[12] ZHANG Wenjing, LIU Yuan, LIU Tingting, et al.Trajectory prediction with recurrent neural networks for predictive resource allocation[C]∥2018 14th IEEE International Conference on Signal Processing(ICSP).Beijing, China.IEEE, 2018: 634-639.

[13] WICKRAMASURIYA D S, PERUMALLA C A, DAVASLIOGLU K, et al.Base station prediction and proactive mobility management in virtual cells using recurrent neural networks[C]∥2017 IEEE 18th Wireless and Microwave Technology Conference(WAMICON).Cocoa Beach, FL, USA.IEEE, 2017: 1-6.

[14] ALKHATEEB A, BELTAGY I, ALEX S.Machine learning for reliable mmWave systems: Blockage prediction and proactive handoff[C]∥2018 IEEE Global Conference on Signal and Information Processing(GlobalSIP).Anaheim, CA, USA.IEEE, 2018: 1055-1059.

[15] SUN Li, HOU Jing, SHU Tao.Optimal handover policy for mmWave cellular networks: A multi-armed bandit approach[C]∥2019 IEEE Global Communications Conference(GLOBECOM).Waikoloa, HI, USA.IEEE, 2019: 1-6.

[16] 3GPP TSG RAN.Long Term Evolution.Further advancements for E-UTRA physical layer aspects[S].TR 36.814 v9.0.0, 2010.