0 引言

    為了滿足未來數據流量的高速增長、海量的設備連接以及新應用的需求，網絡中的小基站數量不斷增加，密集異構網絡應運而生^[1]。密集異構網絡就是在宏基站保證基本覆蓋的情況下，針對網絡熱點地區進行網絡擴容或者網絡覆蓋盲區進行網絡補盲而進行大規模部署小基站(如micro、pico、femto)的一種密集網絡架構^[2-3]。femto是密集網絡中一種非常重要的小基站，一般用來提高室內環境的信號覆蓋范圍^[4]。這種密集組網技術拉近了femto與用戶的距離，使接入點之間的距離達到10 m甚至更小^[5]，因此femto能給室內用戶提供更好的信號質量。據估計，大約60%的語音業務和90%的數據業務發生在室內^[6]，這些數據表明未來將會在一個macro下部署大量的femto。另外，用戶接收到的RSRP在切換過程中會發生變化，因此不能保證切換決策時的RSRP就是用戶上報的RSRP，從而會引起頻繁切換。而傳統的切換算法會導致用戶總切換至RSRP最大的基站，獲得的切換性能并不理想也不真實。因此，密集femto異構網絡需要更有效的切換算法。

    XU P等^[7]提出了一種基于接收信號強度(Reference Signal Strength，RSS)和傳輸損耗(RSS and Wireless Transmission Loss，RWTL)的算法。但是在該算法中，如果用戶接收到femto基站的RSS大于預定的門限值而小于macro基站的RSS時，用戶就會切換到RSS更差的femto基站。而考慮到基站負載的差異性，ALEXANDRIS K等^[8]提出了一種基于用戶服務時延的負載感知切換算法。但是，該算法并沒有考慮切換過程中RSRP的變化，導致切換性能也并不太理想。

    為此，本文提出了一種基于RSRP預測和負載的自適應切換算法，它不僅從網絡的角度考慮了負載，而且從用戶的角度考慮了RSRP。

1 網絡模型

    本文主要研究在marco基站的覆蓋范圍內密集部署femto的密集異構網絡系統，系統場景如圖1所示。

    如圖1所示，系統有7個macro基站，并且femto按照密度為λ_f的均勻泊松點過程分布在每個宏基站內。

    信道主要考慮路損、陰影衰落和快衰落3種損耗，用戶的接收功率P_RSRP0為：

2 自適應最小二乘法

    本文采用自適應最小二乘法對RSRP進行預測，以便用戶切換到合適的目標基站。為了減少信號抖動等影響，在接收端一般先讓用戶接收到的初始RSRP(表示為P_RSRP0)經過一個指數平滑窗口，再使平滑濾波后的RSRP(表示為P_RSRP)作為自適應最小二乘法的輸入信號。預測系統的輸入信號P_RSRP(t)為：

    自適應預測系統的框圖如圖2所示。

    由圖2可知，自適應預測系統由延遲器、加法器、自適應濾波器和系統更新算法所組成。其中，自適應濾波器是一個長度為N+1的濾波器。

    自適應預測過程包括自適應濾波器系數的估計和使用所估計到的系數對信號進行預測兩部分。假設每次預測所需要的RSRP觀察數為N+1，則在n時刻信號向量P(n)為：

3 基于RSRP預測和負載的自適應切換算法

    本文同時從用戶和網絡的角度考慮，第一次采用自適應最小二乘法對用戶接收到的RSRP進行預測，同時考慮了基站端的負載，提出了基于RSRP預測和負載的自適應切換算法，其流程如圖3。

    該算法主要分為兩步：創建切換候選基站列表和從候選基站列表中選擇合適的基站進行切換。接下來對圖3進行詳細的介紹。

    基站總數為N_f+1，其中N_f為femto基站數。根據圖3中的方框①，將所測RSRP值滿足以下條件的基站組成候選基站集合S₁。

其中，N₃是S₃的基站數。因此，用戶選擇的切換目標基站k*為：

4 性能仿真與結果分析

    參照3GPP的協議標準及實際femto密集的網絡部署場景，仿真參數設置如表3所示。

    如圖4所示，從均方誤差方面評估了自適應最小二乘法對RSRP的預測性能。從圖中可以看出，隨著RSRP觀察樣本數的增加，自適應最小二乘法對RSRP的預測性能越來越差。這主要是因為非最近的樣本數不能充分的代表信道的狀態，其越多就會越增加RSRP的預測誤差。

    同時，當RSRP觀察樣本數不變時，隨著速度的增加，預測性能越差。原因是當速度增加時，RSRP的變化就會更大，使得預測準確度下降。

    從圖5可以看到，隨著femto數的增加，乒乓切換率增加；并且對于相同的RSRP觀察數，乒乓切換率隨著速度的增加而增加，其原因是用戶駐留在femto內的時間越來越短。

    從圖6可以看到，隨著用戶速度的增大，用戶發生更多的中斷現象；在femto數相同的情況下，當RSRP的觀察數為10時，本文算法可以獲得最低的中斷概率，原因是RSRP的觀察數等于10時，自適應最小二乘法對RSRP的預測更準確；隨著femto數的增加，中斷現象更嚴重，這主要是因為隨著femto數的增加，干擾越來越大。

    圖7、圖8分別為本文算法和RWTL算法以及傳統算法在吞吐量和乒乓切換率方面的性能對比。在RWTL算法中，用戶根據接收到的信號強度和傳輸損耗來進行切換決策。在傳統算法中，用戶總是切換到RSRP最大的基站。如圖7、圖8所示，本文算法所獲得的吞吐量和乒乓切換率性能明顯要好于RWTL算法和傳統算法，并且隨著femto數的增加，3種算法的切換性能都在下降，符合本文的預期。

5 總結

    本文首先闡述了當前密集femto異構網絡中存在的頻繁切換問題，特別是乒乓切換，然后提出了基于RSRP預測和負載的自適應切換算法。相比于當前的切換算法，本文所提出的算法能夠獲得更低的乒乓切換率和中斷概率以及更高的吞吐量。

參考文獻

[1] 劉宜明，李曦，紀紅.面向5G超密集場景下的網絡自組織關鍵技術[J].電信科學，2016，32(6)：44-51.

[2] HAO P，YAN X，RUYUE Y N，et al.Ultra dense network：challenges，enabling technologies and new trends[J].China Communications，2016，13(2)：30-40.

[3] YUNAS S F，VALKAMA M，NIEMEL J.Spectral and energy efficiency of ultra-dense networks under different deployment strategies[J].IEEE Communications Magazine，2015，53(1)：90-100.

[4] SHAFIEI-KORDSHOULI M，ZEINALPOUR-YAZDI Z，RAMEZANIAN R.Coverage improvement in femtocell networks via efficient utility pricing[J].IET Communications，2016，10(16)：2215-2221.

[5] CHEN S，QIN F，HU B，et al.User-centric ultra-dense networks for 5G：challenges，methodologies，and directions[J].IEEE Wireless Communications，2016，23(2)：78-85.

[6] ANDREWS J G，CLAUSSEN H，DOHLER M，et al.Femtocells：past，present，and future[J].Selected Areas in Communications IEEE Journal on，2012，30(3)：497-508.

[7] XU P，FANG X，HE R，et al.An efficient handoff algorithm based on received signal strength and wireless transmission loss in hierarchical cell networks[J].Telecommunication Systems，2013，52(1)：317-325.

[8] ALEXANDRIS K，SAPOUNTZIS N，NIKAEIN N，et al.Load-aware handover decision algorithm in next-generation HetNets[C].WCNC 2016，IEEE Wireless Communications and Networking Conference，Doha，Qatar，2016.

[9] 3GPP TS 36.839.V11.1.0.Mobility enhancements in heterogeneous networks[R].2012.

作者信息：

尹生華，唐  倫，沈海強，陳前斌

（重慶郵電大學 移動通信技術重點實驗室，重慶400065）