智能電網鄰域網中5G uRLLC的上行資源調度方案

董曉丹 吳 瓊

1(江蘇信息職業技術學院電子信息工程學院 江蘇 無錫 214153)

2(江南大學物聯網工程學院 江蘇 無錫 214122)

0 引 言

智能電網(Smart Grid, SG)作為下一代電網,將在發電、配電和電力通信等方面做進一步的完善,以實現其安全、可靠、靈活的要求[1]。相比于普通電網,SG將會產生海量的信息數據,需要高性能的通信網絡來監視和控制流量[2]。在SG通信網絡中,智能電網鄰域網(SGNAN)是電力運營商與終端用戶之間溝通的媒介[3],負責并處理終端發送到數據集中單元(Data Concetrator Unit, DCU)的數據,對數據傳輸有較高的實時性和可靠性要求[4]。SGNAN是連接高級量測基礎設施、分布式電源、配電自動化等業務終端的網絡[5]?？紤]到訪問的便利性,無線網絡成為SGNAN的主要通信基礎架構[6]。

雖然無線SGNAN具有覆蓋范圍廣、造價低、部署方便等優點,而美國聯邦通信委員會認為SG想要獲取足夠的許可頻譜資源變得越來越困難[7],所以為滿足SG終端用戶的各種業務要求,有必要在SGNAN中設計有效的資源分配方案[4],目前已有相關工作對SGNAN中設計有效的資源分配展開研究。Zhao等[3]提出了認知無線電NAN網關的最佳頻譜分配策略,該策略的決策過程以四階段Stackelberg游戲為模型,并結合新穎的相應算法。Shah等[8]根據應用程序的服務質量(QoS)要求,將流量定義為多屬性優先級類別,設計了一種基于認知通信的跨層框架。Hajjawi等[9]給出了一種基于LTE的調度方案,該方案將丟包率作為用戶分類的依據,根據M-LWDF(Modified-Largest Weighted Delay First)算法對實時用戶進行優先級排序,而通過比例公平算法調度非實時用戶。針對基于認知無線電的無線傳感器網絡的能量和頻譜的高效利用,Sreesha等[10]思考了一種跨多層的設計方法。Yang等[11]在認知智能網格網絡中考慮了服務優先級和每個用戶使用的總頻譜,建立了基于公平性的頻譜分配方法。Cheng 等[6]利用自適應遺傳算法和二進制粒子群算法相結合的混合智能優化算法,得到了吞吐量、公平性折中的最優方案,該方案具有良好的收斂能力。Kalalas 等[5]將LTE蜂窩網絡作為無線NAN的基礎設施,應用集中式BBU來優化網絡資源分配,提高了頻譜效率?；谏鷳B研究Lotka-Volterra方程,Webster等[12]開發了一種能適應不斷變化的信道條件的資源分配方案,滿足了智能電網數據包的低延遲約束,同時具有較高的公平性。

上述資源分配的研究工作都是基于4G網絡,但其不能滿足SGNAN的低時延、高可靠、大帶寬的要求。 5G有望成為SGNAN的無線解決方案[13],因為它具有更短的調度單位、更靈活的調度方式、更大的帶寬資源等特點,應用了“移動/多接入邊緣計算”“網絡切片”等先進技術[4]。目前還沒有相關工作在SGNAN中基于5G uRLLC技術進行資源分配的研究,本文采用5G uRLLC技術建立上行鏈路調度模型,并使用改進人工蜂群(Artificial Bee Colony,ABC)算法求解該模型下的最佳分配方案。本文的貢獻主要有：

(1) 提出基于uRLLC的SGNAN上行鏈路調度模型,該模型能滿足SGNAN的低時延、高可靠、大帶寬的要求。

(2) 根據終端業務的不同QoS要求,給其分配不同等級的優先級,用來調節它們獲取資源的概率。

(3) 定義終端獲取資源的權限分值函數,通過分值大小來確定終端獲取資源的先后順序,該函數綜合了終端的優先級、速率和系統的公平性三個方面的因素。

(4) 定義分配矩陣和速率矩陣表示系統吞吐量的目標函數,采用改進的ABC算法求解目標函數最大值,從而獲得最優的分配矩陣。

1 單小區uRLLC的SGNAN上行鏈路調度模型

1.1 系統場景

單小區uRLLC的SGNAN上行鏈路通信系統如圖1所示。蜂窩系統的基站(Base Station,BS)作為SGNAN的DCU,它由各個接入點和頻譜資源調度器組成。接入點即為SGNAN中提供多種服務的終端,這些服務包括了配電自動化、視頻監控、汽車充電樁、毫秒級負載控制等,上行數據由家庭網關(簡稱HGW)匯總到SGNAN網關(簡稱NGW),調度器負責將頻率資源分配給終端。

圖1 SGNAN上行鏈路調度模型

5G uRLLC具有低時延、高可靠性的特點,完全能滿足SGNAN中的各類服務。OFDMA技術應用于該系統中,該技術采用了相互正交的子載波,不需要增加保護帶寬,提高了頻譜利用率。為方便分析,本文假設每個終端最多只能被分配到1個時頻資源塊(Resource Block,RB),每個RB由多個子載波和時隙構成。當終端的數量大于RB的數量時,未獲得RB的終端暫緩數據的傳輸,導致通信時延。在同等條件下,優先級越高的終端,獲得RB的概率越大。但為了平衡系統的公平性和吞吐量,低優先級的終端如果連續多次未獲得RB或有優越的信道條件,此時其獲取RB的概率將逐漸增大。

在基于uRLLC的系統中,假設系統RB數量為M,它們的編號集為SRB={1,2,…,M},終端的數量為K,它們的編號集為Ster={1,2,…,K},其中M

(1)

4G以及之前的移動通信系統是基于信息理論標準,通常傳輸的數據包長度較大。為滿足實時性和可靠性,SGNAN服務終端使用uRLLC技術發送的數據包則要短得多。因此,不能忽略傳輸誤差對實際傳輸速率的影響,并且香農容量公式不再適用于該應用場景中。假設分配用于發送每個數據包的帶寬比相干帶寬窄,則在準靜態平坦衰落信道上的發送器和接收器處都知道信道狀態信息。根據文獻[14-16]中對短包機制最大可實現速率的準確估計,第m個RB上第k個終端可實現上行速率為：

(2)

為了滿足給定分組長度n0數據包傳輸的可靠性要求,式(2)與香農公式相比,降低了可達到的速率。Γk稱為信道分散[14],計算如下：

(3)

用于測量色散信道相對于相同容量的確定性信道的隨機變化范圍,當SNR值很大時,Γk可以近似為1。n0是數據包的長度,ε是上行鏈路傳輸誤碼率。Q-1是Q函數的反函數,Q函數表示如下：

(4)

5G uRLLC需要極高的可靠性和低延遲,因此ε的值必須盡可能小,以避免重傳導致較大的延遲。

1.2 目標函數

本文考慮了在指定的誤碼率下的數據速率計算以及隨后進行的資源分配。系統總體的吞吐量即為所有終端的速率之和,其中未獲得RB的終端速率為0。當知道系統所有RB的分配情況以及各終端在不同信道下的速率,系統的總吞吐量則容易求得。因此,有如下定義：

SGNAN提供多種類型的服務,根據業務的QoS需求,賦予終端不同的優先級P={1,2,…,i,…,H},其中i,H∈N+?？紤]終端的優先級、速率和系統公平性三個因素,定義了終端獲取RB的權限分值函數,該函數表示為：

(5)

(2) 速度矩陣：V={vmk}M×K計算系統所有RB上各終端的相應速率。其中vmk表示第m個RB上第k個終端的速率,該速率由式(2)計算獲得。

(3) 系統的吞吐量可表示如下：

(6)

如果系統經過L輪的上行數據傳輸,那么系統每輪總的平均吞吐量表示為：

(7)

(8)

2 解決方案

2.1 總體算法描述

系統給予優先級最高的M個終端順序分配RB,并通過改進的ABC算法來獲取最優的分配方案和最大吞吐量,具體的方案如下：

Step1初始化系統相關信息,諸如RB資源數量M,終端數量K,終端的起始平均速率V0,優先級數量H,優先級為i(i∈P)的終端數量占比值βi,隨機化終端與基站的距離dk等。隨機產生各RB下的終端發射功率pm,各終端連續未分配到RB的次數δk置0,分配矩陣、速率矩陣的各元素值都置為0。

Step5根據式(2)求得速率矩陣V={vmk}M×K。

Step6通過ABC算法求得式(6)中T的最大值,并獲得本輪相應的最優分配矩陣A*=argmaxT。

Step8重復Step3-Step7,經過L輪后,根據式(8)求得目標函數f。

2.2 ABC算法改進策略

ABC算法有較好的尋優模式,經常被應用于多變量函數的優化計算中。算法的主體部分由蜜蜂與蜜源組成,蜜蜂又可以分成采蜜蜂、觀察蜂、偵察蜂3種類型,算法根據蜜蜂的采蜜機理,通過尋優機制多次迭代后得到最優的蜜源,基本的流程可參照文獻[17]。本文中一個資源分配矩陣對應一組蜜源(或稱解向量),矩陣的每一行作為向量中的一個解,算法隨機生成多個分配矩陣,第i個分配矩陣可以表示為Ai=(Ai1,Ai2,…,Ait,…,Ain,…,AiM)T,其中t≠n?；诜峙渚仃嚝@得最優解的情況,與普通ABC算法有如下不同：

(1) 新蜜源的產生。分配矩陣是將M個RB分配給權限分值最高的M個終端,資源與終端是一一對應關系。如果要獲得新的分配矩陣(一組蜜源),則需要調整它們的對應關系。于是,采蜜蜂對該組蜜源的更新等同于互換兩個蜜源的位置,可表示如下：

t≠nt,n∈{1,2,…,M}

(9)

(2) 蜜源被選擇概率。普通的ABC算法中,如果采蜜蜂開采的蜜源蜜汁越多,那么它被觀察蜂跟隨的概率越大,經過多次迭代后,低蜜汁的蜜源就會被放棄,而實際上它們含有部分有用信息。所以,為了讓低蜜汁的蜜源也擁有較大的被選擇概率,本文采用一種新的蜜源被選擇概率計算方法：

(10)

式中：λi表示第i個蜜源被選擇的概率;hi表示第i個蜜源的適應值(或稱蜜汁);Z表示種群數量,則Z/2表示蜜源數量。

3 仿真分析

為了評估該上行鏈路資源調度模型和解決方案的性能,我們使用MATLAB工具在單個SGNAN小區中進行了數學仿真,其中DCU(或BS)位于小區中心,K個HGW隨機分布在小區內部。本文方法綜合了系統的公平性(Fairness)、終端的優先級(Priority) 和速率(Rate)三個因素,以此計算終端獲得RB的權限分值,最后通過ABC算法得到系統吞吐量(Throughput)的最優分配方案,簡稱為FPRT-ABC算法。表1中結合實際給出了特定的仿真參數和設置[18],其中：fc為載波頻率;f0為子載波間隔;Bs為系統帶寬;BRB為RB帶寬;dmax和dmin分別為HGW到DCU的最大和最小距離;pmax和pmin分別為HGW上行最大和最小發射功率;V0為各HGW的初始速率;其他參數不再贅述。PL為路徑損耗,單位為dB,表示如下：

表1 系統的仿真參數及設置

PL=22lgd+28+20lgfc

(11)

式中：d為HGW到DCU的距離。

(12)

為對比FPRT-ABC算法在多優先級等級下吞吐量和公平指數的表現,表2列出了相關的參數設置。表2中,優先級等級數量H的范圍為2至5,符合實際應用的需求,同時高優先級的終端數量占比保持不變,保證對比的有效性。

表2 多優先級等級和占比設置(%)

圖2顯示了在多優先級等級下系統吞吐量的變化,其中ε=10-5,終端的數量范圍為100～140,其他參數采用了表1和表2的值?？梢钥闯?隨著優先級等級的增大,提升了高優先級終端數量的占比,導致了信道條件較差的終端被調度的概率增大,最終使得系統整體吞吐量下降。但由于利用了ABC算法的尋優能力,吞吐量最大下降幅度控制在3%以內,體現了該方法在多優先級等級情況下較好的適應能力。由于在數據仿真時,NAN中每個終端的位置都是隨機設定的,因此圖2中的曲線趨勢沒有實際意義。

圖2 多優先級等級下的系統吞吐量對比

圖3表示在多優先級等級下系統公平指數的變化,選取參數與圖2相同。隨著優先級等級的增多,高優先級終端的η值明顯高于低優先級終端,這種情況導致了最高優先級終端被調度的概率逐漸增大,最低優先級終端被調度的概率逐漸變小,中間優先級終端被調度的概率變化不大。所以,隨著優先級等級的增多,系統公平指數呈下降趨勢。但本文在權限分值函數中,不僅考慮了優先級,而且考慮了時延和傳輸速率,使得高時延和信道條件好的低優先級終端也有機會獲得RB,減緩了系統公平指數下降的幅度。

圖3 多優先級等級下的系統公平指數對比

圖2和圖3的數據表明了在多優先級等級情況下,H從2增大至5,系統的吞吐量和公平指數都略有下降,但下降幅度分別控制在3%和6%以內。這證實了FPRT-ABC方法在多優先級情況下具有良好的擴展性和適應性。從數據角度出發,H取{2,3,4,5}的任意值都具有代表性,為方便分析,圖4-圖6都選取了H=2,β1β2={0.1,0.9}的場景。

圖4 不同誤碼率下的系統吞吐量

圖4顯示了在不同誤碼率下的系統吞吐量變化情況,ε分別為10-4、10-5、10-6?？梢钥闯鱿到y的可靠性要求越高,系統的吞吐量就越低;同時說明了超短分組傳輸的數據速率與可靠性密切相關。

圖5、圖6表示3種算法的Jains公平指數與系統吞吐量的對比,其中ε=10-5。結果顯示：本文提出的FPRT-ABC算法在公平性方面略低于輪詢調度(RR)算法,與文獻[18]方法基本持平;在吞吐量方面,FPRT-ABC算法相比于其他兩個方面有較大的性能提升。這是因為RR算法為保證各終端的絕對公平性,往往較多地犧牲了系統的吞吐量;而文獻[18]中,系統的公平性根據各終端預期的瞬時速率與平均速率的比值,但其未對吞吐量做更好的優化。對比以上兩種方法,FPRT-ABC算法有更好的綜合性能。

圖5 三種方法下的系統公平指數對比

圖6 三種方法下的系統吞吐量對比

4 結 語

結合智能電網的應用要求,本文討論了將5G uRLLC技術引入智能電網的可行性。首先,建立基于uRLLC的上行鏈路資源調度模型,該模型基于不同業務的QoS需求分配終端不同的優先級。其次,定義終端獲取RB的權限分值函數,引入時延、速率和優先級的權重因子,并給出該模型下的基于系統吞吐量的目標函數。進一步,應用改進ABC算法求解目標函數的最大值從而獲得最優資源分配方案。最后,進行數值模擬和比較分析,結果驗證了本文方案在保證終端公平性的同時,較大幅度地提高了系統的吞吐量。