大規(guī)模MIMO組網(wǎng)場景中的網(wǎng)絡(luò)時延預(yù)測

朱 軍,臧守濤,李 劍,李 汐,葉國駿

(1.安徽大學(xué) 電子信息工程學(xué)院,安徽 合肥 230601; 2. 中國科學(xué)院 上海微系統(tǒng)與信息技術(shù)研究所,上海 200050;3. 華為技術(shù)服務(wù)有限公司,上海 201206)

由于移動設(shè)備和移動流量的爆炸式增長,蜂窩系統(tǒng)正向5G無線系統(tǒng)發(fā)展.與4G網(wǎng)絡(luò)相比,5G網(wǎng)絡(luò)在頻譜、空口和網(wǎng)絡(luò)架構(gòu)上制訂了跨代的全新標(biāo)準(zhǔn),以滿足未來5G的應(yīng)用場景.這些新標(biāo)準(zhǔn)、新技術(shù),給5G無線網(wǎng)絡(luò)規(guī)劃帶來了挑戰(zhàn)[1-3].除此之外,大規(guī)模天線陣列增加了網(wǎng)絡(luò)優(yōu)化的難度,復(fù)雜的空間相關(guān)性使傳統(tǒng)的定點路測、定量覆蓋模型難以滿足快速、全面、準(zhǔn)確評估柵格級網(wǎng)絡(luò)性能的要求.傳統(tǒng)的網(wǎng)絡(luò)性能仿真雖能實現(xiàn)精確分析,但海量的計算量和時間開銷使仿真無法在現(xiàn)場應(yīng)用[4].

隨著神經(jīng)網(wǎng)絡(luò)在信息、自動化、醫(yī)學(xué)、經(jīng)濟(jì)等領(lǐng)域的廣泛應(yīng)用,已有使用神經(jīng)網(wǎng)絡(luò)預(yù)測信道特征和網(wǎng)絡(luò)性能的報道[5-7].文獻(xiàn)[8]利用神經(jīng)網(wǎng)絡(luò)預(yù)測無線正交頻分復(fù)用系統(tǒng)中的信道脈沖響應(yīng).文獻(xiàn)[9]使用神經(jīng)網(wǎng)絡(luò)預(yù)測下行鏈路信道的質(zhì)量.文獻(xiàn)[10]利用神經(jīng)網(wǎng)絡(luò)預(yù)測用戶信道中傳輸路徑的偏離角.這些方法均通過現(xiàn)網(wǎng)采集實測數(shù)據(jù),且將其作為訓(xùn)練樣本,由于樣本采集成本高,且網(wǎng)絡(luò)參數(shù)變更后需重新生成樣本數(shù)據(jù),因此這些方法很難真正應(yīng)用于實際網(wǎng)絡(luò).

文獻(xiàn)[11]利用神經(jīng)網(wǎng)絡(luò)在線預(yù)測5G信道狀態(tài)信息,但其預(yù)測的只有無線信道特性并沒有網(wǎng)絡(luò)性能,且存在預(yù)測參數(shù)有限、適用范圍小、數(shù)據(jù)采集周期長等不足之處.文獻(xiàn)[12]基于11個基站發(fā)射機(jī)的路徑損耗數(shù)據(jù),利用前饋神經(jīng)網(wǎng)絡(luò)算法預(yù)測無線信道的路徑損耗,該方式在路損預(yù)測方面有較好的表現(xiàn),但不能在現(xiàn)網(wǎng)架設(shè)之前采集數(shù)據(jù),且通過發(fā)射機(jī)獲取數(shù)據(jù)成本較高.針對上述方法的不足,筆者提出利用時延仿真模型累積大量數(shù)據(jù),通過深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)數(shù)據(jù)特征,利用訓(xùn)練后的網(wǎng)絡(luò)模型預(yù)測柵格級用戶的網(wǎng)絡(luò)時延.

1 仿真建模原理

1.1 時延仿真模型

射線追蹤模型可描述為:利用傳輸射線模擬發(fā)射信號,在傳輸過程中射線受到各種障礙,經(jīng)歷了發(fā)射、散射和衍射后,最終到達(dá)信號接收點.通過射線追蹤模型,可計算信號的幅度、相位、到達(dá)角及傳輸時延等,進(jìn)而構(gòu)建出傳輸矩陣[13].射線追蹤模型中不包含小尺度信息,僅有射線幾何位置不能計算多徑效應(yīng),這些數(shù)據(jù)不足以構(gòu)建信道模型,因此使用相同場景下3GPP 38.901定義的統(tǒng)計模型，且補(bǔ)齊缺失的輸入?yún)?shù). 時延仿真模型的生成過程如圖1所示.

圖1 時延仿真模型的生成過程

1.2 信道矩陣

5G無線仿真平臺以信道矩陣和工程參數(shù)作為輸入,計算信道衰落系數(shù)矩陣,需要在射線數(shù)據(jù)的基礎(chǔ)上補(bǔ)充天線布局信息、天線方向圖等.其中天線布局信息、天線方向圖采用3GPP 38.901標(biāo)準(zhǔn)的天線配置.信道矩陣按照3GPP 38.901定義的過程和方法計算,具體參數(shù)如表1所示.

表1 信道參數(shù)

信道系數(shù)的表達(dá)式為

(1)

其中：Frx,u,θ,Frx,u,φ分別是沿球面單位向量θ,φ方向接收天線的場方向圖;Ftx,s,θ,Ftx,s,φ分別是沿球面單位向量θ，φ方向發(fā)射天線的場方向圖；rrx,n,m，rtx,n,m分別是方位角為φn,m,AOA，φn,m,AOD的球面單位向量；drx,u，dtx,s分別為接收天線、發(fā)射天線的位置矢量.

1.3 時延計算

假定消息包無須拆分、合并操作.此處的無線側(cè)時延主要考慮消息包從基站MAC層到用戶MAC層的下行單向時延.業(yè)務(wù)模型采用FULL BUFFER模型,單次傳輸?shù)臅r長(無重傳)為4 ms, HARQ通道配置為8,消息包的最大重傳次數(shù)為4.消息包的傳輸時延為

T=t+N×Td,

(2)

其中：t為消息包的首次傳輸時延,N為消息包的重傳數(shù),Td為重傳的時間間隔.

統(tǒng)計用戶所有消息包的傳輸時延,可得到用戶的平均時延為

(3)

其中：TI表示用戶所有消息包的傳輸總時延,Pn為消息包總數(shù).

2 特征模型與神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.1 三視圖特征模型

射線追蹤模型中,傳輸鏈路的輸出結(jié)果為射線起點(基站)和終點(用戶,用5 m×5 m柵格表示)間所有反射點的信息,包括基站和用戶間每條射線的起點、終點和中間反射點的3維坐標(biāo)、每條射線的路徑損耗和傳輸時長.

類比圖像識別中的特征提取, 筆者提出的三視圖特征模型將反射點分別投影到XOY、XOZ和YOZ平面上.3平面上反射點的投影位置均蘊(yùn)含了反射點3維空間信息的一部分,可從3投影平面中完整提取反射點3維空間信息.三視圖特征的提取過程如圖2所示.

圖2 三視圖特征提取過程

2.2 數(shù)據(jù)集構(gòu)建與神經(jīng)網(wǎng)絡(luò)模型

將反射點投影到3平面后,以基站為中心在X，Y軸的正負(fù)方向均延伸500 m,在Z軸方向以地面為起點向上延伸至基站上50 m.將3平面均劃分為32×32個網(wǎng)格,判定反射點的所在區(qū)間,構(gòu)建用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集.該文使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, 簡稱CNN)訓(xùn)練模型,卷積神經(jīng)網(wǎng)絡(luò)由以下組成:

(1) 輸入層. 輸入層是整個神經(jīng)網(wǎng)絡(luò)的輸入,它描述了反射點在空間3平面的位置信息.

(2) 卷積層.卷積層對神經(jīng)網(wǎng)絡(luò)中的小塊進(jìn)行分析,得到抽象程度更高的特征.

(3) 池化層.池化層不改變3維矩陣的深度,但它能縮小矩陣的大小.在保持原有特征的基礎(chǔ)上,最大限度降低數(shù)組的維度.

(4) 全連接層.提取輸入特征后,進(jìn)行分類或回歸.

(5) 輸出層.對于回歸來說,輸出層只輸出一個節(jié)點,這個節(jié)點是卷積神經(jīng)網(wǎng)絡(luò)對輸入數(shù)據(jù)的預(yù)測輸出.對于分類來說,輸出有多少類型,輸出層就輸出多少個節(jié)點.

該文使用的卷積神經(jīng)網(wǎng)絡(luò)包含的卷積層、池化層、全連接層的參數(shù)如表2所示.

表2 卷積神經(jīng)網(wǎng)絡(luò)參數(shù)

3 實驗結(jié)果分析

3.1 神經(jīng)網(wǎng)絡(luò)模型的測試評估指標(biāo)

時延相對誤差的表達(dá)式為

(4)

其中：Xi為網(wǎng)絡(luò)模型的預(yù)測值,Yi為實際值,n為用戶數(shù)量.

消息包重傳次數(shù)的相對誤差為

(5)

其中：Nmax為消息包重傳數(shù)之和的最大值.

誤差均值和誤差標(biāo)準(zhǔn)差的表達(dá)式分別為

(6)

(7)

3.2 時延仿真模型的信道矩陣預(yù)測

信道路徑損耗(信道路損)是信道模型的一個重要指標(biāo),該文通過預(yù)測信道路損間接評估信道矩陣的準(zhǔn)確性.設(shè)置神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)為1.6×105.預(yù)測有以下2個場景:利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測同一基站下不同小區(qū)的信道路損(場景1)；利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測不同基站下不同小區(qū)的信道路損(場景2).

3.2.1 利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測同一基站下不同小區(qū)的信道路損(場景1)

利用訓(xùn)練后的網(wǎng)絡(luò)模型預(yù)測信道路損,結(jié)果如圖3所示.由圖3可知,兩條曲線的趨勢大體吻合, 僅少數(shù)點存在差異.

圖3 場景1下預(yù)測的信道路損

場景1下預(yù)測的信道路損指標(biāo)的評估結(jié)果如表3所示,由表3可知,信道路損的相對誤差在5%以內(nèi)，同時誤差均值為3．173 4 dB,可見預(yù)測值較準(zhǔn)確.

表3 場景1下預(yù)測的信道路損指標(biāo)的評估結(jié)果

3.2.2 利用神經(jīng)網(wǎng)絡(luò)模型預(yù)測不同基站下不同小區(qū)的信道路損(場景2)

場景2下預(yù)測的信道路損如圖4所示. 由圖4可知,預(yù)測值與實際值的變化趨勢基本吻合, 僅少數(shù)點存在差異.

圖4 場景2下預(yù)測的信道路損

場景2下預(yù)測的信道路損指標(biāo)的評估結(jié)果如表4所示.由表4可知,信道路損的相對誤差為6.435 9%,誤差均值為7.670 1 dB,可見預(yù)測值較準(zhǔn)確.

表4 場景2下預(yù)測的信道路損指標(biāo)的評估結(jié)果

3.2.3 信道路損的預(yù)測分析

兩場景的信道路損相對誤差的概率分布如圖5所示.由圖5可知，場景1的預(yù)測結(jié)果明顯優(yōu)于場景2.兩場景預(yù)測結(jié)果差異較大的原因是場景1下的小區(qū)相似度較高.

圖5 兩場景的信道路損相對誤差的概率分布

3.3 無線側(cè)網(wǎng)絡(luò)時延預(yù)測

無線側(cè)時延預(yù)測有以下3個場景: 利用神經(jīng)網(wǎng)絡(luò)模型直接預(yù)測網(wǎng)絡(luò)時延(場景3)；將神經(jīng)網(wǎng)絡(luò)模型預(yù)測的消息包重傳數(shù)作為回歸任務(wù)處理,間接預(yù)測網(wǎng)絡(luò)時延(場景4)；將神經(jīng)網(wǎng)絡(luò)模型預(yù)測的消息包重傳數(shù)作為分類任務(wù)處理,間接預(yù)測網(wǎng)絡(luò)時延(場景5).

3.3.1 網(wǎng)絡(luò)時延的直接預(yù)測(場景3)

利用神經(jīng)網(wǎng)絡(luò)模型直接預(yù)測網(wǎng)絡(luò)時延,神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本數(shù)量為6×105,預(yù)測樣本為3個小區(qū)的部分用戶. 場景3下預(yù)測的網(wǎng)絡(luò)時延如圖6所示.由圖6可得, 預(yù)測值與實際值的變化趨勢基本吻合.

圖6 場景3下預(yù)測的網(wǎng)絡(luò)時延

場景3下預(yù)測的網(wǎng)絡(luò)時延指標(biāo)的評估結(jié)果如表5所示.由表5可知,相對誤差和誤差均值均較小.

表5 場景3下預(yù)測的網(wǎng)絡(luò)時延指標(biāo)的評估結(jié)果

3.3.2 基于回歸任務(wù)的網(wǎng)絡(luò)時延間接預(yù)測(場景4)

場景4下預(yù)測的消息包重傳數(shù)如圖7所示.由圖7可知,預(yù)測值與實際值的變化趨勢基本一致.

圖7 場景4下預(yù)測的消息包重傳數(shù)

場景4下預(yù)測的消息包重傳數(shù)指標(biāo)的評估結(jié)果如表6所示.由表6可知,與場景3相比，場景4下預(yù)測的相對誤差及誤差均值均偏大.

表6 場景4下預(yù)測的消息包重傳數(shù)指標(biāo)的評估結(jié)果

3.3.3 基于分類任務(wù)的用戶網(wǎng)絡(luò)時延間接預(yù)測(場景5)

場景5下預(yù)測的消息包重傳數(shù)如圖8所示.由圖8可知,預(yù)測值與實際值的變化趨勢基本一致,僅少數(shù)點存在差異.

圖8 場景5下預(yù)測的消息包重傳數(shù)

場景5下預(yù)測的消息包重傳數(shù)指標(biāo)的評估結(jié)果如表7所示.由表7可知,與場景4相比，場景5下預(yù)測的相對誤差及誤差均值均略有提高.

表7 場景5下預(yù)測的消息包重傳數(shù)指標(biāo)的評估結(jié)果

3.4 預(yù)測網(wǎng)絡(luò)時延的誤差分析

直接預(yù)測網(wǎng)絡(luò)時延、間接預(yù)測消息包重傳數(shù)的相對誤差概率分布分別如圖9，10所示.由圖9可得直接預(yù)測網(wǎng)絡(luò)時延的相對誤差集中在1%. 由圖10可知，場景4與場景5的相對誤差差異不大，二者消息包重傳數(shù)的相對誤差均集中在10%.

圖9 直接預(yù)測網(wǎng)絡(luò)時延的相對誤差概率分布 圖10 間接預(yù)測消息包重傳數(shù)的相對誤差概率分布

4 結(jié)束語

筆者提出的網(wǎng)絡(luò)時延預(yù)測方法可快速準(zhǔn)確預(yù)測柵格級用戶的網(wǎng)絡(luò)時延,不需采集海量路測數(shù)據(jù),節(jié)省了分析評估成本.筆者使用該文方法對上海市(占地6 340km2，柵格大小為5 m×5 m)進(jìn)行了網(wǎng)絡(luò)時延預(yù)測, 使用4臺GPU服務(wù)器只需10 h左右即可完成網(wǎng)絡(luò)時延預(yù)測,而采用時延仿真模型方法需5 d左右.該文三視圖特征模型僅提取射線反射點的特征，沒有完整提取用戶的時延特征,因此進(jìn)一步優(yōu)化三視圖特征模型為后續(xù)研究方向.