無線通信網(wǎng)絡(luò)鏈路資源分布式智能調(diào)度算法

宋芳,錢罕林,何薇

(新疆輕工職業(yè)技術(shù)學(xué)院，新疆烏魯木齊 830021)

1 引言

現(xiàn)階段，無線網(wǎng)絡(luò)鏈路調(diào)度主要劃分為最短鏈路調(diào)度問題，即基于最少時間槽調(diào)度鏈路集；最大獨(dú)立集鏈路問題，即給定通信鏈路，以識別可于同時間間隙內(nèi)同步實(shí)時傳輸?shù)牟l(fā)鏈路最大子集。Pei G，Vullikanti A 等人面向最大獨(dú)立集鏈路問題進(jìn)行了應(yīng)用于具備穩(wěn)定開銷與任意二進(jìn)制干擾的調(diào)度算法設(shè)計(jì)。鏈路干擾中最為常見的是協(xié)議干擾模型與信干燥比(SINR)干擾模型?；趨f(xié)議干擾模型，若既定傳輸范圍之內(nèi)未出現(xiàn)其他鏈路正?；顒樱敲磩t認(rèn)定此鏈路成功傳輸。通常兩個并發(fā)鏈路間共存關(guān)系取決于幾何形狀，則以模型為基礎(chǔ)的干擾關(guān)系可由沖突圖呈現(xiàn)，且以經(jīng)典圖理論工具切實(shí)有效解決問題。但是基于SINR干擾模型，并發(fā)傳輸鏈路激活狀態(tài)主要由信道條件與聚合干擾程度所決定，其中不同傳輸沖突則取決于全部并發(fā)傳輸所積累干擾[1]。Moscibroda T，Wattendhofer R，Zollinger A 等學(xué)者通過研究得知，以SINR 干擾模型為基礎(chǔ)的傳輸調(diào)度算法，可有效優(yōu)化網(wǎng)絡(luò)綜合性能。在既有研究結(jié)果基礎(chǔ)上，本文提出了無線通信網(wǎng)絡(luò)抗干擾鏈路資源分布式智能調(diào)度算法。

2 無線通信網(wǎng)絡(luò)抗干擾鏈路資源分布式智能調(diào)度模型

2.1 調(diào)度模型設(shè)計(jì)

無線通信網(wǎng)絡(luò)抗干擾鏈路資源分布式智能調(diào)度模型具體如圖1所示。

圖1 分布式智能調(diào)度模型原理框架

分布式智能調(diào)度模型將定向傳輸鏈路當(dāng)作獨(dú)立算法執(zhí)行者[2]，而執(zhí)行者于有所感知的通信干擾環(huán)境下獨(dú)立決策。鏈路決策結(jié)束之后，反饋結(jié)果于自身鏈路，以更新環(huán)境。各鏈路在后續(xù)迭代時，便就更新環(huán)境與決策的獎勵為依據(jù)作出新決策，整個網(wǎng)絡(luò)在持續(xù)循環(huán)迭代中獲得鏈路調(diào)度最優(yōu)策略。

2.2 問題模型構(gòu)建

基于調(diào)度網(wǎng)絡(luò)各通信鏈路，以實(shí)現(xiàn)網(wǎng)絡(luò)容量最大化。在無線網(wǎng)絡(luò)內(nèi)，信號接收功率是與傳輸距離相關(guān)的遞減函數(shù)，如果選擇路徑損耗模型，則：

其中，F(xiàn)j代表傳輸功率；Fi代表接收功率；p 代表發(fā)送與接收節(jié)點(diǎn)的間距；σ代表路徑損耗因子。

假設(shè)網(wǎng)絡(luò)包含M條并發(fā)鏈路，節(jié)點(diǎn)面向鏈路x時，具體傳輸功率則以F(j，Ux)表示，節(jié)點(diǎn)Ux和節(jié)點(diǎn)Px之間的傳輸間距具體表示為p(Ux，Px)，那么于任何接收節(jié)點(diǎn)位置所遭遇的干擾即：

其中，κ代表網(wǎng)絡(luò)噪聲；p(Uy，Px)代表鏈路y發(fā)射機(jī)與鏈路x接收機(jī)之間的實(shí)際距離。節(jié)點(diǎn)Px對應(yīng)SINR 計(jì)算公式具體即：

就香農(nóng)定理為依據(jù)，鏈路(Ux，Px)的最大信道容量計(jì)算公式即：

其中，V代表帶寬。

網(wǎng)絡(luò)容量即全網(wǎng)并發(fā)鏈路信道容量總和，具體表示為：

定向傳輸過程中，假設(shè)以具備四個方向的天線定向傳輸模型為輔助。定向干擾示例具體如圖2所示。

圖2 定向干擾示意圖

等分發(fā)射節(jié)點(diǎn)周圍為四個波束方向[3]，根據(jù)順時針方向加以編號。在通信過程中選擇與接收節(jié)點(diǎn)精確對應(yīng)的定向波束以傳輸數(shù)據(jù)信息。在鏈路y定向傳輸過程中，鏈路x接收節(jié)點(diǎn)如果處于波束覆蓋區(qū)域之內(nèi)，那么便會被干擾，而干擾強(qiáng)度由鏈路y發(fā)射機(jī)與鏈路x接收機(jī)之間的實(shí)際距離所決定。

分布式智能調(diào)度算法的設(shè)計(jì)目標(biāo)是通過節(jié)點(diǎn)位置相關(guān)信息，基于充分考慮網(wǎng)絡(luò)定向干擾強(qiáng)度，以決策鏈路是否激活，實(shí)現(xiàn)網(wǎng)絡(luò)容量最大化，即：

其中，Ox=1 代表鏈路已激活，否則未激活；s.t.代表約束條件。

基于實(shí)際應(yīng)用場景分析，探究問題的分布式求解方法，而非以節(jié)點(diǎn)控制求解集中式。

在問題模型構(gòu)建中，各節(jié)點(diǎn)決策直接受環(huán)境變化、周圍節(jié)點(diǎn)的干擾影響，而其自身決策結(jié)果也會影響網(wǎng)絡(luò)環(huán)境與干擾狀況，此問題無法基于數(shù)學(xué)推導(dǎo)獲取閉式解，然而可通過神經(jīng)網(wǎng)絡(luò)加以訓(xùn)練與學(xué)習(xí)，以獲得最優(yōu)解[4]。

3 無線通信網(wǎng)絡(luò)抗干擾鏈路資源分布式智能調(diào)度算法

3.1 強(qiáng)化學(xué)習(xí)

為實(shí)現(xiàn)分布式尋優(yōu)，并保障模型在不同網(wǎng)絡(luò)規(guī)模中的適應(yīng)性，針對網(wǎng)絡(luò)鏈路并行開展獨(dú)立網(wǎng)絡(luò)訓(xùn)練，具體如圖3所示。鏈路決策結(jié)束之后，反饋結(jié)果于自身鏈路，更新網(wǎng)絡(luò)環(huán)境，并持續(xù)迭代鏈路。在持續(xù)性迭代中，整個網(wǎng)絡(luò)獲得鏈路調(diào)度最優(yōu)策略。在迭代或?qū)?yōu)之后，就鏈路調(diào)度輸出，可得知網(wǎng)絡(luò)容量。在此學(xué)習(xí)框架下，全部鏈路都保持獨(dú)立、并行學(xué)習(xí)，以生成網(wǎng)絡(luò)全部鏈路決策，因此網(wǎng)絡(luò)布局與鏈路數(shù)量對于分布式智能調(diào)度算法并不會造成影響。

圖3 強(qiáng)化學(xué)習(xí)整體框架

3.2 鏈路訓(xùn)練

鏈路訓(xùn)練需基于通信感知閾限之內(nèi)的其他鏈路信息，實(shí)現(xiàn)正確決策。通過感知環(huán)境建模，抽象化關(guān)鍵狀態(tài)信息為神經(jīng)網(wǎng)絡(luò)輸入特征，以輸入網(wǎng)絡(luò)實(shí)現(xiàn)智能決策。而神經(jīng)網(wǎng)絡(luò)輸入特征即訓(xùn)練鏈路信道增益及其狀態(tài)、訓(xùn)練鏈路感知閾限之內(nèi)其他鏈路信道增益及其狀態(tài)、訓(xùn)練鏈路干擾信息(通信范圍之內(nèi)對于其他鏈路所形成的干擾與由其他激活鏈路所帶來的干擾)。

信道增益：為防止干擾信道進(jìn)行估計(jì)產(chǎn)生計(jì)算成本，并保障整個網(wǎng)絡(luò)適應(yīng)性，基于路徑損耗模型生成卷積核，以衡量鏈路信道增益。

干擾特征：由天線定向傳輸模型劃分卷積核為四個不同波束方向卷積核，以獲取并分析鏈路可感知閾限之內(nèi)存在的定向干擾；將通信網(wǎng)格進(jìn)行劃分，單個網(wǎng)格應(yīng)和卷積核網(wǎng)格大小相同，面向網(wǎng)格統(tǒng)計(jì)激活鏈路接收機(jī)與發(fā)射機(jī)節(jié)點(diǎn)數(shù)量，以構(gòu)成接收與發(fā)射節(jié)點(diǎn)密度矩陣。在發(fā)射機(jī)節(jié)點(diǎn)密度統(tǒng)計(jì)過程中，應(yīng)就激活鏈路接收與發(fā)射節(jié)點(diǎn)對應(yīng)位置，進(jìn)行鏈路發(fā)射節(jié)點(diǎn)波束方向計(jì)算分析，以形成多波束方向發(fā)射節(jié)點(diǎn)密度矩陣。在分布式網(wǎng)格內(nèi)，所有節(jié)點(diǎn)都不可能獲取全局信息，各節(jié)點(diǎn)可依靠的實(shí)際上是在訓(xùn)練鏈路感知范圍之內(nèi)能夠感知到的相關(guān)信息[5]。

通過卷積核與節(jié)點(diǎn)密度進(jìn)行鏈路干擾強(qiáng)度統(tǒng)計(jì)分析的優(yōu)勢在于，可防止估算網(wǎng)絡(luò)全部干擾信道，以避免造成不可估量的計(jì)算成本；面向不同通信感知范圍與信道傳輸模型時，只需就不同范圍與模型進(jìn)行卷積核修改即可，可在很大程度上保障分布式智能調(diào)度算法適應(yīng)性。

3.3 調(diào)度決策

通過卷積進(jìn)行局部特征提取，并輸入全連接神經(jīng)網(wǎng)絡(luò)，以網(wǎng)絡(luò)學(xué)習(xí)實(shí)現(xiàn)目標(biāo)。神經(jīng)網(wǎng)絡(luò)即同層神經(jīng)元間并未銜接，而第m層神經(jīng)元與第m-1層神經(jīng)元相互對接。單個神經(jīng)元是由輸入、線性加權(quán)、非線性激活函數(shù)、輸出共同構(gòu)成的，其通常是執(zhí)行線性運(yùn)算，激活函數(shù)以進(jìn)行非線性預(yù)算，從而基于神經(jīng)網(wǎng)絡(luò)擬合函數(shù)，求解問題[6]。

而強(qiáng)化學(xué)習(xí)是就環(huán)境決策問題所設(shè)計(jì)的模型，只需評估環(huán)境的行為價值即可。在每一次迭代時，鏈路都會直接決定其是否激活，即此次迭代的動作。而不同激活狀態(tài)所引發(fā)的網(wǎng)絡(luò)干擾環(huán)境變化也存在一定差異，且對于網(wǎng)絡(luò)容量的影響也大不相同。本文以網(wǎng)絡(luò)容量為獎勵，基于調(diào)整動作策略適度加大獎勵值，以最大程度上降低干擾，同時最大化網(wǎng)絡(luò)容量。

4 分布式智能調(diào)度算法仿真分析

以分布式智能調(diào)度算法與全部激活、粒子群算法進(jìn)行性能對比分析。

全部激活：全部鏈路激活，只需一次性計(jì)算即可；粒子群算法：無法獲取全局最優(yōu)解時的典型尋求算法，迭代以此需計(jì)算種群粒子具體位置、速度、適應(yīng)度相關(guān)值；分布式算法：將通信網(wǎng)絡(luò)劃分為卷積核網(wǎng)格，需通過全連通級輸入特征向量、隱藏層神經(jīng)元數(shù)量以及通信網(wǎng)絡(luò)鏈路數(shù)量進(jìn)行神經(jīng)網(wǎng)絡(luò)運(yùn)行時間復(fù)雜度計(jì)算。以鏈路干擾衡量方式為基礎(chǔ)，由多次尋優(yōu)內(nèi)擇取最優(yōu)結(jié)果，從而與分布式算法對比分析[7]。

4.1 參數(shù)設(shè)置

在性能評估時，于600×600m 地理圖中隨機(jī)生成60 對節(jié)點(diǎn)，以構(gòu)成數(shù)據(jù)集，其中包括通信網(wǎng)絡(luò)全部鏈路位置。卷積核代表節(jié)點(diǎn)感知范圍。

4.2 結(jié)果分析

對比了兩種不同算法與全部激活的網(wǎng)絡(luò)容量。不同算法網(wǎng)絡(luò)容量具體如圖4所示。

圖4 基于不同迭代次數(shù)的不同算法網(wǎng)絡(luò)容量

由圖可知，就算法收斂角度而言，粒子群算法尋優(yōu)需要經(jīng)過的迭代次數(shù)最多，分布式智能調(diào)度算法只需通過3-4次，就能獲取最優(yōu)化結(jié)果，而且算法與環(huán)境間實(shí)時交互，以確保在環(huán)境變動時，節(jié)點(diǎn)可就環(huán)境變化進(jìn)行策略調(diào)整。此外密度矩陣與卷積核單個網(wǎng)格可為節(jié)點(diǎn)提供活動空間范圍，以適應(yīng)節(jié)點(diǎn)在迭代時的實(shí)時變動。所以說分布式智能調(diào)度算法可確保實(shí)時操作性，且網(wǎng)絡(luò)容量性能良好。

不同迭代次數(shù)下基于卷積核的不同算法網(wǎng)絡(luò)容量具體如表1所示。

表1 不同迭代次數(shù)下基于卷積核的算法容量(單位:bit s-1Hz-1)

由表1可知，在卷積核逐步增大的趨勢下，不同算法的網(wǎng)絡(luò)容量都會有所下降。這主要是由于卷積核增大代表著算法節(jié)點(diǎn)感知范圍擴(kuò)大，造成干擾的鏈路數(shù)量變多，以此網(wǎng)絡(luò)干擾便會增多，容量則會隨之降低。而且基于不同卷積核，算法收斂并未發(fā)生顯著變化，尋優(yōu)所需要的迭代次數(shù)大體相同，而分布式智能調(diào)度算法迭代次數(shù)明顯少于粒子群算法。

不同迭代次數(shù)下基于網(wǎng)絡(luò)規(guī)模的不同算法網(wǎng)絡(luò)容量具體如表2所示。

由表2可知，在網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大的形勢下，盡管干擾愈發(fā)嚴(yán)重，但是并發(fā)鏈路數(shù)量仍舊呈現(xiàn)持續(xù)增加狀態(tài)，因此網(wǎng)絡(luò)容量表現(xiàn)為逐步增大的態(tài)勢。在網(wǎng)絡(luò)規(guī)模擴(kuò)大時，粒子群算法收斂性能倍受影響，迭代次數(shù)顯著增多，而分布式智能調(diào)度算法并未發(fā)生明顯變化。

表2 不同迭代次數(shù)下基于網(wǎng)絡(luò)規(guī)模的算法容量(單位:bit s-1Hz-1)

基于不同卷積核的算法網(wǎng)絡(luò)容量具體如圖5所示。

圖5 基于不同卷積核的算法網(wǎng)絡(luò)容量

由圖可知，基于不同卷積核，相較于與全部激活、粒子群算法，分布式智能調(diào)度算法所獲取網(wǎng)絡(luò)吞吐量與其差異并不顯著，遠(yuǎn)高于全部鏈路激活算法的性能，說明分布式智能調(diào)度算法于不同感知范圍內(nèi)都可快速準(zhǔn)確學(xué)習(xí)調(diào)度策略。

基于不同網(wǎng)絡(luò)規(guī)模的算法網(wǎng)絡(luò)容量具體如圖6所示。

圖6 基于不同網(wǎng)絡(luò)規(guī)模的算法網(wǎng)絡(luò)容量

由圖可知，隨著網(wǎng)絡(luò)規(guī)?？s小，節(jié)點(diǎn)分布愈發(fā)分散，出現(xiàn)定向干擾的幾率也非常小，激活全部鏈路便可獲取較好網(wǎng)絡(luò)容量；隨著網(wǎng)絡(luò)規(guī)模擴(kuò)大，節(jié)點(diǎn)分布越來越緊密，出現(xiàn)干擾的幾率快速增大，分布式智能調(diào)度算法所獲效果更為顯著。

總之，相比粒子群算法，雖然分布式智能調(diào)度算法的網(wǎng)絡(luò)容量稍微偏低，但是在具體無線通信網(wǎng)絡(luò)環(huán)境下，以粒子群算法調(diào)度抗干擾鏈路資源的難度非常大，所以本文提出的分布式智能調(diào)度算法更具優(yōu)勢。

5 結(jié)束語

綜上所述，本文針對無線通信網(wǎng)絡(luò)提出了抗干擾鏈路資源分布式智能調(diào)度算法，并進(jìn)行了仿真分析，以此得出結(jié)論：

就算法收斂角度而言，粒子群算法尋優(yōu)需要經(jīng)過的迭代次數(shù)最多，而分布式智能調(diào)度算法只需通過3-4 次，就能獲取最優(yōu)化結(jié)果，且分布式智能調(diào)度算法可確保實(shí)時操作性，網(wǎng)絡(luò)容量性能良好；在卷積核逐步增大的趨勢下，不同算法的網(wǎng)絡(luò)容量都會有所下降，基于不同卷積核，算法收斂并未發(fā)生顯著變化，尋優(yōu)所需要的迭代次數(shù)大體相同，而分布式智能調(diào)度算法迭代次數(shù)明顯少于粒子群算法；在網(wǎng)絡(luò)規(guī)模擴(kuò)大時，粒子群算法收斂性能倍受影響，迭代次數(shù)顯著增多，而分布式智能調(diào)度算法并未發(fā)生明顯變化；基于不同卷積核，相較于與全部激活、粒子群算法，分布式智能調(diào)度算法于不同感知范圍內(nèi)都可快速準(zhǔn)確學(xué)習(xí)調(diào)度策略；基于不同網(wǎng)絡(luò)規(guī)模，分布式智能調(diào)度算法所獲效果更為顯著；相比粒子群算法，雖然分布式智能調(diào)度算法的網(wǎng)絡(luò)容量稍微偏低，但是在具體無線通信網(wǎng)絡(luò)環(huán)境下，以粒子群算法調(diào)度抗干擾鏈路資源的難度非常大，所以分布式智能調(diào)度算法更具優(yōu)勢。