论文部分内容阅读
网络的密集化是下一代移动通信系统的一个重要趋势,也是关键技术之一。随着网络中各种低功率节点的密集部署,网络变得越来越复杂,在大幅提升网络容量的同时也给网络的切换管理带来极大的挑战。因此,如何实现用户在密集网络中的平滑移动是下一代移动通信系统研究的热点和重点。为此,本文重点对密集网络中的切换管理算法进行了研究,主要研究内容如下:1.基于RSRP预测和负载的自适应切换算法针对密集异构网络中因小基站的覆盖半径小又密集部署而使移动的用户更容易发生频繁切换的问题,提出了一种基于参考信号接收功率(Reference Signal Received Power,RSRP)预测和负载的自适应切换算法。该算法不仅从网络的角度考虑了负载,而且从用户的角度在考虑了RSRP的同时更关注到了切换过程中RSRP的变化对切换决策的影响。在该算法中,首先,用户使用自适应最小二乘法预测每个候选基站(包括宏基站和小基站)的RSRP值;然后,根据预测到的RSRP值,估计出未来相应的SINR值;其次,分别根据基站的负载效用值和估计到的SINR值以及预测到的RSRP值对候选基站进行筛选;最后,用户选择能够产生最高吞吐量的基站作为切换的目标基站。仿真结果表明,相比于当前的切换算法,本文所提的切换算法能够获得更低的中断概率和乒乓切换率以及更高的吞吐量。2.基于学习的切换管理算法方案针对密集异构网络中各类基站覆盖范围不同导致的用户切换性能下降和吞吐量降低等问题,提出了一种基于学习的切换管理算法方案。该方案主要包括基于用户上下文感知的新型调度机制和两种基于学习的切换管理算法:一种是基于MAB(Multi Armed Bandit)的学习算法,另一种是基于满意度的学习算法。在该方案中,首先建立基站(包括Macro基站和Pico基站)总传输速率的优化模型;然后利用所提出的两种基于学习的切换管理算法结合所提出的新型调度机制来进行自主优化。仿真结果表明,无论是用户的切换性能还是吞吐量,该方案与传统的切换管理方案相比,都具有更好的性能增益。