中国指挥与控制学会会刊 
LTE(Long Term Evolution)已经引起了工业界和学术界的广泛关注[1-2]。随着手持设备的普及,包括视频、语音等在内的数据将在未来几年内呈指数级增长。为了满足数据的巨大增长,LTE在其标准化过程中不断自我更新。为了进一步扩大系统容量,LTE考虑使用5 GHz的未授权频段,它被称为授权频谱辅助接入(LAA)。在3GPP第13版[3]中对LAA (License Assisted Access)进行了大量讨论,并达成多项协议。
LAA技术在LTE标准化过程中被首次提出,并不断发展,以适应5 GHz未授权频段。由于授权频谱的短缺,运营商自然而然地把眼光投向了非授权频谱,尤其是未经充分利用的5 GHz频段。3GPP在R13版本中正式引入了LAA技术,以载波聚合或者双连接为基础,由授权载波辅助非授权载波接入,以实现LTE网络的数据业务承载的补充,并且引入了LBT(Listen Before Talk)等功能,可以和其他无线技术公平共存。欧洲电信标准协会将LBT作为基本的信道访问方案。LBT的意思是信道在传输之前被检测到。如果信道被检测为空闲,并且没有任何其他传输,则可以利用该信道进行传输。否则,不能将任何传输加载到该信道上。
LBT中的“Listen”步骤执行信道评估,在文献[4]中被称为空闲信道评估(Clean Channel Assessment, CCA)。空闲信道评估是在CCA槽中通过观察信号强度实现的。如果观察到的信号强度大于阈值,则认为该信道是忙碌的。否则,认定其为空闲。因此,阈值应谨慎确定,以适应不同信道条件。当在LAA下行链路中的CCA阈值设置不当时,基站将导致以下两个问题。
1)当基站在未经授权频谱中传输下行链路数据时,即使指定了一个空闲信道,过高的阈值也会导致很强的干扰。这属于隐节点问题,将导致相当数量的终端,特别是小区边缘终端接收到的信号信噪比(SNR)非常低。
2)过低的阈值将大大减少基站在未授权信道中的传输机会,即使在较好信道条件下,也无法传输数据,从而降低系统吞吐量。这属于暴露节点问题。
然而,在LAA下行链路的CCA中,信号强度检测阈值的调整问题并没有很好地解决。在最近的3GPP RAN1 83会议上,只对LAA下行链路中的基站 CCA的最大信号强度检测阈值达成了一致,而没有针对阈值调整给出具体的解决方案[4]。如果将CCA阈值直接应用于每个LAA基站,则CCA阈值与设备的最大传输功率之间的比例[4]将是一个恒定值。此外,LAA的业务负载使问题进一步复杂化。LAA的流量到达率由服从泊松分布[5]的随机变量描述。当流量较大的基站的CCA信号强度检测阈值设置为恒定值或调节不当时,会出现严重的网络问题,甚至出现缓冲区溢出。此外,CCA阈值的降低或增加并不一定会导致吞吐量的提高。降低阈值将减少隐藏节点,同时减少CCA发现的传输机会数量。由于这种减少,吞吐量可能会严重下降。另一方面,增加暴露节点的CCA阈值,使得强干扰时发现的CCA传输机会数量相应增加,也不能保证吞吐量得到有效提高。
因此,为了解决上述问题,本文提出了一种自适应的CCA阈值调整算法,最大限度地发挥LAA下行链路中的未授权频谱的整体吞吐量。首先,通过分析CCA发现的传输机会数量与系统性能之间的关系,将吞吐量与CAA阈值的依赖关系分为三种。然后,应用排队论对每个LAA 基站在未授权信道中的业务负载进行建模,研究各LAA 基站的负载和传输机会,从而确定阈值调整的触发条件。该算法通过寻找最佳阈值来实现。此外,本文分析了其算法复杂度,并通过系统级仿真,验证了该算法在提高LAA和共存Wi-Fi吞吐量方面的有效性。
1 LAA介绍
1.1 基本概念
LAA的LBT机制由欧洲电信标准协会提出,包含两种方案,即基于帧结构和基于负载的侦听方式。 基于帧结构的方式具有一个确定的周期与信道占用时间和空闲时间。信道占用时间为1 ms至10 ms,空闲时间至少为信道占用时间的5%。CCA需要至少20 μs。另一方面,基于负载的方式类似于Wi-Fi中的信道评估多址接入(CSMA)。 当CCA检测到未授权的信道处于空闲状态时,使用一个计数器。当计数器清零时,设备将占用该信道并开始传输。
1.2 系统模型
本文考虑了一个两层蜂窝网络的下行链路。宏小区(Macro Cell)负责许可频谱中的覆盖,而小小区(Small Cell)负责未许可频谱中的本地流量。 它们分别是主服务小区(Primary Cell, Pcell)和辅服务小区(Secondary Cell, Scell)[6]。对于小小区,假定其有理想的回传链路至核心网。
流量模型在文献[5]中有明确的定义。FTP流量模型描述文件大小为2 Mbyte,每个小区/用户的文件到达率为 λ/cell/user。f是文件到达间隔,遵循指数分布,如公式(1)所示,其中,D 是文件的平均读取时间。
f=λe-λD,D>0
小小区不一定属于同一运营商。不失一般性,本文假定有两个运营商,一个使用LAA,另一个使用未许可频谱中的Wi-Fi(802.11ac)。共存运营商的其他情况将在稍后进行测试。CCA采用信号强度检测。为简单起见,文献[7]中基于场景3进行仿真,且不考虑宏小区的流量。
2 LAA传输机会的数量与性能的平衡
CCA阈值会影响传输机会的数量与性能之间的平衡。例如,CCA阈值相当小的情况下,只有非常低的信号强度才能超过CCA阈值,因此,所发现传输机会的噪声加干扰水平也将非常低。这些传输机会的性能非常好。增大CCA阈值将增加所发现传输机会的数量,但这些传输机会的信号干扰强度将有很大可能处于较高水平,导致其传输性能将变差。当CCA阈值非常小时,例如-90 dBm,随着CCA阈值的增大至5 dBm,性能的恶化对LAA吞吐量的影响可以忽略不计,因为LAA的内置纠错代码可以处理这种信道条件的轻微退化。同时,随着阈值的增大,传输机会的数量也随之增加,这将导致吞吐量的整体提高。因此,当CCA阈值足够小时,吞吐量随着CCA阈值的增大而增加。
另一方面,当阈值很大时,发现传输机会的数量也很大,但是性能很差。在这种情况下,按照上述相同思路可以得出类似的结论,即当阈值很大时,吞吐量随着CCA阈值的增大而降低。 因此,吞吐量和CCA阈值的关系如图1 的Case1曲线。随着阈值的变化,应该有一个最大的吞吐量点。
此外,在不同复杂信道条件下,CCA阈值与吞吐量的关系将发生变化,即图1 的Case1曲线迁移为Case2曲线和Case3曲线。对于Case2曲线和Case3曲线,当CCA阈值在上限和下限之间时,吞吐量可能随着边界之间的CCA阈值单调增加或减少。由此,相应调整CCA阈值可以最大限度地提高吞吐量。例如,Case1曲线情况下,应选择与最大吞吐量对应的值作为CCA阈值; Case 2曲线情况下,应选择下限作为CCA阈值; Case 3曲线情况下,应选择上限作为CCA阈值。
3 阈值自适应调整算法
3.1 触发条件
为了避免缓冲区溢出,本文提供了CCA阈值调整的触发条件。不适当的CCA阈值会降低整体吞吐量,从而导致无法及时传递缓冲区中的流量。在这种情况下,这些基站的缓冲区可能溢出。阈值调整算法应避免发生此问题。
根据排队论,式(1)中的λ是业务到达率。在一个时间间隔内,成功的CCAs占总CCAs数量的比率定义为 α。 成功的CCAs数是表示信道空闲的CCAs数,用 表示。CCA总数是执行的CCA总数,用 NCCAall 表示。
α=
式(2)是对信道占用的度量,表示信道访问成功的概率。 设缓冲区中流量的服务速率为 μ=1/α 。
由于Wi-Fi流量遵循泊松分布,因此,发现的LAA传输机会也遵循泊松分布。当仅考虑一个未经授权信道时,可以将LAA的传输视为M/M/1队列。缓冲区中队列的平均长度应小于缓冲区长度。
λ/(μ-λ)<ØLBO
其中,λ/(μ-λ) 是平均队列长度, LBO 表示缓冲区大小。Ø是小区特定参数,可以由高层来设置,以平衡LAA基站之间的通信量。如果不等式(3)不成立,则启动阈值调整。
在式(2)中,误报概率 pf 和漏检概率 pm 会影响 ,那么,α=( · -( - )·pm)/ 。这种影响,如 和 pm,可以被 ηmax 和 ηmin 限制在公差范围内。为简单起见,不考虑它。
α 可通过统计CCA的历史感知结果来确定,并用 =1/α 来近似表示服务率 μ。
3.2 调整算法
为了寻找最佳的CCA阈值 ,可以对CCA阈值进行半静态调整,ηmin≤ ≤ηmax 。当基站的CCA阈值设置为 η 时,ηmin≤η≤ηmax,该基站可以获得的吞吐量用 R(η) 表示。与 ηmin 和 ηmax 之间的其他阈值相比,使用CCA阈值 的基站可以达到最大吞吐量。也就是说, =argmaxR(η) 对应 ηmin≤η≤ηmax 。
由于无线环境的复杂性,不同基站之间的 R(·) 的单一性可能会有很大的不同,共有三种可能的情况,如图1 所示。如果知道 R(·) 的单一性,那么对 的研究就可以简化。因此,为了明确 R(·) 随着CCA阈值 η(ηmin≤η≤ηmax)的变化的单一性,考虑一个小的正值Δ,并有两个以上的阈值分别为 ηmin+Δ 和 ηmax-Δ 。当CCA阈值为 ηmax-Δ和 ηmin+Δ 时,基站的相应吞吐量分别为 R(ηmin+Δ) 和R(ηmax-Δ) 。
1)如果R(ηmin)<R(ηmax)且R(ηmax-Δ)<R(ηmin+Δ), R(·) 的单一性如图1 的情形3所示。在情形3下, =ηmax 。
2)如果R(ηmin)>R(ηmax)且R(ηmin)>R(ηmin+Δ),R(·) 的单一性如图1 的情形2所示。在情形2下, =ηmin 。
3)否则,R(·) 的单一性与图1 的情形1相同,必须执行 的二分查找。
4 计算复杂度分析
该算法由两部分组成,即外循环和内搜索。
1)外循环: 计算 。
2)内搜索: 确定 R(·) 的单一性,搜索最佳阈值 。
CCA阈值的自适应调整算法见图2 所示。
外循环和内搜索工作在不同的时间尺度下,对复杂性的贡献是不同的。基于二分查找,时间复杂度为Ο(log2n) 。因此,$\mathcal{O}_{\max}$为最大时间复杂度。
$\mathcal{O}_{\max }=\mathrm{O}\left(n \log _{2} n\right)$
考虑外循环的工作时间比内搜索的工作时间尺度要小得多,并且二分查找并不一定在每个内搜索上运行,实际的时间复杂度小于Ο(n log2n) 。
5 仿真结果
本文首先提供仿真设置,然后给出用户感知吞吐量(UPT)和延迟的仿真结果。
5.1 参数设置
本文测试了两个运营商共存的场景。1)两家运营商均在非授权频谱使用Wi-Fi(步骤1); 2)一个运营商使用LAA,另一个运营商使用未授权频谱的Wi-Fi(步骤2)。参数设置见表1 、表2 、表3 。宏小区的流量没有计算在内。在一个宏小区的每个扇区中有一个运营商,每个扇区中有4个小小区。本文比较了没有阈值调整的场景与有阈值调整算法的场景。阈值调整间隔设置为100 ms,LAA基站中的 Ø=0.6。
表1 常见仿真参数 |
| 参数 | 值(LAA与Wi-Fi) |
|---|---|
| 室内场景 | 网络部署:SCE#3 + unlicensed band X=4, Y=1; 每个网络每载波10个用户; 最小站间距3 m |
| 业务模型 | FTP Mode 3,文件尺寸:0.5 M字节 |
| 网络同步 | 网络内同步,网络间异步 |
| 基站反射功率 | 18 dBm |
| 缓存空间 | 20 Mbit |
表2 LAA的仿真参数 |
| 参数 | 值 |
|---|---|
| 天线配置 | 下行2Tx2Rx,交叉极化,流自适应 |
| 链路自适应方式 | 实际,非理想 |
| 传输模式 | TM10 |
| 调度方式 | 比例公平 |
| UE接收方式 | MSE-IRC |
| 调度时延 | 4 ms |
| CQI/RI/RMI 反馈方式 | 基于子带反馈,反馈周期1 ms, 反馈时延1 ms |
| HARQ机制 | 最大重传次数:3 最小重传间隔:8 ms |
| 外链路自适应 | 开启 |
表3 WI-FI的仿真参数 |
| 参数 | 值 |
|---|---|
| 天线配置 | 下行2Tx2Rx,交叉极化,开环2流 |
| CCA-ED | -62 dBm |
| 链路自适应 | 速率控制-Minstrel算法 |
| 编码调制方式 | 依据802.11 ac(不支持256QAM) |
| LDPC | 不支持1 ms MPDU |
| 最大PPDU间隔 | 3 ms |
| MAC协作 | DCF |
| 检测 | 仅信号强度检测 |
| RTS/CTS | 无 |
| 竞争窗口 | 每DCF |
| ACK建模 | 理想,仅建模ACK导致的资源利用率和干扰 |
5.2 UPT和延迟
表4 阈值调整的性能比较1 |
| 参数指标 | 基准 | 无阈值调整 | 阈值调整 | |||
|---|---|---|---|---|---|---|
| Wi-Fi Step 1 | Wi-Fi Step 2 | LAA Step 2 | Wi-Fi Step 2 | LAA Step 2 | ||
| 用户 吞吐量/ Mbps | 5% | 10.29 | 26.57 | 24.62 | 25.02 | 25.85 |
| 50% | 67.38 | 87.49 | 70.39 | 91.59 | 70.85 | |
| 95% | 101.44 | 112.93 | 93.52 | 112.06 | 91.92 | |
| 平均 | 63.23 | 82.39 | 67.47 | 85.90 | 67.44 | |
| 时延/ ms | 5% | 32.00 | 32.00 | 37.00 | 32.00 | 37.00 |
| 50% | 64.00 | 38.00 | 56.00 | 38.00 | 58.00 | |
| 95% | 101.44 | 112.93 | 93.52 | 112.06 | 91.92 | |
| 平均 | 202.51 | 119.02 | 146.47 | 98.57 | 132.55 | |
表5 阈值调整的性能比较2 |
| 参数指标 | 基准 | 无阈值调整 | 阈值调整 | |||
|---|---|---|---|---|---|---|
| Wi-Fi Step 1 | Wi-Fi Step 2 | LAA Step 2 | Wi-Fi Step 2 | LAA Step 2 | ||
| 用户 吞吐量/ Mbps | 5% | 5.10 | 8.22 | 8.10 | 29.32 | 29.13 |
| 50% | 47.34 | 66.75 | 51.14 | 81.13 | 57.70 | |
| 95% | 88.82 | 102.28 | 83.74 | 103.34 | 85.21 | |
| 平均 | 47.82 | 61.56 | 49.09 | 77.32 | 56.75 | |
| 时延/ ms | 5% | 32.00 | 32.00 | 37.00 | 32.00 | 37.00 |
| 50% | 95.00 | 66.00 | 86.00 | 45.00 | 76.00 | |
| 95% | 1 629.0 | 1 086.0 | 847.0 | 407.0 | 548.0 | |
| 平均 | 362.28 | 246.09 | 221.45 | 106.06 | 162.14 | |
表6 阈值调整的性能比较3 |
| 参数指标 | 基准 | 无阈值调整 | 阈值调整 | |||
|---|---|---|---|---|---|---|
| Wi-Fi Step 1 | Wi-Fi Step 2 | LAA Step 2 | Wi-Fi Step 2 | LAA Step 2 | ||
| 用户 吞吐量/ Mbps | 5% | 10.29 | 26.35 | 40.37 | 18.31 | 31.48 |
| 50% | 67.38 | 74.19 | 73.19 | 74.06 | 71.80 | |
| 95% | 101.44 | 103.10 | 95.68 | 105.82 | 91.86 | |
| 平均 | 63.23 | 70.98 | 71.76 | 71.32 | 71.67 | |
| 时延/ ms | 5% | 32.00 | 32.00 | 36.00 | 32.00 | 36.00 |
| 50% | 64.00 | 57.00 | 55.00 | 56.00 | 56.00 | |
| 95% | 852.00 | 426.00 | 171.00 | 495.00 | 188.00 | |
| 平均 | 202.51 | 119.11 | 77.41 | 145.47 | 82.61 | |
表7 阈值调整的性能比较4 |
| 参数指标 | 基准 | 无阈值调整 | 阈值调整 | |||
|---|---|---|---|---|---|---|
| Wi-Fi Step 1 | Wi-Fi Step 2 | LAA Step 2 | Wi-Fi Step 2 | LAA Step 2 | ||
| 用户 吞吐量/ Mbps | 5% | 5.10 | 3.10 | 15.15 | 13.37 | 16.88 |
| 50% | 47.34 | 52.49 | 58.66 | 59.97 | 58.45 | |
| 95% | 88.82 | 84.77 | 86.05 | 89.06 | 84.95 | |
| 平均 | 47.82 | 49.19 | 56.96 | 56.01 | 57.22 | |
| 时延/ ms | 5% | 32.00 | 32.00 | 36.00 | 32.00 | 36.00 |
| 50% | 95.00 | 92.00 | 71.00 | 80.00 | 74.00 | |
| 95% | 1 629.0 | 1 930.0 | 375.0 | 1 074.0 | 461.0 | |
| 平均 | 362.28 | 389.34 | 133.18 | 237.45 | 139.26 | |
当业务流量相对较低(λ=0.7, Wi-Fi类型节点基线的缓冲区占用率为24%)时,阈值调整算法在平均UPT方面没有任何明显的改善。然而,当业务流量越来越重(λ=0.85,Wi-Fi类型节点基线的缓冲区占用率为38%)时,LAA的平均UPT增长了15.6%。共存Wi-Fi节点的平均UPT受益25.6%。当通信量进一步增大时,该算法具有更大的优越性。其原因是在业务量小的情况下,LAA和Wi-Fi都有足够的传输机会。阈值调整很少被触发。当流量较大时,LAA基站和Wi-Fi AP会更频繁地争夺未授权的频谱。随着竞争的加剧,缓冲区变得拥挤。因此,阈值调整经常被触发并发挥作用。仿真结果表明,该阈值调整算法是有效的。此外,与其他Wi-Fi节点共存相比,共存的LAA节点对Wi-Fi APs的影响并不大,满足非授权频谱的设计规则,分析表6 和表7 可以获得类似的结果。图3 给出了对表7 中UPT吞吐量的详细分析比较。本文进一步针对时延进行分析,该算法在LAA基站与未授权频谱的Wi-Fi节点共存的情况下,特别是在流量较大的情况下,可以减少延迟。
6 结束语
本文提出了一种针对CCA的自适应阈值调整算法,该算法考虑了LAA 基站的负载和吞吐量,得到了吞吐量随CCA阈值变化的单调性,为阈值调整提供了依据。根据系统级仿真,该算法仅适用于LAA 基站,尤其是在流量较大的情况下,对LAA 基站和共存Wi-Fi AP的吞吐量都有益处。当流量在未来呈指数级增长时,本文所提出的方法给出了一种非常有意义的处理方案。