[發明專利]面向微小蜂窩基站的自適應功率分配系統、方法和介質

有效

• 申請號: 202011000978.X
• 申請日: 2020-09-22
• 公開（公告）號: CN112118632B
• 公開（公告）日: 2022-07-29
• 發明（設計）人: 王亞彤;馮鋼;秦爽
• 申請（專利權）人: 電子科技大學
• 主分類號: H04W72/04
• 分類號: H04W72/04;H04W72/08
• 代理公司: 成都行之專利代理事務所(普通合伙) 51220
• 代理人: 李朝虎

本發明公開了面向微小蜂窩基站的自適應功率分配系統、方法和介質，涉及蜂窩數據處理領域，解決了在滿足每個用戶設備傳輸速率的情況下，如何最小化每個用戶設備的長期平均總傳輸功率的問題。本發明包括：搭建決策模型，在模型中，小基站作為實體自主地感知周圍干擾，并為其服務用戶分配發射功率，模型中包括虛擬agent；小基站的協調決策對應agent的動作，連續動作向量構成動作空間，采用獎勵來評價動作，所有agent同時采取行動，獲得的所有即時獎勵構成獎勵空間；獎勵反饋用于優化小基站的協調決策，同時獎勵反饋用于優化agent的動作：在模型中搭建MARL框架來優化策略，策略為獎勵對動作、協調決策的反饋過程。本發明滿足每個UE傳輸速率的情況下，最小化每個UE的長期平均總傳輸功率。

技術領域

本發明涉及蜂窩數據處理領域，具體涉及面向微小蜂窩基站的自適應功率分配系統、方法和介質。

背景技術

過去幾年，數據流量爆炸性增長，智能設備和可穿戴設備也迅速普及。根據無線使用情況統計，超過70％的數據流量和50％的語音呼叫都發生在室內，并且用戶80％以上的時間在室內環境。

然而，由于建筑物墻壁的遮擋形成了非常高的穿透損耗，這嚴重損害了室內無線傳輸的數據速率、頻譜效率和能量效率。同時，5G以及超5G系統要求將使用新的更高頻譜，即：微波頻段(3.3-4.2GHz)來滿足需求。

然而更高的頻段將導致更高的損耗，因此對室內覆蓋帶來巨大挑戰。為了增加網絡容量并提供更好的覆蓋，通過在室內部署大量即插即用、低功耗和低成本的小基站(SBS)的形成超密集網絡(UDN)被認為是即將到來的5G及超5G中最新興的架構之一。

顯然，在密集的住宅區中部署的即插即用SBS可能導致嚴重的小區間干擾(ICI)，這使得網絡性能和用戶的服務質量(QoS)顯著地惡化。因此，干擾協調對于移動通信系統的室內覆蓋是至關重要的。傳統的集中式干擾管理對于密集部署即插即用SBS的場景并不是更有效。因為大量信令開銷和算法執行復雜性，中央控制器很容易成為網絡性能瓶頸。例如，用于干擾減輕的集中式方案需要巨大的信息交互，從而導致大量的信令開銷。因此，傳統的干擾協調方案對即插即用UDN不再有效。因此，必須開發新的干擾減輕方案，并且該方案對于以SBS是即插即用方式工作的自治網絡是有效的。

在UDN中，現有的干擾管理工作可大致分為頻域方面，時域方面和功率優化方面。頻域方法(包括部分頻率復用(FFR)和軟頻率復用(SFR))犧牲了一部分稀缺的頻譜資源來減輕干擾，并在很大程度上依賴于網絡規劃和優化。此外，時域方法也犧牲了一部分時域資源，并且需要SBS之間的信息交互。然而，基于功率層面的干擾管理方案，例如功率控制，被認為是一種有效的方法，并且能夠提高頻譜效率來減輕分布式干擾。

實際上，在5G及以后的時代，電信運營商在密集SBS部署的網絡規劃和優化方面面臨很大困難。隨著人工智能的蓬勃發展，未來的網絡架構逐漸演變為智能自治網絡模式，電信運營商組建以即插即用的方式自動化網絡，來減少人工干預的數量。換句話說，自治網絡依賴于自我分析，自我配置和自我學習。然而，在這種復雜且動態的網絡環境中，可能容易引起嚴重的ICI，從而網絡性能和用戶的QoS顯著惡化。

幸運的是，最近出現的強化學習(RL)算法在解決復雜動態環境下的順序決策問題方面顯示出了巨大的潛力。由于無線網絡環境缺乏準確的信息和模型，無模型的RL框架能夠有效的解決序列決策問題，通過與環境的交互，學習最優策略。此外，在分布式框架中，RL可以擴展到多智體層面。與單智能體強化學習(Single Agent Reinforcement Learning,SARL)技術在無線網絡中的巨大發展和廣泛應用相比，多智能體強化學習(Multi-AgentReinforcement Learning,MARL)在解決自治網絡中的一些隨機優化問題方面具有更大的潛力。

發明內容

本發明所要解決的技術問題是：在滿足每個用戶設備傳輸速率的情況下，如何最小化每個用戶設備的長期平均總傳輸功率，本發明提供了解決上述問題的面向微小蜂窩基站的自適應功率分配系統、方法和介質。