一种无线系统上行干扰精简识别与性能预测方法技术方案

本发明专利技术公开了一种无线系统上行干扰精简识别与性能预测方法，包括以下步骤：步骤1，确定干扰精简识别与性能预测所需的干扰模型；步骤2，收集无线系统运行时产生的用户数据；步骤3，精简干扰识别；步骤4，无线性能预测。本发明专利技术的优点是提出了精简干扰识别，以信号用户指示向量、干扰用户指示向量和功率偏移向量作为特征，测量UL

【技术实现步骤摘要】
一种无线系统上行干扰精简识别与性能预测方法


[0001]本专利技术属于无线通信、多用户干扰、干扰预测、非线性回归
，尤其涉及一种无线系统上行干扰精简识别与性能预测方法。

技术介绍

[0002]目前，随着网络容量需求的快速增长，当今的无线网络采用增大网络设备的部署密度的方式以满足对网络容量的需求。作为5G的关键技术之一的超密集网络(Ultra
‑
dense Network，UDN)通过更加密集的部署基站降低基站与终端用户的传输距离从而有效提高网络容量，并进而提高频谱效率。然而，小基站的密集部署将导致严重的同信道干扰(Co
‑
channel Interference，CCI)，给无线通信网络带来了新的挑战。借助5G网络架构中心单元(Centralized Unit，CU)集中化处理的特性，应用机器学习算法，挖掘隐藏在网络运行过程中产生的巨量无线资源分配数据和无线测量数据中的干扰信息，不仅更加准确、干扰信息更加全面，同时也更适用于实际无线网络。同样，运用新的干扰建模方案得到的更加准确而信息丰富的干扰模型，也为资源分配方案留出了更大的操作空间。现有的无线通信网络都对频谱资源进行了高强度使用，普遍呈现出干扰受限特性。干扰已经成为无线网络中的核心问题，直接决定了网络性能。现有获取干扰矩阵的方法有两种：一种是基于扫频数据建立干扰矩阵，另一种是基于手机的测量报告消息建立干扰矩阵。
[0003]扫频数据中频域信息完整，并带有经纬度信息，能准确地反映采样点上的干扰情况，基于扫频数据生成的干扰矩阵不能反映未知地点处的干扰情况，尤其是在密集网络条件下，微小的位置变动就能带来大的干扰变化，导致测量成本过高。手机测量报告包含有用户的真实干扰情况，但干扰信息只包含信号强的几个邻近小区，因此干扰信息不完整，建立的干扰矩阵有一定误差，而在密集网络下干扰情况更加恶劣复杂。当处于用户数目较多的密集网络中的时候，干扰矩阵建立的敏捷性和准确程度都有更高的要求，但目前现有的方法的非实时性、低效、信息的粗粒度和预测的粗精度无法适应当前的网络情况。
[0004]在现有蜂窝网络中，无线资源分配功能由基站完成，各小区基本是相互独立的进行无线资源的管理和分配。为应对小区间干扰，现有网络通过网络单元之间进行协商和信令交互并辅以增强技术进行一定程度的弥补，如借助于基站间的X2接口交互信息，通过小区间干扰协调(Inter Cell Interference Coordination，ICIC)或增强型小区间干扰协调(enhanced ICIC，eICIC)技术解决小区间干扰问题；或借助于协作多点传输(Coordinated Multiple Points，CoMP)技术，在不同基站之间通过协同处理干扰、或者避免干扰、或者将干扰转化为有用信号，为用户提供更高速率，从而提高网络的利用率。
[0005]ICIC和eICIC技术严重依赖于信令交换，因此其所能传递的干扰信息极为有限，导致传递干扰信息的粒度较差；且信令传输需要时间，使得时效性受到严重影响。同时UDN中的大量相邻小区将造成可观的信令交换开销，影响网络性能。CoMP技术需要对信道进行大量的测量，需要消耗大量导频资源；且需要消耗大量计算资源对信号进行处理计算，因此这也不是一个合适的解决方案。
[0006]此外，基于无线传播损耗模型和终端地理位置信息的干扰计算方法仅有理论上的可行性，在实际的网络部署中的可实现性不高，原因如下：
[0007]1，在实际的无线系统中，终端的地理位置信息难以被实时获知；
[0008]2，传播路径损耗模型只适用于仿真评估、网络规划的场景，显然，通用模型无法很好反映所应用环境的电波传播状况，模型计算值与实测值相差5～10dB的情况很常见且预测精确度极差。
[0009]目前在现有技术中已有一些智能干扰建模方案，利用网络运行时产生的大量数据，无需额外的硬件或导频资源占用即获得链路间干扰。例如，现有技术[1](Resource Allocation for Ultradense Networks with Machine
‑
Learning
‑
Based Interference Graph Construction.IEEE Internet of Things Journal,7(3),2137
–
2151.)和现有技术[2](Neural Network Based Conflict
‑
Graph Construction Approach for Ultra
‑
Dense Networks.In 2018IEEE Globecom Workshops,GC Wkshps 2018
‑
Proceedings(pp.1
–
6).IEEE.)中使用的神经网络算法能够精细而准确地获取各用户间的干扰关系与强度并构建干扰矩阵，但模型不具备可解释性且运算耗时长。现有技术[3]("Regression
‑
Based Uplink Interference Identification and SINR Prediction for 5G Ultra
‑
Dense Network,"ICC 2020
‑
2020IEEE International Conference on Communications(ICC),2020,pp.1
‑
6,)中使用了结合无线知识的非线性回归方法对干扰关系进行建模，使得模型具备可解释性并提升了性能。现有技术[4]("A XGBoost Based Wireless Interference Relation Mining and Performance Prediction Method,"2021IEEE 94th Vehicular Technology Conference(VTC2021
‑
Fall),2021,pp.1
‑
7,doi:10.1109/VTC2021
‑
Fall52928.2021.9625052.)中使用了结合无线知识的XGBoost的方法进行干扰的建模。
[0010]现有技术[1]‑
现有技术[4]的干扰识别旨在获得噪信比(Noise to Signal Ratio，NSR)和链路间的干信比(Interference to Signal Ratio，ISR)。关联到同一基站的不同用户的ISR不同，是因为信号链路的NSR不同，而非本质上的干扰链路的接收功率不同，直接挖掘ISR使干扰建模复杂化；在现有技术[1]‑
现有技术[4]的方案中，用户m的资源调度数据仅供用户m自身的干扰关系训练使用，不能和归属基站相同的其他用户复用，对于现实中的多用户场景的扩展性差。

技术实现思路

[0011]本专利技术的目的在于提供一种能够克服上本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无线系统上行干扰精简识别与性能预测方法，其特征在于，包括以下步骤：步骤1，确定干扰精简识别与性能预测所需的干扰模型，即链路级干扰关系和上行信干噪比的函数关系；步骤2，收集无线系统运行时产生的用户数据，包括资源分配向量、功率分配向量、测量UL
‑
SINR和TTI编号，并以归属基站为中心组织数据集；步骤3，精简干扰识别，基于步骤1的干扰模型理论基础，使用监督式机器学习算法，对步骤2得到的基站数据集进行挖掘，得到模型参数，根据模型参数得到链路级干扰关系；步骤4，无线性能预测，在任意资源分配和功率分配情况下，使用链路级干扰关系和无线干扰模型计算UL
‑
SINR预测结果，或由机器学习算法模型输出UL
‑
SINR预测结果。2.根据权利要求1所述的一种无线系统上行干扰精简识别与性能预测方法，其特征在于，所述步骤1中，干扰模型围绕链路级干扰关系建立,链路级干扰关系以基站为中心定义，描述了所有用户到基站的链路强度，即在开环功率控制下，基站处接收的全部信号链路的SNR集合和全部干扰链路的INR集合，对于基站j,链路级干扰关系的数学表达为S
j
是归属于基站j的信号用户集合，N
′
j
是基站j的干扰用户集合。3.根据权利要求1所述的一种无线系统上行干扰精简识别与性能预测方法，其特征在于，所述步骤1中，对于存在开环功率控制和动态功率分配的无线系统，链路级干扰关系和上行信干噪比的函数关系，如以下公式所示：其中，为信号用户指示向量，代表一次传输中信号用户为m，一次传输中有且仅有一个信号用户，ω＝{ω
n
∈{0,1}|n∈N
′
j
}为干扰用户指示向量，ω
n
＝1代表用户n是一次传输中的干扰用户，{Δ
m
|m∈S
j
}∪{Δ
n
|n∈N
′
j
}为功率偏移向量，表示用户的发送功率相对于开环功控发送功率的偏移量，对于仅存在开环功率控制的无线系统，功率偏移向量恒为0；在正交复用资源的无线系统中N
′
j
为不归属于基站j的干扰用户集合I
j
，在非正交复用资源的无线系统中N
′
j
包括S
j
和I
j
，在正交复用资源的无线系统中，如以下公式所示：其中θ＝{θ
n
∈{0,1}|n∈I
j
}是小区外干扰用户指示向量，θ
n
＝1表示小区外用户n在一次传输中对信号用户造成干扰；在非正交复用资源的无线系统中，如以下公式所示：
其中，δ＝{δ
l
∈{0,1}|l∈S
j
}表示小区内干扰用户指示向量，δ
l
＝1表示小区内用户l在一次传输中对信号用户造成干扰。4.根据权利要求1所述的一种无线系统上行干扰精简识别与性能预测方法，其特征在于，所述步骤2包括以下步骤：步骤2.1，获取无线系统中任...

【专利技术属性】
技术研发人员：彭涛，范春萌，郭异辰，赵誉洁，牛怡静，张笑，王文博，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：