高　翔，孙　强,2，徐　晨，王　珏,3

(1.南通大学 电子信息学院，江苏 南通 226019；2.东南大学 移动通信国家重点实验室，南京 210096；3.新加坡科技设计大学 淡马锡实验室，新加坡 138682)



静态分簇下的大规模分布式天线系统用户调度算法*

高翔1，孙强**1,2，徐晨1，王珏1,3

(1.南通大学 电子信息学院，江苏 南通 226019；2.东南大学 移动通信国家重点实验室，南京 210096；3.新加坡科技设计大学 淡马锡实验室，新加坡 138682)

在大规模分布式天线系统中，静态分簇和用户调度带来的簇间干扰问题会导致系统和速率下降。针对这个问题，提出了一种两阶段贪婪用户调度算法。首先，每个簇内并行实施贪婪用户调度；然后，从全局上再次利用贪婪算法来剔除簇间干扰较大、服务质量较差的用户，使得系统和速率进一步提升。仿真结果表明，随着不同系统参数的改变，两阶段贪婪用户调度算法可有效提高系统和速率。

大规模分布式天线系统；静态分簇；用户调度；贪婪算法

1　引　言

随着智能终端的普及以及移动互联网的兴起，移动数据业务量呈爆炸式增长。近年来，移动数据业务量以每年翻一番的速度增长；可以预计，在未来10年将会增长近1 000倍[1]，现有的蜂窝网络技术均难以支撑如此迅猛的数据增长需求。因此，世界各国已广泛开展对第五代移动通信(The 5th Generation,5G)关键技术的研究。其中，大规模多输入多输出(Multiple-Input Multiple-Output，MIMO)作为一种新的物理层技术引起了工业界和学术界的极大关注，并有望成为5G移动通信系统关键技术之一。考虑不同的天线阵列布设方式，大规模MIMO可有不同的具体实现形式。大规模分布式天线系统可看作一种分布式布设天线阵列的大规模MIMO。

大规模分布式天线系统在整个小区内密集布设远程天线单元(Remote Antenna Unit,RAU)，每个RAU与中心处理单元(Central Processing Unit,CPU)通过高速回程链路相连构成一个无线通信系统整体。与天线集中放置的传统大规模MIMO系统相比，大规模分布式天线系统可大幅缩短用户和天线间的接入距离，从而获得低传播损耗和高空间复用增益。因此，其相关研究近年来受到了广泛重视，具有重要的理论和现实意义。

目前，RAU分簇和用户调度算法是解决大规模分布式天线系统小区内干扰的关键技术之一，由于采用大规模分布式天线单元将会遇到信道信息开销、算法复杂度等一系列问题，因此，需要设计更加简单和符合实际系统的RAU分簇和用户调度算法。文献[2]针对联合天线选择和用户调度问题，提出了三种迭代算法：第一种算法是依据范数准则，算法复杂度低，但是简单地依据范数准则会牺牲一定的系统和速率；第二种算法是依据贪婪算法，用户通过选择最佳天线使得系统和速率最大，但算法的复杂度很高；第三种即作者提出的一种折衷算法，使得在复杂度相对较低的情况下，系统和速率接近贪婪算法的系统和速率。文献[3]在复合瑞利衰落信道条件下研究了大规模分布式天线系统的下行链路的频谱效率，结果表明大规模分布式天线系统的性能要远好于传统的集中式天线系统；但是作者考虑的是远程协作单元和用户均匀分布小区中，没有考虑用户的位置是随机的情况。文献[4-5]考虑大规模分布式天线系统下的下行链路，导出了单个RAU传输和协作RAU传输方式遍历速率表达式，为了最大限度地提高系统的和速率，提出了一种贪婪调度算法，用户的位置是随机的，并且采取的是动态分簇，但每个簇中只有一个用户，没考虑簇中有多用户的情况。

与现有文献不同，本文主要考虑大规模分布式天线系统下，针对簇间干扰导致系统和速率下降的问题，提出了一种基于静态分簇的大规模分布式天线系统用户调度算法。该算法在对用户进行调度时，先后两次用到了贪婪算法。首先，将整个大规模分布式天线系统划分若干协作簇，并利用大尺度衰落信道信息选择最佳的RAU协作簇；接着，各个RAU协作簇并行实施贪婪用户调度算法；最后，从全局上利用贪婪剔除用户算法来剔除簇间干扰较大、服务质量较差的用户。通过两阶段贪婪用户调度算法，能够抑制簇间干扰，提高系统的频谱效率。

2　系统模型

2.1网络模型

图1　二维正六边形拓扑结构(L=4)

2.2信道模型和功率控制

无线传输信道会受到大尺度衰落和小尺度衰落的影响，本文对这两种衰落都做了考虑。用户m到远程天线单元t的信道衰落可以表示为

(1)

式中：βm,t为用户m到远程天线单元t的大尺度衰落；gm,t为用户m到远程天线单元t的小尺度衰落。大尺度衰落分为路径损耗和阴影效应[6]。大尺度衰落模型表达式为

(2)

式中：fm,t为用户m到远程天线单元t的阴影衰落；η为路径损耗因子；dm,t为用户m到远程天线单元t的距离。用户m和协作簇t之间的小尺度衰落为gm,t，服从零均值、方差为1的复高斯随机变量。假设每个RAU传输独立的信息，则簇间干扰可以根据大尺度衰落来进行估计[7]。簇间干扰和噪声之和为复高斯随机变量Zm，均值为

(3)

为了维持RAU覆盖范围内指定的接收功率[8]，文献[9]给出了RAU发射功率的表达式为

P=P0rη。

(4)

式中：P0为RAU边缘的接收功率；r为正六边形的半径；η为路径损耗因子。

2.3信号模型

假设有q个用户随机位于正六边形拓扑结构中，首先所有RAU将获取的所有用户与相邻远程天线单元的统计信道信息回传给中心处理单元，按照大尺度衰落大小排序，确定每个用户所属大尺度衰落最大的RAU协作簇，要使得大尺度衰落最大的用户m选择远程天线单元t最优解为

假设用户距离最近的远程天线单元t*归属于协作簇Vi，在下行链路中，协作簇Vi中用户m的接收信号为

(5)

3　静态分簇和用户调度

3.1静态分簇

近几年来，随着多基站协同处理技术的发展，有不少学者开始研究协同基站群的分簇问题。现有的分簇算法主要分为静态分簇算法及动态分簇算法。静态分簇算法简单、易实现，但是由于不能适应实际信道的时变性，会损失一定的系统性能。文献[10-11]针对通信系统的下行链路，将整个系统划分为多个静态协同簇。相比于单基站非协同的通信传输方式，基于静态分簇的协同处理技术能够改善小区边缘用户的性能,提高整个系统的频谱利用。而动态分簇算法利用实时的信道状态信息(ChannelStateInformation,CSI)构建协同簇，能够取得比静态算法较好的系统性能，但较高的复杂度以及完全的CSI条件阻碍了该算法的实际应用。在本文中，我们考虑了两种静态分簇情况，分别如图2和图3所示。

图2　2个RAU协作

图3　4个RAU协作

3.2两阶段贪婪用户调度算法

3.2.1贪婪用户调度算法

通过各种预编码方案，可以实现多用户MIMO通信。然而，不管何种预编码方案，由于天线自由度的限制，可以被同时通信的用户仍然是有限的，因此需要采取一定的用户调度策略。通过用户调度，选取一个或几个信道状态信息较好的用户，可以提高系统的和速率，获得多用户分集增益。

在得知每个用户所属大尺度衰落最小的RAU协作簇后，计算每个RAU协作簇内的用户数，若协作簇内用户数为0，则该协作簇内的RAU进入休眠状态；若簇内用户数为1，该用户为已调度用户，协作簇采用最大比传输模式[12]对该用户进行数据传输。

若簇内用户数大于1，则再判断簇内用户数和协作簇的天线自由度的关系，若协作簇内用户数小于或等于协作簇的天线自由度，协作簇内所有用户为已调度用户，协作簇采用迫零传输模式[13]对该用户进行数据传输；若协作簇内用户数大于协作簇的天线自由度，则需要对协作簇内的用户先进行调度。为了最大化簇内用户的和速率，这个调度问题可以写成

(6)

(7)

式中：μm为用户m的速率的加权因子，本文只考虑μm=1，即最大系统和速率准则。

此时用穷举法可获得上述问题的最优解，但是复杂度很高，于是我们采取复杂度较低的贪婪用户调度算法获得次优解。其算法的主要思想为：每次调度一个能使得簇内和速率提升最多的用户并更新待调度用户和已调度用户，直到调度任何待调度用户不能使簇内和速率增大为止；调度完成后，再采用迫零传输模式对用户进行数据传输。用户调度完成后计算系统的和速率为

(8)

(9)

3.2.2贪婪用户剔除算法

由于没有考虑簇间干扰带来的影响，所以贪婪用户调度算法完成后，某些簇间干扰较大的用户会导致系统和速率下降。针对这个问题，可以从全局上来剔除簇间干扰较大、服务质量较差的用户，此时可以采用穷举法来剔除用户，但复杂度较高，于是我们采取一种复杂度相对较低的贪婪用户剔除算法，具体步骤如下：中央处理器遍历所有调度用户，剔除当前用户，判断被剔除用户所在协作簇内剩余的已调度用户数量，若协作簇内无用户，则协作簇内的远程天线单元进入休眠状态；若协作簇内用户数为1，则协作簇采用最大比传输模式对该用户进行数据传输；若协作簇内用户数大于1，则协作簇采用迫零传输模式对剩余已调度用户进行数据传输。计算剔除用户后整个分布式无线系统的系统和速率，选择系统和速率最大所对应的剔除用户，如果此时系统和速率大于剔除前系统和速率，则作为当前轮次的剔除方案，然后进行下一轮剔除;否则，不剔除此用户并且剔除算法结束。3.2.1节和3.2.2节两种算法合并后即为两阶段贪婪用户调度算法,其流程如图4所示。

图4　两阶段贪婪用户调度算法流程

3.2.3复杂度分析

4　仿真结果与分析

图5给出了不同RAU边缘接收功率下10个用户的系统和速率曲线。由图5可以看出：4个RAU协作时，系统和速率最大；RAU不协作时，系统和速率最小，说明分簇能使得系统和速率提升，并且分簇规模越大，速率提升效果越好。相比于贪婪用户调度算法，两阶段贪婪用户调度算法能显著提升系统和速率，并且两阶段贪婪用户调度算法的优劣和RAU边缘接收功率有关，RAU边缘接收功率越大，即簇间干扰受限的情况，两阶段贪婪用户调度算法效果越明显。

图5　系统和速率

图6给出了不同RAU边缘接收功率下系统的中断概率曲线。中断是指用户的瞬时信干噪比低于某一阈值，在仿真中，该阈值定为1。由图6可以看出，4个RAU协作时，系统的中断概率最小，说明分簇能够进一步减小系统的中断概率，并且分簇规模越大，系统的中断概率越小。相比于贪婪用户调度算法，两阶段贪婪用户调度算法能小幅减小系统的中断概率。

图6　中断概率

图7给出了RAU边缘接收功率为20 dB，不同用户数情况下，系统的和速率曲线。由图7可以看出，在不同用户数的情况下，相比于贪婪用户调度算法，两阶段贪婪用户调度算法始终能有效提升系统和速率。

图7　系统和速率(不同用户数)

5　结束语

本文主要研究了静态分簇下的大规模分布式天线系统用户调度算法，提出了一种两阶段贪婪用户调度算法，其主要思想是：首先，利用贪婪算法调度簇内和速率最大的用户集合；然后，再利用贪婪算法从全局上剔除簇间干扰较大、服务质量较差的用户。仿真结果表明，在簇间干扰受限的情况下，相比于传统的贪婪调度算法，两阶段贪婪用户调度算法能显著提升系统和速率。

本文考虑的是静态分簇下的用户调度算法，而静态分簇对簇间干扰抑制具有一定的局限性，因此下一步将重点考虑以用户为中心的动态分簇方案。

[1]Nokia Siemens Networks.2020:Beyond 4G radio evolution for the gigabit experience[EB/OL].[2016-01-05]. http://www.nokiasiemensnetworks.com.

[2]XU G Z，LIU A，JIANG W，et al.Joint user scheduling and antenna selection in distributed massive MIMO systems with limited backhaul capacity[J].China Communications,2014,11(5):17-30.

[3]LI J,WANG D,ZHU P,et al.Spectral efficiency analysis of large-scale distributed antenna system in a composite correlated Rayleigh fading channel[J].IET Communications,2015,9(5):681-688.

[4]SUN Q,JIN S,WANG J,et al.Downlink massive distributed antenna systems scheduling[J].IET Communications,2015,9(7):1006-1016.

[5]SUN Q,JIN S,WANG J,et al.On scheduling for massive distributed MIMO downlink[C]//Proceedings of 2013 IEEE Global Communications Conference.Atlanta,Georgia,USA:IEEE,2013:4151-4156.

[6]HU H,ZHANG Y,LUO J.Distributed antenna systems:open architecture for future wireless communications[J] . IEEE Transactions on Wireless Communications,2006(5):1-5.

[7]FIROUZABADI S,GOLDSMITH A.Downlink performance and capacity of distributed antenna systems[J].IEEE Antennas & Wireless Propagation Letters,2011,2(1):89-92.

[8]LIANG Y,GOLDSMITH A,FOSCHINI G,et al.Evolution of base stations in cellular networks:denser deployment versus coordination[C]//Proceedings of 2008 IEEE International Conference on Communications.Beijing:IEEE,2008:4128-4132.

[9]GRADSHTEYN I S,RYZHIK I M.Table of integrals,series,and products[M].8th ed.New York:Academic Press,2014.

[10]NG C T K,HUANG H. Linear precoding in cooperative MIMO cellular networks with limited coordination clusters[J].IEEE Journal on Selected Areas in Communications,2010,28(9):1446-1454.[11]ZHANG J,CHEN R,ANDREWS J G,et al.Networked MIMO with clustered linear precoding[J].IEEE Transactions on Wireless Communications,2009,8(4):1910-1921.

[12]LO T K Y. Maximum ratio transmission[J].IEEE Transactions on Communications,1999,47(10):1458-1461.

[13]YOO T,GOLDSMITH A. Optimality of zero-forcing beamforming with multiuser diversity[C]//Proceedings of 2005 IEEE International Conference on Communications.Seoul,Korea:IEEE,2005:542-546.

高翔(1991—),男，江苏常州人，2014年获学士学位，现为硕士研究生，主要研究方向为大规模分布式天线系统；

GAO Xiang was born in Changzhou,Jiangsu Province,in 1991.He received the B.S.degree in 2014.He is now a graduate student.His research concerns large-scale distributed antenna system.

Email:394079233@qq.com

孙强(1980—)，男，江苏南通人，2014年获博士学位，现为副教授，主要研究方向为MIMO无线通信系统；

SUN Qiang was born in Nantong,Jiangsu Province,in 1980.He received the Ph.D.degree in 2014.He is now an associate professor.His research concerns MIMO wireless communication system.

Email:sunqiang@ntu.edu.cn

徐晨(1960—),男，江苏南通人，教授，主要研究方向为无线通信；

XU Chen was born in Nantong,Jiangsu Province,in 1960. He is now a professor.His research concerns wireless communication system.

王珏(1985—),男，山东聊城人，2014年获博士学位，主要研究方向为大规模MIMO。

WANG Jue was born in Liaocheng,Shandong Province,in 1985. He received the Ph.D.degree in 2014. His research concerns large-scale MIMO.

The National Natural Science Foundation of China(No.61401240,61501264);Jiangsu Government Scholarship to Study Abroad(JS-2014-206);The Fund of National Mobile Communications Research Laboratory in Southeast University(2015D02);The Doctoral Research Start Fund in Nantong University(14B08)

User Scheduling Algorithms for Large-scale Distributed Antenna System Based on Static Clustering

GAO Xiang1,SUN Qiang1,2,XU Chen1,WANG Jue1,3

(1.School of Electronic and Information,Nantong University,Nantong 226019,China;2.National Mobile Communications Research Laboratory,Southeast University,Nanjing 210096,China;3.Temasek Laboratories,Singapore University of Technology and Design,Singapore 138682,Singapore)

In a large-scale distributed antenna system,static clustering and user scheduling will redeuce the system sum-rate due to inter-cluster. To solve this problem,a two-stage greedy user scheduling algorithm is proposed. First,each cluster uses greedy user scheduling parallelly. Then,from the overall situation,the greedy algorithm is utilized to remove some users with larger inter-cluster interferences and poor quality of service,thus further improving the system sum-rate. Simulation results show that with different system parameters,the two-stage greedy user scheduling algorithm can effectively improve the system sum-rate.

large-scale distributed antenna system;static clustering;user scheduling;greedy algorithm

10.3969/j.issn.1001-893x.2016.10.002

2016-01-15；

2016-05-06Received date:2016-01-15；Revised date：2016-05-06

国家自然科学基金资助项目(61401240,61501264);江苏政府留学奖学金项目(JS-2014-206);东南大学移动通信国家重点实验室开放研究基金项目(2015D02);南通大学博士科研启动基金项目(14B08)

TN929.5

A

1001-893X(2016)10-1075-06

引用格式：高翔，孙强,徐晨,等.静态分簇下的大规模分布式天线系统用户调度算法[J].电讯技术，2016,56(10):1075-1080.[GAO Xiang,SUN Qiang,XU Chen,et al.User scheduling algorithms for large-scale distributed antenna system based on static clustering[J].Telecommunication Engineering,2016,56(10):1075-1080.]

**通信作者：sunqiang@ntu.edu.cnCorresponding author：sunqiang@ntu.edu.cn