李晓娜，王中方，程谦，付婧雯，张顺亮

（1.中国科学院信息工程研究所，北京 100093；2.中国科学院大学网络空间安全学院，北京 100049）

1 引言

据估计，2010—2020 年，全球移动数据流量将增长250 倍[1]。为了应对未来移动通信流量增长的需求，5G 网络开始走上通信世界的舞台。与LTE-A系统相比，5G 通过密集的小区部署可以提供更高的系统容量和更广的网络覆盖。在超密集网络（UDN,ultra dense network）中，小小区的部署可以缩短用户设备（UE,user equipment）与其服务小区的距离，以此显著改善频谱效率和系统容量。但是，小小区的部署形成了一种异构网络。在异构网络中，由于存在微基站、微微基站以及家庭基站等多种站点，而且相邻小区使用相同的频谱资源，导致小区间干扰问题严重恶化。因此，小区间干扰协调（ICIC,inter-cell interference coordination）方案需要适用于新的无线接入技术以及新的网络部署方式。

2 相关工作情况

在第三代合作伙伴计划（3GPP,The Third Generation Partnership Project）的版本8（R8,release 8）阶段，部分频率复用[2]和软频率复用[3]是最常见的ICIC 技术。部分频率复用的提出主要是为了提升小区边缘吞吐量，但是需要牺牲一定的频谱效率来实现。相比之下，软频率复用可以在每个小区中使用所有的频谱资源，因此不仅使小区平均吞吐量有所提升，宏小区的边缘用户所受的干扰也有一定程度的下降。但是，由于宏小区中心用户与微小区用户使用相同的子载波，导致二者之间的干扰增加。为了进一步解决异构网络中的干扰问题，3GPP R10提出了增强的ICIC 技术[4]。宏基站可以在某些子帧静默所有的下行物理资源，不向宏用户传输数据信息，以此减小对微基站下行传输的干扰，该方案也称作几乎空白子帧（ABS,almost blank subframe）。然而，随着小区密度的急剧增加，干扰情况变得更加复杂，基于时域的增强ICIC 方案无法满足新的传输要求。

针对未来的无线网络，多种新颖的ICIC 方案被提出，这些方案在性能和损耗方面均有各自的优缺点。一种基于启发式负载均衡的动态切换算法被提出，以解决UE 分布不均匀的问题[5]。文献[6]给出了一种分布式资源分配方案，有效减小了宏基站与微微基站之间的干扰。但是，由于中心用户和边缘用户分配的资源是正交的，使系统频谱效率明显下降。文献[7]基于超密集家庭基站网络提出了一种小区半聚类的方案，通过将所有小区划分为干扰小区和被干扰小区的方式提高了系统性能。文献[8]将调度、干扰对齐以及功率控制进行联合研究，提出了一种分布式的多域干扰管理方案。在文献[9]中，动态小区选择、链路调度以及非正交多址接入3 种不同的技术被用来实现干扰管理。虽然以上ICIC 方案可以在部分方面提升系统性能，但均没有考虑到协作多点（CoMP,coordinated multi-point）传输技术带来的性能增益。

事实上，CoMP 技术是一种对抗小区间干扰的有效方式，一些文献也结合CoMP 研究了干扰协调方案。文献[10]证明了宏分集CoMP 在密集蜂窝网络中具有较好的性能增益，但该方案仅考虑了宏基站的场景。文献[11]介绍了一种基于小区负载感知的CoMP 方案，平衡了微基站覆盖范围中的负载。以上提到的研究成果均基于同构网络场景，不符合5G 系统中的UDN 拓扑结构。相比之下，文献[12]提出了一种基于自适应干扰感知的非相干CoMP 方案，以减少异构UDN 中的跨层和同层干扰；通过对用户进行分组以及每组用户分组概率的计算，推导出覆盖范围概率。文献[13]在UDN 中采用了两层频谱资源分配的CoMP 传输方法，将所有用户分为中心用户和边缘用户，边缘用户的频谱资源由中心调度器分配。然而，以上方案中均没有涉及联合传输（JT,joint transmission）技术对UDN 性能的影响。

JT 是CoMP 传输的一种方式，UE 同时接收来自多个协作传输节点的信号，可以显著提高小区边缘吞吐量和系统吞吐量[14]。在JT 技术中，采用JT方案传输的UE 数量是影响系统性能的一个重要因素。过量的JT UE 会导致协作簇中能够调度的UE总数量严重下降，从而导致小区平均频谱效率的下降；相反，如果JT UE 数量不足，则会导致部分边缘UE 无法获得吞吐量的增益，从而导致小区边缘频谱效率的下降。基于以上考虑，本文针对UDN场景设计了一种基于JT 的动态干扰协调方案。该方案的核心思想主要反映在3 个方面：动态协作簇划分、动态联合静默传输以及迭代优化算法。动态协作簇划分的主要目的是解决JT UE 的数量和资源分配问题，JT UE 服务小区的选择主要考虑通信链路的信道质量和小区的负载均衡。动态联合静默传输的主要目的是进一步提高边缘UE 的吞吐量，基于UE 反馈的信道质量指示（CQI,channel quality indicator）[15]决定是否要静默相应的宏基站资源块（RB,resource block）。通过迭代优化算法综合考虑小区边缘吞吐量和用户调度公平性，进一步优化用户资源调度情况，使系统性能达到最优。仿真结果表明，与传统CoMP JT 方案相比，本文提出的方案可以显著提高小区边缘吞吐量。此外，本文还给出了不同JT UE 的选择比例对小区平均频谱效率和小区边缘频谱效率的影响。

3 UDN 场景模型

本文考虑如图1 所示的两层异构UDN 场景，其中，第一层为宏小区层，第二层为小小区层。成簇的小小区均匀地分布在宏小区的地理区域内[16]，宏小区层和小小区层的频率复用系数为1。很多文献中都给出了改善5G 网络回程链路性能的先进方法[17-18]，例如联合优化接入链路和回程链路[19]，因此本文假设宏基站（MBS,macro base station）和小基站（SBS,small base station）之间是理想回程。

图1 两层异构UDN 场景

假设一个协作簇内有M个小区，其中宏小区数量为NM，每个宏小区地理范围内的小小区数量为NS；MBS 和SBS 的发射天线数量为Nt，UE 的接收天线数量为Nr。的UE 均匀随机分布在宏小区的地理范围内，的UE 分布在成簇的小小区地理范围内[16]。

根据不同的传输方案，UE 被分为3 个不同的种类，即non-JT UE、JT UE 和JT-muting UE。图2给出了不同种类UE 的数据传输模式。non-JT UE只接收主服务小区传输的数据；JT UE 有2 个或2个以上的小区为其服务，接收多个小区在相同时频资源上发送的相同数据；JT-muting UE 是本文提出的特殊类型的UE，当JT-muting UE 被调度时，对其干扰最大的MBS 的资源块需要保持静默，以此减小跨层干扰。

图2 不同种类UE 的数据传输模式

为了方便表示，分别用S和I表示服务小区集合和干扰小区集合。因此，对于UEk而言，其Nr×1维接收信号向量可以表示为

其中，Gs,k表示从UEk到其服务小区的大尺度接收功率，Hs,k表示从UEk到其服务小区的Nr×Nt维快衰落信道矩阵，ws表示Nt×1 维服务小区的波束成形向量，xs表示来自服务小区的传输数据。相应地，Gi,k表示从UEk到其干扰小区的大尺度接收功率，Hi,k表示从UEk到其干扰小区的Nr×Nt维快衰落信道矩阵，wi表示Nt×1 维干扰小区的波束成形向量，xi表示来自干扰小区的传输数据。此外，nk表示方差是σ2的Nt×1 维加性高斯白噪声向量。

由此可计算得到UEk的信干噪比（SINR,signal-to-interference-plus-noise ratio）为

UEk可以根据SINR 的不同，自适应选择不同的调制编码方案（MCS,modulation and coding scheme）[15]。由此可得UEk的吞吐量Tk为

其中，NRE,k表示为UEk分配的资源粒子数量；Efk表示UEk采用的MCS 的效率；BLERk表示UEk的传输误块率，由链路级仿真结果中的误块率（BLER,block error rate）-信噪比（SNR,signal-to-noise ratio）曲线得到。

UEk能否被分配到时频资源，需要依据比例公平（PF,proportional fairness）调度算法[20]。UEk的比例公平系数可表示为

其中，rk表示UEk在当前传输时间间隔（TTI,transmission time interval）的瞬时吞吐量。因此，当比例公平系数pk足够大时，才会给UEk分配时频资源。

本文提出的方案综合考虑用户吞吐量和调度公平性2 个因素，使资源调度达到最优。

4 基于迭代联合传输的动态干扰协调方案

在UDN 场景下，由于传输节点数量大大增加，传统的干扰协调方案无法实现最优的资源调度，而CoMP 技术如何有效地应用到UDN 场景中也是一个重要问题。基于以上考虑，本文提出了一种基于迭代联合传输的动态干扰协调方案。该方案的实现分为3 个步骤：动态协作簇划分、动态联合静默传输以及迭代优化算法。

4.1 动态协作簇划分

假设UDN 场景中的小区总数量为Nc，UE 总数量为Nu，α表示一个Nc×Nu维的UE 调度矩阵，其中αi,k∈α表示UEk被小区i的服务情况。若αi,k=1，代表小区i是UEk的服务小区；若αi,k=0，代表小区i不是UEk的服务小区。

首先，对每个UE 的协作簇集合进行初始化，可以分为以下3 个步骤。

1)根据大尺度接收功率以及切换门限的大小选择每个UE 的主服务小区。

2)计算UE 的Geometry，判断该UE 是否为JT UE。Geometry 可以看作大尺度SINR，表示为

其中，G0,k表示从UEk到其主服务小区的大尺度接收功率，Gi,k表示从UEk到其他小区的大尺度接收功率。如果满足Geometryk＜β0，则认为UEk是JT UE。

3)选择JT UE 的协作小区，需要满足的条件为

其中，Nc,k表示UEk的服务小区数量，β0和β1是门限值。

由此，可以得到UEk的协作簇为Sk={c0,c1,…,ci,…,}，其中c0表示UEk的主服务小区，ci表示UEk的协作小区。因此，整个UDN 场景下的协作簇集合可以表示为S={S0,S1,…,Sk,…,}。根据获得的协作簇集合S，可以完成调度矩阵α的初始化，即

若ci∈Sk，则αi,k=1；否则，αi,k=0。

协作簇初始化过程结束后，已经将全部UE 划分为non-JT UE 和JT UE，但划分方式较粗糙，无法得到最优的JT UE 数量。

下一步，将资源分配情况考虑进来，对用户调度矩阵α进行优化。假设一个调度周期为一个无线帧，包括的子帧数为Nsub，每个子帧中的物理资源块数量为Nrb。为了确保每个小区在每个调度周期内可以最大程度地利用时频资源，在保证小区内每个UE 均可以被调度的前提下，则可以增加JT UE的数量，提高资源利用率；反之，若初始化的JT UE过多，可能导致部分UE 无法被调度，此时则应减少JT UE 数量，确保UE 调度的公平性。因此矩阵α应满足

其中，np为UEk被调度时分配的物理资源块数量，Ni,u为小区i覆盖范围内的UE 数量。

此外，为了避免因小区间信息共享引起的回程链路开销过大，本文方案限定一个JT UE 的服务小区数量不大于3，即

综上所述，本方案要在式(7)和式(8)的约束条件下求解用户调度矩阵α，以确保系统容量达到最大。

其中，Bk表示UEk的传输带宽。

由于式(9)的最优化问题是非凸的，求解全局最优解为NP-hard 问题，因此本文通过分析αi,k的取值特征，简化上述问题并求取局部最优解。详细求解过程如下。

简化情况1假设UDN 中的宏站点数量为Nmacro，考虑一种固定协作区域的特殊场景，即每个宏站点的3 个扇区内的小区可以相互协作，处于该宏站点覆盖下的用户，只能选择其中的小区进行服务。此时，UDN 的协作区域如图3 所示。

图3 协作区域示意（简化情况1）

每个宏站点覆盖下的用户在选择协作小区时均应满足式(6)和式(9)给出的条件，并且限定为该宏站点覆盖下的小区。因此，当仅考虑该宏站点覆盖下的小区与用户之间的服务关系时，其可能存在的情况是有限的，可以归纳出所有可能的用户调度情况。计算每种用户调度情况下的系统容量，可确定该宏站点系统容量最大时的用户调度情况，记为α1,1。以此类推，可以得到各个宏站点在其容量最大时的用户调度情况，表示为α1={α1,1,…,}，此时整个UDN 的系统容量记为C1。

简化情况2在本文考虑的场景中，协作区域并不是固定不变的，简化情况1 只能是所有协作场景的一种情况。由于用户在选择协作小区时受到式(6)的限制，导致其选择的服务小区只能在一定的地理范围内，距离过远的小区不会成为其服务小区，因此，UDN 的协作区域可看作在一定范围内动态变化。图4 给出了位于中间的宏站点覆盖下的用户可能选择的协作小区的所在范围示意。

图4 协作区域示意（简化情况2）

此时，该宏站点覆盖下的用户与协作区域内小区之间的服务关系有无限种情况，本文通过随机固定协作区域的方式，划分出F种可能的固定协作区域图样，F∈[1,+∞)。对于每种固定协作区域图样下的UDN，均可以按照简化情况1 所述的方法得到其用户调度情况{α2,…,αF}以及相应的系统容量{C2,…,CF}。

根据上述简化分析，可以得到F种用户调度矩阵以及相应的系统容量，通过比较可以得出系统容量最大时的用户调度矩阵，即为求得的局部最优解。当F取值越大时，求得的局部最优解越逼近全局最优解。

4.2 动态联合静默传输

上述动态协作簇划分方案已将全部UE 划分为non-JT UE 和JT UE，并优化了JT UE 的服务小区集合。但对于少数信道质量极差的边缘用户，仅依靠联合传输方案不足以使其达到服务质量要求，此时采用动态联合静默传输方案进一步提高边缘用户吞吐量。

为了在提升边缘用户吞吐量的同时兼顾用户调度的公平性，动态联合静默传输方案提供3 种可选的传输方式Mt,t={1,2,3}。对于传输方式M1，需将对边缘用户产生干扰最大的小区对应的RB 保持静默；对于传输方式M2，需将边缘用户当前分配的RB 保持静默，另行分配其他RB 进行数据传输；对于传输方式M3，不静默任何RB，保持现有传输方式。根据吞吐量和调度公平性2 个因素，边缘用户将选择最优的动态联合静默传输方案。

首先，假设UEk为信道质量极差的边缘用户，其协作簇集合为，则UEk的SINR 满足

其中，ct∈Sk表示UEk的服务小区，ci∉Sk表示UEk的干扰小区，Nc,k表示UEk的服务小区数量。

在当前RB 和TTI 中，系统边缘用户总吞吐量可以表示为

其次，仅考虑边缘用户的吞吐量是不全面的，忽视了用户调度的公平性。例如，若使用动态联合静默传输方案M1，则干扰最强的小区对应的RB 将保持静默，此时可能导致原本被调度在这些RB 上的用户在当前TTI 上无法获得资源。因此，考虑用户调度的公平性是十分重要的。

系统比例公平系数的平均值可以根据每个用户的比例公平系数来计算，即

其中，PFt表示采用动态联合静默传输方案Mt的情况下，系统的用户调度公平性。

4.3 迭代优化算法

通过动态协作簇划分以及动态联合静默传输，系统中所有用户被划分为3 种类型：non-JT UE、JT UE 和JT-muting UE。但是，由于JT-muting UE 的产生导致了对其干扰最强的小区相应的RB 被静默，原本被调度在该RB 上的UE 无法分配到资源，造成用户调度矩阵α的改变。因此，本文方案通过迭代方法进一步优化用户调度矩阵α。

假设初始化的用户调度矩阵为α0，经过动态协作簇划分以及动态联合静默传输过程后，用户调度矩阵被更新为α1。将一次动态协作簇划分以及动态联合静默传输过程记为Ψ，则该变化可以表示为

此时，需要判断当前的用户调度矩阵α1是否满足式(9)给出的约束条件。如果矩阵α1不满足该约束条件，则将当前的矩阵α1看作初始化矩阵，继续执行动态协作簇划分以及动态联合静默传输方案，即完成第一次迭代优化（Iter 1st）

以此类推，第i次迭代优化过程可以表示为

该迭代过程直到矩阵αi满足式(9)的约束条件或迭代次数达到设置的最大值Niter。经过Niter次迭代，可以确定最终选择的动态联合静默传输方案，并且得到最优的用户调度矩阵α。综上所述，本方案的处理流程如算法1 所示。

算法1基于迭代联合传输的动态干扰协调方案处理流程

图5 给出了迭代优化前后的资源调度变化情况。通过第一次执行动态协作簇划分以及动态联合静默传输方案，得到用户调度矩阵α，此时资源调度情况如图5(a)所示，其中，UE0、UE3为non-JT UE，UE1为JT UE，UE2为JT-muting UE。此时，UE2被调度在RB1上，选择的动态联合静默传输方案为M1，对其干扰最大的为最近的宏小区。因此，宏小区在RB1上需要保持静默，导致原本被调度的UE0不能在该RB 上调度。若直接放弃调度UE0，则会对用户调度公平性产生较大影响，因此通过执行迭代算法，将UE0调度在RB2上，如图5(b)所示。

图5 迭代前后资源调度

5 仿真验证与结果分析

本节将依据图6 所示的系统级仿真平台对提出的基于联合传输的动态干扰协调方案进行实验验证。仿真工作将从3 个方面展开：1)评估本文提出的方案与普通联合传输方案在小区平均频谱效率（ASE,average spectral efficiency）和小区边缘频谱效率（ESE,edge spectral efficiency）方面的性能对比；2)改变UDN 场景的小小区数量，评估提出的动态干扰协调方案的性能变化；3)评估JT UE 的数量变化对系统性能的影响。

5.1 仿真场景及参数

本文将基于如图1 所示的UDN 场景进行性能仿真。宏站点的布局采用符合3GPP 标准的六边形模型，共有7 个宏站点，每个站点包含3 个扇区。小小区的拓扑结构遵循文献[16]中给出的Scenario 1 场景，小区簇均匀随机分布在宏站点中，同时每个小小区也均匀随机分布在小区簇中。为了更准确地模拟干扰情况，仿真中考虑了多小区布局的环绕式处理技术（wrap-around）[21]。

图6 系统级仿真平台

仿真中应用了符合3GPP 标准[22]的无线信道模型。对于大尺度衰落，宏小区和UE 之间采用城市宏小区（UMa,urban macro）模型，小小区和UE之间采用城市微小区（UMi,urban micro）模型。阴影衰落服从对数正态分布，在非视距（NLoS,not line of sight）和视距（LoS,line of sight）的情况下标准差不同。对于小尺度衰落，仿真中采用先进的国际移动通信（IMT-A,international mobile telecommunications-advanced）信道模型[23]。

此外，宏小区和小小区分别配置3D 样式和2D样式的天线方向图。3D 样式是指具有固定天线方向的三扇区站点，包含水平增益与垂直增益；而2D样式则是全方向性天线。其中，3D 样式的水平增益与垂直增益可以表示为[22]

其中，φ表示宏小区和UE 之间的水平角度，φ3dB=70°，天线最大衰减值Am=25 dB；θ表示宏小区和UE 之间的垂直角度，θ3dB=10°，SLAV=20 dB，θetilt=15°。基于水平和垂直天线增益，最终的3D 样式天线方向可以合并为

综上所述，本文应用的仿真参数[16]如表1 所示。

表1 仿真参数

5.2 仿真结果及分析

5.2.1 不同干扰协调方案性能比较

传统的CoMP JT 方案是UE 选择其协作区域内的多个信号质量好的小区同时进行数据传输。文献[11]提出了一种基于小区负载感知（CLA,cell load-aware）的CoMP 方案，通过调节SBS 服务的用户数量达到平衡小区负载的目的。本节将所提方案与传统的CoMP JT 方案以及CLA CoMP 方案进行比较，评估了所提出的动态干扰协调方案在迭代优化前后的UE 吞吐量性能。图7 给出了4 条累积分布函数（CDF,cumulative distribution function）曲线，分别表示传统CoMP JT 方案、CLA CoMP 方案、无迭代优化的本文方案以及迭代优化后的本文方案。从仿真曲线中可以看出，无迭代优化的本文方案比传统的CoMP JT 方案存在微小的性能增益；但是，通过迭代优化后，本文方案在小区边缘用户吞吐量方面可以获得可观的性能增益。而CLA CoMP 方案在用户平均吞吐量方面有较大优势，相比之下，本文方案在小区边缘用户吞吐量方面的性能更突出。

图7 不同方案的UE 吞吐量曲线

图8 和图9 分别给出了不同方案的ASE 和ESE仿真结果。与传统方案相比，无迭代优化的本文方案可以获得3.29%的ASE 性能增益以及19.29%的ESE 性能增益；考虑到迭代优化后，在不影响ASE的情况下，本文方案的ESE 性能增益可以达到45.33%。与CLA CoMP 方案相比，迭代优化后的本文方案存在-3.63%的ASE 性能损失，但ESE 的性能增益可达到108.64%，这符合本文改善小区边缘用户频谱效率的目的。

图8 不同方案的ASE 仿真结果

图9 不同方案的ESE 仿真结果

5.2.2 小小区数量对干扰协调方案性能的影响

本节针对UDN场景中的小小区数量不同对UE吞吐量进行性能仿真。仿真包括2 种场景：1)每个宏小区覆盖范围内撒2 个小小区簇，每个小小区簇中撒4 个小小区，即每个宏小区覆盖范围内有8 个小小区；2)每个宏小区覆盖范围内撒4 个小小区簇，每个小小区簇中撒10 个小小区，即每个宏小区覆盖范围内有40 个小小区。2 种场景分别代表了小小区密度为一般和密集2 种情况。

与传统的CoMP JT 方案相比，图10 给出了UE吞吐量的CDF 曲线。从仿真结果中可以看到，当每个宏小区覆盖范围内有8 个小小区时，本文方案比传统CoMP JT 方案有一定的性能增益。而当每个宏小区覆盖范围内有40 个小小区时，由于干扰情况变得更加恶劣，传统CoMP JT 方案的性能恶化明显，本文方案的性能增益更加显著。

图10 不同小小区数量的UE 吞吐量曲线

根据图10 的仿真结果，定量给出不同情况下的边缘用户吞吐量情况，如表2 所示。与传统CoMP JT 方案比较，当小小区密度一般时，本文方案可以获得45.24%的边缘用户吞吐量增益；而当小小区密度变得更加密集后，本文方案有更明显的性能提升，其边缘用户吞吐量增益可以达到107.96%。

表2 不同小小区数量的边缘用户吞吐量

5.2.3 JT UE 选择比例对干扰协调方案性能的影响

通过调整门限值β0和β1的取值，可以决定系统中JT UE 的数量，本节分析了JT UE 的数量变化对ASE 和ESE 的影响。当JT UE 数量分别为22、34、73、135 和214 时，占所有用户数量的比例分别为1.75%、2.70%、5.79%、10.71%和16.98%。随着JT UE 数量的增加，ASE 和ESE 的性能均有一定波动，分别如图11 和图12 所示。

图11 不同JT UE 比例的ASE 仿真结果

图12 不同JT UE 比例的ESE 仿真结果

从仿真结果可见，随着JT UE 的比例升高，ASE有小幅下降，相应的增益值分别为-0.03%、-0.87%、-1.16%、-1.91%；ESE 的性能先有一定程度的上升，然后开始下降，相应的增益值分别为1.51%、5.07%、5.24%、2.49%。这是由于JT UE 的数量越多，在相同的时间和频率上，有更多的物理资源块被JT UE占用，导致部分UE 无法被调度，因而引起小区平均吞吐量的下降。然而，由于JT UE 数量的增加，更多的信号质量差的用户性能被提升，因此小区边缘用户吞吐量有所提高；但过多的JT UE 会影响用户调度公平性，导致部分UE 无法被调度，进而影响了边缘用户吞吐量的性能。

由此可见，JT UE 的数量选取是影响系统频谱效率的重要因素之一。如果选择恰当的JT UE 数量，可以获得更优异的系统性能。从仿真结果可以看到，当JT UE 的选择比例为6%～10%时，ESE 的性能增益约为5%；同时，ASE 仅有约1%的性能下降。因此，本文提出的方案对UDN 系统中JT UE 的选择有一定的参考意义。

6 结束语

本文以提高超密集网络中小区边缘用户频谱效率为目的，通过设计动态协作簇划分、动态联合静默传输以及迭代优化，提出了一种基于联合传输的动态干扰协调方案。仿真结果证明，所提方案可以在不影响小区平均频谱效率的情况下，显著提高小区边缘用户频谱效率，尤其当小小区密度增加时，性能增益更加明显。此外，本文评估了JT UE的选择比例对性能的影响，可以为系统中JT UE 的选取提供参考。