无线网络资源调度优化研究范文

《移动通信杂志》2014年第z1期

1系统模型

1.1QoE无线网络模型用户的QoE表现了用户的主观感受，为了能够向基站分配资源提供依据，需要设计一种方法来尽可能准确地测量和表现用户的QoE。大部分的QoE相关研究只利用QoS指标来量化用户的QoE，而无线网络QoE系统模型可全面地采集用户所处情景的环境状况、设备状况和网络状况，更加准确地量化分析用户的需求，并优化资源分配。不同用户根据采集到的情景信息分为不同的需求等级，当无线资源不能满足所有用户需求时，会把用户需求作为资源调度的参考因素，需求高的用户将优先得到满足，以此提高用户的QoE。QoE系统模型的无线资源分配机制如图1所示：UE的传感器采集用户所处场景的环境状况、设备状况和网络状况信息，并利用终端QoE测量模块，根据用户信息量化用户需求，将用户需求信息告知基站端。在基站端增设QoE信息储存器，实时更新用户的资源需求，并将需求提供给基站优化资源调度算法。QoE无线网络系统模型结构如图2所示。主干网提供远距离、高带宽、大容量的数据业务，是链接各个城域网的信息高速公路，远程管理服务器（RMS，RemoteManagementServer）通过配置网络使服务成功交付。接入网解决从市区到每个家庭用户的终端接入问题，基站通过无线网络将服务传输到UE端，也称为“最后一英里”。而UE采集到用户所处情景的信息，分析用户需求并将之上报给基站，使基站能够根据用户QoE需求分配合适的资源，即本文所称的“最后一英尺”优化。

1.2QoE指标影响用户QoE的因素不仅包括无线网络的服务能力即QoS指标，还包含了用户对服务的可用性、完整性、稳定性、性价比等方面的满意程度[2]。常用的QoE量化有定性和定量这2种方法，为了优化无线网络的资源分配，有必要对用户QoE进行定量研究。将用户的QoE指标分割成不同的组成部分，通过这些组成部分的信息采集可以获得对用户的QoE整体认识。QoE量化指标和指标之间产生的相互关系决定了QoE测量模块对用户资源需求的判断，所以指标的划分在QoE系统模型中扮演着举足轻重的作用。QoE量化指标以QoE用户需求为基础划分为不同的层次结构，如图3所示。用户的QoE无线资源需求量化指标主要由用户所处情景的3个基本指标组成，每个基本指标都包含不同的特征参数，所以它们又由不同精度的子指标所构成。3个QoE基本指标分别为网络状况指标、设备状况指标、环境状况指标。而在进一步划分中，网络状况指标又包含了Wi-Fi信号强度、丢包率、误码率、抖动等子指标；用户设备状况指标包含了UE的软硬件状况，如屏幕分辨率、屏幕大小、屏幕亮度等子指标；环境状况指标包含了噪音强度、温度、光照强度、UE移动速度等子指标。

2资源分配算法

2.1典型场景资源需求根据之前的讨论和分析，在不同场景下，利用不同的UE终端采集大量的情景参数进行了基础实验，来分析用户在不同的真实生活场景中对无线资源的需求程度。物理心理学中的韦伯-费希纳定理（Weber-Fechnerlaw）[3]表明了人类心理感受程度随物理量变化的关系，研究表明，人类对光线强度和噪音强度等参数的感受程度与物理量log函数成线性关系。通过韦伯-费希纳定理可以帮助分析用户在不同场景下选择业务的优先级以及对不同业务的资源需求程度。用户对业务QoE的感受也与终端设备屏幕分辨率等参数相关，根据文献[4]中的结论，在不同情况下，能够使用户满意的在线视频服务的需求速率从50kbps到1600kbps不等，在线音乐服务的需求速率从6kbps到256kbps不等。通过不同典型场景下采集到的用户所处情景的参数，可以分析用户对业务选择情况和速率需求。根据本文实验的结果，不同场景有各自不同的情景参数属性和对无线资源的需求，通过对实验结果的分析可以提出对用户需求的有效量化方案。

2.2用户需求在混合业务的无线资源分配中，本文将业务分为3类：实时业务（RT，例如语音业务）、非实时业务（NRT，例如流媒体视频服务）、尽力交付业务（BE，例如E-mail、SMS）[5]。用户可能同时会申请多种服务，但在不同情景中，用户对不同服务的资源需求不尽相同；同时，在混合业务的情形下，用户也会根据情景选择一种业务而将其余业务置于后台运行。拥有高分辨率的UE时用户会优先选择高清视频业务，而在昏暗的光线下用户可能倾向于选择标清的视频；在噪音大的环境中，用户更可能选择浏览网页而不是听在线音乐。因此，无论是分配过多的无线资源给需求低的用户或是在UE后台运行的业务都将会造成资源的严重浪费，可以利用采集到的情景参数量化不同业务的需求和优先级，QoE系统可以根据量化结果分配适量的资源给用户以满足其吞吐量需求，并将额外的资源分配给其他用户，使资源调度更加有效合理，以此提高用户整体的QoE。

2.3QoE无线资源调度算法传统的资源调度算法主要考虑用户的信道条件情况，却并未考虑到用户的QoE需求。处于信道条件好却资源需求低场景下的用户称为条件受限（CC，Condition-Constrained）用户，资源需求高却信道条件差的用户称为资源受限（RC，Resource-Constrained）用户。值得注意的是，传统的调度算法可能将过多的无线资源分配给了条件受限用户，而并没有照顾到资源受限用户。因此，本文将用户的QoE需求因子引入正比公平调度算法（PF，ProportionalFair）[6]中，以保证用户整体的QoE。

3系统级仿真及分析

下面利用系统级仿真，通过与正比公平调度算法（PF）[7]和轮询算法（RR）[8]的比较，对QoE资源分配调度算法进行了评估和分析。本文采用LTE下行系统进行仿真，仿真场景假设为19小区57扇区，系统带宽为10MHz，基站之间的距离为500m，假设用户都采用上文提出的QoE系统模型，均匀随机分布在宏小区中，并且随机地将用户资源需求等级从低到高均匀分为1到10。其中，有高资源需求但信道条件差的用户为资源受限（RC）用户。无线资源调度算法的性能可以用终端用户对移动网络所提供的业务性能的QoE满意度来评估，本文选择吞吐量作为QoE的函数，利用MOS量化终端用户对业务网络的QoE满意度，吞吐量与QoE满意度其映射函数呈对数形式[9]，当网络传输速率只支持相对用户需求较低的发送比特速率的视频时，视频的清晰度和流畅性不能满足用户的需求，此时用户满意度较低。用户QoE满意度随着网络传输速率的提高而增长，当用户QoE相对较高时，网络速率再提高也无法较大地提升用户QoE满意度。在3种调度算法的比较中，其整体满意度越高，意味着该算法下越多的用户资源需求得到了满足或是越接近满足。图4表示随扇区用户增加用户QoE满意度的变化仿真结果曲线。其中，实线表示用户整体满意度，虚线表示资源受限用户的满意度情况。

通过图4可以看出，3种调度算法下的用户满意度都随着扇区内用户数量的增加而降低，这是由于当用户数增加时，资源竞争更加激烈造成的。同PF算法和RR算法相比，QA算法提高了用户的QoE满意度。与RR算法相比，QA算法提高了用户QoE满意度8.8%；与PF算法相比，提高了2.7%。在资源受限用户中，QA算法对QoE满意度提高效果更为突出，相比PF算法提高了21.9%，相比RR算法提高了20.3%。3种算法下采用RR算法时用户QoE满意度最低，这是因为RR算法充分保证各个UE接收资源的公平性，故信道条件差的用户被调度到的几率更高，这样会导致重传或者采用更低的传输速率。PF算法充分考虑到UE的信道条件，更多资源被分配给有高信噪比的用户，使资源分配更为有效。然而这也导致了低信噪比用户接收到资源分配的机会降低，所以当小区用户数量低时，RR算法下RC用户的QoE满意度高于PF算法。QA算法能够将信道条件和公平性进行很好的权衡折中，同时利用QoE权重因子根据用户的需求来调度资源，分配给低需求、信道好的CC用户的资源减少，而分配给高需求、信道差的RC用户的资源增加，提高了资源分配的有效性，避免了资源的浪费，使得用户整体的QoE满意度有所提高。

图5中仿真了每扇区分布10个用户时，不同需求等级和无线信道情况的用户的归一化吞吐量的分配情况，进一步解释了QA调度算法提高用户QoE满意度的原因。其中，x轴表示用户的信噪比（SINR）；y轴表示用户的资源需求等级；z轴表示归一化吞吐量，其代表了无线资源的分配情况。当使用PF调度算法时，更多的无线资源被分配给了信道条件较好的用户，而与其用户需求等级无关。其中条件受限用户被分配到的冗余的无线资源并不能有效提高其QoE，反而造成了资源的浪费。通过对比可以看出，这2种算法的总吞吐量相当，而QA调度算法同时考虑到用户的信道条件和资源需求，更多的资源被分配给了资源受限用户，这意味着利用QoE模型优化无线资源调度，分配给条件受限用户的冗余资源被分配给了有更高需求却信道不理想的资源受限用户，提高了用户整体的QoE满意度。

4结论

本文通过研究基于QoE的无线网络资源调度优化方案，展现了QoE研究缓解无线资源短缺的前景和潜力。首先建立了无线网络QoE系统模型，然后通过典型场景的数据采集和分析，提出了用户无线资源需求的量化方法，并优化资源调度算法。由系统级仿真验证可知，QoE资源调度算法有效地提高了用户的QoE满意度。

作者：赵希鹏张欣杨大成桑林单位：北京邮电大学无线理论与技术研究室