0 引言

为了满足未来数据流量的高速增长、海量的设备连接以及新应用的需求，网络中的小基站数量不断增加，密集异构网络应运而生^[1]。密集异构网络就是在宏基站保证基本覆盖的情况下，针对网络热点地区进行网络扩容或者网络覆盖盲区进行网络补盲而进行大规模部署小基站(如micro、pico、femto)的一种密集网络架构^[2-3]。femto是密集网络中一种非常重要的小基站，一般用来提高室内环境的信号覆盖范围^[4]。这种密集组网技术拉近了femto与用户的距离，使接入点之间的距离达到10 m甚至更小^[5]，因此femto能给室内用户提供更好的信号质量。据估计，大约60%的语音业务和90%的数据业务发生在室内^[6]，这些数据表明未来将会在一个macro下部署大量的femto。另外，用户接收到的RSRP在切换过程中会发生变化，因此不能保证切换决策时的RSRP就是用户上报的RSRP，从而会引起频繁切换。而传统的切换算法会导致用户总切换至RSRP最大的基站，获得的切换性能并不理想也不真实。因此，密集femto异构网络需要更有效的切换算法。

XU P等^[7]提出了一种基于接收信号强度(Reference Signal Strength，RSS)和传输损耗(RSS and Wireless Transmission Loss，RWTL)的算法。但是在该算法中，如果用户接收到femto基站的RSS大于预定的门限值而小于macro基站的RSS时，用户就会切换到RSS更差的femto基站。而考虑到基站负载的差异性，ALEXANDRIS K等^[8]提出了一种基于用户服务时延的负载感知切换算法。但是，该算法并没有考虑切换过程中RSRP的变化，导致切换性能也并不太理想。

为此，本文提出了一种基于RSRP预测和负载的自适应切换算法，它不仅从网络的角度考虑了负载，而且从用户的角度考虑了RSRP。

1 网络模型

本文主要研究在marco基站的覆盖范围内密集部署femto的密集异构网络系统，系统场景如图1所示。

如图1所示，系统有7个macro基站，并且femto按照密度为λ_f的均匀泊松点过程分布在每个宏基站内。

信道主要考虑路损、阴影衰落和快衰落3种损耗，用户的接收功率P_RSRP0为：

2 自适应最小二乘法

本文采用自适应最小二乘法对RSRP进行预测，以便用户切换到合适的目标基站。为了减少信号抖动等影响，在接收端一般先让用户接收到的初始RSRP(表示为P_RSRP0)经过一个指数平滑窗口，再使平滑滤波后的RSRP(表示为P_RSRP)作为自适应最小二乘法的输入信号。预测系统的输入信号P_RSRP(t)为：

自适应预测系统的框图如图2所示。

由图2可知，自适应预测系统由延迟器、加法器、自适应滤波器和系统更新算法所组成。其中，自适应滤波器是一个长度为N+1的滤波器。

自适应预测过程包括自适应滤波器系数的估计和使用所估计到的系数对信号进行预测两部分。假设每次预测所需要的RSRP观察数为N+1，则在n时刻信号向量P(n)为：

3 基于RSRP预测和负载的自适应切换算法

本文同时从用户和网络的角度考虑，第一次采用自适应最小二乘法对用户接收到的RSRP进行预测，同时考虑了基站端的负载，提出了基于RSRP预测和负载的自适应切换算法，其流程如图3。

该算法主要分为两步：创建切换候选基站列表和从候选基站列表中选择合适的基站进行切换。接下来对图3进行详细的介绍。

基站总数为N_f+1，其中N_f为femto基站数。根据图3中的方框①，将所测RSRP值满足以下条件的基站组成候选基站集合S₁。

其中，N₃是S₃的基站数。因此，用户选择的切换目标基站k*为：

4 性能仿真与结果分析

参照3GPP的协议标准及实际femto密集的网络部署场景，仿真参数设置如表3所示。

如图4所示，从均方误差方面评估了自适应最小二乘法对RSRP的预测性能。从图中可以看出，随着RSRP观察样本数的增加，自适应最小二乘法对RSRP的预测性能越来越差。这主要是因为非最近的样本数不能充分的代表信道的状态，其越多就会越增加RSRP的预测误差。

同时，当RSRP观察样本数不变时，随着速度的增加，预测性能越差。原因是当速度增加时，RSRP的变化就会更大，使得预测准确度下降。

从图5可以看到，随着femto数的增加，乒乓切换率增加；并且对于相同的RSRP观察数，乒乓切换率随着速度的增加而增加，其原因是用户驻留在femto内的时间越来越短。

从图6可以看到，随着用户速度的增大，用户发生更多的中断现象；在femto数相同的情况下，当RSRP的观察数为10时，本文算法可以获得最低的中断概率，原因是RSRP的观察数等于10时，自适应最小二乘法对RSRP的预测更准确；随着femto数的增加，中断现象更严重，这主要是因为随着femto数的增加，干扰越来越大。

图7、图8分别为本文算法和RWTL算法以及传统算法在吞吐量和乒乓切换率方面的性能对比。在RWTL算法中，用户根据接收到的信号强度和传输损耗来进行切换决策。在传统算法中，用户总是切换到RSRP最大的基站。如图7、图8所示，本文算法所获得的吞吐量和乒乓切换率性能明显要好于RWTL算法和传统算法，并且随着femto数的增加，3种算法的切换性能都在下降，符合本文的预期。

5 总结

本文首先阐述了当前密集femto异构网络中存在的频繁切换问题，特别是乒乓切换，然后提出了基于RSRP预测和负载的自适应切换算法。相比于当前的切换算法，本文所提出的算法能够获得更低的乒乓切换率和中断概率以及更高的吞吐量。

参考文献

[1] 刘宜明，李曦，纪红.面向5G超密集场景下的网络自组织关键技术[J].电信科学，2016，32(6)：44-51.

[2] HAO P，YAN X，RUYUE Y N，et al.Ultra dense network：challenges，enabling technologies and new trends[J].China Communications，2016，13(2)：30-40.

[3] YUNAS S F，VALKAMA M，NIEMEL J.Spectral and energy efficiency of ultra-dense networks under different deployment strategies[J].IEEE Communications Magazine，2015，53(1)：90-100.

[4] SHAFIEI-KORDSHOULI M，ZEINALPOUR-YAZDI Z，RAMEZANIAN R.Coverage improvement in femtocell networks via efficient utility pricing[J].IET Communications，2016，10(16)：2215-2221.

[5] CHEN S，QIN F，HU B，et al.User-centric ultra-dense networks for 5G：challenges，methodologies，and directions[J].IEEE Wireless Communications，2016，23(2)：78-85.

[6] ANDREWS J G，CLAUSSEN H，DOHLER M，et al.Femtocells：past，present，and future[J].Selected Areas in Communications IEEE Journal on，2012，30(3)：497-508.

[7] XU P，FANG X，HE R，et al.An efficient handoff algorithm based on received signal strength and wireless transmission loss in hierarchical cell networks[J].Telecommunication Systems，2013，52(1)：317-325.

[8] ALEXANDRIS K，SAPOUNTZIS N，NIKAEIN N，et al.Load-aware handover decision algorithm in next-generation HetNets[C].WCNC 2016，IEEE Wireless Communications and Networking Conference，Doha，Qatar，2016.

[9] 3GPP TS 36.839.V11.1.0.Mobility enhancements in heterogeneous networks[R].2012.

作者信息：

尹生华，唐 伦，沈海强，陈前斌

（重庆邮电大学 移动通信技术重点实验室，重庆400065）