协作式D2D通信网络的资源分配

# 协作式D2D通信网络的资源分配 ## 1 引言 设备到设备（D2D）通信是一种无线电技术，它允许附近的设备（如手机和计算机）相互建立本地通信链路。这些本地通信链路可以在授权或非授权频谱上建立，使流量能够直接在设备之间流动，而无需通过基站（BS）的传统路径。 ### 1.1 D2D通信的优势 - **改善用户体验**：D2D通信可以通过减少网络延迟、降低功耗、提高峰值数据速率以及促进多种基于近距离的服务，潜在地改善终端用户的体验。 - **促进频谱重用**：由于D2D是一种基于短距离的通信技术，充分分离的D2D链路可以在同一频段上同时运行，从而促进整个网络的密集频谱重用。 - **应用场景广泛**：D2D通信在基于近距离的服务和公共安全通信等方面具有重要应用。在基于近距离的服务中，设备可以检测彼此的接近程度，并触发各种服务，如移动社交网络、移动营销、近距离多人游戏、广告、本地信息交换和智能车对车通信等。在公共安全支持方面，当中央无线电基础设施受损时，D2D可以为用户设备（UE）提供本地连接。 ### 1.2 D2D通信面临的挑战 D2D通信也给网络设计者带来了一系列独特的研究挑战，其中最重要的包括智能设备的设计、信息安全、干扰管理和移动性管理。 ### 1.3 协作式D2D作为5G的使能技术 D2D通信也被认为是5G网络架构的先进技术之一。D2D使能的5G网络可以支持多种服务，如蜂窝网络卸载、低延迟触觉应用、车对车通信、国家安全和服务广告等。D2D通信在共享蜂窝频谱中可以实现以下潜在收益： | 收益类型 | 具体描述 | | ---- | ---- | | 频谱或网络容量增益 | 通过在传统和D2D使能的UE之间有效共享无线电资源 | | 用户数据速率增益 | 当UE彼此靠近且它们之间有强传播链路时，可以实现高峰值速率 | | 延迟增益 | UE之间直接通信绕过网络基础设施，减少了端到端延迟 | 此外，D2D连接使多层5G网络架构中的移动设备能够相互作为传输中继。这种协作式移动中继方法最近受到了广泛关注，因为它们可以在不部署新基站的情况下大大提高网络性能。与传统的固定中继站相比，D2D中继的功耗显著降低，有可能成为固定中继站的节能替代品。 ## 2 OFDMA-based缓冲辅助D2D中继网络的资源分配与频率复用 ### 2.1 系统模型 考虑这样一种场景：由于严重的障碍物或阴影，基站无法与目标UE进行通信。为了建立基站与这些被阻挡的UE之间的间接通信链路，一些与基站连接良好的其他UE可以作为中继。 假设所有能够直接与基站通信的移动UE都有兴趣作为中继，但我们会根据它们为系统带来的性能增益，机会性地选择一些UE进行中继。在D2D通信中，UE只能在短距离内通信，因此中继UE和处于覆盖空洞的UE（目标UE）必须在彼此的覆盖范围内。为了使问题更具一般性，我们假设目标UE可以从多个中继获得帮助。 系统中有N个正交子载波，每个子载波的带宽为W。有K个目标UE需要中继协助。我们分别用B、R和U表示基站、中继UE和目标UE。能够协助第k个UE的中继集合记为Rk。基站到中继mk 2 Rk在子载波i上的信道增益和传输功率分别记为gB;R k;mk;i;t和PB;R k;mk;i;t。中继mk 2 Rk到第k个UE在子载波j上的信道增益记为gR;U k;mk;j;t。候选集合Rk中任何中继在任何子载波上的传输功率是相同的固定值，记为PR。我们采用流行的放大转发（AF）协议进行中继。 ### 2.2 无频率复用的D2D中继 首先考虑所有D2D对彼此非常接近且它们的覆盖区域重叠的情况。在这种情况下，在D2D对之间复用子载波会给D2D链路带来显著的干扰，因此我们不尝试在D2D对之间进行子载波复用。 由于通过移动中继进行间接通信，基站到给定目标UE的下行传输需要两个时隙。在第一个时隙，基站将信息传输到中继UE；在第二个时隙，中继UE将信息转发给目标UE。我们假设每个中继UE的缓冲区大小为1。 在AF中继协议下，基站通过中继mk在子载波i上向第k个UE进行下行传输的可实现吞吐量Rk;mk;i为： \[ R_{k,m_k,i} = \frac{1}{2}\log_2\left(1 + \frac{P_{B,R_{k,m_k,i}}P_Rg_{B,R_{k,m_k,i}}g_{R,U_{k,m_k,i}}}{P_{B,R_{k,m_k,i}}g_{B,R_{k,m_k,i}} + P_Rg_{R,U_{k,m_k,i}}}\cdot\frac{1}{N_0W}\right) \] 其中，N0是假设加性高斯白噪声（AWGN）信道下的噪声方差。在这种正交传输情况下，由于假设所有中继的缓冲区大小为1，所以省略了时间索引。 我们使用上述公式来制定以下资源分配问题，以最大化系统中的总吞吐量： \[ \begin{align*} \max_{P,S}&\sum_{k = 1}^{K}\sum_{m_k\in R_k}\sum_{i = 1}^{N}s_{k,m_k,i}R_{k,m_k,i}\\ \text{subject to}&:\\ C1:&\sum_{k = 1}^{K}\sum_{m_k\in R_k}\sum_{i = 1}^{N}s_{k,m_k,i}P_{B,R_{k,m_k,i}}\leq P_{max}\\ C2:&s_{k,m_k,i}\in\{0, 1\},\forall i,k,m_k\\ C3:&\sum_{k = 1}^{K}\sum_{m_k\in R_k}s_{k,m_k,i}\leq 1,\forall i\\ C4:&P_{B,R_{k,m_k,i}}\geq 0,\forall i,k,m_k \end{align*} \] 其中，P = {PB;R k;mk;i}和S = {sk;mk;i}分别表示功率分配和子载波分配策略。C1是功率预算约束，Pmax是基站的功率预算。C2表明子载波分配指标sk;mk;i是二进制整数变量。C3确保子载波在D2D对之间不被复用，以避免干扰。C4确保功率分配变量是非负的。 从优化的角度来看，上述问题是一个混合整数非线性规划（MINLP）问题，由于其耦合的整数和连续变量，在原始形式下很难在多项式时间内求解。为了获得实时解决方案，我们进行了一系列数学修改和简化，具体流程如下： ```mermaid graph LR A[混合整数非线性规划] --> B[松弛整数变量并引入辅助变量] B --> C[凸优化问题] C --> D[初始化拉格朗日乘数] D --> E[求解子问题以找到给定乘数下的最优资源分配] E --> F{乘数收敛?} F -- 否 --> G[求解主问题以更新乘数] G --> E F -- 是 --> H[最优资源分配] ``` 首先，我们将整数二进制