一种LTE-A中继蜂窝网中基于负载的中继选择策略

摘要

本发明公开了一种LTE-A中继蜂窝网中基于负载的中继选择策略，为了在考虑链路质量、用户可达速率以及该用户接入候选网络后对候选网络中现有用户影响的前提下，同时能考虑到系统的负载均衡以及长期资源分配的影响。本发明提出了一种全新的基于效用函数的中继选择方案。本方法主要针对中继往往部署于用户热点或者边缘的地区；同时由于中继系统的特点，回程的资源不能消耗过多，也就意味着中继接入链路的资源消耗也受限，在上面这两个条件下，热点地区的用户性能就受到极大的约束，并且会导致中继端网络拥塞，且系统平均频谱效率也会下降。

说明书

技术领域

本发明属于无线通信技术领域，涉及LTE关键技术之一的中继技术，尤 其涉及LTE-A中继蜂窝网中一种考虑系统负载与全局公平性的中继选择策 略。

背景技术

近年来，随着新无线通信业务的不断涌现以及人们对通信质量要求的不 断上升，而5GHz以下的频谱已经几乎被全部占用，无法配置新的专有资源给 无线通信，因而无线资源日显紧缺的现象仍然日益严重。这一现象促进了人 们对下一代无线通信系统的研究，目前，国内4G牌照已经发放，但相关技术 仍然在各大高校和公司中被研究。中继作为LTE的关键技术之一，对于改善 小区的边缘用户性能、提高高数据率的覆盖范围、实现绿色通信、拓展小区 覆盖范围、减轻基站的工作压力、实现临时部署等等方面有着突出贡献，同 时，中继的建设费用以及耗电量相比基站也低的多，而且也有很多的灵活性。

引入中继后，小区内的干扰场景更加复杂，中继选择接入相比传统蜂窝网 中若干种经典接入方式的侧重点有略微不同。中继的接入问题已不能单单只 考虑本用户到各个服务站的距离，链路质量，用户可获得的服务速率等，也 需要考虑该用户的接入对于本网络中现有用户的影响。更重要的是，系统的 负载往往由于中继部署在热点或边缘地区而不均衡，同时考虑到中继系统回 程资源的约束，那么，会导致中继端网络的拥塞，热点地区用户性能和网络 频谱效率的降低。

目前虽然有相关文献对LTE中继系统资源分配展开了研究，但均有不同 的弊端。其中最简单的方案是采取传统蜂窝网中接入策略，诸如，基于最短 距离的接入策略、基于最小路损的接入策略、基于最大信干比(SIR)的接入 策略和基于最大可达速率的接入策略等。在考虑负载方面，有在上述经典接 入方案的基础上给中继端指标值添加偏移量，使得中继覆盖范围人为增大， 以此来服务更多的用户。除此之外，还有若干基于不同效用函数的接入策略， 比如考虑可达速率与负载加权和的效用函数表达式等。不过上述的方案均未 考虑到此时系统负载的影响。这种影响在用户边缘分布的时候会更明显。另 外，关于中继的大部分研究都基于接入子帧宏用户和中继用户全频带或部分 频带复用的方式，这种方式也就限定了接入策略，因此除了SIR的接入策略 外，其他的策略会造成更大的共道干扰。基于此，本发明研究一种干扰协调 场景下的中继选择方案，这种场景可以很好的降低共道干扰，但同时也对接 入算法提出了更高的要求，因为接入方案需要同时考虑干扰协调场景内所有 用户的接入。

发明内容

针对上述缺陷或不足，本发明的目的在于提供LTE-A中继蜂窝网中一种基于 负载的中继选择策略。

为达到以上目的，本发明的技术方案为：

包括以下步骤：

1)、设蜂窝网中每个扇区的服务站集合为S＝{s|s＝0,1,...}、用户集合 为K＝{k|k＝1,2,...}；

2)、获取蜂窝网中服务站s服务的用户k得到的实际吞吐量以及用户 k的需求吞吐量，根据用户k得到的实际吞吐量和用户k的需求吞吐 量获取服务站s的差异化的平均吞吐量

${\bar{R}}_s=\frac{{\Sigma }_k\frac{R_k^s}{R_k^{\mathrm{req}}}}{\left|K_s\right|}---\left(1\right)$

其中，|K_s|表示服务站s所服务的用户总数；表达式如下：

$R_k^s=\frac{(10-N_B)F_s{\eta }_k^s}{10\left|K_s\right|}---\left(2\right)$

其中，F_s表示服务站s所分配的资源块数目，N_B表示当回程传输的数 据总量与接入传输的数据总量相等时回程子帧的个数，表示服务站s到用 户k在单位资源块上所传输的吞吐量，其计算公式如下式所示：

${\eta }_k^s=180\times 1000\times {\log }_2(1+{\bar{\gamma }}_{k,s})---\left(3\right)$

其中，180×1000表示单个资源块的带宽；表示服务站s到其所服 务的用户k之间的链路的平均信干噪比SINR值；

3)、根据差异化的平均吞吐量获得差异化的全局公平性U：

$U=\frac{{\left({\Sigma }_s{\bar{R}}_s\right)}^2}{\left|S\right|{\Sigma }_s{\left({\bar{R}}_s\right)}^2}---\left(4\right)$

其中，|S|表示总的服务站数目；

4)、获取用户k可接入的服务站ID，规定用户只能接入服务站n或者服 务站n′；n为初始化的接入服务站ID，n′为待获取的服务站ID：

$n\prime =\arg \left(\max \left(F_s{\eta }_k^s\right)\right),s\ne n\cap s=\mathrm{0,1},...\left|S\right|---\left(5\right)$

5)、根据差异化的全局公平性U，以及式(6)和式(7)，获取最 大全局公平性max(U)，并根据获取的最大全局公平性max(U)求解服 务站s的用户集合K_s和服务站s所获取的资源块个数F_s；其中，式(6) 和式(7)为

$R_k^s\ge R_k^{\mathrm{req}}---\left(6\right)$

k∈K_n∪K_n′(7)。

所述步骤5)的过程中，根据获取的最大全局公平性max(U)求解服务 站s的用户集合K_s和服务站s所获取的资源块个数F_s的具体过程为：

2.1)、参数初始化：

初始化外部循环计数器t为0，记资源块F_s的可行域为，并初始化资 源块F_s的可行域为{F_s|F_s∈[0,B]}；

根据最大信干比SIR的服务站选择方式进行接入，同时假设表示在 资源块的第t次循环时，服务站s所分配的资源块数目；然后，根据下式计算 取值：

$F_s^{\left(0\right)}=\frac{\left|K_s\right|}{{\Sigma }_s\left|K_s\right|}B---\left(8\right)$

其中，表示的取值，B表示FDD传输模式下总的中继 站RB数目；

2.2)、在当前下遍历部分用户集合：

a、首先更新迭代计数器t，定义内部循环的迭代次数l，然后初始化迭 代次数l为0，并且初始化第一集合Q_k和第二集合其中，Q_k为用户接 入s时取值的集合，为用户接入s′时的取值的集合，第一集合 Q_k和第二集合的表达式为：

$\left(\begin{array}{c}{Q}_k=\left\{F_s{\eta }_k^s\right|k\in K\}\\ Q_k^{\prime }=\left\{F_{s\prime }{\eta }_k^{s\prime }\right|k\in K\}\end{array}\right)---\left(9\right)$

b、当任意的用户k的需求速率无法得到满足时，则计算每个服务站的 平均吞吐量，并从中找到最小平均吞吐量所对应的服务站n，

$n=\arg \left(\min \left({\bar{R}}_s\right)\right),n\ne 0---\left(10\right)$

记表示服务站n所服务的用户中满足相应的n′取值为0，且其吞吐 量小于该服务站用户平均吞吐量时，所有用户的集合；然后，从用户集合中选择对应取值最大的用户k，将用户k接入服务站n′,以使得平均吞吐 量增大，计算差异化全局公平性U；

当所有用户均满足速率需求时，则计算每个服务站的平均吞吐量，并 从中找到最小平均吞吐量所对应的服务站，

$n=\arg \left(\min \left({\bar{R}}_s\right)\right)---\left(12\right)$

记表示服务站n所服务的用户中满足吞吐量小于该服务站用户平均 吞吐量时，所有用户的集合；然后，从用户集合中选择对应取值最大 的用户k，将用户k接入服务站n′,以使得平均吞吐量增大，计算差异化 全局公平性U；

c、计算

$\left(\begin{array}{c}{\mathrm{\Delta N}}_n^{\left(l\right)}={\mathrm{\Delta N}}_n^{\left(l\right)}-1\\ {\mathrm{\Delta N}}_{n\prime }^{\left(l\right)}={\mathrm{\Delta N}}_{n\prime }^{\left(l\right)}+1\end{array}\right)---\left(11\right)$

其中，表示内层循环在第l次迭代过程中服务站n的用户数目增 减量，表示内层循环在第l次迭代过程中服务站n′的用户数目增减量；

d、如果任意服务站s的条件满足，那么 表示下一步将会遍历重复的用户集合场景，因此结束该子算法；否则，程序 跳转至步骤b继续执行，并且更新迭代计数器l；

2.3)、更新与可行域

如果任意一个宏用户u的吞吐量需求无法得到满足时，则提升以满 足该宏用户的条件，然后更新的下限，提升以满足该宏用户的条件 为：

$F_0^{\left(t\right)}=\underset{k}{\max }\left(\frac{{10R}_k^{\mathrm{req}}}{(10-N_B){\eta }_k^0}\right)---\left(13\right)$

当所有宏用户均满足速率需求时，计算差异化平均吞吐量最小的服务 站对应的IDn₁和差异化平均吞吐量最大的服务站对应的IDn₂；然后，会 增大，而减小；那么最终更新后的取值为：

$\left(\begin{array}{c}{F}_{n_1}^{\left(t\right)}=F_{n_1}^{(t-1)}-\mathrm{step}\\ F_{n_2}^{\left(t\right)}=F_{n_2}^{(t-1)}+\mathrm{step}\end{array}\right)---\left(14\right)$

其中，step是资源迭代过程中的一个变长的迭代步长，定义其取值集 合为{2ⁿ,2^n-1…,2⁰}，其中如果上式(14)中任意的服务站s的 超越了其可行域，则该迭代步长step缩短，并且保持不变，即 ；否则，根据公式(14)以及当前的缩小可行域的范围，

其中，表示外层循环在第t次迭代过程中F_s的可行域范围，s取值 为差异化平均吞吐量最小的服务站对应的IDn₁和差异化平均吞吐量最大的 服务站对应的IDn₂；

2.4)、终止条件判断：

判断是否任意的服务站s的的可行域为空，即 如果为空，则结束该程序，否则，跳转至步骤2.2)继续执行此迭代过程。

所述步骤2)中N_B的求解过程为：

首先，设中继接收到的总数据量等于中继转发出去的总数据量：

$N_B{F}_{b,s}{\eta }_s=10{\Sigma }_k{R}_k^s---\left(16\right)$

上式中F_b,s表示中继s在回程子帧内所占用的资源块数目；η_s表示中继s 在回程子帧内每个资源块上的平均吞吐量；所有中继消耗的回程资源块总数 等于系统中每个子帧的总资源块数目：

${\Sigma }_s{F}_{b,s}=B---\left(17\right)$

那么，根据上面等式(16)和(17)求得：

$N_B=\frac{10}{\frac{B}{{\Sigma }_s\frac{{\Sigma }_k\frac{F_s{\eta }_k^s}{\left|K_s\right|}}{{\eta }_s}}+1}---\left(18\right).$

与现有技术比较，本发明的有益效果为：

本发明提供了一种基于负载的中继选择策略，针对中继往往部署于用户 热点或者边缘的地区；同时由于中继系统的特点，回程的资源不能消耗过 多，也就意味着中继接入链路的资源消耗也受限，在上面这两个条件下，热 点地区的用户性能就受到极大的约束，并且会导致中继端网络拥塞，且系统 平均频谱效率也会下降。基于这些讨论，在本发明中，在一种干扰协调的场 景下，研究联合中继选择和长期资源分配，且通过优化全局的差异化公平性 来平衡网络负载的方法，具体的算法过程中同时也尽可能的考虑到了用户的 速率需求。仿真给出了本算法与若干基准算法的比较，其结果表明，算法通 过在热点边缘分布场景中对热点地区用户及网络整体性能的改善是明显的。

附图说明

图1是本发明REC蜂窝网系统结构示意图；

图2是本发明干扰协调场景的资源规划图,其中，a为回程子帧内频率资 源分配模型，b为接入子帧内频率资源分配模型图；

图3是本发明算法流程图；

图4是本发明用户均匀分布的场景；

图5是本发明均匀分布场景下用户吞吐量CDF曲线的对比；

图6是本发明均匀分布场景下用户吞吐量CDF曲线的对比；

图7是本发明用户边缘分布的场景；

图8是本发明热点分布场景下用户吞吐量CDF曲线的对比；

图9是本发明热点分布场景下GDF因子CDF曲线的对比；

图10是本发明不同用户分布场景下小区平均频谱效率的对比。

具体实施方式

下面结合附图对本发明做详细描述。

本发明中，提出了一种基于效用函数的中继选择方案，在此过程中同时 考虑长期资源分配。因为系统的负载通常不均衡，尤其是在热点边缘地区， 而中继往往也布置在这里。此时，由于系统负载的不均衡，同时由于回程资 源是受限的，这样常常会导致中继网络拥塞，中继用户性能较差。因此，通 过改善差异化的全局公平DGF性来平衡负载并且改善中继用户的性能(降低 回程消耗也有助于改善宏用户性能)，同时尽可能的满足用户的差异化速率需 求。这里之所以尽可能的保障速率需求，是因为方案中未涉及每个服务站内 对自己所服务用户的调度及资源分配的方法(假设采取轮询的调度算法)。

首先参见图1来说明REC蜂窝网系统的结构示意图。参照3GPP规范，在 这样的一个REC网络中，考虑一个基站位于小区在中心，若干固定中继围绕 基站等角度的放置在小区的边缘。假设基站与中继间无协作，并且每个小区 中继数目固定为6个。该网络中有两种用户，分别称之为宏用户(Macro User  Equipment—MUE)以及中继用户(Relay User Equipment—RUE)。从基站(eNB) 到中继站(RS)的链路称之为回程链路(backhaul link)；从基站到用户(UE) 的链路称之为基站接入链路(eNB access-link)；从中继站到用户的链路称 之为中继接入链路(RS access-link)。在回程子帧中，基站给中继传输数据， 而在接入子帧中，基站和中继分别给宏用户和中继用户传输数据。

下面参见图2来说明本发明中接入策略所基于的干扰协调场景。该场景 设定3个小区为一个虚拟簇，此簇内服务站的通过资源规划来降低共道干扰。 图2-a所示是回程子帧内频率资源的分配示意图，图2-b所示是接入子帧内 各服务站的资源分配示意图。在回程子帧中，基站只给中继发送信息，F_b,1是 中继1所占用的资源块，F_b,2是中继2所占用的资源块，使得相邻中继间无 共道干扰。在接入子帧中，宏用户占用F₀资源块，中继1用户占用F₁资源块， 中继2用户占用F₂资源块，使得相邻服务站所服务的用户间无干扰。即， SS-RS链路占用资源块为F_b,s，而SS-UE链路占用资源块为F_s。这样，在该 簇中通过软频率复用的方式降低回程子帧内中继的干扰以及接入子帧内用户 的干扰。

下面详细介绍本发明中的方案以及相应的求解算法：

在研究系统中，记用户集合和服务站集合分别为K＝{k|k＝1,2,...}和 S＝{s|s＝0,1,...}。用集合的势来表示集合中元素的个数，记为|·|。那么， 每个扇区中有|S|个中继，|K|个用户。为了方便描述，记每个服务站的ID为 s，对于基站而言s＝0，而对于中继而言s≠0。对于任意的服务站s，其接 入的用户集合为K_s。这里|S|受限于虚拟簇中服务站的个数，同时由于干扰 协调的场景，不同小区的中继所占用资源域有如下关系：

F_s+2＝F_s,s≠0

本发明提供了一种LTE-A中继蜂窝网中基于负载的中继选择策略，包括 以下步骤：

1)、设蜂窝网中每个扇区的服务站集合为S＝{s|s＝0,1,...}、用户集合 为K＝{k|k＝1,2,...}；

2)、获取蜂窝网中服务站s服务的用户k得到的实际吞吐量以及用户 k的需求量，根据用户k得到的实际吞吐量和用户k的需求量获 取服务站s的差异化的平均吞吐量

${\bar{R}}_s=\frac{{\Sigma }_k\frac{R_k^s}{R_k^{\mathrm{req}}}}{\left|K_s\right|}---\left(1\right)$

其中，|K_s|表示服务站s所服务的用户总数；表达式如下：

$R_k^s=\frac{(10-N_B)F_s{\eta }_k^s}{10\left|K_s\right|}---\left(2\right)$

其中，F_s表示服务站s所分配的资源块数目，N_B表示回程子帧的个数， 表示服务站s到用户k在单位资源块上所传输的吞吐量，其计算公式如下 式所示：

${\eta }_k^s=180\times 1000\times {\log }_2(1+{\bar{\gamma }}_{k,s})---\left(3\right)$

其中，180×1000表示单个资源块的带宽；表示服务站s到其所服务 的用户k之间的链路的平均信干噪比SINR值；

其中，N_B的求解过程为：

首先，设中继接收到的总数据量等于中继转发出去的总数据量：

$N_B{F}_{b,s}{\eta }_s=10{\Sigma }_k{R}_k^s---\left(16\right)$

上式中F_b,s表示中继s在回程子帧内所占用的资源块数目；η_s表示中继s 在回程子帧内每个资源块上的平均吞吐量；所有中继消耗的回程资源块总数 等于系统中每个子帧的总资源块数目：

${\Sigma }_s{F}_{b,s}=B---\left(17\right)$

那么，根据上面等式(16)和(17)求得：

$N_B=\frac{10}{\frac{B}{{\Sigma }_s\frac{{\Sigma }_k\frac{F_s{\eta }_k^s}{\left|K_s\right|}}{{\eta }_s}}+1}---\left(18\right).$

3)、根据差异化的平均吞吐量获得差异化的全局公平性U：

$U=\frac{{\left({\Sigma }_s{\bar{R}}_s\right)}^2}{\left|S\right|{\Sigma }_s{\left({\bar{R}}_s\right)}^2}---\left(4\right)$

其中，|S|表示总的服务站数目；

4)、获取用户k可接入的服务站ID，规定用户只能接入服务站n或者服 务站n′；n为初始化的接入服务站ID，n′为待获取的服务站ID：

$n\prime =\arg \left(\max \left(F_s{\eta }_k^s\right)\right),s\ne n\cap s=\mathrm{0,1},...\left|S\right|---\left(5\right)$

5)、根据差异化的全局公平性U，以及式(6)和式(7)，获取最 大全局公平性max(U)，并根据获取的最大全局公平性max(U)求解服 务站s的用户集合K_s和服务站s所获取的资源块个数F_s；其中，式(6) 和式(7)为

$R_k^s\ge R_k^{\mathrm{req}}---\left(6\right)$

k∈K_n∪K_n′(7)。

其中，所述步骤5)的过程中，根据获取的最大全局公平性max(U)求 解服务站s的用户集合K_s和服务站s所获取的资源块个数F_s的具体过程为：

2.1)、参数初始化：

初始化外部循环计数器t为0，记资源块F_s的可行域为，并初始化资 源块F_s为{F_s|F_s∈[0,B]}；

根据最大信干比SIR的服务站选择方式进行接入，同时假设表示在 资源块的第t次循环时，服务站s所分配的资源块数目；然后，根据下式计算 取值：

$F_s^{\left(0\right)}=\frac{\left|K_s\right|}{{\Sigma }_s\left|K_s\right|}B---\left(8\right)$

其中，表示的取值，B表示FDD传输模式下总的RB数 目；

2.2)、在当前下遍历部分用户集合：

为了清晰起见，引入符号flag来表示不同用户其吞吐量是否达到需求 的状态，这些不同的状态在算法的处理中略有区别。算法过程的主要流程参 加本节的图3。

flag＝0：表示所有用户均满足其速率需求；

flag＝1：表示存在某宏用户不满足其速率需求；

flag＝2：表示存在某中继用户不满足其速率需求，如果同时存在宏用 户与中继用户不满足各自的速率需求，则属于flag＝1情况。

a、首先更新迭代计数器t，定义内部循环的迭代次数l，然后初始化迭 代次数l为0，并且初始化第一集合Q_k和第二集合，其中，Q_k为用户接 入s时取值的集合，为用户接入s′时的取值的集合，第一集合 Q_k和第二集合的表达式为：

$\left(\begin{array}{c}{Q}_k=\left\{F_s{\eta }_k^s\right|k\in K\}\\ Q_k^{\prime }=\left\{F_{s\prime }{\eta }_k^{s\prime }\right|k\in K\}\end{array}\right)---\left(9\right)$

b、当任意的用户k的需求速率无法得到满足时，则计算每个服务站的 平均吞吐量，并从中找到最小平均吞吐量所对应的服务站n，

$n=\arg \left(\min \left({\bar{R}}_s\right)\right),n\ne 0---\left(10\right)$

记表示服务站n所服务的用户中满足相应的n′取值为0，且其吞吐 量小于该服务站用户平均吞吐量时，所有用户的集合；然后，从用户集合中选择对应取值最大的用户k，将用户k接入服务站n′,以使得平均吞吐 量增大，计算差异化全局公平性U；

当所有用户均满足速率需求时，则计算每个服务站的平均吞吐量，并 从中找到最小平均吞吐量所对应的服务站，

$n=\arg \left(\min \left({\bar{R}}_s\right)\right)---\left(12\right)$

记表示服务站n所服务的用户中满足吞吐量小于该服务站用户平均 吞吐量时，所有用户的集合；然后，从用户集合中选择对应取值最大 的用户k，将用户k接入服务站n′,以使得平均吞吐量增大，计算差异化 全局公平性U；

c、计算

$\left(\begin{array}{c}{\mathrm{\Delta N}}_n^{\left(l\right)}={\mathrm{\Delta N}}_n^{\left(l\right)}-1\\ {\mathrm{\Delta N}}_{n\prime }^{\left(l\right)}={\mathrm{\Delta N}}_{n\prime }^{\left(l\right)}+1\end{array}\right)---\left(11\right)$

其中，表示内层循环在第l次迭代过程中服务站n的用户数目增 减量，表示内层循环在第l次迭代过程中服务站n′的用户数目增减量；

d、如果任意服务站s的条件满足，那么 表示下一步将会遍历重复的用户集合场景，因此结束该子算法；否则，程序 跳转至步骤b继续执行，并且更新迭代计数器l；

2.3)、更新与可行域

当任意一个宏用户u的吞吐量需求无法得到满足时，即flag≠1，则根 据等式(13)提升以满足该宏用户的条件，然后更新的下限，

$F_0^{\left(t\right)}=\underset{k}{\max }\left(\frac{{10R}_k^{\mathrm{req}}}{(10-N_B){\eta }_k^0}\right)---\left(13\right)$

当所有宏用户均满足速率需求时，即flag＝1，计算差异化平均吞吐量 最小的服务站对应的IDn₁和差异化平均吞吐量最大的服务站对应的IDn₂； 然后，会增大，而减小；那么最终更新后的取值为：

$\left(\begin{array}{c}{F}_{n_1}^{\left(t\right)}=F_{n_1}^{(t-1)}-\mathrm{step}\\ F_{n_2}^{\left(t\right)}=F_{n_2}^{(t-1)}+\mathrm{step}\end{array}\right)---\left(14\right)$

其中，step是资源迭代过程中的一个变长的迭代步长，定义其取值集合 为{2ⁿ,2^n-1…,2⁰}，其中如果上式(14)中任意的服务站s的 超越了其可行域则该迭代步长step缩短，并且保持不变，即 ；否则，根据公式(15)以及当前的缩小可行域的范围，

其中，表示外层循环在第t次迭代过程中F_s的可行域范围，s取值为 差异化平均吞吐量最小的服务站对应的IDn₁和差异化平均吞吐量最大的服 务站对应的IDn₂；

2.4)、终止条件判断：

判断是否任意的服务站s其资源块的可行域为空，即如果为空，则结束该程序，否则，跳转至步骤2.2)继续执行此迭代过程。

最后给出仿真环境以及仿真结果和分析：

采用Matlab工具通过蒙特卡罗方法仿真了所提出的算法及对比方案。仿 真环境考虑REC蜂窝网络，该网络中基站到基站距离500m，1个小区3个六 边形扇区的拓扑，同时考虑周围两圈的干扰小区。每个小区外面固定中继个 数为6个。本文中忽略回程链路对系统尤其是中继链路造成的瓶颈效应，这 是因此，回程链路的信道质量可以通过众多方式得到改善，比如天线架设高 度，多天线技术以及天线间间距等。对于基站到用户和中继到用户的链路的 快衰落模型，采用SCME的信道模型。另外，基站到中继的链路只考虑大尺度。

仿真分析如下：

本发明中，从两个方面来度量系统性能的好坏，分别是系统平均吞吐量 和全局公平性。将分别在在两种不同的负载分布，即用户均匀分布场景和边 缘分布场景，情况下来考虑这两个指标。

由于仿真中的扇区是正六边形的，那么对于均匀分布，采用“割补法”， 将正六边形割补为正四边形，那么用户便随机分布在此正四边形内。均匀分 布的拓扑图如图4所示。对于边缘分布，由于在六边形的扇区内实现热点(边 缘)分布较为困难，本文采取现有文献中常见的圆形小区的撒点方式进行用 户部署。首先，假设用户的位置用极坐标(ρ,θ)来表示；再令极坐标半径分 布服从ρ²～U(0,R⁶)，角度分布服从θ～U(0,2π)；然后在此圆形区域内 撒点，如果该点在六边形区域之外，则重复撒点，直至满足条件中的仿真用 户数。边缘分布的拓扑图如图7所示。

假设网络中有两种用户的吞吐量需求，分别是100Kbps和400Kbps。仿 真中的基准方案包括基于SIR的接入方式，记为“SIR”，基于修改的最大接 收参考信号的接入方式，记为“RSRP+bias”。任意一个基准方案中，资源分 配采取的是式(7)中的方式。

图6和图9显示了全局公平性因子随用户的变化情况。系统最公平的时 候是当引子取值等于1的时候。从的优化目标可以看出，所提出的算法直接 反应了全局公平性的大小。

图5给出了三种方案在均匀分布场景下用户吞吐量CDF曲线的对比。图 中给出了从小区边缘用户吞吐量，CDF10％处和小区所有用户吞吐量两个性能 比较，也从这两方面对性能进行分析。从图中可以看出所提出的方案对吞吐 量的改善较小，方案相比“SIR”方案平均吞吐量提升了4.25％，相比较 “RSRP+bias”方案平均吞吐量下提升了11.66％。这是因为，的方案在追求 最佳全局公平性的过程中，每次用户更新都是选择本服务站最差链路的用户 进行接入的修正，那么同一服务站内会存在信道较好与信道较差的用户，使 得全局公平性虽然改善了，但是小区中性能好的用户和性能差用户的差距更 大。为了更清晰的描述小区边缘频谱效率，在图中展示了局部放大图。从图 中可以看出，所提出方案相比“SIR”方案边缘用户平均吞吐量下降了12.5％， 相比较“RSRP+bias”方案其边缘用户平均吞吐量下降的更多。这是因为在 “RSRP+bias”方案中人为扩大了中继的覆盖范围，加了中继用户的数目，基 站端用户数减少。在这种情况下，本方案会造成DUE用户比例相比其他方案 更高。虽然如此，系统的全局的差异化公平性依然得到了改善，如图6所示。

图8给出了三种方案在热点分布场景下用户吞吐量CDF曲线的对比。从 图中可以看出所提出的方案对吞吐量的改善较为明显，方案相比“SIR”方案 平均吞吐量提升了7.8％，相比较“RSRP+bias”方案平均吞吐量下提升了39％。 从图中放大的部分可以看出，所提出方案相比“SIR”方案边缘用户平均吞吐 量提升了14.7％，相比较“RSRP+bias”方案其边缘用户平均吞吐量提升了大 约5.5％。

该方案性能优的原因是：在热点分布场景中，因为算法可以降低回程资 源的消耗，那么对于宏用户和中继用户都有利。而“RSRP+bias”方案不能并 不适用于热点分布的场景，因为该方案会使得中继用户很多，而为了满足这 些用户，就需要分配很多的接入资源，这导致了回程资源的消耗很严重，宏 用户和中继用户的性能都受到约束。“SIR”方案的性能也受限。同时，结合 图9的算法其GDF性能也显然优于其他算法。

图10给出了三种方案在不同用户分布场景下小区边缘的平均频谱效率 的对比图。该组图旨在对比不同场景下所提出算法可获得的额外增益。由图 中可知，该方案更适合于用户热点边缘分布的场景。