大规模MTC场景中基于负载感知的动态接入与退避方法及系统

电子通信装置的制造及其应用技术大规模mtc场景中基于负载感知的动态接入与退避方法及系统技术领域1.本发明属于蜂窝物联网的接入与传输技术领域，具体涉及一种大规模mtc场景中基于负载感知的动态接入与退避方法及系统。背景技术：2.机器类型通信(machine type communication，mtc)时物联网中机器类型设备的主要通信方式。而大规模机器类型通信(massive mtc，mmtc)作为物联网的关键支撑技术，在2015年就被国际电信联盟无线电通信局(itu-r)确定为5g的三大典型应用场景之一。该场景中海量设备在无人工干预的情况下实现相互通信或远程服务器通信。mmtc场景的核心是提供大规模连接，wi-fi、zigbee等技术都可以用于支持连接，但是移动蜂窝网络由于其覆盖的广泛性、灵活性和通信高可靠性被广泛认为是机器类型通信的核心支撑网络。目前业界提出了嵌于蜂窝系统的窄带物联网(narrow band internet of things，nb-iot)技术和增强型机器类型通信(enhances mtc，emtc)技术来支持未来mmtc应用。3.传统的蜂窝网络中接入方案是针对人类类型(human to human，h2h)通信习惯设计的基于竞争的随机接入方案。该方案中基站为发起接入过程的设备随机分配有限的信道资源，设备随机选择信道资源、竞争接入。由于mmtc场景具有海量连接的特点，海量设备同时向基站发起接入请求会导致大量的设备间碰撞，基站无法成功解码设备信息，设备通信成功概率大幅减小、网络通信容量显著降低，最终导致严重的系统过载与拥堵。因此，研究面向mmtc场景的接入与传输方案，解决mmtc场景中网络接入拥堵问题，实现控制网络负载、最大程度优化网络性能并维持性能的稳定，是研究mmtc的一重大课题。4.为了解决上述大规模mtc接入可能导致网络拥塞问题，国内外科研人员积极开展研究，主要从接入类阻塞(access class barring，acb)、分组传输(group paging，gp)、资源分配等方面提出了一系列的解决方案。3gpp标准化组织引入了acb检验机制进行设备的接入控制。一方面，acb机制采用acb因子控制当前随机接入机会(random access opportunity，rao)内激活设备发起接入的概率；另一方面，acb机制控制未通过acb检验的设备进行退避，将突发的大规模接入请求在时间上重新均匀分配，从而缓和瞬时的接入碰撞。这一基础的acb机制能够一定程度的减轻接入碰撞，但是无法有效控制每个rao发起接入的设备数，对网络吞吐量性能优化程度有限。现有研究进一步提出了动态acb方案，基站基于对当前随机接入机会(random access opportunity，rao)的负载估计值动态调节acb因子，控制激活设备发起随机接入过程(random access procedure，ra procedure)的概率。同时，基站控制未通过acb检验的激活设备与通过acb检验后发生接入碰撞的激活设备在下一rao再次接入。动态acb方案能够在大规模接入场景下实现近似最优的吞吐量，但是要求设备频繁侦听acb因子，而无法通过acb检验发动实际地随机接入过程，设备接入过程地能量效率极低。gp的基本思想是mmtc设备分组，组内依靠设备到设备(device to device，d2d)链接连接，以组为整体向基站发起接入请求，降低随机接入请求规模以降低接入碰撞。gp的基本思想是mmtc设备分组，组内依靠设备到设备(device to device，d2d)链接连接，以组为整体向基站发起接入请求，降低随机接入请求规模以降低接入碰撞。但是考虑到机器类型设备可能具有一定的移动性，需要直接连接基站进行通信，gp的方式具有一定的局限性。资源分配解决网络拥堵的基本思想为限制各类设备可发起接入的资源块，实现控制每个资源块的发起接入的设备数。但是资源分配方案对于设备激活模型的适应性不足，设备的激活时间具有较高的随机性，影响每个资源块内实际发起接入的设备数，导致网络性能的降低。5.因此，有必要研究一种负载控制方案，在时变的大规模随机接入场景下有效控制多个rao的接入负载，在最大化网络吞吐量的同时降低设备接入网络的能耗。技术实现要素：6.为了解决现有技术中存在的问题，本发明提供一种大规模mtc场景中基于负载感知的动态接入与退避方法及系统。相比现有研究，本发明实现了在随机接入过程中有效控制各个rao的接入负载，在有限的重传次数下，在最大化网络吞吐量的同时降低设备接入网络的能耗。7.为了实现上述目的，本发明采用的技术方案是：一种大规模mtc场景中基于负载感知的动态接入与退避方法，包括以下步骤：8.s1、建立大规模mtc场景中基于负载感知的动态退避的系统模型；9.s2、基于所述系统模型最大化各个rao期望吞吐量所需的接入设备数，即理想负载；10.s3、基于设备激活模型预测当前rao与未来tm个rao的接入负载，得到当前rao负载预测值和未来rao的负载预测值；11.s4、基于当前rao的负载预测值产生acb因子，并在随机接入完成后估计新产生退避设备数；12.s5、基于rao的新激活负载与退避负载，调节退避窗口与退避概率向量，最小化退避窗口内各个rao的退避设备数与理想退避设备数之间的均方差，构建优化问题如下：[0013][0014][0015][0016]约束条件(1)表示退避窗口的可能范围，tm为退避窗口的长度上界，tm为人工给定，受基站的负载预测能力与设备的最大可允许接入时延影响，约束条件(2)(3)保障形成一个概率空间；[0017]s6、采用分层优化的方法求解所述优化问题；得到最优退避概率向量与最优退避窗口大小实现有效控制退避窗口内各个rao的退避设备数。[0018]s1中，考虑一个具有n个mtcd的mmtc小区，设n个设备在t秒内依贝塔分布激活，设备在时间τ处激活的概率密度函数为：[0019][0020]式中，b(α，β)表示形状参数为α和β的贝塔函数，在每个随机接入机会开始时，激活设备首先需进行acb检验，通过acb检验的设备向基站发起随机接入请求，否则设备进入退避过程。[0021]对于第t个rao的激活设备，基站向设备广播acb因子以限制激活设备向基站发起随机接入请求的概率，激活设备将产生一个0到1之间的随机数p与acb因子比较，p不大于则对应的激活设备通过acb检验，否则设备接入退避过程。[0022]s2中，假设设备未成功完成随机接入过程的原因仅为前导码碰撞，任意rao的接入负载为m，可用前导码数为r，在该rao中，计算某一设备成功接入概率ps|m为：[0023][0024]记s为成功接入的设备数，则在接入负载为m的情况下，rao中成功接入设备数的期望值e(s|m)为：[0025][0026]m为可动态变换的整数，则[0027][0028]当m＝r或者m＝r-1时，rao吞吐量期望着e(s|m)最大，即理想负载lideal＝r或者lideal＝r-1，进一步设置lideal＝r。[0029]s3中，当前raot开始前，进行未来tm个rao的激活设备数进行预测；每个rao内激活设备分为新激活设备与退避设备两类，其中，新激活的设备数由激活模型决定，退避设备数由过去rao产生的退避设备以及退避概率向量决定，基站基于设备激活模型、过去rao产生的退避设备数以及退避概率向量预测当前以及未来tm个rao的新激活负载退避负载具体包括以下步骤：[0030]设当前rao为第t个rao，则基站对于第t+i个rao的新激活负载预测值为[0031][0032]式中，trao表示两个相邻rao的间隔时间，p(τ)表示设备在时刻τ的激活概率密度，n表示小区内设备总数，《·》表示取整操作；[0033]基于第(t-1)个rao内基站生成的退避负载预测值、退避概率向量以及第(t-1)个rao新产生的退避设备数估计值和基站在第t个rao对第(t+i)个rao内退避负载预测值通过上一rao对第(t+i)个rao的退避负载预测值加上新转入的退避设备数期望值进行迭代更新，[0034][0035]基于第(t+i)个rao的新激活负载预测值与退避负载预测值得到该rao的接入负载预测值lt(i)如下：[0036][0037]s4中，基站完成负载预测后，基于当前rao接入负载预测值lt(0)，动态调节acb因子并基于当前rao内前导码碰撞情况估计当前rao产生的退避设备数；[0038]acb因子控制当前rao的激活设备发起接入的概率，使实际发起随机接入过程的激活设备数期望值最大程度接近于理想负载r，计算方法如下：[0039][0040]其中lt(0)为基站对于当前rao的接入负载预测值；[0041]激活设备以慨率通过acb检验，通过acb检验的激活设备向基站发起随机接入过程，基站侧根据前导码使用情况对接入负载进行估计，估计接入负载为：[0042][0043]其中，[0044][0045]式中，st为第t个rao内成功接入的前导码数目，et为第t个rao未被用户使用的前导码数目，基于接入负载估计结果，进一步估计当前rao产生的退避设备数[0046][0047]s5中，第(t+i)个rao的理想退避设备数ct(i)，为最小化激活设备数lt(i)与理想负载r差值的退避设备数，i＝1，2，…，tm，[0048]对于任意和退避完成后第(t+i)个rao内退避设备数的估计值为：[0049][0050]采用分层优化的方法求解所述优化问题具体包括以下步骤：[0051]s601，初始化输入参数以及设定初始退避窗口[0052]s602，采用注水算法求解拉格朗日乘子λ：[0053][0054]s603，求解一定时，各个rao的最优退避设备数[0055][0056]s604，求解一定，各个rao的退避设备数为时优化问题目标函数取值，[0057][0058]s605，当时，返回步骤s602；[0059]s606，比较的取值，并输出目标函数最小时对应的与[0060]s607，根据与求解最优退避概率向量[0061][0062]同时提供一种基于大规模mtc场景中基于负载感知的动态退避系统，包括模型搭建模块、理想负载计算模块、负载预测模块、估计模块、问题构建模块以及解算模块；[0063]模型搭建模块用于建立大规模mtc场景中基于负载感知的动态退避的系统模型；[0064]理想负载计算模块基于所述系统模型最大化各个rao期望吞吐量所需的接入设备数，即理想负载；[0065]负载预测模块基于设备激活模型预测当前rao与未来tm个rao的接入负载，得到当前rao负载预测值和未来rao的负载预测值；[0066]估计模块基于当前rao的负载预测值产生acb因子，并在随机接入完成后估计新产生退避设备数；[0067]问题构建模块基于rao的新激活负载与退避负载，调节退避窗口与退避概率向量，最小化退避窗口内各个rao的退避设备数与理想退避设备数之间的均方差，构建优化问题如下：[0068][0069]约束条件(1)表示退避窗口的可能范围，tm为退避窗口的长度上界，tm为人工给定，受基站的负载预测能力与设备的最大可允许接入时延影响，约束条件(2)(3)保障形成一个概率空间；[0070]解算模块采用分层优化的方法求解所述优化问题；得到最优退避概率向量与最优退避窗口大小实现有效控制退避窗口内各个rao的退避设备数。[0071]本发明还提供一种大规模mtc场景通信系统，包括基站和若干用户终端，基站在运行时能执行本发明所述的大规模mtc场景中基于负载感知的动态接入与退避方法。[0072]与现有技术相比，本发明至少具有以下有益效果：[0073]基于网络吞吐量与设备接入网络能耗的计算，控制每个rao内进行acb检验的激活设备数等于该rao内可用前导码数，可以最大化网络吞吐量的同时降低设备接入网络所需能耗。为实现各个rao内激活设备的有效控制，本发明基于设备激活模型、过去rao生成的退避设备数与退避概率向量，分别预测当前rao与未来rao内新激活设备数与退避设备数。基于当前rao的负载预测结果，本发明动态调节acb因子，控制当前rao内激活设备发起随机接入过程的概率，使得当前rao内发起随机接入过程的设备数不超过最大化网络吞吐量的设备数，即理想负载。基于未来rao的负载预测结果，本发明以最小化退避窗口内各个rao的退避设备数与理想退避负载的均方差为优化目标，动态调节退避窗大小口与退避概率向量，控制当前rao内产生的退避设备退避到退避窗口内各个rao的概率。本发明基于负载预测结果，动态调节设备的接入与退避过程，实现各个rao激活设备数的有效控制，从而实现在最大化网络吞吐量的同时降低设备接入能耗。[0074]下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。附图说明[0075]图1为大规模mtc网络的系统模型图。[0076]图2为基于负载感知的动态接入与动态退避方法原理示意图。[0077]图3为大规模mtc网络吞吐量随设备总数变化曲线图。[0078]图4为大规模mtc网络中设备接入网络所需能耗随设备总数变化曲线图。具体实施方式[0079]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0080]在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。[0081]本发明提出了一种基于负载感知的动态接入与退避方法，提出一种负载预测机制，在已知设备激活模型的前提下，预测当前rao与未来rao内试图发起随机接入过程的设备数(简称为激活设备数)。基于当前rao的负载预测结果，基站动态调节acb因子，控制当前rao内激活设备发起随机接入过程的概率，使得当前rao内发起随机接入过程的设备数不超过最大化网络吞吐量的设备数，即理想负载。基于未来rao的负载预测结果，方案动态调节退避设备的分布，控制退避窗口内各个rao的激活设备数尽可能接近理想负载。负载预测机制保障了方案在时变大规模接入场景的适应性，基于负载感知的动态接入机制保障网络吞吐量尽可能接近理论最大值，同时基于负载感知的动态退避机制将退避设备尽可能分散分布，激活设备通过acb检验的概率提高，从而降低设备接入网络所需侦听acb因子的次数，实现在不影响吞吐量的前提下，降低设备接入网络的能耗。[0082]请参阅图1，本发明提出一种大规模mtc场景中，基于负载感知的动态接入与退避方法，考虑如下系统模型：[0083]本发明考虑一个存在n个设备的大规模蜂窝接入网络，其中，有n个机器类型通信终端依beta分布在时间t内激活，即设备在时间t的激活概率为：[0084][0085]式中，b(α，β)表示形状参数为α和β的贝塔函数，激活模型基站已知。[0086]mmtc网络中，存在专门的时频资源块传输设备的随机接入请求，此种类型的资源块被称为随机接入机会(random access opportunity，rao)，以trao为周期出现。称rao内试图发起随机接入请求的设备为激活设备。激活设备首先进行acb检验。其中，通过acb检验的激活设备可发起随机接入过程，而未通过acb检验的激活设备进入退避过程，在随机退避一段时间后，选择最近的rao再次发起随机接入请求。对于发起随机接入过程的设备，若传输前导码与其他设备未发生碰撞，设备可成功接入网络并进行后续数据包传输；若传输碰撞前导码，设备将宣告随机接入过程失败，并进入退避过程，在随机退避一段时间后，选择最近的rao再次发起随机接入请求。[0087]具体的，在第t个rao，基站(base station，bs)向设备广播acb因子以限制设备向基站发起随机接入请求的概率。对于第t个rao内的激活设备，在侦听到acb因子后，将产生一个0到1之间的随机数p与acb因子比较。当p不大于时，激活设备通过acb检验，否则，该激活设备进入退避过程；在随机退避一段时间后重新进行acb检验，通过acb检验后，激活设备将会发起基于竞争的随机接入过程，向基站发送接入请求。基于竞争的随机接入过程主要分为四个步骤，具体过程如图1所示，ue代表的是用户设备，enb代表的是基站。基于竞争的随机接入过程的四次握手如下所述。[0088]step1：用户设备ue随机选择可用前导码(preamble)发起接入。基于竞争的随机接入过程可用前导数为r。设备随机选择可用前导码作为随机接入请求信息(msg1)，通过随机接入信道(physical random access channel，prach)发送至基站；[0089]step2：基站接受并检测prach信道中的消息，并针对解码信息生成随机接入回复消息(random access response，rar)。rar中包含基站检测到的前导码序号、上行传输定时提前量(ta)、对应前导码的上行信道资源、小区无线网络临时标识(c-rnti)以及退避指示参数。基站将msg2通过物理下行共享信道(physical downlink shared channel，pdsch)发送各个至小区设备。在前导传输完成后，激活设备侦听pdsch信道中的携带有设备传输前导序号的rar消息。当激活设备在rar窗口内侦听到对应的rar消息，则执行step3。否则，设备宣告随机接入失败。[0090]step3：ue根据msg2的指导进行调度传输。若msg2中包括ue发送的前导码信息，则在msg2中指定的上行信道中传输msg3，若不包括，则根据msg2指示进行退避。msg3包含设备身份标识，用于enb登记消息来源；[0091]step4：竞争解决。若无碰撞产生，基站成功解码msg3获取设备身份信息，并通过下行控制信道(pdcch)传输基于接入成功消息(msg4)。[0092]只考虑前导码碰撞导致的随机接入过程失败。具体的，当多个设备同时传输相同的前导码时，基站无法正确解码该前导码。因而设备无法在rar窗口内侦听到对应的rar消息，宣告随机接入过程失败，并进入退避过程，随机退避一段时间后再次进行acb检验。对于未成功接入的激活设备，包括未通过acb检验的设备与通过acb检验但发生接入碰撞的激活设备，根据退避概率向量给定的概率分布，随机选择退避窗口内各个rao重新进行acb检验并发起随机接入请求。[0093]设定每个rao的吞吐量为该rao成功接入的设备数。假设设备未成功完成随机接入过程的原因仅为前导码碰撞，设任意rao的接入负载为m，可用前导码数为r，则当某一设备所选前导码不同于其余m-1个设备所选的前导码，则该设备成功接入。因此在该rao中，某一设备成功接入概率ps|m为[0094][0095]记s为成功接入的设备数，则在接入负载为m的情况下，rao中成功接入设备数的期望值e(s|m)为[0096][0097]由于m为可动态变换的整数，则[0098][0099]因此，当m＝r或者m＝r-1时，rao吞吐量期望着e(s|m)最大，即理想负载lideal＝r或者lideal＝r-1。为了简化分析，直接设置lideal＝r。[0100]当尽可能控制每个rao的发起随机接入过程的设备数接近于理想负载时，可以实现网络吞吐量的最大化。进一步地，可以控制每一个rao接入负载，即激活设备数，同样尽可能接近理想负载，提高激活设备通过acb检验的概率，进而降低设备接入网络所需侦听acb因子的次数，实现在最大化网络吞吐量的同时降低设备接入过程的能耗。[0101]请参阅图2，本发明一种大规模mtc场景下基于负载感知的动态接入与退避方法具体分为负载预测、acb因子与退避参数的生成与广播、随机接入与动态退避三个步骤。[0102]step11：负载感知。当前raot开始前，基站首先进行负载预测。基站利用设备激活模型信息、退避参数以及设备接入情况预测当前以及未来tm个rao的新激活负载个rao的新激活负载退避负载(其中分别代表第(t+i)个rao的新激活负载与退避负载)，为下一步基站生成设备接入调节参数提供信息基础；[0103]step12：acb因子与退避参数的生成与广播。一方面，基于当前rao的负载预测结果，基站生成并广播acb因子控制激活设备发起随机接入过程的概率，保障当前rao的吞吐量；另一方面，基于未来rao的负载预测结果，基站生成并广播退避概率向量的吞吐量；另一方面，基于未来rao的负载预测结果，基站生成并广播退避概率向量控制第t个rao产生的退避设备选择退避窗口内各个rao进行接入重传的概率分布，实现最小化退避窗口内各个rao的接入负载与理想负载之间的差距。其中，退避设备包括当前rao未通过acb检验的设备和通过acb检验后发生接入碰撞的设备，代表第t个rao产生的退避设备退避到第(t+i)个rao的概率。[0104]step13：设备随机接入与动态退避。对于第t个rao的激活设备根据基站广播的acb因子与退避参数发起接入并完成退避。激活设备在0～1之间随机生成一个数p，与基站广播的acb因子进行比较，若p不大于则该设备进行随机接入过程，否则在该设备按照给定的概率分布随机选择退避rao。对于通过acb检验的激活设备，若是其传输的前导码与其他设备未发生碰撞，则该设备成功接入网络，否则该设备按照给定的概率分布随机选择退避rao。[0105]下面，我们以第t个rao为例，对基于负载预测的动态接入与退避方法进行具体分析设计。[0106]首先，在第t个rao开始前，基站会对当前rao与未来tm个rao内激活设备数进行预测。每个rao内激活设备可以分为新激活设备与退避设备两类，其中新激活设备为尚未进行过acb检验的设备，退避设备为退避完成后选择rao再次发起随机接入请求的设备。因此，基站分别预测当前rao与未来tm个rao内新激活设备数与退避设备数。假设基站已知设备的激活模型，n个机器类型通信终端依beta分布在时间t内激活，即设备在时间τ的激活概率为[0107][0108]式中，b(α，β)表示形状参数为α和β的贝塔函数。则第(t+i)个rao内新激活设备数的估计值为[0109][0110]另外，第(t+i)个rao内退避负载受到过去rao的产生的退避设备数与退避概率向量迭代影响。因此，第t个rao对第(t+i)个rao内退避负载预测值可以通过上一rao对第(t+i)个rao的退避负载预测值加上新转入的退避设备数进行迭代更新。具体的，已知在第(t-1)个rao产生的第(t+i)个rao的退避负载预测值为产生的退避负载为基站产生的退避概率向量为因此，在第t个rao产生的第(t+i)个rao时隙的退避负载预测值为：[0111][0112]基于第(t+i)个rao的新激活负载预测值与退避负载预测值可以获得该rao的接入负载预测值lt(i)如下：[0113][0114]在第t个rao，基站完成负载预测后，基于当前rao接入负载预测值lt(0)，动态调节acb因子控制当前rao的激活设备发起接入的概率，使实际发起随机接入过程的激活设备数期望值最大程度接近于理想负载r。因此，计算方法如下：[0115][0116]在设备完成随机接入过程后，基站检测到第t个rao内有st个成功接入的前导码，et个未被用户使用的前导码数。由于当发起随机接入过程的设备数为m，可用前导数为r时，成功接入与空闲前导码数分别为st和et的概率如下：[0117][0118]因此，采用最大似然估计法估计第t个rao内实际发起随机接入的设备数即：[0119][0120]基于接入负载估计结果，基站进一步估计当前rao产生的退避设备数[0121][0122]在退避设备数估计完成后，基站构建优化问题，调节退避窗口与退避概率向量，最小化退避窗口内各个rao的退避设备数与理想退避设备数之方误差。具体的，每一个rao内激活设备可以分为新激活设备和退避设备，其中新激活设备数由设备激活模型决定，不受基站的调控。因此，本发明通过控制各个rao内的退避设备数，实现最小化各个rao激活设备数与理想负载之间的差值。定义第(t+i)个rao的理想退避设备数ct(i)(i＝1，2，…，tm)为最小化激活设备数lt(i)与理想负载r差值的退避设备数，则有[0123][0124]设计退避概率向量控制第t个rao产生的退避设备在退避窗口内各个rao重新发起随机接入请求的概率。对于任意和退避完成后第(t+i)个rao内退避设备数的期望值为[0125][0126]基于理想退避设备数ct(i)与退避参数调节后各个rao内退避设备数期望值提出了一个优化问题，以最小化退避窗口内各个rao的理想退避负载ct(i)与退避设备数估计值的误差平方和为优化目标，动态调节退避窗口大小与退避概率向量具体的优化问题如下所示：[0127][0128]其中，约束条件(1)表示退避窗口的可能范围，tm为退避窗口的长度上界，tm为人工设定，受基站的负载预测能力与设备的最大可允许接入时延影响。约束条件(2)(3)保障形成一个概率空间。[0129]由于一定时，优化问题(op)是的凸函数，且与一一对应，因此首先将优化问题(op)等价转化为如下所示优化问题：[0130][0131][0132]本发明将此优化问题看作一个双层优化。首先给定基于拉格朗日乘数法求此时的最优解如下：[0133][0134]其中，λ是下式的解[0135][0136]随后，运用一维搜索改变求得最优的退避窗口大小和对应的退避概率向量基于最优的和可以求得最优的退避概率向量如下：[0137][0138]按照上述过程得到的即为最大化网络吞吐量的同时降低设备接入网络的能耗的最优退避概率向量。[0139]为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0140]采用数值分析对大规模场景下基于负载感知的动态接入与退避方法进行吞吐量和能耗性能评估。如果没有明确指出，则仿真实验的参数设置为：小区内mtcds设备激活模型α＝3，β＝4，设备激活时间ta＝10s；激活设备传输能耗ptx＝460mw，侦听能耗prx＝80mw，空闲能耗为pidle＝3ww；网络中rao持续时间为1ms，每隔5ms出现一次，即trao＝5ms；随机接入过程中，rar窗口长度为wrar＝5ms，cr窗口的长度为wcr＝48ms，设备最大重传次数j＝9；负载预测窗口大小tm＝1000。为了说明所提出方案的优越性，我们比较以下方案中的rach吞吐量和rach能耗：动态acb接与均匀退避方法(简称为d-acb方案)，其中退避窗口wb分别设置为1、128、512或1024，与基于负载感知的动态接入与退避方法(简称为lab方案)。图3和图4分别显示了lab方案的d-acb的平均吞吐量和平均接入能耗与网络中mtcd设备数n的关系。从图3和图4可以看出，退避窗口wb＝1的d-acb方案吞吐量最大，而接入能耗最高，这是因为退避mtcd需要在每个rao中不断监听更新的acb因子并执行acb检查而不执行实际的随机接入过程。同时，wb较大的d-acb方案通过在牺牲吞吐量性能，实现降低设备的接入能耗。更重要的是，本发明提出的基于负载感知的动态接入与退避方法可以实现最低的rach能耗，同时保持几乎最高的rach吞吐量。[0141]综上所述，本发明适用于大规模mtc场景，设计了一个基于负载感知的动态接入与退避方法。基于最大化吞吐量的理论分析，方案控制每个rao内激活设备数等于rao内可用前导码时，即可实现最大化网络吞吐量的同时降低设备接入网络的能耗。方案具体分为负载感知、随机接入、动态退避三个步骤。基于设备激活模型、过去rao产生的退避设备数以及退避概率向量，基站预测当前以及未来tm个rao的激活设备数，为基站生成acb因子与退避概率向量提供信息基础；基于当前rao的负载预测结果，基站生成并广播acb因子控制激活设备发起随机接入过程的概率，保障当前rao的吞吐量；基于未来rao的负载预测结果，基站生成并广播退避概率向量控制第t个rao产生的退避设备选择退避窗口内各个rao进行接入重传的概率分布，实现最小化退避窗口内各个rao的接入负载与理想负载之间的差距。基于负载感知的动态接入与退避方法即可实现在最大化网络吞吐量的同时降低设备接入网络的能耗。[0142]本发明还提供一种大规模mtc场景通信系统，包括基站和若干用户终端，基站在运行时能执行本发明所述的大规模mtc场景中基于负载感知的动态接入与退避方法。[0143]本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。[0144]本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。[0145]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。[0146]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。[0147]以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!