2. 西北工业大学 自动化学院, 西安 710129;
3. 中国移动通信集团 陕西有限公司, 西安 710074
2. School of Automation, Northwestern Polytechnical University, Xi'an Shaanxi 710129, China;
3. Shaanxi Company Limited, China Mobile Communications Corporation, Xi'an Shaanxi 710074, China
设备到设备(Device to Device, D2D)直接通信被广泛认为是蜂窝网络前景技术之一[1-2]。在D2D通信中,邻近移动终端间的通信数据不需要基站转发,而是在基站的控制下,允许使用蜂窝网络频谱资源直接建立本地链路通信,由此减轻了基站中继转发的负载瓶颈,使得移动终端具有更小的传输延迟,更小的能量消耗[3]。在LTE(Long Term Evolution) Release 12版本中,3GPP已经启动了邻近服务(Proximity Service)的D2D通信标准化研究[4],当前将应用场景分为公共安全和商业应用两大类。公共安全指蜂窝网络不能正常工作时,允许终端间脱网通信,而商业应用则关注广播、社交网络、媒体共享等内容业务,与其他Wifi、Bluetooth等本地通信技术不同的是,D2D使用授权网络频谱资源,拥有更高的系统吞吐率,更好的服务质量保障[5];同时, 文献[6]面向下一代5G通信网络,对D2D设备发现、会话建立、资源分配等关键技术进行了综述讨论。
为了进一步节约蜂窝网络资源,提高网络频谱效率,D2D通信允许使用资源复用的方式建立传输,使得蜂窝网络在资源匮乏的情况下保证系统吞吐率。然而D2D用户(D2D User, DU)与传统蜂窝用户(Cellular User, CU)在资源复用模式下会引入新的干扰问题[7],因此如何复用分配资源以减轻D2D用户对原蜂窝用户的干扰影响是核心问题之一。
Ye等[8]依据位置信息及信道增益,动态确定每个蜂窝用户可复用资源比例;Wen等[9]适应性选择用户传输模式,基于用户服务需求以及干扰级别动态分配RB资源;而Xu等[10]以最大化D2D通信链路数为目标建立资源分配模型,同时加入信干噪比约束,均较好地抑制了D2D对原蜂窝用户的强干扰影响。Kuruvatti等[11]依据用户密度将蜂窝网络覆盖面划分为多个虚拟扇区,并依据用户信号到达角对用户进行分组聚类,处于相互垂直的扇形区域用户可复用相同RB(Resource Block)资源,由此减轻干扰效应,但定位的鲁棒性将使实际性能产生偏差。Zhang等[12]面对分配模型高复杂度求解的问题,提出一种基于干扰感知图的次优算法,权衡算法效率与性能之间的关系,然而干扰和最大并不意味系统吞吐率最大,频谱效率可进一步优化。文献[13]基于上行链路资源建立分配模型,提出了一个基于Barrier方法的算法来求解对偶问题,然而其计算与约束条件的个数、容忍误差以及初始值等因素有关,具有多项式复杂度。D2D用户间以竞争或合作的方式复用频谱资源,因此可将资源分配描述为博弈过程,Huang等在文献[14]中了讨论不同博弈论模型的适用性,结论认为非合作博弈及拍卖框架更适用D2D资源分配。在此基础上,Song等[15]将D2D与蜂窝用户间的资源复用过程抽象为斯坦博格模型,蜂窝用户通过出售所属RB资源而获得虚拟利益,D2D用户依据最优响应策略,在给定价格下,迭代地选择发射功率及RB资源,最终达到均衡收益状态,然而各D2D用户的博弈均衡将会牺牲系统吞吐率,造成频谱效率降低。
现实环境中,往往存在D2D用户多于蜂窝用户的场景,如商场、体育场等,蜂窝用户较少使得D2D用户可复用资源匮乏,而资源分配的公平性将直接影响D2D用户服务质量。常见的公平性分配策略是最大最小公平模型[16],最早用于网络流量控制,使资源的最小分配量尽可能最大化,防止任何网络流被“饿死”,同时在一定程度上尽可能增加每个流的速率,以实现公平分配资源,但公平性会制约系统吞吐率的收益。为了权衡公平性和系统效率的关系,文献[17]提出一种联合资源分配算法,保证了用户比例公平性下系统最大化吞吐率收益。在D2D通信模型中,Cai等[18]不仅允许一个D2D用户可复用多个RB资源,而且任一RB资源均可被多个D2D用户复用,同时提出一种次优的着色图算法,较好地解决了资源匮乏问题。此外Chen等[19]运用了时隙调度思路,将基站调度周期划分为等长时隙,然后将D2D用户公平性分组调度在不同时隙,同样解决了与RB需求与供给不平衡关系, 但是文献忽略了信道增益动态变化问题,影响系统吞吐率性能,同时算法中D2D用户仅能被固定分配在单个时隙内,导致延迟问题。
在本文的研究中,考虑D2D用户多于蜂窝用户的应用场景,为了解决资源匮乏的公平性问题,同样将一个调度周期划分为多个等长的时隙。首先根据蜂窝与D2D用户的资源复用关系,以最大化系统吞吐率为目标建立分配模型,并在模型中加入信干噪比、速率需求约束,将资源分配归纳为一个组合优化问题。在模型求解过程中,提出一种公平性时隙调度(Fairness Time Division Scheduling, FTDS)算法,算法中的D2D用户在每个时隙均有被调度的机会;同时, 为了权衡D2D用户速率服务需求与系统吞吐率的公平性关系,构造满足性权值因子与吞吐率增益因子互相制约,共同确定D2D用
户调度优先级。仿真实验表明,FTDS算法在满足D2D用户服务质量需求下拥有更优的吞吐率性能,更小的调度时延。
1 系统模型图 1中描述了覆盖半径为s的单蜂窝小区的D2D通信系统。
定义1 蜂窝小区Z中存在M个蜂窝用户CUi(i=1, 2, …, M)。
定义2 蜂窝小区Z中存在N个D2D用户组DUj(i=1, 2, …, N), 其中包含D2D发送用户DjT,以及D2D接收用户DjR。
CU与DU均匀分布在蜂窝小区内,包含两种传输模式:基站eNodeB与CU的中继通信(如图 1中CU1),以及D2D之间的直接链路通信(如图 1中DU1)。整个系统采用基于正交频分复用(Orthogonal Frequency Division Multiplexing, OFDM)的LTE通信方案,其最小资源调度单位为一RB(Resource Block), 时域上包含7个OFDM符号,频域上包含12个子载波。系统中DU通过复用CU下行链路RB资源的方式实现接入。资源复用模式将引入新的干扰问题。图 1中可见,在下行链路复用中,基站eNodeB将会对DU接收用户DR产生干扰影响,而CU将会暴露在复用相同RB资源的DU发送用户DT干扰下。本文考虑这样一种应用场景,网络中DU数N大于CU数M,且每个CU拥有单个RB资源,每个RB资源仅能被单个DU复用,从而抑制DU对CU过量干扰影响,同时一个DU可以复用多个CU的RB资源以满足速率需求。为了有效减轻D2D用户对原蜂窝用户的干扰,在保证蜂窝用户信干噪比前提下,进一步提升网络的频谱效率,选择恰当的CU与DU资源复用组合尤为重要,为此首先建立以统吞吐率为最大化目标的资源分配模型。
令Pc、Pd分别为基站与DU发送用户DT的发射功率,根据下行链路干扰环境,CUi与DUj在资源复用模式下的信干噪比SINRi, jc、SINRjd分别为:
$SINR_{i,j}^c = {{{P^c}G_i^c} \over {P_j^dG_{i,j}^{d2c} + {\sigma ^2}}}$ | (1) |
$SINR_j^d = {{P_j^dG_j^d} \over {{P^c}G_j^{c2d} + {\sigma ^2}}}$ | (2) |
其中:Gic、Gjd、Gi, jd2c、Gjc2d分别为基站与CUi、DjT与DjR,DjT与CUi、基站与DjR之间的传输增益,σ2为高斯白噪声影响。根据香农公式及RB资源带宽B定义,可以推导出此时CUi与DUj的传输速率Ri, jc、Rjd分别为:
$R_{i,j}^c = B \cdot {\mathop{\rm l}\limits} {\rm{b}}\left( {1 + SINR_{i,j}^c} \right)$ | (3) |
$R_j^d = B \cdot {\mathop{\rm l}\limits} {\rm{b}}\left( {1 + SINR_j^d} \right)$ | (4) |
定义3 定义一个M×N的资源复用分配矩阵β=[βi, j]M×N,表示CU与DU的资源复用关系。其中矩阵元素βi, j∈{0, 1}为二进制变量,当βi, j=1时表示CUi与DUj复用相同RB资源,反之当βi, j=0时表示两者未复用相同RB资源,由此可以推导出M个CU以及N个DU的吞吐率加Rc、Rd分别为:
${R_c} = B \cdot \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{\beta _{i,j}} \cdot {\mathop{\rm l}\limits} {\rm{b}}\left( {1 + SINR_{i,j}^c} \right)} } $ | (5) |
${R_c} = B \cdot \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{\beta _{i,j}} \cdot {\mathop{\rm l}\limits} {\rm{b}}\left( {1 + SINR_j^d} \right)} } $ | (6) |
同时整个系统吞吐率可以表示为Rc与Rd的加和:
${{R}_{\text{sum}}}=B\cdot \sum\limits_{i=1}^{M}{\sum\limits_{j=1}^{N}{{{\beta }_{i,j}}\cdot }}\text{lb}\left( 1+SINR_{i,j}^{c} \right)\left( 1+SINR_{j}^{d} \right)$ | (7) |
因此资源复用的目标是求解这样一个资源分配矩阵β=[βi, j]M×N,在约束条件下使得系统吞吐率性能达到最大:
$\eqalign{ & {\beta _{opt}} = \arg \mathop {\max }\limits_{{\mathit{\boldsymbol{\beta }}_{M \times N}}} B \cdot \sum\limits_{i = 1}^M {\sum\limits_{j = 1}^N {{\beta _{i,j}} \cdot } } \cr & \quad \quad {\mathop{\rm l}\limits} {\rm{b}}\left( {1 + SINR_{i,j}^c} \right)\left( {1 + SINR_j^d} \right) \cr} $ | (8) |
$\sum\limits_{j = 1}^N {{\mathit{\boldsymbol{\beta }}_{i,j}} \le 1} $ | (9) |
$\sum\limits_{i = 1}^M {{\beta _{i,j}} \cdot R_j^d \ge R_j^{\min }} $ | (10) |
$SINR_{i,j}^c \ge \mathit{\Phi }_{th}^c$ | (11) |
$SINR_j^d \ge \mathit{\Phi }_{th}^d$ | (12) |
上述约束条件式(9) 表示任一RB资源上至多仅能被一个DU复用,约束条件式(10) 表示DU必须满足传输速率的服务质量(Quality of Service, QoS)需求,同时约束条件式(11) 、(12) 表示CU、DU需满足的信干噪比阈值,减轻因资源复用而互相产生的干扰影响。
进一步分析上述模型可知,其为求解分配矩阵β=[βi, j]M×N的组合优化问题,在采用基站集中式计算中,复杂度呈现指数增长。为此提出一种公平性时隙调度(FTDS)算法,在满足服务质量的前提下,寻找问题的近似解。
2 时隙调度算法当DU数N多于CU数M时(N>M),由于CU仅拥有单个RB资源,导致单次调度中DU可复用RB资源数无法满足需求,为了适应上述应用场景,文献[19]提出一种时隙调度(Time Division Scheduling, TDS)算法,如图 2所示。
TDS算法将一个调度周期划分为s个等长的时隙,基站通过链路信息CSI检测潜在的D2D通信,并将DU均衡分配至各时隙上调度,在每个时隙中,仅有被调度DU才能复用CU所属RB资源建立通信链路。TDS算法的核心思路主要包括以下两方面:
1) DU分组策略。将DU均衡地分配至每一个时隙上,每时隙上的DU数为N/s,同时采用离散准则,选择距离和最大的DU进行组合。负载均衡下使得每时隙调度的DU数最小,因此保证更多的DU可以满足其传输速率的服务质量需求,而离散准则避免DU对CU的干扰效应影响,提升系统吞吐率。
2) RB分配策略。在每时隙上的RB分配中,首先计算DU满足速率所需最小RB数Nmin, 然后选取其吞吐率增益最大的前Nmin个RB资源分配,进而最大化每时隙上的吞吐率性能。
上述分析可见,基于时隙调度的TDS算法较好地解决了当M小于N时的资源匮乏问题,但是文献忽略了两个问题的影响:
1) 传输增益动态变化。传输增益的动态变化将导致DU在每时隙上的吞吐率收益不同。文献中将DU固定分配,仅考虑单时隙上的速率最大化,而某DU在其他时隙上的速率收益因传输增益的影响可能会更优,因此系统吞吐率依旧存在提升空间。
2) 调度时延。DU固定分组方案使得每个DU仅能在当前调度周期的某个时隙上调度,极端情况下当调度在第k-1个周期的T1时隙与第k个周期的Ts时隙时,最大相差达到两个调度周期的长度,因此对实时性要求较高的业务存在服务质量劣势。
针对文献[19]存在的问题,在时隙调度算法TDS框架的基础上,下文中提出改进型算法,将每时隙调度的候选集扩展为全DU集合,并引入满足性加权因子,期望在进一步提升系统吞吐率的同时,保障各DU的服务质量。
3 公平性时隙调度算法FTDS算法同样将一个调度周期划分为s个等长的时隙单元T1, T2, …, Ts, 如图 2所示。
首先,忽略原模型中的约束条件(10) :DU最小速率的服务质量需求。此时为了最大化调度周期内的系统吞吐率,设定每时隙上的RB资源均可被任意一个DU灵活复用,将每个RB资源的候选复用对象扩充至全部DU;同时为每个RB资源复用这样一个DU
${R_{i,j}} = B \cdot {\mathop{\rm l}\limits} {\rm{b}}\left( {1 + SINR_{i,j}^c} \right)\left( {1 + SINR_j^d} \right)$ | (13) |
则在时隙Tt的RB分配过程表示如下:
$\hat j = \arg \max {R_{i,j}};\;\forall i \in 1,2,...,M$ | (14) |
进一步分析可知,式(14) 的分配虽保证了系统吞吐率的最大化,但忽略了DU的服务质量,为此提出一种满足性权值的约束,定义DUj在时隙Tt的满足性权值ωi, j(t)如下:
${\omega _{i,j}}\left( t \right) = \exp \left\{ {\lambda \left( {{{\overline R }_{i,j}}\left( t \right) - R_j^{\min }} \right)} \right\}$ | (15) |
其中:Rjmin为DUj最小速率需求,Ri, j(t)为DUj在Tt时刻的平均速率,λ为奖惩系数。根据各DU速率需求的满足情况,对分配计算过程(14) 进行加权干预:
$\hat j_t^* = \arg \max \left\{ {{\omega _{i,j}}\left( t \right) \cdot {R_{i,j}}} \right\};\forall i \in 1,2,...,M$ | (16) |
该满足性权值的表征意义如下:当速率需求Rjmin大于平均速率j(t)时,说明当前服务质量得到了满足,满足性权值在指数函数作用下的取值范围为[0, 1) ,且伴随差距增大取值递减, 由此惩罚DUj在当前RB资源上的速率收益,限制其
在实际速率较优情况下获取资源;而当速率需求Rjmin小于平均速率Rj(t)时,说明当前服务质量未得到满足,满足性权值在指数函数作用下的取值范围为(1, +∞],且伴随差距增大取值递增, 由此奖励DUj在当前RB资源上的速率收益,激励其在实际速率较差情况下获取资源;此外在Rjmin等于平均速率Rj(t)时,满足性权值ωj(t)=1,持中立措施。
同时为更好地体现公平性原则,对于DUj在Tt时刻的平均速率Ri, j(t),采用比例公平(Proportional Fair, PF)算法[20]更新:
${\overline R _{i,j}}\left( t \right) = \left\{ \matrix{ \left( {1 - {1 \over {{t_c}}}} \right){\overline R _{i,j}}\left( {t - 1} \right) + {1 \over {{t_c}}}{R_{i,j}}\left( t \right),j = \hat j_t^* \hfill \cr \left( {1 - {1 \over {{t_c}}}} \right){\overline R _{i,j}}\left( {t - 1} \right),j \ne \hat j_t^* \hfill \cr} \right.$ | (17) |
式(17) 定义了DUj在时隙Tt被调度(
在FTDS算法中,对于每一个时隙Tt,初始化分配矩阵βM×N=Ο,从可复用资源集Ω中选取一个RBi,之后根据满足性权值(16) 备选出一个
For Tt, INIT βM×N=Ο;
Repeat:
Select RBi from Ω;
While |γ|<N:
If SINRi, jc≥Φthc and SINRjd≥Φthd
Ω=Ω/{RBi};
Continue;
Else
Ω=Ω∪
End If
End While
While Ω≠
End For
4 仿真实验与分析仿真实验使用Matlab平台,采取蒙特卡罗方法,每次随机生成3000个不同分布样本场景,在不同场景下分别进行资源调度分配,最后使用统计方法对性能结果取平均值。其仿真参数见表 1。
为了更好地体现本文中公平性时隙调度(FTDS)算法的性能优势,将该算法与文献[19]中时分调度(TDS)以及随机调度(RANDOM)算法相比较,RANDOM算法同样运用时分调度机制,而在每个时隙中随机选取DU复用RB资源。在仿真实验中对比中,选取了系统吞吐量、DU调度频次、DU平均调度间隔,DU满足率四个性能指标。其中系统吞吐量定义为:单位调度周期内CU与DU的总速率和;调度频次定义为:单位调度周期内,DU被调度的次数;DU满足率则定义为:已满足速率需求的DU数与总DU数的比值。
图 3显示了FTDS、TDS、RANDOM算法在不同CU数量下的系统吞吐率变化。伴随着CU增多,每时隙内DU可复用的RB资源数增多,因此三个算法吞吐率均呈现递增趋势, 同时得益于FTDS算法考虑到每个时隙传输增益的动态变化,将DU分配至吞吐率更优的时隙上调度, 可以看到其吞吐率的性能优势伴随CU增多而逐渐凸显,吞吐率平均增幅相比TDS及RANDOM算法,分别达到11.09%和40.64%。
用户在资源分配中被调度的次数,能够反映算法对各用户资源请求的公平性满足情况,为此在仿真实验中,对每周期内DU调度频次的累计分布进行统计分析。如图 4中所示,TDS相比FTDS、RANDOM算法拥有更广泛的分布,用户调度频次分布在10~40次的范围内,而FTDS与RANDOM算法中,多数分布于15~35次的区域内,调度频次的分布比TDS较为集中。RANDOM算法因随机选取DU调度,因此在实验中体现出其公平性的本质,而FTDS算法中,加入公平性权值约束,调度频次在实验中表现出与RANDOM相似的集中分布,优于TDS算法。
图 5中以时隙为单位进一步分析了DU的平均调度间隔,显然DU被调度的时隙间隔越小,用户业务实时性保障越好。图中FTDS、TDS、RANDOM三算法的DU调度间隔均伴随着CU数的增多而减小,同时当CU密度较大时(M>50) ,三算法的差异逐渐消失,这是由于CU增多导致RB增多,在每时隙内可调度更多的DU复用RB资源,DU在每时隙中被调度几率更大。其中FTDS算法中满足性权值发挥了重要作用,图 5中可见,平均调度间隔同样优于TDS、RANDOM算法,在M=5处延迟降低最大31.2%,调度实时性较好。
图 6显示了FTDS、TDS、RANDOM三算法的DU满足率伴随CU数量变化情况。
当CU数处于15以上的密度时,此时每时隙内存在冗余RB资源,因此三算法调度下的DU满足率均达到了100%,而在15以下的密度区域,TDS算法相比FTDS、RANDOM资源满足率较好,是因为TDS将DU均匀分组,并固定分配在各时隙内,保证了各DU在每个周期内均有被调度的权利,但可以看到FTDS算法下的资源满足率,相比TDS差异仅为2.1%,且伴随CU的增多满足率迅速提升至100%,同样具有较好的满足率性能。
5 结语本文针对D2D资源分配提出了一种公平性时隙调度算法FTDS,该算法将DU分布在不同时隙调度,从而适应D2D用户多于蜂窝用户的应用场景;同时引入一满足性权值,在资源分配中,依据用户速率需求差异奖惩吞吐率收益,权衡服务质量与系统速率增益的关系。实验结果表明,FTDS算法在满足各用户速率需求的基础上拥有更优的吞吐率性能、更小的调度时延、更公平的调度机制;同时在FTDS算法中,时隙个数s取值将会对系统性能产生影响:s较大时,在一个调度周期内能够容纳更多的DU,但未被调度的DU将等待较长时间,尤其对于实时性较高的业务容易产生时延问题;反之当s较小时,每个时隙将涌入大量DU,导致服务质量下降;因此下一步的研究方向将详细讨论s的取值。
[1] | ASADI A, WANG Q, MANCUSO V. A survey on device-to-device communication in cellular networks[J]. IEEE Communications Surveys & Tutorials, 2014, 16 (4) : 1801-1819. |
[2] | LIU J, KATO N, MA J, et al. Device-to-device communication in LTE-advanced networks:a survey[J]. IEEE Communications Surveys & Tutorials, 2015, 17 (4) : 1923-1940. |
[3] | LIN X, ANDREWS J, GHOSH A, et al. An overview of 3GPP device-to-device proximity services[J]. IEEE Communications Magazine, 2014, 52 (4) : 40-48. doi: 10.1109/MCOM.2014.6807945 |
[4] | ASTELY D, DAHLMAN E, FODOR G, et al. LTE release 12 and beyond[J]. IEEE Communications Magazine, 2013, 51 (7) : 154-160. doi: 10.1109/MCOM.2013.6553692 |
[5] | CONDOLUCI M, MILITANO L, ORSINO A, et al. LTE-direct vs. WiFi-direct for machine-type communications over LTE-A systems[C]//Proceedings of the 2015 IEEE 26th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications. Piscataway, NJ:IEEE, 2015:2298-2302. |
[6] | 钱志鸿, 王雪. 面向5G通信网的D2D技术综述[J]. 通信学报, 2016, 37 (7) : 1-14. ( QIAN Z H, WANG X. Reviews of D2D technology for 5G communication networks[J]. Journal on Communications, 2016, 37 (7) : 1-14. ) |
[7] | WEI L, HU R, QIAN Y, et al. Enable device-to-device communications underlaying cellular networks:challenges and research aspects[J]. IEEE Communications Magazine, 2014, 52 (6) : 90-96. doi: 10.1109/MCOM.2014.6829950 |
[8] | YE Q, AL-SHALASH M, CARAMANIS C, et al. Resource optimization in device-to-device cellular systems using time-frequency hopping[J]. IEEE Transactions on Wireless Communications, 2014, 13 (10) : 5467-5480. doi: 10.1109/TWC.2014.2340879 |
[9] | WEN S, ZHU X, ZHANG X, et al. QoS-aware mode selection and resource allocation scheme for Device-to-Device (D2D) communication in cellular networks[C]//Proceedings of the 2013 IEEE International Conference on Communications Workshops. Piscataway, NJ:IEEE, 2013:101-105. |
[10] | XU Y, YIN R, HAN T, et al. Dynamic resource allocation for device-to-device communication underlaying cellular networks[J]. International Journal of Communication Systems, 2014, 27 (10) : 2408-2425. doi: 10.1002/dac.v27.10 |
[11] | KURUVATTI N P, KLEIN A, JI L, et al. Robustness of location based D2D resource allocation against positioning errors[C]//Proceedings of the 2015 IEEE 81st Vehicular Technology Conference. Piscataway, NJ:IEEE, 2015:1-6. |
[12] | ZHANG R, CHENG X, YANG L, et al. Interference-aware graph based resource sharing for device-to-device communications underlaying cellular networks[C]//Proceedings of the 2013 IEEE Wireless Communications and Networking Conference. Piscataway, NJ:IEEE, 2013:140-145. |
[13] | 程永生, 朱江, 林孝康. 引入D2D通信的蜂窝网上行资源分配算法[J]. 电子与信息学报, 2014, 36 (12) : 2822-2827. ( CHENG Y S, ZHU J, LIN X K. Uplink resource allocation in device to device enabled cellular network[J]. Journal of Electronics and Information Technology, 2014, 36 (12) : 2822-2827. ) |
[14] | HUANG B Y, SU S T, WANG C Y, et al. Resource allocation in D2D communication-a game theoretic approach[C]//Proceedings of the 2014 IEEE International Conference on Communications Workshops. Piscataway, NJ:IEEE, 2014:483-488. |
[15] | SONG L, NIYATO D, HAN Z, et al. Game-theoretic resource allocation methods for device-to-device communication[J]. IEEE Wireless Communications, 2014, 21 (3) : 136-144. doi: 10.1109/MWC.2014.6845058 |
[16] | 张潇璐, 刘曦, 李伟东, 等. 基于共享资源量的动态多资源公平分配策略[J]. 通信学报, 2016, 37 (7) : 151-160. ( ZHANG X L, LIU X, LI W D, et al. Dynamic fair allocation of multi-resources based on shared resource quantity[J]. Journal on Communications, 2016, 37 (7) : 151-160. ) |
[17] | 潘甦, 曹跑跑, 刘胜美. 一种多无线电系统中基于公平性和精细化带宽分配的资源分配算法[J]. 电子与信息学报, 2015, 37 (2) : 399-404. ( PAN S, CAO P P, LIU S M. A resource allocation algorithm based on proportional fairness and refined bandwidth allocation for multi-radio systems[J]. Journal of Electronics and Information Technology, 2015, 37 (2) : 399-404. ) |
[18] | CAI X, ZHENG J, ZHANG Y. A graph-coloring based resource allocation algorithm for D2D communication in cellular networks[C]//Proceedings of the 2015 IEEE International Conference on Communications. Piscataway, NJ:IEEE, 2015:5429-5434. |
[19] | CHEN B, ZHENG J, ZHANG Y. A time division scheduling resource allocation algorithm for D2D communication in cellular networks[C]//Proceedings of the 2015 IEEE International Conference on Communications. Piscataway, NJ:IEEE, 2015:5422-5428. |
[20] | LI X, LI B, LAN B, et al. Adaptive PF scheduling algorithm in LTE cellular system[C]//Proceedings of the 2010 International Conference on Information and Communication Technology Convergence. Piscataway, NJ:IEEE, 2010:501-504. |