0 引言

思科视觉网络指数(Visual Networking Index, VNI)全球移动数据流量预测的最新报告显示，2020年全球七成人口将成为移动互联用户并且人均拥有1.5个互联产品，而智能设备、移动视频和4G网络的增长将在未来五年推动移动数据流量增长八倍^[1]。这其中蕴藏的发展潜力给通信行业带来了前所未有的挑战，当前的无线通信技术在频谱效率上已经接近极限，长期演进(Long Term Evolution, LTE)授权频谱资源已经非常拥挤。为了进一步提高频谱资源的利用率，可以考虑使用非授权频段来为用户提供数据服务。2013年底，华为、爱立信等公司在第三代合作伙伴项目(3rd Generation Partnership Project, 3GPP)中提出了LTE非授权频段接入(Licensed Assisted Access, LAA)的技术需求^[2]。LAA技术^[3-5]将LTE系统的工作频段拓展至资源丰富且免费的非授权频段，有望大幅降低频率资源获取成本，有效分流网络负荷，减轻网络扩容压力。

传统的宏蜂窝小区在覆盖范围上是均衡的，没有考虑到业务密度的差异性，因此在LTE系统中引入异构网的概念，通过将数据业务分流到低功率节点，减轻宏蜂窝的负载压力，改善小区边缘用户的性能。异构网的出现为动态时分复用(Time Division Duplexing, TDD)技术的应用提供了良好的条件，在3GPP组织的RAN1第58次会议中首次提出在异构网中采用业务自适应的动态TDD技术^[6]。文献[7]提出了一种分时长期演进(Time Division Long Term Evolution, TD-LTE)异构网络中全新的动态子帧配置方案，通过动态选择7种子帧配置中的一种可以有效减轻交叉子帧干扰，适应多变的传输环境。文献[8]则提出了一种5G系统中完全动态配置每个子帧传输方向的分布式算法，该算法通过对5G系统中实时上下行业务量的检测来动态配置每个子帧，使其适应存在突发性业务的通信情况。文献[9]介绍了非授权频段上两种全新的动态子帧配置算法，通过使用11种全新的子帧配置及动态子帧配置算法去实现非授权频段上的动态TDD技术。

文献[7-9]研究的都是异构网络中的动态TDD技术。动态TDD技术可以实时灵活地配置上下行子帧，从而提高系统的资源利用率，但也会在基站间引入严重的交叉子帧干扰，对系统性能造成严重影响。文献[10]通过用户提供的干扰信息来构建接入点间的干扰图，在数据传输的同时考虑大尺度衰落的影响，从而对用户分簇进行协同通信。文献[11]介绍了一种动态TDD LTE系统中基于小区分簇的干扰协调方案，对不同的小区分簇阈值方案进行仿真以评估系统性能。文献[12]提出了一种混合静态TDD和动态TDD的方案，并通过下行功控、混合链接和室内外协作调度的方案限制终端间干扰和基站间干扰。

LAA基站作为一种低功率节点，自然可以使用动态TDD技术来提高非授权频段上的频谱利用率。如今，将LTE部署到非授权频段，如何在非授权频段上运用动态TDD技术并且降低交叉子帧干扰的影响，具有较大的现实意义。因此，本文在文献[9]的基础上提出一种新的混合动态分簇算法来降低交叉子帧干扰对系统性能的影响

1 小区干扰协调算法

动态TDD技术就是允许不同的小区可以根据自身的业务状况动态调整上下行子帧配置。因此，使用动态TDD技术最大的好处就是可以根据小区当前业务量选择不同的上下行子帧配置，降低了业务包的传输时延，提高了小区总吞吐量^[13]。另一个好处就是节能。根据3GPP标准要求^[14]，对于每个下行子帧，基站需要发送参考信号来检测信道质量，即使当前小区没有业务需要传送。如果使用动态TDD技术，当小区没有或者只有很少的下行业务时，如果采用上行子帧占优势的配置，意味着基站只需要发送更少的参考信号，就可以节约系统能量。由于动态TDD技术的使用会在基站间引入严重的交叉子帧干扰，对系统性能造成严重影响，因此要对采用动态TDD技术的LTE系统进行干扰控制以改善系统链路的性能。本章提出一种基于混合动态分簇算法的方案来克服动态子帧配置引起的交叉子帧干扰问题，保障小区用户吞吐量。

1.1 交叉子帧干扰

传统的静态TDD网络中，不同小区不同时间段都采用相同TDD上下行配置，所以传统的静态TDD网络中只存在异实体干扰^[15]。本文仿真中采用的是上行单天线端口传输、下行闭环空间复用的传输模式，天线配置为上行1Tx×2Rx、下行2Tx×2Rx(Tx为发射天线，Rx为接收天线)，以下行多输入多输出(Multiple Input Multiple Output, MIMO)信道为例，接收端受到的干扰情况如图 1所示。

图 1中源发送端K使用预编码矩阵P_K产生两个空间层信号S_{K, 1}和S_{K, 2}，另一个发送端经过预编码矩阵P_L产生发送信号对源信号产生干扰，信号经过2×2的MIMO信道H_K到达接收端，接收端采用滤波矩阵W_K恢复出发送的层信号。在多小区的情景中，除了源发送端K发送层信号外，还有许多来自其他发送端L的干扰信号由有效信道H_LP_L到达接收端。接收端天线收到的y是所有发送信号和噪声n的叠加。

$ y = \sum {{\mathit{\boldsymbol{H}}_\mathit{L}}{\mathit{\boldsymbol{P}}_\mathit{L}}{\mathit{s}_\mathit{L}}} + n $

(1)

其中n~cN(0, σ²)，H_L和P_L分别为信道矩阵和预编码矩阵。

接收端通过一个滤波矩阵W_K来恢复发送的层信号x。x中不仅包含希望得到的源信号，同时也包含了滤波后的小区间干扰和噪声信号。

$ \begin{array}{l} x = \mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}y = \mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}(\sum {{\mathit{\boldsymbol{H}}_\mathit{L}}{\mathit{\boldsymbol{P}}_\mathit{L}}{\mathit{s}_\mathit{L}}} + \mathit{n}) = \\ \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}{\mathit{H}_\mathit{K}}{\mathit{\boldsymbol{P}}_\mathit{K}}{\mathit{s}_\mathit{K}} + \sum\limits_{\mathit{L} \ne \mathit{K}} {\mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}{\mathit{\boldsymbol{H}}_\mathit{L}}{\mathit{\boldsymbol{P}}_\mathit{L}}{\mathit{s}_\mathit{L}}} + \mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}\mathit{n} \end{array} $

(2)

其中:W_K^HH_KP_Ks_K是希望接收的层信号与流间干扰的和，W_K^HH_LP_Ls_L是小区间干扰，W_K^Hn是滤波后的噪声干扰。进一步地，根据对信干噪比(Signal to Interference plus Noise Ratio, SINR)的理解，可以知道信干噪比就是信号功率除以干扰加噪声功率，所以可以得到SINR的表达式：

$ \begin{array}{l} SIN{R_{\mathit{K}, \mathit{m}}} = |{\left[{\mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}{\mathit{\boldsymbol{H}}_\mathit{K}}{\mathit{\boldsymbol{P}}_\mathit{K}}} \right]_{\mathit{m}, \mathit{m}}}{|^2}/[\sum\limits_{i = 1, \;i \ne m}^{{M_\mathit{K}}} {|{{\left[{\mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}{\mathit{H}_\mathit{K}}{\mathit{\boldsymbol{P}}_\mathit{K}}} \right]}_{\mathit{m}, \mathit{i}}}{|^2} + } \\ \;\;\;\;\;\;\;\;\;\;\;{\sigma ^2}\sum\limits_{i = 1}^{{N_{Rx}}} {|{{\left[{\mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}} \right]}_{m, i}}{|^2} + {{\left[{\mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}\sum\limits_{L \ne K} {{\mathit{\boldsymbol{C}}_\mathit{L}}{\mathit{\boldsymbol{W}}_\mathit{K}}} } \right]}_{\mathit{m}, \mathit{m}}}}] \end{array} $

(3)

其中:C_L=(H_LP_L)(H_LP_L)^H表示的是从接收端观察到的来自发送端L的干扰矩阵，${{{\left[{\mathit{\boldsymbol{W}}_\mathit{K}^{\rm{H}}\sum\limits_{L \ne K} {{\mathit{\boldsymbol{C}}_\mathit{L}}{\mathit{\boldsymbol{W}}_\mathit{K}}} } \right]}_{\mathit{m}, \mathit{m}}}} $即为小区间干扰。对于M×N的MIMO模式，层m中的信号只对m层接收信号有贡献，所以只有增益|[W_K^HH_KP_K]_{m, m}|²是信号中唯一希望收到的部分。所有第m行和第i(i≠m)列的所有元素引起流间干扰。分母中的其他项式为滤波后的噪声。

动态TDD技术的应用有效地缩短了数据包的传输时延，提高了系统吞吐量，但是也使得LAA基站之间产生严重的交叉子帧干扰，由于交叉子帧干扰中干扰源和被干扰对象是同一种属性的网络实体，故也称作同实体干扰。如图 2所示，当LAA基站1处于下行，LAA基站2处于上行时，处于发射状态的LAA基站1会对处于接收状态的LAA基站2产生干扰，即基站间干扰。同时，处于发射状态的用户设备2(User Equipment 2, UE2) 会对接收状态的UE1产生干扰，即终端间干扰。因为一个LAA基站所服务的终端数目很大，故当存在同实体干扰时，会有更多的干扰源对接收端产生影响。

1.2 混合动态分簇

分簇技术在许多通信领域都得到了广泛的应用，在动态TDD场景中，分簇技术可以有效解决交叉子帧干扰问题。传统的分簇算法一般都是静态分簇，静态分簇算法简单，在仿真中易于实现。静态分簇只考虑诸如路径损耗等大尺度损耗的影响。在传输过程中，小区的分簇结果是固定不变的。同一簇内的基站采用相同的子帧配置，导致某些基站的子帧配置不能适配该基站当前业务量情况，从而使得这些基站的吞吐量受到限制。针对上述问题，本章提出一种混合动态分簇算法，在尽量减小上下行子帧交错干扰的同时保证系统吞吐量不受限制。

混合动态分簇算法不仅考虑诸如路径损耗等大尺度损耗，同时也考虑到缓存中实时变化的上下行业务量，通过与动态TDD技术的协同使用，动态地调整小区分簇结果。该混合动态分簇算法定义了一个新的综合考虑大尺度损耗及系统业务量情况的分簇指标——相关度(Relevance Metric, RM)。

$ \begin{array}{l} r{m_{\mathit{ab}}}{\rm{ = }}\alpha \frac{{\mathit{L}{\mathit{F}_{\mathit{ab}}}{\rm{ - min(}}\mathit{LF}{\rm{)}}}}{{{\rm{max(}}\mathit{LF}{\rm{) - min(}}\mathit{LF}{\rm{)}}}}{\rm{ + }}\\ \;\;\;\;\;\;\;\;\;{\rm{(1 - }}\alpha {\rm{)}}\frac{{\mathit{T}{\mathit{D}_{\mathit{ab}}}{\rm{ - min(}}\mathit{TD}{\rm{)}}}}{{{\rm{max(}}\mathit{TD}{\rm{) - min(}}\mathit{TD}{\rm{)}}}} \end{array} $

(4)

其中：a、b表示LAA基站；LF_ab指a与b的大尺度损耗，包括路径损耗和阴影衰落；TD_ab指a与b上行业务流量占比的差值；参数α是动态分簇方案中大尺度损耗与上行业务流量占比差值的比重。因为LF_ab和TD_ab两个变量不在同一数量级，如果直接由LF_ab和TD_ab来计算相关度，不能同时体现大尺度损耗和小区上下行业务量对分簇性能的影响，故本文先对LF_ab和TD_ab两个值进行线性归一化处理，使归一化后的数值落在[0,1]区间，再按比例求解出相关度。其中TD_ab的计算公式如下：

$ \mathit{T}{\mathit{D}_{\mathit{ab}}}{\rm{ = }}\frac{{T_a^{{\rm{UL}}}}}{{T_a^{{\rm{UL}}}{\rm{ + }}T_a^{{\rm{DL}}}}} - \frac{{T_b^{{\rm{UL}}}}}{{T_b^{{\rm{UL}}}{\rm{ + }}T_b^{{\rm{DL}}}}} $

(5)

其中T_a^UL与T_a^DL分别表示基站a上下行缓存中的业务比特数。从式(4) 可以发现，当α=1时，动态分簇只与大尺度损耗相关，与传统的静态分簇算法完全一致。对于整个动态LAA系统，所有LAA基站之间都存在大尺度损耗和上行业务量差值，就可以得到一个整个网络中所有LAA基站对之间的相关度信息的矩阵。

$\mathit{\boldsymbol{RM}}{\rm{ = }}{\left[{r{m_{\mathit{ab}}}} \right]_{P{\rm{*}}P}} $

(6)

因为总共有P个LAA小区，所以矩阵共有P行P列。元素rm_ab代表小区a与小区b之间的相关度，相关度越小，两小区越应该分到同一簇中。其中当a=b时，rm_ab=0。

相关度是动态分簇的唯一标准，其既考虑了LAA小区之间的大尺度损耗，也考虑了LAA基站的实际上下行业务量情况。根据相关度的定义，可以发现值越小，两基站间的干扰就越大。因为值越小，两基站的上行业务流量比重越接近，子帧配置情况就越相似，所以如果两LAA基站之间的rm_ab值越小，说明它们耦合关系越紧密，上行业务量比重越相似。因此，将这种相互间rm_ab值小的基站分到同一个簇中。

1.3 基于混合动态分簇的动态子帧配置方案

根据相关度的定义，本节提出了一种轮询式分簇方法，该方法的核心思想就是轮询地将P个LAA基站分到Q个小区簇中，分配的条件是每次使小区簇内的平均相关度值增长最小。混合动态分簇方案的具体过程如图 3所示。

在实际系统中，LAA小区基站的数目P总是大于分簇的数目Q。这种分簇方式的结果是将平均相关度小的LAA小区分配到同一簇中，即将干扰较强、有相似的上行业务比的小区分配到同一个分簇中，将干扰较弱、上行业务比差异大的小区分配到不同簇中。基于上面提到的轮询式分簇方法，该动态子帧配置方案会根据每次分簇的结果周期性地改变上下行子帧配置，每个簇内的LAA小区子帧配置相同，这样有助于减小交叉子帧干扰。图中的动态子帧配置方法选用参考文献[9]中的周期性动态子帧配置算法，其中上下行子帧个数由下面的公式决定：

${N_{{\rm{UL}}}} = {\rm{round}}\left( {\frac{{\sum\limits_{a = 1}^V {T_a^{{\rm{UL}}}} }}{{\sum\limits_{a = 1}^V {T_a^{{\rm{UL}}}} + \sum\limits_{a = 1}^V {T_a^{{\rm{DL}}}} }} \times 10} \right) $

(7)

$ {N_{{\rm{DL}}}} = 10 - {N_{UL}} $

(8)

其中:T_a^UL与T_a^DL是指LAA基站a上行与下行缓存中的业务量；V表示的是分配到某个簇中的LAA基站数目。

2 系统级仿真 2.1 仿真参数和仿真场景

在非授权频段上LAA基站与Macro基站是异频组网，所以LAA基站不会受到来自宏站的干扰。仿真中使用的参数如表 1所示。

仿真中采用7小区，每小区3扇区的wrap around部署方式，实现室外LAA共存的场景。LAA基站只在中心宏小区的每个扇区中以簇的形式存在，每个扇区中一个簇，每个簇中8个LAA基站(运营商1、2各4个)。蜂窝用户在每个簇内均匀分布，每个簇内有60个蜂窝用户。仿真中宏基站部署但不激活。LAA基站的署场景如图 4所示。本文仿真参数及仿真场景的取值均来自于3GPP相关标准协议——TR 36.889^[16]。

2.2 仿真性能指标

为了更好体现异构网络业务特性，本文使用FTP mode3业务模式，该模式以数据包为单位，数据包的到达间隔满足泊松分布，数据包的到达率为λ，包的大小为0.5 Mb，数据包的发送时间从它到达队列的时间开始计算。本文的仿真评估参数为用户上下行平均吞吐量(Throughput)和用户上下行平均时延(Delay)。

1) 用户上下行平均吞吐量的计算公式如下：

$ \mathit{Throughput} = \mathit{ave}\left\{ {\sum {{\mathit{B}_\mathit{i}}} /\sum {{\mathit{T}_i}} } \right\};i = 1, 2, \cdots, n $

(9)

其中：$ {\sum {{\mathit{B}_\mathit{i}}} }$表示第i个UE传输或接收的所有包的总比特数；$ {\sum {{\mathit{T}_\mathit{i}}} }$表示第i个UE传输或接收的所有包的总时间；n为UE的总数目。

2) 用户上下行平均时延是指将所有终端用户的时延取平均，其计算公式如下：

$ Delay = \sum\limits_{i = 1}^N {(D\_wai{t_i} + D\_tra{n_i})} /\sum\limits_{i = 1}^N {{Z_i}} $

(10)

其中：D_wait_i表示第i个终端传输数据包的等待时间；D_tran_i表示第i个终端传输数据包的传输时间；Z_i表示第i个终端传输数据包的个数。

3 仿真分析

在基于Matlab的LTE系统级仿真平台上，采用文献[9]所给出的动态子帧配置方案，在相同的仿真条件、不同业务到达率情况下，从吞吐量和时延的角度考察同等条件下静态分簇算法和混合动态分簇算法的性能。根据分簇算法的不同，设计以下三种仿真方案。

方案一：应用动态TDD技术，采用文献[9]的动态子帧配置方案，没有采用小区分簇算法。

方案二：应用动态TDD技术，采用文献[9]的动态子帧配置方案，采用静态分簇算法。

方案三：应用动态TDD技术，采用文献[9]的动态子帧配置方案，采用混合动态分簇算法。

3.1 吞吐量

图 5是不同业务到达率下用户的上下行平均吞吐量曲线，即一定时间内用户终端收发数据量的平均值。从仿真结果中可以发现，随着业务到达率的提高，任意一种方案的用户上下行平均吞吐量都呈下降趋势，这是因为业务到达率的提高，越来越多的小区处于激活状态，别的小区受到的干扰也就越大。

对比方案一和方案二，在低业务到达率时，方案二的用户上行平均吞吐量有明显提升，用户下行平均吞吐量则提升不明显；而在中高业务到达率时，方案二的用户上下行总平均吞吐量甚至低于方案一。总的来说，静态分簇方案对减小交叉子帧干扰的作用不明显，由于静态分簇只考虑大尺度损耗对小区吞吐量的影响，固定不变的小区分簇结果，导致某些基站的子帧配置不能适配该基站当前业务量情况，而在中高业务到达率时，更多的小区处于激活状态，业务需求更加多变，从而使得某些基站的吞吐量受到限制。

对比方案一和方案三，方案三的用户上下行平均吞吐量在低中业务到达率时相对于方案一都有明显提升。具体地，在中业务到达率时刻方案三的用户下行平均吞吐量相对于方案一提升了约22.02%，用户上行平均吞吐量相对于方案一提升了约21.12%。

对比方案二和方案三，可以发现相比静态分簇方案，方案三的用户上下行平均吞吐量都有明显提升。具体地，在中业务到达率时刻方案三的用户下行平均吞吐量相对于方案二提升了约34.33%，用户上行平均吞吐量相对于方案二提升了约16.92%；而在高业务到达率时，两种分簇算法的用户上下行平均吞吐量非常接近，这是由于在高业务到达率时，每个基站时时刻刻都有数据要发送，小区上下行业务量占比对动态分簇的影响减小，主要受大尺度损耗的影响，情况类似于式(4) 中α=1时的状况，即分簇结果更加趋向于静态分簇。总体来说，本文提出的混合动态分簇算法可以有效降低交叉子帧干扰的影响，对系统吞吐量的提升效果明显优于传统的静态分簇算法。

3.2 时延

图 6是不同业务到达率下用户的上下行平均时延曲线。从图 6可知，三个方案的用户上行平均时延比较接近，而方案二的用户下行平均时延最大。对比方案二和方案三，在中业务到达率时方案三的用户下行平均时延相对于方案二降低了约36.32%，用户上行平均时延降低了约14.18%。这说明本文提出的混合动态分簇算法相对于传统的静态分簇算法，在降低传输时延的效果上有一定改善。但是相比无小区分簇方案，分簇方案的上下行时延并没有明显改善，与方案一处于同一数量级。总的来说，虽然分簇算法不会明显降低业务时延，但是毫秒级的业务时延完全可以满足普通的民用移动通信需求。

综上所述，本文所提出的混合动态分簇算法能够兼顾考虑大尺度损耗与小区上下行业务量两个因素，这两个量都是一般移动通信系统本来就有的数据信息，不需要额外的系统开销去获得，同时混合动态分簇算法的分簇指标——相关度值的计算并不复杂，基站端完全可以处理。相比传统的静态分簇算法，该方案在保证业务时延不提升的同时，能够有效减小上下行子帧交错干扰，提升系统上下行吞吐量。

4 结语

动态TDD技术可以根据小区当前业务量灵活动态地选择上下行子帧配置，提高非授权频段上LAA系统性能，但是也引入了严重的交叉子帧干扰。本文通过分析影响系统吞吐量的各个因素，设计了一种综合考虑大尺度损耗和系统业务量情况的混合动态分簇算法。相比传统的静态分簇算法，该算法对系统吞吐量的提升效果更加明显，性能更加有优越。