大规模MIMO组网场景中的网络时延预测

朱 军,臧守涛,李 剑,李 汐,叶国骏

(1.安徽大学 电子信息工程学院,安徽 合肥 230601; 2. 中国科学院 上海微系统与信息技术研究所,上海 200050;3. 华为技术服务有限公司,上海 201206)

由于移动设备和移动流量的爆炸式增长,蜂窝系统正向5G无线系统发展.与4G网络相比,5G网络在频谱、空口和网络架构上制订了跨代的全新标准,以满足未来5G的应用场景.这些新标准、新技术,给5G无线网络规划带来了挑战[1-3].除此之外,大规模天线阵列增加了网络优化的难度,复杂的空间相关性使传统的定点路测、定量覆盖模型难以满足快速、全面、准确评估栅格级网络性能的要求.传统的网络性能仿真虽能实现精确分析,但海量的计算量和时间开销使仿真无法在现场应用[4].

随着神经网络在信息、自动化、医学、经济等领域的广泛应用,已有使用神经网络预测信道特征和网络性能的报道[5-7].文献[8]利用神经网络预测无线正交频分复用系统中的信道脉冲响应.文献[9]使用神经网络预测下行链路信道的质量.文献[10]利用神经网络预测用户信道中传输路径的偏离角.这些方法均通过现网采集实测数据,且将其作为训练样本,由于样本采集成本高,且网络参数变更后需重新生成样本数据,因此这些方法很难真正应用于实际网络.

文献[11]利用神经网络在线预测5G信道状态信息,但其预测的只有无线信道特性并没有网络性能,且存在预测参数有限、适用范围小、数据采集周期长等不足之处.文献[12]基于11个基站发射机的路径损耗数据,利用前馈神经网络算法预测无线信道的路径损耗,该方式在路损预测方面有较好的表现,但不能在现网架设之前采集数据,且通过发射机获取数据成本较高.针对上述方法的不足,笔者提出利用时延仿真模型累积大量数据,通过深度神经网络学习数据特征,利用训练后的网络模型预测栅格级用户的网络时延.

1 仿真建模原理

1.1 时延仿真模型

射线追踪模型可描述为:利用传输射线模拟发射信号,在传输过程中射线受到各种障碍,经历了发射、散射和衍射后,最终到达信号接收点.通过射线追踪模型,可计算信号的幅度、相位、到达角及传输时延等,进而构建出传输矩阵[13].射线追踪模型中不包含小尺度信息,仅有射线几何位置不能计算多径效应,这些数据不足以构建信道模型,因此使用相同场景下3GPP 38.901定义的统计模型，且补齐缺失的输入参数. 时延仿真模型的生成过程如图1所示.

图1 时延仿真模型的生成过程

1.2 信道矩阵

5G无线仿真平台以信道矩阵和工程参数作为输入,计算信道衰落系数矩阵,需要在射线数据的基础上补充天线布局信息、天线方向图等.其中天线布局信息、天线方向图采用3GPP 38.901标准的天线配置.信道矩阵按照3GPP 38.901定义的过程和方法计算,具体参数如表1所示.

表1 信道参数

信道系数的表达式为

(1)

其中：Frx,u,θ,Frx,u,φ分别是沿球面单位向量θ,φ方向接收天线的场方向图;Ftx,s,θ,Ftx,s,φ分别是沿球面单位向量θ，φ方向发射天线的场方向图；rrx,n,m，rtx,n,m分别是方位角为φn,m,AOA，φn,m,AOD的球面单位向量；drx,u，dtx,s分别为接收天线、发射天线的位置矢量.

1.3 时延计算

假定消息包无须拆分、合并操作.此处的无线侧时延主要考虑消息包从基站MAC层到用户MAC层的下行单向时延.业务模型采用FULL BUFFER模型,单次传输的时长(无重传)为4 ms, HARQ通道配置为8,消息包的最大重传次数为4.消息包的传输时延为

T=t+N×Td,

(2)

其中：t为消息包的首次传输时延,N为消息包的重传数,Td为重传的时间间隔.

统计用户所有消息包的传输时延,可得到用户的平均时延为

(3)

其中：TI表示用户所有消息包的传输总时延,Pn为消息包总数.

2 特征模型与神经网络结构

2.1 三视图特征模型

射线追踪模型中,传输链路的输出结果为射线起点(基站)和终点(用户,用5 m×5 m栅格表示)间所有反射点的信息,包括基站和用户间每条射线的起点、终点和中间反射点的3维坐标、每条射线的路径损耗和传输时长.

类比图像识别中的特征提取, 笔者提出的三视图特征模型将反射点分别投影到XOY、XOZ和YOZ平面上.3平面上反射点的投影位置均蕴含了反射点3维空间信息的一部分,可从3投影平面中完整提取反射点3维空间信息.三视图特征的提取过程如图2所示.

图2 三视图特征提取过程

2.2 数据集构建与神经网络模型

将反射点投影到3平面后,以基站为中心在X，Y轴的正负方向均延伸500 m,在Z轴方向以地面为起点向上延伸至基站上50 m.将3平面均划分为32×32个网格,判定反射点的所在区间,构建用于神经网络训练的数据集.该文使用卷积神经网络(convolutional neural network, 简称CNN)训练模型,卷积神经网络由以下组成:

(1) 输入层. 输入层是整个神经网络的输入,它描述了反射点在空间3平面的位置信息.

(2) 卷积层.卷积层对神经网络中的小块进行分析,得到抽象程度更高的特征.

(3) 池化层.池化层不改变3维矩阵的深度,但它能缩小矩阵的大小.在保持原有特征的基础上,最大限度降低数组的维度.

(4) 全连接层.提取输入特征后,进行分类或回归.

(5) 输出层.对于回归来说,输出层只输出一个节点,这个节点是卷积神经网络对输入数据的预测输出.对于分类来说,输出有多少类型,输出层就输出多少个节点.

该文使用的卷积神经网络包含的卷积层、池化层、全连接层的参数如表2所示.

表2 卷积神经网络参数

3 实验结果分析

3.1 神经网络模型的测试评估指标

时延相对误差的表达式为

(4)

其中：Xi为网络模型的预测值,Yi为实际值,n为用户数量.

消息包重传次数的相对误差为

(5)

其中：Nmax为消息包重传数之和的最大值.

误差均值和误差标准差的表达式分别为

(6)

(7)

3.2 时延仿真模型的信道矩阵预测

信道路径损耗(信道路损)是信道模型的一个重要指标,该文通过预测信道路损间接评估信道矩阵的准确性.设置神经网络模型的训练样本数为1.6×105.预测有以下2个场景:利用神经网络模型预测同一基站下不同小区的信道路损(场景1)；利用神经网络模型预测不同基站下不同小区的信道路损(场景2).

3.2.1 利用神经网络模型预测同一基站下不同小区的信道路损(场景1)

利用训练后的网络模型预测信道路损,结果如图3所示.由图3可知,两条曲线的趋势大体吻合, 仅少数点存在差异.

图3 场景1下预测的信道路损

场景1下预测的信道路损指标的评估结果如表3所示,由表3可知,信道路损的相对误差在5%以内，同时误差均值为3．173 4 dB,可见预测值较准确.

表3 场景1下预测的信道路损指标的评估结果

3.2.2 利用神经网络模型预测不同基站下不同小区的信道路损(场景2)

场景2下预测的信道路损如图4所示. 由图4可知,预测值与实际值的变化趋势基本吻合, 仅少数点存在差异.

图4 场景2下预测的信道路损

场景2下预测的信道路损指标的评估结果如表4所示.由表4可知,信道路损的相对误差为6.435 9%,误差均值为7.670 1 dB,可见预测值较准确.

表4 场景2下预测的信道路损指标的评估结果

3.2.3 信道路损的预测分析

两场景的信道路损相对误差的概率分布如图5所示.由图5可知，场景1的预测结果明显优于场景2.两场景预测结果差异较大的原因是场景1下的小区相似度较高.

图5 两场景的信道路损相对误差的概率分布

3.3 无线侧网络时延预测

无线侧时延预测有以下3个场景: 利用神经网络模型直接预测网络时延(场景3)；将神经网络模型预测的消息包重传数作为回归任务处理,间接预测网络时延(场景4)；将神经网络模型预测的消息包重传数作为分类任务处理,间接预测网络时延(场景5).

3.3.1 网络时延的直接预测(场景3)

利用神经网络模型直接预测网络时延,神经网络模型的训练样本数量为6×105,预测样本为3个小区的部分用户. 场景3下预测的网络时延如图6所示.由图6可得, 预测值与实际值的变化趋势基本吻合.

图6 场景3下预测的网络时延

场景3下预测的网络时延指标的评估结果如表5所示.由表5可知,相对误差和误差均值均较小.

表5 场景3下预测的网络时延指标的评估结果

3.3.2 基于回归任务的网络时延间接预测(场景4)

场景4下预测的消息包重传数如图7所示.由图7可知,预测值与实际值的变化趋势基本一致.

图7 场景4下预测的消息包重传数

场景4下预测的消息包重传数指标的评估结果如表6所示.由表6可知,与场景3相比，场景4下预测的相对误差及误差均值均偏大.

表6 场景4下预测的消息包重传数指标的评估结果

3.3.3 基于分类任务的用户网络时延间接预测(场景5)

场景5下预测的消息包重传数如图8所示.由图8可知,预测值与实际值的变化趋势基本一致,仅少数点存在差异.

图8 场景5下预测的消息包重传数

场景5下预测的消息包重传数指标的评估结果如表7所示.由表7可知,与场景4相比，场景5下预测的相对误差及误差均值均略有提高.

表7 场景5下预测的消息包重传数指标的评估结果

3.4 预测网络时延的误差分析

直接预测网络时延、间接预测消息包重传数的相对误差概率分布分别如图9，10所示.由图9可得直接预测网络时延的相对误差集中在1%. 由图10可知，场景4与场景5的相对误差差异不大，二者消息包重传数的相对误差均集中在10%.

图9 直接预测网络时延的相对误差概率分布 图10 间接预测消息包重传数的相对误差概率分布

4 结束语

笔者提出的网络时延预测方法可快速准确预测栅格级用户的网络时延,不需采集海量路测数据,节省了分析评估成本.笔者使用该文方法对上海市(占地6 340km2，栅格大小为5 m×5 m)进行了网络时延预测, 使用4台GPU服务器只需10 h左右即可完成网络时延预测,而采用时延仿真模型方法需5 d左右.该文三视图特征模型仅提取射线反射点的特征，没有完整提取用户的时延特征,因此进一步优化三视图特征模型为后续研究方向.