全双工蜂窝网络中用户协作D2D通信的性能分析与优化

提出一种蜂窝网络中全双工蜂窝用户协作D2D(device to device)通信机制,全双工蜂窝用户采用功率域叠加支持上行传输和D2D通信并发,为无直传链路的D2D用户对协作中继;分析了系统的可达速率域,提出了一种基于最大-最小可达速率的功率分配算法。仿真分析表明,随着自干扰消除性能的提升,系统的可达速率域扩大,全双工协作D2D通信的可达速率域显著大于半双工协作D2D通信,且蜂窝上行链路和协作D2D链路间存在可达速率折中;功率分配算法能根据信道状态动态调整蜂窝用户的发射 率和功率分配因子,功率效率高,且随着最大发射功率的增加,蜂窝上行链路和协作D2D链路的可达速率趋同,能满足最大-最小准则,兼顾蜂窝上行链路和协作D2D链路间的公平性。     

异构网络中D2D终端无线能量收集方案研究

为保证小区边缘用户(cell edge user,CEU)的通信质量,同时提高系统频谱和能量效率,针对D2D(device-to-device)发射机,提出一种无线能量收集方案.在3层异构网(heterogeneous networks,HetNets)中,基于小区分割因子,将宏小区用户(macrocell user,MU)划分为小区中心用户(cell center user,CCU)和CEU.同时,将频带划分成小区中心区域(cell center region,CCR)频带和小区边缘区域(cell edge region,CER)频带.其中,CCR频段由CCU和毫微微小区用户(femtocell users,FUs)共享,而CER频段由D2D用户和CEU共享.在此网络部署下,能量约束D2D终端可以从CCU和CEU附近的射频(radio frequency,RF)干扰中及FU附近的RF信号中收集能量.基于稀疏泊松点过程模型,对CCU,CEU和FU上行链路的覆盖概率以及D2D传输做了全面研究.数值和仿真结果表明,所提方案能有效改善网络的能量和频谱效率.     

基于容量最优化的D2D资源分配方法的研究

D2D(Device-to-Device)通信是一种在基站的控制下,允许终端之间通过复用小区资源直接通信的新型技术.它能够增加蜂窝通信系统频谱效率,降低终端发射功率,在一定程度上解决了无线通信系统频谱资源匮乏的问题.由于在未来的移动网络中有越来越多的异构设备,一个高效的资源分配方案必须最大限度地提高系统的吞吐量,并实现更高的频谱效率.资源分配方案是在保证小区用户吞吐量的前提下,使D2D用户获得最大的吞吐量,并在文献[7]的基础上给出了一个算法来解决这个问题.通过仿真表明,算法具有较低的时间复杂度,能够有效地提高系统的吞吐量.     

D2D通信中基于Q学习的联合资源分配与功率控制算法

D2D(Device to Device)通信可实现距离相近的用户设备直接通信,有效地提升系统的吞吐量,获得高频谱效率和能量效率,但D2D通信共享蜂窝网络频谱资源时,会造成蜂窝网络与D2D链路严重的层间干扰.为减少层间干扰带来的影响,提出一种基于Q学习的联合资源分配与功率控制算法.从Q学习的角度来构建数学模型,将蜂窝网络中的多个D2D用户对视为多智能体学习者,利用历史状态(历史吞吐量和功率值),不需要精确的信道状态信息(Channel State Information,CSI)和互干扰等先验知识,通过Q学习算法,学习得到分布式的信道选择和功率控制的联合最优策略.可以动态调整D2D用户功率,在保证蜂窝用户服务质量的前提下,通过D2D功率控制获得最大化系统吞吐量.仿真结果表明,基于Q学习的联合资源分配与功率控制的算法有效提高了系统的吞吐量.     

D2D通信系统中的最优中继选择及功率分配策略研究

在D2D(device-to-device)通信系统与蜂窝网络共存的场景下,引入中继节点可以有效提高D2D链路的吞吐量同时减小D2D链路对蜂窝网络的干扰?阐述了一种新颖的半双工放大转发双向中继协助D2D通信方案,提出了对应的最优中继选择及功率分配算法?该算法能够在满足蜂窝系统所受干扰小于一定门限值的约束下最大化D2D链路的吞吐量?该算法优化了D2D链路上各发送节点的发送功率;选出了可以使D2D链路吞吐量最大化的中继节点作为最优中继节点?其中,在计算最优功率分配的时候,利用拉格朗日对偶理论以及最速下降法对原功率分配优化问题的对偶问题进行了分层迭代求解?仿真结果表明,提出的策略与已有的方案相比可以显著提高D2D链路的吞吐量?     

两跳中继TDD-CDMA蜂窝网络容量分析

为了增加传统TDD-CDMA蜂窝网络的上行链路容量,采用了两跳中继方式.在两跳中继蜂窝网络模型的基础上,提出了2种时隙调度方法:时隙同步调度与时隙反转调度.分析这2种方法下中继站和基站的小区内和小区间干扰情况,分别得到其在目标小区中的总干扰功率.通过数值计算,获得两跳中继TDD-CDMA蜂窝网络的上行链路容量闭合表达式,并讨论了2种调度方法对系统性能所产生的影响.实验结果表明,采用时隙同步调度方法时,目标小区内部区域可容纳更多用户;采用时隙反转调度方法时,目标小区外部区域可容纳更多用户.因此,时隙同步调度方法适用于小区内部区域负载较高、外部区域负载较低时的情况,而时隙反转调度方法则适用于小区内部区域负载较低、外部区域负载较高时的情况.     

基于分组的D2D通信功率控制算法

为解决现有蜂窝网络中设备对设备（Device to Device,D2D）通信的功率控制算法中路径损耗补偿系数固定导致基站与D2D用户之间产生同频干扰的问题,文章提出了一种基于分组的功率控制算法。所提算法在传统闭环功率控制算法的基础上,利用D2D用户到基站的距离和D2D用户到蜂窝用户的距离,计算出路径损耗补偿系数增补量,并设定3组干扰区域对路径损耗补偿系数的增补量大小进行区分,最后采用联合闭环功率对系统进行干扰抑制。通过仿真实验可得知,该算法比使用传统闭环功率控制算法的系统的信干噪比（Signal to Interference Plus Noise Ratio,SINR）和吞吐量得到了提高,可以显著提高蜂窝网络中D2D通信的功率控制性能,达到干扰抑制的作用。     

认知D2D网络中基于博弈论的高能效干扰约束资源分配算法

针对认知网络中多个D2D(device-to-device)用户以Underlay模式复用蜂窝用户的频谱资源时的同频干扰和能耗增加问题,提出了认知网络中基于博弈论的最大化用户能效(energy-efficiency,EE)的D2D通信资源分配算法。不同于以前工作,在满足特定干扰门限的条件下,侧重对能效进行优化,且不牺牲系统容量。建立Underlay模式下认知D2D通信博弈模型,将D2D用户(device-to-device,DUE)作为跟随者复用蜂窝用户(cellular user,CUE)上行链路的频谱资源,由于每个用户都具有自私特性想要最大化自身的能效,所以该资源分配问题可以模拟为非协作博弈问题。在干扰门限的约束条件下构造了相应的效用函数,利用拉格朗日对偶方法求解此优化问题,得到用户的最优发送功率,保证了用户的功率和链路速率的均衡,并分析了算法复杂性。仿真结果表明,该方案能够提高用户能效和链路平均能效,改善系统总功耗及系统的容量等性能。     

蜂窝网络下中继D2D系统的保密速率研究

对蜂窝网络下中继D2D系统中蜂窝用户的物理层安全性能进行了研究,实现了既满足D2D对的传输速率要求,又提升蜂窝用户的保密速率的双赢局面.在空闲的蜂窝用户中挑选中继节点,将D2D对的干扰看作友好干扰,构建了多约束的非凸混合整数优化模型,通过分层求解,提出了单用户场景下的功率控制算法和多用户场景下的信道分配算法.仿真结果表明:功率和信道的联合优化算法与通信系统中随机接入算法相比,能够在满足约束条件的同时提升蜂窝用户的保密速率,增强物理层安全性能.     

D2D辅助NB-IoT系统的传输设备数优化算法

针对窄带物联网(narrowband internet of things,NB-IoT)中,处于蜂窝边缘覆盖薄弱区域的用户设备(user e-quipment,UE)到基站的直接链路质量可能并不满足数据传输的服务质量(quality of service,QoS)要求,提出一种设备到设备(device-to-device,D2D)通信辅助NB-IoT UE数据上传的方案.该方案采用D2D通信作为NB-IoT系统的路由扩展.当候选中继UEs工作在D2D通信模式以节省能量时,边缘UEs根据它们的中继时间表选择一组D2D中继设备,用于上行链路数据的传输.此外,对于NB-IoT系统传输设备数不足的问题,进一步提出基于动态规划的优化算法,实现了最佳的单位能量提供的传输设备数(transmission device number provides by unit energy,NUE).仿真结果表明,与直接传输、单中继和多中继等其他算法相比,所提的maxNUE算法在不同的UE/中继发射功率和中继占空比下均获得了最大的NUE.     

基于干扰对齐的设备到设备功率控制算法

为了使蜂窝网络系统中设备到设备(D2D)用户的速率总和最大,提出了一种基于干扰对齐(IA)的功率控制算法.该算法通过IA技术使得所有的D2D用户能够同时占用可使用的子载波;同时,控制每一个D2D用户在子载波上的功率,使所有D2D用户在对蜂窝用户(CU)产生的干扰小于干扰阈值的前提下,其速率和达到最大.仿真结果表明:与传统的基于频分多址(FDMA)的功率控制算法相比,本算法在干扰阈值为10 d Bm时,所得到的D2D用户的总速率和可提升约6 bit·S-1·Hz-1.     

异构小蜂窝网中D2D模式选择的联合决策方法

为了在更加贴近实际的环境下研究D2D用户的工作模式选择,提出一种新的异构小蜂窝网络中的D2D模式选择方法。该方法通过分析D2D链路的传输功率和信道开销,给出了D2D链路的传输代价函数表达式,以D2D链路传输代价为标准并使用联合决策算法对D2D链路的模式选择进行控制,使得系统D2D链路的传输总代价达到最小。理论分析和仿真结果表明,所提出的方法能够有效的减小系统传输功耗。     

NOMA残余干扰下D2D网络的能效资源分配算法

为了解决非理想串行干扰消除（serial interference cancellation,SIC）解码引起的残余干扰给非正交多址接入（non-orthogonal multiple access,NOMA）增强型设备到设备（device-to-device,D2D）组链路带来的高能耗、低信道利用率问题,提出一种基于能效优化的资源分配算法。在保证蜂窝、D2D组用户通信服务质量和复用子信道个数约束条件下,建立能效优化模型;使用一种以D2D组能效为权重的加权二部图最大匹配联合匈牙利算法为每个D2D组分配子信道;考虑到各接收机用户在相同和不同残余干扰下的能效问题,通过参数变换、Dinkelbach法和拉格朗日对偶法实现功率分配。仿真结果表明,提出的算法在非理想SIC条件下可有效提升系统D2D组链路的信道利用率和总能效。     

一种基于用户位置的设备到设备模式选择和资源分配方案

在蜂窝网络中通过复用蜂窝系统中已使用的频谱资源,来增加蜂窝系统的频谱利用率,减少基站的负载,同时通过基于用户位置的设备到设备(D2D)模式选择和资源分配算法,达到减少同频率之间的用户干扰,降低用户的传输功率的目的.仿真结果显示,相比于传统的蜂窝通信和随机的资源分配模式,基于用户位置的D2D模式选择和资源分配有效地提高了系统总容量,减少了用户之间的干扰.     

基于模糊聚类的D2D通信二次资源分配算法设计

针对D2D链路与蜂窝链路之间的同频干扰问题,提出了一种基于模糊聚类的二次资源分配算法.该算法采用了模糊聚类将干扰较大的D2D链路划分为一组,再用图着色进行组内一次资源分配,从而降低干扰并保证用户Qos需求和公平性.最后,采用Kuhn-munkres最优匹配算法进行二次分配来达到提高系统吞吐量的目的.通过计算机仿真可以看出,该算法既可以保证D2D用户的不同Qos需求,又提高了系统吞吐量和获得无线资源的公平性.     

基于博弈论的D2D通信资源共享算法

针对目前端对端(D2D)通信资源共享算法无法解决资源利用率和信道干扰之间矛盾的问题,为了改善D2D通信性能,设计一种基于博弈论的D2D通信资源共享算法.该算法将通信系统吞吐量作为目标,通过引入博弈论实现各用户间的通信资源共享,使通信链路之间合理地分配资源,减少信道之间的干扰,提高蜂窝链路的通信质量.与经典D2D通信资源共享算法进行对比实验结果表明,该算法明显提高了D2D通信质量,提升了信道利用率,系统总吞吐量得到大幅度提高.     

一种基于虚拟分区的跨小区 Ｄ２Ｄ 资源分配算法

终端直通（device-to-device,D2D）技术引入蜂窝系统虽然能够提高蜂窝系统性能,但同时带来了很大的干扰。为了降低蜂窝用户对D2 D用户的干扰,提出了一种基于虚拟分区的跨小区资源分配算法。通过为D2 D接收端设置干扰限制区域来限制D2 D用户所复用的蜂窝用户资源;为了给分配相同资源的用户之间建立较大的空间分离,降低链路间的相互干扰,引入虚拟分区的概念;最后,为了使系统吞吐量达到最大,从可复用蜂窝用户的集合中选择链路质量最好的k个蜂窝用户,将其资源分配给D2 D用户。仿真结果显示,所提算法可以有效地降低蜂窝用户对D2 D用户的干扰,提高系统的吞吐量,提升系统性能。     

基于SWIPT的D2D通信辅助移动边缘计算任务卸载策略

为解决5G移动通信系统中移动用户计算能力不足、能量消耗多、无线资源缺乏等问题,本文构建一种基于无线携能通信(Simultaneous Wireless Information and Power Transfer, SWIPT)的多用户设备间(Device to Device, D2D)通信辅助移动边缘计算(Mobile Edge Computation, MEC)系统模型,提出一种D2D-MEC联合卸载策略。该策略以系统中请求用户总能耗最小化为目标,采用二进制卸载模式和功率分流模式对请求用户进行任务卸载和能量收集。针对能耗最小化问题为非线性混合整数规划问题,根据整数变量和实数变量将原问题解耦为功率分配和计算任务卸载两个独立子问题,并分别采用Dinkelbach方法和匈牙利算法求出两个子问题的最优解。仿真实验结果表明,本文所提策略优于传统的D2D卸载策略和MEC卸载策略,有效降低了请求用户的总能耗,提高了任务执行效率。