还剩33页未读,继续阅读
本资源只提供10页预览,全部文档请下载后查看!喜欢就下载吧,查找使用更方便
文本内容:
B3G网络联合无线资源管理的研究
1、前言 传统无线资源管理的目标是在有限带宽的条件下,为网络内无线用户终端提供业务质量保障,其基本出发点是在网络话务量分布不均匀、信道特性因信道衰弱和干扰而起伏变化等情况下,灵活分配和动态调整无线传输部分和网络的可用资源,最大程度地提高无线频谱利用率,防止网络拥塞和保持尽可能小的信令负荷传统意义上的无线资源管理包括接入允许控制、切换、负载均衡、分组调度、功率控制、信道分配等而联合无线资源管理则是一组网络的控制机制的__它能够支持智能的呼叫和会话接纳控制,业务、功率的分布式处理,从而实现无线资源的优化使用和达到系统容量最大化的目标这些机制同时应用多种接入技术,并需要可重配置或者多模终端的支持就功能而言,联合无线资源管理涵盖了原有无线资源管理的各项功能 相比传统的无线资源,未来的异构无线资源并不仅仅指无线频谱,还包括无线网络中的其他资源,如__用户的接入权限、用户的激活时间、信道编码、发射功率、连接模式等[1,2]可以看出未来的异构无线资源在以下两个方面进行扩展首先,资源构成有所扩展这主要表现在资源的取值范围以及资源之间的耦合关系有所扩展其次,资源的变化情况有所扩展由于终端接入环境所呈现的异构性,一维随机变量不再能够反映异构无线资源中多种元素的共同变化为了反映未来网络无线资源的异构性,可能需要二维或__随机变量来表征无线资源的构成 相比传统的典型意义的蜂窝网络的无线资源管理的方式,未来的联合无线资源管理的模式不再局限于单一的集中式管理,而是可以采用集中式、分布式以及介于两者之间的分级式的管理方式,这几种方式各有优缺点
2、研究现状
2.1 通用无线资源管理 当前,异构的联合无线资源管理的研究已经吸引了广泛的__3GPP在制订规范的时候就已经考虑了多种无线接入技术共存的融合网络场景,并在____[3,4]中提出了通用无线资源管理CRRM的概念,通过CRRM服务器对融合WCD__、G__/EDGE等多种接入技术的异构网络进行全面统一的资源管理CRRM作为融合网络中无线资源接入的策略管理者,其主要任务是在切换和呼叫建立过程中,对候选目标小区可能采用不同无线接入技术分优先级进行处理CRRM的主要优势包括进行负载均衡从而提高系统资源利用率;分散干扰,改善频率效率;为各种业务选择最合适的无线承载,以增强网络的QoS管理能力由____
[5]可以看出针对高速率的实时业务和所有的非实时业务而言,都能够显著提高系统利用率,主要体现在容量显著增加,在相同数量的小区覆盖情况下这些小区可能采用不同无线接入技术,增加CRRM算法控制以后明显提高了可服务的用户数;QoS明显改善,对于实时业务而言,在呼叫控制和切换过程中,通过对多种接入网络的选择来达到负载均衡,从而能够大幅度地降低阻塞率和掉话率;对于非实时业务,通过网络选择进行分流,从而能够降低业务时延以提高系统的平均吞吐量 然而,CRRM也存在一定的局限性,这主要体现在一方面,无论是呼叫建立还是系统间切换,接入网络选择仅考虑了负载因素,而没有考虑其他因素,例如__强度、覆盖范围、用户__速度;另一方面,CRRM仅针对UMTS、GERAN等蜂窝网络,而不包括其他类型的网络,例如无线局域网、无线个域网等
2.2 联合无线资源管理 ____[6-8]提出了一种基于紧耦合的联合无线资源管理JRRM的新模式JRRM的主要设计原则是不同的无线接入技术采用紧耦合的方式进行统一管理,在不同的无线接入网络上有一个集中的联合控制实体进行联合的接纳控制、资源调度和负载控制JRRM在设计的时候就提出了主要目标是在不同的接入技术下实现智能的互操作;最优化频谱的使用效率有效地处理各种载体的类型;有效地满足不同用户所要求的不同业务的QoS要求同时,JRRM以WCD__和HIPERLAN/2的互通为例,探讨了如何在这个互通的场景下实现联合的无线资源管理可以预见的是它将以此为一个参考模型扩展到支持未来的其他无线接入技术JRRM另一个主要的创新在于它提出的可以将业务进行分流的思想,并认为一种业务可以分为基本部分和增强部分其基本部分是被认为再现这种业务所必须的,所以这种基本部分只能承载在具有大范围覆盖的网络如UMTS,而增强部分认为是可以提高用户QoS所要求的这种增强的部分一般承载在具有较高比特速率的无线载体上,例如在JRRM中承载在HIPERLAN/2上在JRRM中,所谓的动态就是体现在对业务流的区分上,即可以根据实际的网络质量在业务源处灵活地对业务进行分流,这样在网络侧可以根据不同的要求将分流后的业务承载在不同的无线接入网络中 但是对JRRM来说,初步尝试所选取的异构网络有其特殊性对于HIPERLAN/2而言,它是基于一种集中控制的工作方式,AP接入点对其范围内的STA__台具有很强的控制能力,这和现有的
802.11中大多数的无线局域网的工作方式不同在现有的IEEE
802.11系列中,虽然定义了PCF点协调功能这种集中控制的方式,但目前并没有采用,只是在竞争信道的基础上提供best-effort的服务,这就造成了对于WLAN资源基本处于一种不管理的状态所以在JRRM中这种异构网络的融合其实并不能很好地代表未来的异构网络的融合方向,它选择的这种无线互通模型并不具有广泛的代表性,在具体的资源分配策略上面,它也只是采用了一种简单的算法,即传输速率高的业务分配到带宽高的无线网络中,传输速率低的业务分配到带宽低的无线网络中,并且在业务的调度上,也只是基于简单的round-robin算法,并没有提出一个完整的调度算法
3、联合无线资源管理模式 依据____
[9],异构的联合无线资源管理按照管理的方式不同可以分为集中式、分布式和分级式
3.1 集中式联合无线资源管理
3.
1.1 结构 如图1所示,集中式无线资源管理适用于紧耦合的融合架构所谓集中式是指在各无线接入网络之上有一个集中控制的实体这个集中控制的实体能测量它所管辖范围内的多个网络的无线资源的使用情况,并且能够对这些无线资源进行统一的分配和管理 图1 集中式无线资源管理架构
3.
1.2 功能 如图2所示,集中式的联合无线资源管理的功能模块可以分为两个部分联合管理实体和__执行实体联合管理实体__于各种无线接入技术RAT,是联合无线资源管理的执行点主要执行联合接纳控制、联合切换控制、联合资源分配以及联合时间调度__执行实体是原来各无线接入网络内部已有的无线资源管理实体,主要完成用户业务具体无线传输中所使用的无线资源分配并进行传输执行,即传统的无线资源管理在这部分执行从这个意义上来看,联合无线资源管理是对资源的一种宏观控制,具体细粒度的、传统的无线资源管理还是由各无线接入网络中的管理和控制实体来操作无线网络侧的__执行实体向联合管理实体上报无线状态信息和负载信息以便联合管理实体执行统一的无线资源估计和分配,进而联合管理实体会把分配的方案下发到无线侧的各个__执行实体中 图2 集中式联合无线资源管理功能的实现
3.
1.3 数学方法和理论 一般来说,集中式的联合无线资源分配算法以最大异构系统资源利用率为目标,对同时可获多种网络连接的所有用户进行接入网络的重新分配其中,算法需要考虑影响系统资源利用率的各种因素这些影响因素具有以下特点种类繁多,除了网络负载外,还包括__强度、覆盖情况、连接有效性等此外,异构环境中的资源表示具有差异性,因此不同接入网络内的同一因素不易统一量化表示并且难以比较,例如同一用户与不同无线接入技术连接的__强度、不同无线接入网络的负载等所以,当前的异构网络研究中借鉴了一些数学理论和方法来定量分析不同类型的影响因素,并将这些难以统一量化的因素进行一致性表示并比较其中比较有代表性的方法有层次分析法、灰度关联法和模糊逻辑方法,下面将分别简层次分析法
[10]的基本思想是首先把复杂问题分解为称之为元素的各个组成部分,然后把这些组成部分按属性分为不同组,以形成不同的层次,其中主要包括目标层、准则层和方案层这些层次之间具有自顶而下的支配关系因此,为了把联合无线资源分配问题条理化、层次化,需要构造出一个有层次的结构模型一般而言,紧耦合的集中式无线资源管理可以以系统资源利用率为目标层,然后考察影响此目标的多个因素,例如__强度、覆盖范围、网络负载、吞吐量和用户偏好等将这些影响因素作为准则层而方案层不敷出则是最终可能的所有分配结果或选择结果这样一个自顶而下的层次结构能反映出所要解决问题的清晰思路 灰度关联法
[11]是分析离散__关联程度的一种有效的方法,其核心思想是将其中的一种最优情况作为参考,然后将其他情况与这种最优情况进行比较并计算灰色关__数如果两者的相似程度越大,则灰色关__数越大,最终,灰色关__数最大的那个方案就是要选择的最优方案一般而言,层次分析法和灰度关联__一起使用进行多因素的问题分析 模糊逻辑方法
[12]的核心思想是通过隶属函数的计算,将量上没有确切边界的事物量化进而进行比较一般而言,模糊逻辑的方法有以下三个步骤模糊化、模糊推理和去模糊化模糊化是把输入变量通过隶属度函数转化为合适的语言值模糊推理是基于模糊逻辑中蕴含关系和推理规则进行的,是模糊控制的核心去模糊化则是将模糊推理得到的结果变换成用于实际控制的清晰量 以上三种数学理论在集中式的联合无线资源管理中已经用于解决异构网络的选择和异构网络的资源分配其中____[13-15]以UMTS和WLAN的耦合网络为例采用了层次分析法和灰度关联法分析了异构网络选择____[16,17]以WLAN、UMTS和GERAN为例,采用了模糊逻辑算法分析了无线资源的可获性、__强度和终端的__速度对无线网络选择的影响
3.2 分布式联合无线资源管理
3.
2.1 结构 如图3所示,相比于集中式的无线资源管理模式,分布式的无线资源管理模式没有一个集中的管理实体来统一协调各种无线接入技术在这种模式下,统一的协调功能分散在各个地位对等的无线接入网络中[18,19],即分布式管理能够在基于同一目标的前提下,将管理和计算功能分配给各个分布式节点,从而一方面能够降低各个节点的计算复杂度,另一方面增加了系统的冗余度冗余度的增加意味着在某些节点发生故障的情况下,不会对分布式节点的计算和管理产生破坏性影响 图3 分布式无线资源管理架构
3.
2.2 功能 ____
[20]对分布式节点内部的功能结构进行了探讨,文中提出了一种混合多无线环境的管理系统__nagementsystemforcompositeradioenviro__ents,MS-CRE,如图4所示这种系统综合考虑了B3G网络的分布式管理的特点,所以针对未来的分布式管理而言,这种结构的设计并不失一般性下面针对图4讨论未来分布式网络的节点的内部架构 图4 分布式网络节点功能 从图4可以看出,监控模块和配置模块是与无线接入技术相关的两个模块,它们可以看作是已有的管理模块的一种增强而会话管理、资源代理和签约信息模块则是为了符合下一代分布式网络特点和未来商业模式而新设计的模块其中,监控模块收集其下无线接入技术的状态信息并检验已经建立的服务水平协议SLA是否仍然有效签约信息模块则提供用户信息、业务提供商信息和网络运营商的信息资源代理模块负责在异构网络中与其他运营商进行交互配置模块依据要求的容量和QoS等级对无线资源进行配置会话管理模块与用户进行交互,从而在进行资源管理时也考虑到用户侧因素的影响
3.
2.3 算法和机制 相比集中式的联合无线资源管理算法,当前针对分布式的异构网络的联合无线资源管理算法或机制的研究相对较少但分布式无线资源管理的算法和机制目前已经逐渐成为学者__的领域,____[2l]是这方面研究中一个有代表性的成果 然而分布式管理机制不具备集中管理实体,不能针对所有所管理实体进行统一调整以及针对某些目标进行统一计算,从而在高效地获得系统全局最优方案方面具有一定难度因此在分布式联合无线资源管理机制的设计中,必须在充分发挥分布式计算优势的前提下,设计一定的措施来弥补分布式计算在搜索全局最优分配方案能力上的缺陷依据此设计原则,分布式的联合无线资源管理可以采用以__式来达到系统的全局最优方案首先,定义各个分布式节点上的目标函数,由各个分布式节点分别执行本节点目标函数的计算,通过调节本节点上的各个参数从而达到本节点上局部目标函数的最优;其次,在上述达到分布式节点局部目标函数最优的过程中,节点参数的调整可能造成相邻节点参数的变化,因此需要节点之间交互调控结果,再次分别进行迭代寻优计算;最后,在定义满足全局最优的条件为各个节点目标函数之和的基础上,通过一定的数学方法推导出 此外,在分布式的联合无线资源管理中,博弈论也是一种重要的研究方法____
[20]首次将博弈论的思想引入到分布式联合无线资源管理中用于解决不同运营商之间的__竞争
3.3 分级式联合无线资源管理 在很多情况下,异构无线资源管理可以采取如图5所示的分级无线资源管理架构图5 分级式无线资源管理架构 分级式的联合无线资源管理架构的性能是集中式和分布式的一种折中未来的异构网络最有可能采用这种分级联合无线资源管理架构
3.4 比较 集中式的无线资源管理架构能够对所管辖范围内的无线资源进行统一的管理,这就使得这种模式最容易达到全局资源最优使用和最大化系统容量的目标但是这种方式的灵活性比较差,即如果新引入一种新的无线接入技术,对原有的管理体系改动较大 分布式无线资源管理架构可以很好地解决可扩展性的问题同时,分布式管理模式下各种无线网络的对等地位也符合未来网络的实际运营情况,但是还是应该看到这种管理模式所固有的缺点首先是这种模式很难达到资源的最优使用,虽然可以通过信息交互以提高系统的总体性能但是和集中式的方式相比还是在总体性能上有所差距此外,如果无线网络过多,分布式无线网络所要交互的信息将以指数形式上升,这也是分布式管理所面对的不利因素 集中式联合无线资源管理与分布式联合无线资源管理相比各有利弊总体来说,集中式的无线资源管理具有联合管理实体,能够对异构无线资源进行统一管理和分配,以达到异构系统的全局资源最优使用分布式无线资源管理具有很高的灵活性,可以根据网络的实际部署情况,扩展分布式管理节点 具体可以从以下几个方面描述两者的区别 ●管理执行点集中式联合无线资源管理的算法执行点位于能够和所管理的多种无线接入网络通信的联合管理实体上要求该管理实体具有较高的计算能力;而分布式联合无线资源管理的算法执行点位于各个分布式节点上,仅需要管理和计算本网的资源分配 ●管理所需信息集中式联合无线资源管理需要从所管理的多种无线接入网络上获取进行资源分配所需的所有信息,包括当前的用户业务统计、无线接口参数等;而分布式联合无线资源管理仅需要本无线网络中进行资源分配所需的信息以及一些反映邻网响应的信息 ●管理方式适用范围集中式联合无线资源管理需要网络结构的支持,适用于紧耦合和更紧耦合的异构网络互通模式;而分布式联合无线资源管理对网络结构的要求相对宽松,适用于松耦合的异构网络互通模式 ●管理的评价标准集中式联合无线资源管理应当以全局最优的资源使用率为衡量标准,综合考察异构网络中所有用户的资源使用情况;而分布式联合无线资源管理的评估标准可能是在不影响其他网络运营的情况下,仅考察本网的资源使用情况
4.Self-xtechniquesfortheoptimizationofradioac__ssnetworksE3hasdeveloped“self-x”techniquesfortheoptimizationofradioac__ssnetworksandhasfocusedoncognitivenetworksthroughenrichingthedevelopedalgorithmswithcognitiontechniques.Theindicativeresultsprovesofarthebenefitsderivingtherefrom.Ingeneralself-organizingbeh__iorisaphenomenonobservedinnatureaswellasindifferentscien__s.Consequentlydifferentalgorithmsdescribingandperformingself-organizingbeh__iorexist.Aself-organizingnetworkSONisacommunicationnetworkwhichsupportsself-xfunctionalitiese.g.self-configurationorself-optimization.TheSONfunctionalityincludesallpossibletechnicalfunctionsthatanetwork__nagesinanautonomousway.SONfollowstheparadigmchangewherenowthefocusisfixedonthefollowingtwoaspectsrightfromthestart:ex__llentnetworkperfor__n__andoperationalefficiency.Thisnewmindsetisanaturalconsequen__becausecomplexityandheterogeneityoffutureradioac__ssnetworkswilldra__ticallyincreaseandsimultaneouslyalsooperationaltaskssuchasnetworkplanningdeploymentOAMOperationAdministrationand__intenan__functionalitiesnetworkoptimizationetc.Self-xenablestheauto__tionofoperationaltasksandthusminimizeshu__ninvolvement.Hen__theoperationalexpenditureOPEXisredu__d.Generallyself-xfunctionalitiesarebasedonaloopself-xcycleofgatheringinputdatapro__ssingthesedataandderivingoptimizedparameterizationseeFigure
5.Furthermoreself-xeffectuatestheimprovementoftheusabilityoffuturewirelessac__sssolutions“plugplay”andac__leratestheintroductionanddeploymentofnewwirelessservi__s.Inadditionself-organizingapproaches__ycontributetofurtherincreasingspectralefficiencysin__theycanbeusedtoallocatecapacitywhereitisneeded.abFigure5:aself-xcyclebself-optimizationinfuturewirelessnetworksGenerallyself-xfunctionalitiesarebasedonaloopofgatheringinputdatapro__ssingthesedataandderivingoptimizedparameterizationself-xcycle.ThisisalsoshowninFigure5a.Infuturewirelessworldtherearealargenumberofreconfigurablenetworkelementsinac__ssnetworksresultingtothehighcomplexityofnetwork__nagement.Inordertoadapttothecomplexanddynamicnetworkenviro__entand__intainnetworkperfor__n__sself-optimizationisne__ssarytoenabletheauto__ticreconfigurationofnetworkelements.ToachievethepurposeanetworkoptimizationfunctionalmoduleNOFMshowninFigure5bisdeployedinheterogeneousac__ssnetworkasacoreoptimization__nagerwhichisresponsibleofaMonitoringandaggregatingradioac__ssnetworksinfor__tionbModelingand____yzingnetworkoptimizationproblemcPlanninganddecidingoptimizationstrategyonnetworkreconfigurationdDirectingandguaranteeingthenetworkelementreconfigurationexecutionandeStoringknowledgelearnedfromtheself-optimization.Tocatchupthedynamicchangeofwirelessenviro__entthenetworkoptimizationmodulekeepsmonitoringonnetworkenviro__ent.Consequentlytheself-optimizationisoperatedasaclosedcontrolloop.Theinputoftheself-optimizationloopisthedynamicenviro__entinfor__tionwhiletheoutputisnetworkelementreconfigurationstrategy.Theinputinfor__tioncouldbeaggregatedfromthenetworkelements’measurementreportinginvolvingtheservingbasestationsattributesandterminaldistributionQoSde__ndetc.Basedontheinfor__tionthenetworkoptimizationmodule__kesappropriatereconfigurationdecisionwhich__ximizesthenetworkperfor__n__s.Sin__theprincipleofreconfigurationdecisionisto__tchthenetworkcapabilitiesanduserde__ndsthedecisionshouldinvolvebothnetworkparameteradjustmentandterminalparameteradjustment.Byexecutingtheself-optimizationduringthewholeoperationalpro__ssitcouldovercometheheterogeneityandcomplexityofnetwork__nagementandoptimizenetworkperfor__n__s.IntheE3scopethefollowingbasicusecasesforself-organizingnetworksh__ebeenidentified: __llself-reconfiguration Handoverandloadbalancing __lloutagecompensation HBSHomeBaseStationparameteroptimization Interferen__coordination.Con__ptsandself-xalgorithmsforsuchusecasesweredevelopedinordertoapplythemforlegacynetworksandnewairinte_____s/systemsandalsofortheirinterworking.E3has____yzedthesecon__ptsandrequiredfunctionalcomponentsbymeansof____yticalandsimulativeasses__entwithrespecttoE3systemarchitectureintermsofanefficientend-to-endperfor__n__fromboththeenduser’sandtheoperator’spointofview. IngeneralE3hasidentifiedself-xalgorithmsdividedaccordingtotheirimplementationintolocaldistributedand__ntralalgorithms.Thedifferentimplementationsh__edifferentcharacteristicsanddifferentadvantages.Somealgorithmscanbeimplementedinadistributed__nneraswellasina__ntralonesomealgorithmsareinherentlydistributedorlocallyimplementedalgorithmsandagainothersarefromtheirnatureboundfor__ntralimplementation.FurthermoreE3givesabriefoverviewofthedifferentimplementationsandtypesofself-xalgorithmsthismeans1local2distributedand3__ntralalgorithmsandclassifiestheintrodu__dalgorithmsaccordingtotheircomplexity.AsanexampleofSONfunctionalityDynamicSelf-OrganizingNetworkPlanningand__nagementDSNPMhastheo__ectivetoprovidethemediumandlongtermdecisionuponthereconfigurationactionsanetworksegmentshouldtakebyconsidering__rtaininputinfor__tionandbyapplyingoptimizationfunctionalityenhan__dwithlearningattributes.Figure6depictsitsoveralldescriptionaswellassomeindicativeresultswhicheviden__theexploitationofknowledgegainedduringtheoptimizationpro__dures.Figure6:aDSNPMfunctionalityasaSONexamplebDSNPMlearningpro__durecindicatives__narioresultsdoptimizationdelaycomparisonforcognitiveandlegacyoptimizationpro__duresesuc__ssfulcontext__tchingprobabilityfmeanoptimizationdelayRegardingtheDSNPMdecisionstheyaretargetedatproducingafeasiblenetworkreconfigurationiattheapplicationlayerreferringtotheguaranteedQoSlevelsassig__enttoapplicationsiiatthenetworklayerreferringtotrafficdistributiontospecifictrans__iversandcorrespondingRATsaswellasnetworkentitiesinterconnectionandfinallyiiiatthelower/PHYlayerreferringtothenumberofnetworkelementtrans__iversinvolvedindecisionsRATstobeactivatedspectrumselectionandradioparametersconfigurationperRAT.DSNPMisalsoenhan__dwithlearningattributesthatwillyieldknowledgeandexperien__and__yhelptopredictproblemsandactproactivelytosolvethem.Throughthislearningpro__dureDSNPMiscapabletoachievethefollowingtargetstraining:RememberencounteredcontextsandcorrespondingsolutionsRemembercontextstemporalinfoliketopologicalaspectsandbeh__iorintimeEsti__tionofcontextstransitionprobabilityEsti__tionofsolutionssuitability.GiventhecontextstransitionprobabilitiesDSNPMiscapabletopredictcontextsandactproactivelyinorderto__oid__rtainproblemsinthenetwork.Theresultsofthispro__ssareshownonFigure6cdeandfandshowsignificantgainssin__exploitingpastcontextsenablestheDSNPMalgorithmnottorunifnotneeded.Inparticularduringthefirstcontextscapturedbythecognitive__nagementsystemtherewasnosuc__ssful__tchingbecausetheywereunknowntothesystem.Howeverthecontexts’parametersandtheircorrespondingsolutionswerestoredandduringthenextcontextsthesuc__ssful__tchingprobabilitywasincreasedduetothefactthatthesecontextswerealreadyaddressedinthepastandthesystemwasabletoidentifythem.Foreachcontextnotidentifiedtheoptimizationpro__dureisne__ssarytobeexecutedinordertheappropriatedecisionstobeprovided.Ontheotherhandwhenthesystemidentifiessuc__ssfullyeachcontextthedecisionisretrievedandprovideddirectlytotheservi__areatobeimplementedskippingtheoptimizationpro__dure.Thusthemeansystemresponsetimeisconstantlydecreasingforeachcontext.
5.Dynamicspectrum__nagementexploitingcognitiontechniquesE3hasdevelopedDynamicSpectrum__nagementD__functionalityexploitingcognitiontechniquessoastoopti__llyassignspectruminthecontextofcognitiveinfrastructures.Theregulatoryperspectiveonhowthespectrumshouldbeallocatedandutilizedinacompositetechnologys__narioisevolvingtowardsacautiousintroductionofmoreflexibilityinspectrum__nagementtogetherwitheconomicconsiderationsonspectrumtrading.InthisrespectD__techniquesdevelopedwithinE3trytoachieveanefficientutilizationofthescar__andvaluablespectralresour__stargetedat__ximizingspectrumreuseamongstusers__llsRadioAc__ssNetworksRANandsystemswhileensuringthatmutualinterferen__betweenthemre__insatac__ptablelevels.The__inD__responsibilitiesare:Evaluationofspectrumoccupancy;Detectionoflong-term__ailablespectrumbandsforreassig__entandsharing/tradingofspectrum;Derivationofeconomicalparametersforspectrumtrading;Provisionofaspectrumframework__ailableamountofspectrumtoRATsbasedonevaluationofspectrumoccupancyandsystem-levelparameters.TheenvisagedfunctionsthatareinlinewiththeaforementionedD__responsibilitiesseealsoFigure7aincludeithemeasurementcollectingentityresponsibleofcollectingthemeasurementsfromthedifferentnodesi.e.terminalsand__llsandexistingintheheterogeneousenviro__entiitheD__triggerentityresponsibleofdetectingtherelevantchangesinthetrafficdistributionandtodecidetheinstantwhentheallocationalgorithmshouldbeexecutedandfinallyiiithespectrumassig__ententityresponsibleofdecidingonthespectrumframeworktobesuggestedtothevariousRATsduringthereconfigurationpro__ss.InthisrespecttheD__functionalitydevelopedwithinE3hasthestructuredepictedonFigure7a. Figure7:aD__functionalityb__erage__llspectralefficiencycperfor__n__resultsinheterogeneousspatialdistributiondopti__lityofaRL-DSAstrategyfor1020and30usersdistributedoveratwo-__lls__nario. D__canbeimplementedbyprovidingthenetworkwiththeproperself-organizationmechani__stoauto__ticallyreacttothedifferenttemporalandspatialloadde__nds.Thusfunctionalitiessuchasnetworkobservationand____ysisofthenetworkstatusarerequiredtodetecttheinstantswhencurrentspectrumassig__entisnolongervalidandthenauto__ticallytriggertheself-__nagementspectrumstrategies.KeyPerfor__n__IndicatorsKPIsareusedtoobservethestatusofthenetworkforagivenassig__entandtotaketheappropriatedecisions.SomeKPIscanbethespectralefficiencythespatialspectrumusageorQualityofservi__indicators.Identifiedoptimizationmethodologiescover__chinelearninggeneticalgorithmssimulatedannealingheuristicsetc.FurthermoreintheframeworkofE3differentstrategiesh__ebeenstu___dinthecontextofOFD__networkstodecidetheappropriateassig__entofsub-carriersto__llsinaccordan__withthetrafficloadvariationsandexpectedQoS.Specificallythefollowingnovelalgorithmicfamiliesh__ebeen____yzedwhichh__erevealedabetterperfor__n__bothintermsofspectralefficiencyandspatialspectrumusagethanclassicalfixedassig__entstrategies.Heuristicalgorithms:Thesealgorithmsfirstdecidethenumberofsub-carriersper__lldependingoneach__llload.Thenasub-carrierassig__entper__llisperformedtryingtominimizetheinter-__llinterferen__andthus__ximizespectralefficiency.Figure7bdepictstheevolutionof__erage__llspectralefficiencyfordifferentspectrum__nagementalgorithms.Reinfor__mentlearning-basedalgorithms:ThesealgorithmsuseRLtolearnthebestsub-carrierto__llassig__entthat__ximizesarewardsignal.ThisrewardreflectsthespectralefficiencyandQoSperfor__n__ofthesystem.Figure7cdepictstheevolutionof__eragedissatisfactionand__eragespectralefficiencyfordifferentlegacyDSAalgorithmsandRLDSAalgorithms.FinallyresultsshowninFigure7deviden__thatatleast98%ofthesolutionswerewithintheproximityinterval
0.991].Thatistheperfor__n__ofthesolutionproposedbytheproposedstrategyisonlya1%belowtheoptimumonein98%ofcases.inbothahomogeneouscasewhere50%oftheusersisineach__llupperpartofFigure7dandaheterogeneouscasewhere10%and90%oftheusersisineach__llrespectivelylowerpartofFigure7d.Thentheproposedalgorithmfindssolutionswhoseperfor__n__isveryclosetotheopti__loneinaveryhighper__ntageofthecases.
6.JointRadioResour____nagementJRRMenhan__dwithcognitiontechniquesJRRMJointRadioResour____nagementcanbedescribedasthe__nagementofthecommonpoolofradioresour__s__ailableinthesetofRATs.InotherwordsJRRMcomprisestheresour____nagementtechniquestoachievethedynamictrafficallocationtotheRATsparticipatinginaheterogeneouswirelessac__ssinfrastructure.Ε3hasdevelopedJRRMstrategiesenhan__dwithcognitiontechniquessoastoexploitcognitiveprinciplesintakingrelevant__nagementdecisions.ThefirstresultsprovesignificantgainscomparedtoconventionalJRRMtechniques.The__inresponsibilitiesofJRRMasdevelopedwithinE3aslongassomeindicativeresultsthatproveitsbenefitsareprovidedbelow.RATselectionandAdmissioncontrol.Inaheterogeneouss__narioframeworkthedecisiontowhichRATagivenservi__requestshouldbeallocatedbecomesakeyJRRMissue.Differentcriteriaservi__typeloadconditionsetcwillh__etobeconsidertoaccomplishthisRATselectionwiththefinalpurposeofenhancingoverallcapacityresour__utilizationandservi__quality.Fromthecustomersidethes__narioheterogeneityalsoaffectssin__users__yac__sstherequestedservi__swithavarietyofterminalcapabilitiessingleormulti-modeanddifferent__rketsegmentscanbeidentifiedbusinessorconsumeruserswiththeircorrespondingQoSlevels.Thusthechoi__oftheproperRATand__llisacomplexproblemduetothenumberofvariablesinvolvedinthedecision-__kingpro__ss.Theconventionaladmissioncontrolisdesignedforeachac__sssystemworkingindependentlyamongcoexistingac__sssystemsandRATS.Inthecooperatingenviro__entforeseenintheheterogeneousnetworks__narioajointsession/calladmissioncontrolmustbedefined.Thispro__durewillconsidernei___orRATsystemloadtodecidetowhichRATthetrafficisdiverted.Thusthetrafficstreamcouldberoutedalternativelythroughthecooperatingnetworksaccordingtotheconstraintsandthecapacityofeach.Verticalhandoverandloadbalancing.AftertheinitialRATselectiondecisionverticalhandoveristhepro__durethatallowsswitchingfromoneRANtoanother.Thesuc__ssfulexecutionofaseamlessandfastverticalhandoverisessentialforhidingtotheusertheunderlyingenablinginfrastructure.Ingeneraltermsverticalhandoverpro__duresfromoneRANtoanother__ybeusefultosupportavarietyofo__ectivessuchas: __oidingdisconnectionsduetolackofcoverageinthecurrentRAT BlockingduetooverloadinthecurrentRAN PossibleimprovementofQoSbychangingtheRAT Supportofuser’sandoperator’spreferen__sintermsofRANsusage LoadbalancingamongRATs.Ashardhandoversarethebasisforallothertypesofhandoversandarethereforesupportedbynearlyevery__llularradionetworkinvestigationswithinthisworkpackagewillfocusonthem.abcFigure8:aJRRMstructurebpro__ssofhardhandoverc__llself-configurationapproachThepro__ssofhardhandoverincludingthemostimportanthandoverparametersisdepictedinFigure8a.Duringtimebecauseofaterminal’smovementandforotherreasonse.g.changesinslowandfastfadingthere__ivedpowersofdifferentBaseStationsBSsatoneterminalarechanging.AhandoverfromtheservingBSBSAtoasecondBSBSBisexecutedwhenthehandovercriteriaaremet.Thehandovercriteriaarerepresentedbytwoparameters“Hysteresis”and“Timetotrigger”aretheessentialonesforhardhandover.Onlywhenthecriterionforbothparametersisfulfilledahandoverisexecuted.FurthermoreintheE3frameworkJRRMcoversallcollaborativeactivitiesbetweendifferententitiestoachieveacoordinatedandcommonallocationofradioresour__susingcognitiveradiocapabilities.The__inresultsregardingJRRMaddresstheinterworkingwithSONSelf-organizingNetworkandD__DynamicSpectrum__nagementseealsoFigure8b: DescriptionofinterworkingJRRMandD__:Bothfunctionsaimatefficientnetworkadaptationto__keuseof__ailableresour__swithinaheterogeneousenviro__entconsideringcontextprofilesandpoliciesinputpastnetworkinteractionsorapredictedbeh__ior.JRRMmodulewillbeinchargeofdecidingintheshorttermtheallocationofresour__stouserse.g.whichisthebesttechnologytoservea__rtainconnectionatsessioninitiationwhenshouldaverticalhandoverbetriggeredetc.OntopofJRRMtheD__modulewillbeinchargeofdecidingtheappropriatecarrierallocationto__llsbasedonexistingtrafficde__ndsanddistribution.ThiswilloperateatalongertimescalethantheJRRM. DescriptionofinterworkingJRRMandSON:IntheframeworkofE3theaimofJRRMandSONfunctionalitiesisanenhan__mentofefficiencyofspectrumusageacrossnetworkentitiesnetworkdo__insandfrequencyranges.Theefficientresour____nagementwillenableaprovisionofhighthroughputintermsofuserdataratesaswellasanoverall__erage__llcapacitywhereastheservi__qualityisconsiderablyenhan__dbyfastreactionondistortionsanddegradationsdetectedbycorrespondingmonitoringsystems.Thegoalsoftheinterworkingofbothfunctionalitieswillbetoenableaflexibleadaptationoftheradioac__ssnetworktovariablede__ndsintermsofchangingtrafficvolumeandservi__characteristicstoprovideauto__ticsupportviamonitoringandcontrolwithoutincreasingnetworkloadandfailureprobabilityandalsotoachieveareductionofuserorterminalneedforinteractionasfaraspossible.InadditionFigure8cpresentstheapproachfortheself-configurationofasingle__llthroughthesolutionprovidedbyJRRMwithcognitiontechniques.Thisisenabledbyanoptimizedopportunisticusageof__ailablespectrumandassig__entof__ailableHWandcomputationalresour__stoofferedradiotechnologiesinFlexibleBaseStations.Keyfeatureforsuchadynamicadaptabilityisanauto__ticandself-__nageddeploymentandreconfigurationof__llsi.e.theself-configurationof__llshereconsideredasadd__llfunctionality.
7.__nagementofFlexibleBaseStationsFBSsE3hasbeenactivelyworkingonthe“flexiblebasestations”con__pt.Theflexiblebasestationcon__ptFBSopensanewdimensionforcognitivenetworksbytheabilitytoadaptandoptimizeusageofthe__ailableinfrastructureandradioresour__s.TheFBScon__ptallowstheoperationofdifferentradiostandardsinparallelmultistandardbasestationonthebasebandpro__ssingpartaswellasintheRFfrontendandeventhroughpoweramplifierandantenna.TheFBSisself-containedinflexiblyreconfiguringitselfbydynamicallyallocatingtherequiredresour__sfordifferentradioac__sstechnologies.Reconfigurationdecisionsarepro__ssedbytheReconfigurationControlModuleRCMwhichcontrolssynchronizesandoptimizesthere-assig__entofnodeinternalcomputationalhardwareandsoftwareresour__stoserved__llsandradiotechnologies.TheoperationofaFBSisdepictedonFigure9a.Figure9: aFBSoperationbBlockingper__ntageoftheG__hotspot__llc__eragenumberofactivefrequenciesoftheG__hotspot__llAFBS-targetedalgorithmhasbeendesignedanddevelopedwithinE3determiningwhichbasestationshash__etobereconfiguredwiththeaimtoadapttheper__ntagesofpro__ssingresour__sdevotedtoeachsupportedRATandtodynamicallyshapetheactiveradioresour__stothebeh__iorofthetraffic.AsanexampletoshowcasetheFBSalgorithm’sefficiencyconsideringageographicalareacoveredwithtwoRATssuchasG__andUMTSwithafifty-fiftydistributionofpro__ssingresour__sbetweenthesetwosystemsinaportionofthisareaahighofferedtrafficsituationi.e.overloadingandcongestionsituationwithhighblockingprobabilityonnewconnectionsisexperien__dfortheUMTSsystemwhilealowofferedtrafficsituationi.e.nullblockingprobabilityonnewconnectionsfortheG__systemisobtained.InthiscontextthealgorithmrunninginsidetheFBSwilloperateforreconfiguringthehardwareandradioresour__softhe__llsinordertoreservetotheUMTSsystemmorepro__ssingcapacityandmoreradioresour__s.Figure9bandFigure9cdepictshowcasethealgorithm’sindicativeoperation.Ascanbeobservedthe__eragenumberofactivefrequenciesintheG__hotspotsaturatesat
5.Thisallowsforareductionoftheblockingper__ntagefrom80%to65%atregimen.Blockingper__ntagecannotfurtherdecreasesin__totalbasestationhardwareresour__sareexhausted:FiveoversixaregiventoG__whileoneisoccupiedbyUMTS. 。