本發(fā)明屬于計算機網絡
技術領域：
，特別是一種異構云無線接入網絡安全感知能的效及功率分配優(yōu)化方法。
背景技術：
：利用混合網絡(heterogeneousnetworks，HetNet)以及云無線接入網絡(cloudaccessradioaccessnetworks，C-RAN)的優(yōu)勢，有研究提出異構云無線接入網絡(heterogeneouscloudradioaccessnetworks，H-CRAN)來強化頻譜效率和功率效率，它使用遠程無線頭(remoteradioheads，RRH)來為用戶提供高服務質量(qualityofservice，QoS)要求的高速數據傳輸率。如，文獻1(M.Peng,Y.Li,et.al.,“Heterogeneouscloudradioaccessnetworks:anewperspectiveforenhancingspectralandenergyefficiencies”,IEEEWirelessCommun.,Dec.2014.)所描述。正交頻分多址技術(orthogonalfrequencydivisionmultipleaccess，OFDMA)應用在4G，它比起蜂窩網絡，能夠提供高的數據傳輸率。為了4G向后兼容，H-CRAN通過給資源塊(resourceblock，RB)分配給不同的用戶設備(userequipment，UE)來應用OFDMA。為了提高無線資源分配(resourceallocation，RA)的頻譜效率(spectralefficiency，SE)，放大中轉中繼選擇問題、漸進資源分配方法等方法已經被提出。而在這種廣泛的研究下，無線網絡通信的安全要求也越來越被人重視。這之后提出了竊聽者的概念。網絡中的用戶都有可能成為潛在的竊聽者，因此確保保密率的方法被提出，也有通過限制延遲達到保密的方法。直觀來講，提升SE和能效(energyefficiency，EE)性能的關鍵是跨單元或者跨層干擾的緩解。一些HetNet的進一步算法被提出，例如單元聯合以及頻分復用(FFR)等。然而還沒有解決H-CRAN能效問題的方法被提出，RRH/HPN(highpowernode，高功率節(jié)點)分配策略應比傳統的接收最強功率策略更進一步，并且在H-CRAN不容易進行，因此需要提出一個基于RRH/HPN資源分配以及干擾緩解的資源功率聯合優(yōu)化分配方法。技術實現要素：本發(fā)明提出一種基于RRH/HPN資源分配以及干擾緩解的異構云無線接入網絡安全感知能的效及功率分配優(yōu)化方法，用于提升H-CRAN網絡的EE性能以及SE性能。實現本發(fā)明的技術解決方案為：一種異構云無線接入網絡安全感知能的效及功率分配優(yōu)化方法，在RRH足夠多且遠多于HPN情況下，全局性能看做對RRH的優(yōu)化，通過遺傳算法達到優(yōu)化資源及功率分配，包括以下步驟：步驟1：將資源塊劃分為Ω1和Ω2兩個部分，其中Ω1只提供給射頻拉遠頭RRH連接到用戶UE服務RUE，用以滿足高傳輸率約束的服務，Ω2提供給RUE和高功率基站HPN連接到用戶UE的服務HUE，用以滿足低傳輸率約束的服務。步驟2：在通過步驟1劃分資源塊作用后，收集各個資源塊使用的信息，包括信道資源信息、電路資源信息、資源塊信息、服務質量約束信息、干擾約束量、最大轉換能。并且通過獲得的信息進行建模得出全局能效模型，作為適應度函數。步驟3：使用步驟2獲得的適應度函數，通過遺傳算法優(yōu)化RRH鏈接UE的資源及功率分配，使得全局能效最大化。步驟3.1：初始化遺傳算法參數。步驟3.2：初始化種群。步驟3.3：對種群進行交叉與變異，得到子代種群。步驟3.4：淘汰不符合模型約束的個體，并計算種群每個個體適應度。步驟3.5：從子代與母代中挑選較優(yōu)的個體，從新組成母代。步驟3.6：若達到最大優(yōu)化次數Tm，則取適應度值最大的個體作為優(yōu)化結果；否則，轉到步驟3.3。本發(fā)明與現有技術相比，其顯著優(yōu)點是：(1)異構云無線接入網中，使用遺傳算法解決能效資源分配最大化問題。(2)提出增強的軟頻分復用(S-FFR)，限制重用，來降低干擾，以便更快獲得優(yōu)化分配方案。(3)使用傳輸率控制的方法達到安全感知的效果(4)為高效利用異構云接入網中的能效資源提供技術支持。附圖說明圖1為本發(fā)明異構云無線接入能效優(yōu)化的流程圖。圖2為本發(fā)明資源分配示意圖。圖3為本發(fā)明遺傳算法流程圖。具體實施方式下面結合附圖及具體實施實例對本發(fā)明作進一步說明。結合圖1，本發(fā)明是一種異構云無線接入網絡安全感知能的效及功率分配優(yōu)化方法，通過遺傳算法達到優(yōu)化資源及功率分配，包括以下步驟：步驟1：將資源塊劃分為Ω1和Ω2兩個部分，其中Ω1只提供給射頻拉遠頭RRH連接到用戶UE服務RUE，用以滿足高傳輸率約束的服務，Ω2提供給RUE和高功率基站HPN連接到用戶UE的服務HUE，用以滿足低傳輸率約束的服務。圖2為，資源塊分配示意圖。步驟2：在通過步驟1劃分資源塊作用后，收集各個資源塊使用的信息，包括信道資源信息、電路資源信息、資源塊信息、服務質量約束信息、干擾約束量、最大轉換能。并且通過獲得的信息進行建模得出全局能效模型，作為適應度函數。首先，第k資源塊劃分給第n個RUE，信道干擾增加噪音比(CINR)可如下計算。σn,k=dnRhn,kRB0N0,k∈Ω1dnRhn,kR(PMdnMhn,kM+B0N0),k∈Ω2---(1)]]>和分別表示RUEn連接到RRH和HPN的路徑損耗，和分別表示在使用第k資源塊時，RUEn連接到RRH和HPN的信道增量。PM是在每個HPN上資源塊允許的功率轉換分配值。N0表示估計能量密度(PSD),B0表示帶寬。其次，每個RRH數據率總量表示為：C(a,p)=Σn=1N+MΣk=1Kan,kB0log2(1+σn,kpn,k)]]>使用安全感知策略，通過限制信噪比來限制最低傳輸率，從而改寫公式：C(a,p)=Σn=1N+MΣk=1Kan,kB0[log2(1+σn,kpn,k)-log2(1+λn,kpn,k)]+---(2)]]>n∈{1，...，N}代表使用Ω1資源塊的RUE，n∈{N+1，...，N+M}表示使用Ω2資源塊的RUE。(N+M)×K的矩陣a＝[an，k](N+M)×K和p＝[pn，k](N+M)×K分別代表資源塊和功率分配策略。λn,k代表最高的信噪比，[.]+＝max{.,0}，因此確保達到最小保密率。然后，每個RRH能耗表示為：和Pbh分別表示能量放大器效率，電路功率以及前傳線路的能耗。最后，總能效比可近似表示為：γ=C(a,p)P(a,p)---(4)]]>有約束：Σn=1N+Man,k=1,an,k∈{0,1},∀k---(5)]]>Σk=1KCn,k≥ηR,1≤n≤N---(6)]]>Σk=1KCn,k≥ηER,N+1≤n≤N---(7)]]>Σn=NN+Man,kpn,kdkR2MhkR2M≤δ0,k∈Ω2---(8)]]>Σn=1N+MΣk=1Kan,kpn,k≤PmaxR,pn,k≥0,∀k,∀n---(9)]]>約束(5)表示資源塊不同時分配給多個RUE。約束(6)(7)分別表示高服務要求傳輸率約束和低服務要求傳輸率約束。(8)體現了增強軟頻分復用的思想，限制重用的層間干擾，和分別表示路徑損耗和第k資源塊上參考RRH到干擾的HUE的信道增長。(9)中表示最大轉換能。步驟3：通過遺傳算法優(yōu)化RUE的資源及功率分配，使得全局能效最大化，結合圖3，步驟如下：步驟3.1，初始化遺傳算法參數，具體為：種群規(guī)模大小N，適應度函數γ，以及迭代次數Tm，交叉率Pc，變異率為Pm,資源塊數目k，RUE數目n+m，n為高服務質量約束的RUE，m為低服務質量約束的RUE。步驟3.2，初始化種群，產生隨機的N組向量[α1，α2，…,αk],αi∈(1，2...，n+m),作為母群體X1。根據權利要求3中公式(5)所示，可用這些向量代表資源塊分配矩陣a＝[an，k](N+M)×K的分配情況,αi代表基因，設定此種群為X1，t＝1。步驟3.3，對種群進行交叉與變異，得到子代種群，具體為：對種群X1中的基因組依據交叉率Pc和變異率Pm進行交叉與變異，獲得子代群體X2.步驟3.4，淘汰不符合約束的個體，并計算種群每個個體適應度，具體是，計算每個個體γi的值，并在計算時淘汰不符合約束條件的個體。步驟3.5，從子代與母代中挑選較優(yōu)的個體，從新組成母代，具體是從X1、X2中挑選γ值大的N個個體作為新的母代，并且t＝t+1。步驟3.6，判斷是否達到迭代次數Tm，如果未達到就重復步驟3.3～3.6，如果達到，輸出此時種群中γ值最大的一個個體，作為輸出的優(yōu)化方案。實施例本發(fā)明采用遺傳算法進行能效資源優(yōu)化，步驟如下：步驟1，將RB劃分為Ω1和Ω2，其中Ω1只提供給RUE(RRH連接到UE)，用以滿足高傳輸率約束的服務，Ω2提供給RUE和HUE(HPN連接到UE)，用以滿足低傳輸率約束的服務。這有數量10的RUE處于每個RRH中，有著高速率保持的服務要求，并且通過正交的資源塊組Ω1來分配。M用來表示高低速率保持的服務要求的RUE。步驟2，收集各個資源使用的信息，包括信道資源信息、電路資源信息、資源塊信息、服務質量約束信息、干擾約束量、最大轉換能。并且將全局能效公式化為適應度函數。設定在1≤n≤N的情況下在N+1≤n≤N+M的情況下參考的RRH與重用的第k個RB的HUE的距離是RB總數量K＝25，帶寬B0＝5MHz。HPN的總轉換功率是43dBm，分配到全部的RB上。RRH到HUE路徑損耗模型表示為31.5+40.0*log10(d)，HPN到RUE和RRH到HUE連接的模型是31.5+35.0*log10(d)，d是以米為計量的發(fā)射器與接收器距離。低速率、高速率傳輸率約束的服務要求假定分別為ηPR＝64kbit/s和ηR＝128kbit/s。設定靜態(tài)電路能耗放大器能效為對HPN設定前傳連接和回傳連接的功率消耗設置為Pbh＝0.2W。步驟3：通過遺傳算法優(yōu)化RUE的資源及功率分配，使得全局能效最大化，圖3表示遺傳算法優(yōu)化能效分配的流程：首先，初始化遺傳算法參數：種群規(guī)模大小N＝30，適應度函數以及迭代次數Tm＝1000，交叉率Pc＝0.9，變異率為Pm＝0.1,資源塊數目K＝25。然后，初始化種群，產生隨機的N組向量α＝[α1，α2，…,αk],αi∈(1，2...，n+m),作為母群體X1。根據權利要求3中公式(5)所示，可用這些向量代表資源塊分配矩陣a＝[an，k](N+M)×K的分配情況,αi代表基因，設定此種群為X1，t＝1。其次，對種群X1中的基因組依據交叉率Pc和變異率Pm進行交叉與變異，獲得子代群體X2。再次，計算每個個體γi的值，并在計算時淘汰不符合約束條件的個體。之后，從X1、X2中挑選γ值大的N個個體作為新的母代，并且t＝t+1。最后，判斷是否達到迭代次數Tm，如果未達到就轉到步驟3.3，如果達到，輸出此時種群中γ值最大的一個個體，作為輸出的優(yōu)化方案。綜上所述，本發(fā)明異構云無線接入網絡安全感知能的效及功率分配優(yōu)化方法，提供了一種高效可靠安全的感知能效資源分配方法，用于提高異構云無線網絡接入方法中的能效比。當前第1頁1 2 3