多用户调度

多用户调度（共8篇）

多用户调度 篇1

1 引言

近年来,由于其在空间复用和高数据速率上的优势,多天线系统获得了相当广泛的研究。下行多用户多天线系统的预编码技术,已成为无线通信中的一个研究热点。

信息理论研究表明,脏纸编码[8]可以逼近下行多用户多天线系统的容量限[9]。然而,脏纸编码虽然有最优的性能,但是作为一种理想的非线性预编码,它的复杂度太高而无法实际应用。Tomlinson-Harashima预编码(THP)作为一种低复杂度的非线性预编码方式,获得了广泛的研究。

根据预编码矩阵的设计准则不同,THP大致可以分为迫零和最小化均方误差两种方式[1]。迫零THP通过前馈矩阵,反馈矩阵和求模运算三部分消除用户间干扰 [2]。本文针对迫零THP进行讨论。

实际系统中往往存在大量用户,利用用户信道的时变特性,选择性能优越的用户集合,可以获得多用户分集[7]。贪婪调度是一种普遍的获取多用户分集的调度方法[3,4]。

平均误符号率是THP的一个重要的性能评价标准[1,2]。文献[1]讨论了在已知激活用户集合情况下,一种最小化平均误符号率的排序方式"best-first",并证明了这种排序方式是最优的。

本文通过分析THP及误符号率的特点,提出了一种低复杂度调度排序算法,该算法把调度和排序结合在一起,有效降低了复杂度,并且可以获得逼近贪婪调度best-first排序算法的平均误符号率性能。

2 系统模型

在下行多用户多天线系统中,假设基站有T根发射天线,系统中有K个用户,每个用户有1根天线。系统模型可以这样表示

$\mathit{y}=\mathit{{\rm H}}\mathit{x}+\mathit{n}(1)$

其中x∈⌷T×1代表基站端的发射信号,H∈⌷K×T是信道矩阵,设每个用户的信道矩阵为hi∈⌷1×T,则H=(h${}_1^{{\rm T}}$,h${}_2^{{\rm T}}$,……,h${}_{{\rm K}}^{{\rm T}}$)T。n∈⌷K×1是加性高斯白噪声,y∈⌷K×1是接收端接收到的信号。H采用零均值循环复高斯分布模型,即:H中的每个元素都满足均值为0,方差为1的复高斯分布。噪声n中的每个元素满足独立的均值为0方差为1的复高斯分布。假设收发双方都知道信道状况信息。整个系统是发送总功率受限的,即E(xHx)≤P。

实际系统中,假设K>T,迫零THP中最多可以形成min (K,T)=T个等效平行信道,为了实现最大的空分复用,需要从K个用户中选出T个用户,并进行排序。设选出用户信道矩阵排序后构成的集合为∏={hπ(1),hπ(2),……,hπ(T)}。

下行多用户多天线系统中THP的结构框图如图 1所示。

在下行多用户多天线系统中,前馈矩阵和反馈矩阵的处理都在发射端进行。MOD是求模操作,保证发射信号的功率限制。前馈矩阵和反馈矩阵可以通过QR分解获得[3]。

$\mathit{{\rm H}}=\mathit{S}\mathit{F}{}^{{\rm H}}(2)$

其中S是一个下三角矩阵,F是一个酉阵。反馈矩阵可以由F直接得到,对于前馈矩阵,由于需要满足B的对角线元素为1,首先定义增益矩阵:G=diag(s${}_{11}^{-1}$,s${}_{22}^{-1}$,……,s${}_{{\rm T}{\rm T}}^{-1}$),其中,sii是S的对角线上元素。于是,有:

$\mathit{B}=\mathit{G}\mathit{{\rm H}}\mathit{F}=\mathit{G}\mathit{S}(3)$

在接收端,经过相应的求模运算和标量判决即可以恢复出原始信号。 THP把信道分解为M个并行的加性高斯信道(AWGN)。则接收端第i个用户的信噪比(SNR)为:

$\rho {}_i=\frac{\sigma {}_x^2}{\sigma {}_n^2}|s{}_{ii}|{}^2(4)$

其中σ${}_x^2$为信号功率,σ${}_n^2$为噪声功率。称‖hi‖${}_2^2$为第i个用户的信道增益,|sii|2为等效信道增益。

在本文中,我们以平均误符号率作为性能判断标准。设P(sii)为对于等效信道增益|sii|2的误符号率,记平均误符号率为PAVG,有:

${\rm P}{}^{AVG}=\frac{1}{{\rm T}}{\displaystyle \sum _{i=1}^{{\rm T}}{\rm P}}(s{}_{ii})(5)$

误符号率是与调制方式和接收端的SNR相关的,所以在某种调制方式下,平均误符号率由接收端SNR决定,也就是sii决定。

3 新的调度排序算法

贪婪调度[3]是一种常用的调度算法,Best-first是最小化误符号率的一种最优排序算法[1],将二者结合可以实现调度排序,即"贪婪调度best-first排序",关于算法的详细流程参见文献[1]和[3]。然而,由于贪婪调度和best-first排序分步进行,复杂度较高,为了降低复杂度,我们根据以下两个特点,提出下面的新算法。

由公式(4)和公式(5)可知,误符号率有如下两个特点:

a) 无论何种调制方式,P(sii)是关于接收端SNR的单调递减函数,故,P(sii)是等效信道增益|sii|2的单调递减函数;

b) 最大的P(sii)对最小化PAVG影响最大,即具有最小sii值的P(sii)将对PAVG影响最大。

设最后得到的调度排序结果为∏={hπ(1),hπ(2),……,hπ(T)}。在∏={hπ(1),hπ(2),……,hπ(T)}中,π(T)是最后编码的用户,它需要经过到hπ(1),hπ(2),……,hπ(T-1)的零空间的T-1次映射,因此,其等效信道增益|sπ(T)π(T)|2将会是最小的。根据特点a、b,|sπ(T)π(T)|2的大小将对最小化PAVG产生最大的影响。因此,如果可以最大化|sπ(T)π(T)|2,对PAVG的最小化是非常有意义的。新的调度排序算法根据上述特点,利用贪婪调度本身的特性,将调度和排序结合在一起,实现|sπ(T)π(T)|2的最大化。

新的调度排序算法描述如下。引入p∈⌷T×T为计算过程中的映射矩阵,Φ为未处理用户。

初始化:置Φ={1,2,……,K},∏=φ,p=IT×T

循环选择过程:

for i=1:T

对任意i∈Φ,计算h${}_i^i$=hi×p,sii=‖h${}_i^i$‖2,$\pi ({\rm T}-i+1)=\underset{i\in \Phi }{{\displaystyle \arg \max }}(s{}_{ii})$,$\mathit{p}=\mathit{p}-\frac{(\mathit{h}{}_{\pi ({\rm T}-i+1)}^i){}^{{\rm H}}\times (\mathit{h}{}_{\pi ({\rm T}-i+1)}^i)}{\underset{i\in \Phi }{{\displaystyle \max }}(s{}_{ii}^2)},{\displaystyle \prod =}\{\mathit{h}{}_{\pi ({\rm T}-i+1)},\cdots \cdots ,\mathit{h}{}_{\pi ({\rm T})}\}$,Φ=Φ-{π(T-i+1)}

end

最后,得到调度排序的结果: ∏={hπ(1),hπ(2),……,hπ(T)}。

新算法相当于在贪婪调度排序的基础上对排序结果进行反序,利用贪婪调度时按照等效信道增益从大到小依次选出排序的顺序特性[3],将最先选出的具有最大信道增益的用户π(T)放在最后编码,从而保证最小等效信道增益|sπ(T)π(T)|2的最大化。根据前面分析,这对性能提高是非常有意义的。算法在贪婪调度基础上反序,我们形象的称之为"greedy-reverse"。新算法将调度和排序结合在一起,很好的降低了复杂度,从下节的仿真结果可以看出,它具有逼近贪婪调度best-first排序的性能。

4 仿真结果

我们做出了四种算法的仿真结果:随机选择(random)、贪婪调度排序(greedy)、贪婪调度best-first排序(greedy-bestfirst)和本文的新算法(greedy-reverse)。random是随机选择T个用户随机排序。Greedy是贪婪调度选择T个等效信道增益最大的用户顺序排序。数据调制方式采用16QAM。图 2给出了在发射天线数目为3,用户数目分别为3、12、20的结果。图 3给出了在发射天线数目为4,用户数目分别为4、12、20的结果。

在用户数目和发射天线数目相等的情况下,greedy结果最差,random次之,greedy-bestfirst最好,greedy-reverse略差于greedy-bestfirst。由于用户数和发射天线数相等时,greedy算法中信道增益最大的用户最先编码,增益次之的用户投影在已编码用户的零空间上,不断循环进行,最后一个信道增益最小的用户需要映射到其他所有用户上,导致最后用户等效信道增益的最小化,故greedy平均误符号率性能将是最差的。Random随机选择,性能居中。Greedy-bestfirst在K=T时并不需要调度来选择用户集合,仅进行best-first排序,与[1]的结果完全吻合。Greedy-reverse性能介于random和greedy-bestfirst之间,与greedy-bestfirst基本重合。

当用户数为12和20的时候,greedy、greedy-reverse、greedy-bestfirst相对random都有较大的性能增益,greedy性能增益最小,greedy-reverse与greedy-bestfirst基本重合。究其原因,greedy只利用了用户调度带来的增益(多用户分集),而greedy-bestfirst和greedy-reverse同时利用了多用户分集和排序增益。greedy-reverse性能与greedy-bestfirst基本重合,可见,反序操作是一种非常有效的策略,也说明上节的分析是完全合理的。

综上所述,greedy-reverse可以获得逼近greedy-bestfirst的性能。接下来,我们将分析新算法在复杂度上的优势。

5 复杂度分析

我们对贪婪调度、贪婪调度best-first排序和新的调度排序算法进行复杂度对比,以说明新算法的实用价值。

以浮点运算次数(flops)来代表每种算法的复杂度。一次浮点运算(flop)代表一次实数的加法,减法,乘法或除法运算,所以,完成一次复数的加法或减法需要2flops,完成一次复数的乘法或除法需要6flops。复矩阵加法Am×n+Bm×m需要2mn flops,复矩阵乘法Am×n×Bn×p需要mp(8n-2) flops。调度过程中需要用到的典型矩阵运算的运算次数如表 1所示。其中,h∈⌷1×T,p∈⌷T×T,s2是一个实数。我们用φ表示各种算法需要的浮点运算次数。

首先讨论新的调度排序算法,根据流程和表 1,有

$\phi {}_{\text{g}\text{r}\text{e}\text{e}\text{d}\text{y}-\text{r}\text{e}\text{v}\text{e}\text{r}\text{s}\text{e}}={\displaystyle \sum _{i=1}^{{\rm T}}(}{\rm K}-i+1)(8{\rm T}{}^2+6{\rm T}-2)+{\rm T}(10{\rm T}{}^2)=8{\rm K}{\rm T}{}^3+6{\rm K}{\rm T}{}^2-2{\rm K}{\rm T}-4{\rm T}{}^4+11{\rm T}{}^3+4{\rm T}{}^2-{\rm T}(6)$

对贪婪调度排序算法,有

$\phi {}_{\text{g}\text{r}\text{e}\text{e}\text{d}\text{y}}=8{\rm K}{\rm T}{}^3+6{\rm K}{\rm T}{}^2-2{\rm K}{\rm T}-4{\rm T}{}^4+11{\rm T}{}^3+4{\rm T}{}^2-{\rm T}(7)$

贪婪调度best-first排序算法先利用贪婪调度进行激活用户选择,再利用best-first进行用户排序,其复杂度为:

$\begin{array}{l}\phi {}_{\text{g}\text{r}\text{e}\text{e}\text{d}\text{y}-\text{b}\text{e}\text{s}\text{t}\text{f}\text{i}\text{r}\text{s}\text{t}}=\phi {}_{\text{g}\text{r}\text{e}\text{e}\text{d}\text{y}}+\phi {}_{\text{b}\text{e}\text{s}\text{t}\text{f}\text{i}\text{r}\text{s}\text{t}}=\phi {}_{\text{g}\text{r}\text{e}\text{e}\text{d}\text{y}}+{\displaystyle \sum _{i=1}^{{\rm T}}(}i{}^2(8i-2)+8i{}^3-4i{}^2+2i)\\ =8{\rm K}{\rm T}{}^3+6{\rm K}{\rm T}{}^2-2{\rm K}{\rm T}+17{\rm T}{}^3+6{\rm T}{}^2-{\rm T}(8)\end{array}$

从公式(6)和(7)可以看出,新的调度排序算法复杂度与贪婪调度排序算法复杂度完全一致。

图 4、图 5给出了新的调度排序算法相对于贪婪调度best-first排序算法的算法复杂度比率,新的调度排序算法可以带来复杂度的降低。

6 结语

在本文中,我们根据THP和误符号率的特点,提出了一种新的低复杂度调度排序算法,新算法将调度和排序结合在一起。仿真结果表明,新的调度排序算法具有逼近贪婪调度best-first排序算法的平均误符号率性能;并且新算法比贪婪调度best-first排序算法的复杂度更低。因此,新算法具有很好的实用价值。

参考文献

[1]J.Liu and W.A.Krzymień.Improved Tomlinson-Ha-rashima precoding for the downlink of multiple antennamulti-user systems[A].In Proc.2005 IEEE WirelessCommun.and Networking,NewOrleans,LA,USA[C],2005:466~472.

[2]C.Windpassinger,R.F.H.Fischer,T.Vencel,andJ.B.Huber.Precoding in multiantenna and multiusercommunications[J].IEEE Trans.Wireless Commun.,2004,3:1305~1316.

[3]Z.Tu and R.S.Blum.Multiuser diversity for a dirty pa-per approach[J].IEEE Commun.Lett.,2003,7(8):370~372.

[4]J Jiang,RM Buehrer,WH Tranter.Greedy schedulingperformance for a zero-forcing dirty-paper coded sys-tem[J].IEEE Trans.Commun.,2006,54(5):789~793.

[5]M.Tomlinson.Newautomatic equalizer employing modu-lo arithmetic[J].Electron.Lett.,1971,7:138~139.

[6]H.Harashima and H.Miyakawa.Matched-transmissiontechnique for channels with intersymbol interference[J].IEEE Trans.Commun.,1972,20(4):774~780.

[7]David Tse and Pramod Viswanath.Fundamentals of wire-less communications[M].Cambridge University Press,2005.

[8]M.Costa.Writing on Dirty Paper[J].IEEE.Trans.In-form.Theory,1983,IT-29:439~441.

[9]G.Caire and S.Shamai.On the achievable throughput ofa multi-antenna Gaussian broadcast channel[J].IEEETrans.Inform.Theory,2003,49(7):1691~1706.

[10]Gene H.Golub,Charles F.Van Loan.Matrix Computa-tions,3rd edition[M].The Johns Hopkins UniversityPress,1996.

多用户调度 篇2

“双城同创”重点工作进展汇报 根据“双城同创”实施方案分工和县政府工作部署，现对我局承担重点任务进展情况汇报如下：

创园工作进展：

1、绿地系统规划：县《绿地系统专项规划》编制于2009年，该规划成果已通过专家评审，因此不能对规划技术指标进行大规模调整。创园工作开展以来，为确保绿地系统规划能够符合争创要求，我局多次与林业局进行了对接，并邀请了北京中外建建筑设计有限公司对绿地系统规划重新进行设计。目前，设计方案正在紧张编制中。资金来源：县财政，2、环城公园整体设计：通过在中国建设报和河北建设工程信息网发布招标公告，在全国范围内选定知名景观规划设计甲级设计单位。确定邀请天津市园林规划设计院、天津泰达园林规划设计院有限公司、唐山园林规划设计研究院三家甲级园林设计单位参与方案比选，并发出了邀请函。目前，环城水道测量工作已完成，三家设计单位均已完成调研工作，正在编制初步设计方案。经联系，拟定于10月9日召开方案比选专家评审会。资金来源：县财政，设计费用约1500万元。

3、规划展示馆项目：已根据县城总体规划确定的城市发展方向和用地布局，初步确定项目选址位置位于文安镇泗各庄村东侧、迎宾大道北侧。现已核发项目选址意见书，国

土部门正在办理用地手续，我局正积极与华夏集团协商项目规划设计工作。资金来源：华夏集团，费用约1亿元。

4、街道景观整治设计：丰利北路规划成果已确定，我局结合文安实际，制定了《丰利北路综合整治实施方案》，并已经县政府常务会审议通过。目前，已对丰利北路两侧已5户平房进行了拆除，道路两侧需加建建筑进行了房屋结构安全鉴定与施工图纸设计工作正在同步展开，预计月底可完成。资金来源：县财政，费用约700万元。

创卫工作进展：

1、城区主干道环境景观整治规划设计：

“清洁城乡攻坚年”活动开展以来，我局聘请了的国内一流的甲级规划设计公司对政通道、人和路、国泰道、民安路、丰利北路等五条主要街道进行了街道景观整治规划设计。此次设计重点对各条街道的建筑外立面、道路绿化、亮化、交通及各种市政、环卫设施配置布局进行统一规划，规划设计方案已多次向县领导汇报，并反复修改完。目前，丰利北路设计方案已确定，政通道、人和路规划成果已基本成熟。国泰道、民安路已形成初步方案，我局于本月16日组织专业技术人员对规划设计方案进行了审查，现正在修改完善。

2、市场选址

已完成南关市场选址，选址于盐店南路东侧、南城墙南

侧。第二个市场选址工作正在进行。

3、环卫设施选址

已完成三座公厕的选址工作，三处选址分别位于民得利超市南侧、金懿祥超市东侧和低压所南侧永定路东侧（紧邻现存老城墙）。

11座垃圾中转站选址工作正在进行。

4、兴文西道、日新东街、戏楼街、祥源街等4条次干道的综合改造规划设计工作，正在配合建设局完成设计单位选取工作。近日与建设局相关人员完成投资估算工作。

多用户调度 篇3

近年来,MIMO(Multiple Input Multiple Output)的研究逐渐成为热点问题。在多用户环境下,利用多用户分集技术可以进一步提高系统频谱利用率。通过合适的调度算法可以获取多用户系统潜在的多用户分集增益[1],且将用户调度和适当的发送技术相结合也可以获得较高的MIMO信道容量[2],这充分显示了合理的调度算法在多用户MIMO系统中的重要性。

文献[3,4]研究了当基站可以获得小区中所有用户的信道状态信息(Channel State Information,CSI)时的多用户调度问题。但是将所有用户的CSI通过反馈信道发送给基站的情况会增加反馈信道的负担,事实上所需反馈的信息量是随着小区内用户数的增加而增加的,所以这种基于所有用户CSI反馈的调度方案并不实用。对此问题,焦点就聚集在仅反馈部分CSI的多用户调度算法的研究上了。其中有一类仅需反馈1bit信息量的方法,可以有效地减少反馈负荷,如基于1bit瞬时CSI反馈的调度方案[5]和基于1bit瞬时CSI结合空间相关信息即长期CSI反馈的调度方案[6]。该类方法的主要思想为:每个用户将反映自己CSI优劣的标量(如系统容量)与事先按一定规则设定好的阈值进行比较,然后将指示比较结果的1bit信息反馈给基站,基站随后根据指示信息对信道条件好的用户进行调度。本文分别对文献[5,6]中调度方案的性能及优缺点进行对比分析。

1 基于有限反馈的多用户MIMO系统用户调度方案

上述两种调度算法的核心思想均为仅采用1bit反馈信息,其主要不同之处在于方法一中基站仅根据1bit反馈信息随机调度用户,而方法二中基站通过反馈得到的1bit信息结合事先已知的空间相关信息来调度用户。

1.1 基于1bit瞬时CSI反馈的调度算法

为了使系统获得潜在的多用户分集增益,理论上基站应该调度使系统瞬时信道容量最高的用户,但这需要在每个时隙中,所有用户将各自通过计算得到的瞬时信道容量信息反馈给基站。而为了在反馈负荷和系统吞吐量之间进行折衷,采用基于1bit反馈信息的调度算法,其算法的主要思想如下:

考虑窄带多用户MIMO系统的下行链路,基站和每个用户端分别配置M和N根天线,小区内需要服务的用户总数为K,各用户信道为准静态平坦锐利衰落信道,在每个时隙内基站根据反馈信息仅选取一个用户进行调度。假设小区用户有精确的信道估计,在每个时隙内,用户将其瞬时信道容量Ck与事先设定好的门限值Cth进行比较:

并将结果Ik做为1bit瞬时CSI指示反馈给基站,基站根据用户的反馈信息,将用户分成两类:一类为合格用户,用集合Set1={k Ik=1,1≤k≤K}表示;另一类为不合格用户,用集合Set0={k Ik=0,1≤k≤K}表示。当第一类用户数大于0的情况下,基站将从合格用户Set1中随机选取一个用户占用信道资源,否则基站将从不合格用户Set0中随机选取一个用户占用信道资源。

对上述算法进行的计算机仿真是以衡量系统性能的系统平均频谱效率为比较标准的,将所提的调度方案与需要小区内用户均反馈CSI给基站的最优调度算法以及不需要反馈信息的循环调度算法进行性能对比分析,可以概括为如下三个方面:

(1)该方法和最优调度方案明显优于循环方案,并且受益于多用户分集增益的结果,方案优势随着用户数的增加而增加。

(2)尽管该方法与最优方案性能方面存在微略的差异,但是却可以有效地减少反馈信息量。

(3)所有方案在不考虑发送相关的情况下性能都是最优的,但是随着空间相关性的增加,各方案都面临着性能明显降低的问题。

1.2 基于1bit瞬时CSI结合空间相关信息即长期CSI反馈的调度算法

与方法一不同的是,基站在同一时刻可以调度多个用户,即采用多用户MIMO系统广播信道模型,所以求解系统的瞬时信道容量就变成求解MIMO系统的广播信道容量问题了。为简单起见,采用用户信道协方差矩阵的秩来替代系统容量以指示各用户的信道质量。下文为该算法的主要思想:

考虑多用户MIMO广播系统的下行链路,基站和每个用户端分别配置M和N根天线,小区内需要服务的用户总数为K,在每个时隙内基站根据反馈信息从K个用户中选取Ks个用户进行调度。各用户信道为准静态平坦衰落信道,信道矩阵用Hk表示。假设小区用户有精确的信道估计,在每个时隙内,用户将衡量其瞬时信道容量的信道协方差矩阵的秩与事先设定好的门限值Cth进行比较:

并将结果Ik做为1bit瞬时CSI指示反馈给基站,基站根据用户的反馈信息,将用户分成两类:一类为合格用户,用集合表示;另一类为不合格用户,用集合表示,集合Set1的集数用L来表示。当L≤Ks时,所有的L个用户将被基站调度,同时基站还要根据空间相关信息即长期CSI从集合Set0中选择另外Ks-L个用户进行调度;当L>Ks时,基站根据空间相关信息即长期CSI从这L个用户中选择Ks个进行调度。显然,不同于方法一的随机调度用户,该方法在上述两种情况下,基站都需要利用长期CSI来进行有目的的用户调度,而调度的标准为利用基站已知的用户信道相关信息,找到合适的一子组用户进行调度,使得遍历系统容量最大,即选择一组用户,使得经简化后代表遍历系统容量的最大。其中,集合S代表所有调度用户组成的集合,显然其集数为Ks,Rk代表第k个用户的发送相关矩阵,P为总的基站发射功率。

对上述算法进行的计算机仿真是以衡量系统性能的遍历系统容量为比较标准的,将所提的调度方案与需要小区内用户均反馈CSI给基站的最优调度算法、不需要反馈信息的循环调度算法以及基于一个标量瞬时CSI信息反馈的调度算法进行性能对比分析,可以概括为如下几个方面:

(1)该方法性能明显优于循环方案,虽然与最优方案之间仍存在略微的差异,但是却可以有效地减少反馈负荷。

(2)当结合迫零预编码策略来消除多用户信道干扰的情况下,由于对空间相关信息的合理运用,该方案性能明显优于仅采用瞬时CSI进行调度的基于一个标量反馈的方案。

2 对比分析

本文从以下不同的角度出发对上述两种调度方案进行对比分析:

两种方法都采用了基于1bit反馈信息的方案,使基站能够将瞬时信道质量较好的用户与相对信道质量较差的用户区分开,从而为下一步的调度做准备。但是方法一的性能随着空间相关性的增加而降低,而方法二在不增加任何反馈负荷的情况下,结合了在基站端已知的空间相关信息对用户进行调度,很好地将瞬时CSI和长期CSI结合起来。事实上,多天线信道常常是相关的,因此在这种发射天线间存在相关性的实际环境中,方法二优于方法一。

方法一中基站在一个时隙内只与一个用户进行通信,方法二中基站在一个时隙内可以与多个用户进行通信,而在蜂窝无线通信系统和无线局域网系统中,基站需要同时与多个用户进行通信,即信道多为广播信道。因此,从实用性角度来看,方法二优于方法一。

有文献研究表明:基站在一个时隙内选择一个用户进行通信获得的系统容量最大,而基站在一个时隙内同时选择多个用户进行通信获得的系统容量略低[7]。而方法一在同一时刻只调度一个用户,方法二在同一时刻调度多个用户。因此,单从衡量系统容量方面来看,方法一优于方法二。

3 结束语

本文对比分析了两种基于基于有限反馈的多用户MIMO系统用户调度方案。分析表明:方法二由于既考虑了发射天线间的相关性问题,又可以使基站同时与多个用户进行通信,所以比方法一更适合用于实际环境中;而方法一可以获得更高的系统容量,因此性能优于方法二。

参考文献

[1]Knopp R,Humblet P.Information capacity and power control in singlecell multiuser communications[C].IEEE International Conf.on Comm.(ICC),Seattle,America,1995.

[2]Dimic G,Sidiropoulos ND.On downlink beamforming withgreedy userselection:performance analysis and a simple newalgorithm[J].IEEETrans.Signal Processing.,2005,53:3857-3868.

[3]Shen Z,Chen R,Andrews J G,et al.Lowcomplexity user selectionalgorithms for multiuser MIMOsystems with block diagonalization[J].IEEE Trans.Signal Process.,2006,54(9):3658-3663.

[4]Yoo T,Goldsmith A.On the optimality of multi-antenna broadcastscheduling using zero-forcing beamforming[J].IEEEJ.Select.AreasCommun.,2006,24(3):528-541.

[5]Liu J G,Ma Q H,Lin M,et al.Ascheduling algorithm with one-bitfeedback for multi-user MIMO system[C].International Conf.onWiCom,Shanghai,China,2007.

[6]Xu W,Zhao C M,Ding Z.Efficient user scheduling under lowratefeedbackfor correlated MIMO broadcast channels[C].IEEE Interna-tional Conf.on Comm.(ICC),Beijing,China,2008.

多用户调度 篇4

大规模风电入网的反调峰特性和空调负荷等因素造成系统负荷的高峰谷差,使得电网调度运行中的调峰问题日益突出,给电力系统的安全、经济运行带来了极大的挑战。减小峰谷差有利于降低电网峰荷时段的重载水平,减少机组调峰和启停,从而有效地提高系统运行的安全、经济水平。而提高负荷侧的互动水平,引导用户用电行为从负荷高峰时段向低谷时段转移,无疑是减小峰谷差的有效途径。随着中国智能电网建设的深入推进,用户侧与调度中心之间的信息交互水平将不断提升,各种蓄冷、蓄热技术将在用户侧普及推广,互动负荷有望成为电网的调峰资源并统一参与调度运行。

需求响应是一种用户侧响应价格信号或激励机制选择在非峰时段用电的行为[1,2],很多美国独立调度机构(ISO)在备用市场或辅助服务市场中接受需求响应供应商(DRP)的报价[2,3],并且在日前发电计划中综合考虑DRP的特性及价格,制定机组组合计划。在智能电网框架下,以高级计量设施(AMI)为技术核心的[4]需求响应也被作为一种重要的互动资源,应用于备用、辅助服务、紧急控制[5]等调度运行中。然而,目前中国尚未建立各级电力市场,实时电价缺失,一般只能通过峰谷电价的方式开展需求侧管理。峰谷电价虽然可以在一定程度上引导用户在低谷时间用电,但在这种方式下电网与用户侧之间缺乏直接、充分的信息沟通,难以准确、有效地调度用户侧负荷,使其满足系统的移峰需求,削峰填谷的效果往往非常有限;而在峰谷电价力度较大的情况下,又有可能出现全网大用户集中移峰的现象,为电网的调度运行带来极大的不确定性。出现上述现象的本质原因在于用户和电网公司均以使自身运行成本最小化为目标,分别优化决策用电行为和调度运行计划,用户侧移峰资源与电网侧移峰需求的匹配缺乏精准性和最优性。由于短期发电计划决策时间的限制,需求侧与电网侧很难在短时间内频繁交换需求侧响应信息和电网调度计划信息。这样,一方面使得用户侧缺乏全网移峰需求信息,仅能被动地响应峰谷电价,极易导致过度移峰或欠移峰的发生;另一方面使得调度部门无法精确定位各节点用户的移峰能力,只能通过负荷需求弹性[6,7]预测用户侧的响应效果,编制相应的发电计划,以满足需求侧响应后的负荷需求。

英格兰和威尔士电力市场在20世纪90年代开展了需求侧竞价(DSB)的市场竞价模式,赋予用户通过申报削减负荷价格和发电侧统一参与电力市场竞争的权利,实现了调度中心对机组和负荷资源的统一调配。DSB模式虽然可以有效地削减峰荷,抑制价格尖峰,但是如何实现削峰后负荷的转移和电量的恢复是该模式未提及的问题。文献[8]提出了依照用户申报的被削减负荷恢复供电比例数据,解决用户被削减电量在何时段、以何种比例补偿供电的方式,该方式虽然可以满足系统的削峰需求,但是负荷恢复时段完全由用户自主决定,即削峰电量移至何处完全由用户的意愿体现。为了挖掘互动用户移峰能力与系统发电资源的最优配合,有必要进一步研究负荷恢复时段可调度的用户侧模式,以满足智能电网环境下按需互动、精准移峰的需求。

如何站在统一优化全网调度资源的高度,建立一套能够充分考虑用户侧负荷互动特性的高效、最优的调度计划制定模式和方法,成为未来智能电网环境下需要解决的重要课题。为此,本文在深入研究当前用户侧负荷互动特性和互动型负荷移峰潜力的基础上,设计了适应国内调度实际和未来智能电网需求的用户侧互动模式,建立了能够最优统一调配发电资源和互动用户负荷的发用电一体化调度计划(GLIS)模型,开辟了一条用户侧主动提供互动服务的途径,使发电侧和用电侧均作为可调度资源参与电网运行的资源优化配置,有效提高了系统调峰和消纳间歇性能源的能力,为智能电网环境下用户侧与电网运行的互动提供了新的思路和方法。

1 用户侧移峰潜力分析

用户侧移峰潜力分析是开展用户侧互动模式设计的基础。通过分析典型用户的用电曲线特性,可以明确互动模式的参与对象,深入挖掘互动用户的移峰潜力。目前,用户侧的可移峰负荷主要包括蓄能技术和避峰生产2种类型。

1.1 蓄能技术

蓄能技术是指以水或冰为储能介质,利用电网负荷低谷时段的电力蓄冷或蓄热,以满足负荷高峰时段的制冷或取暖需求。典型的冰蓄冷空调负荷曲线[9]如图1所示。该类型移峰负荷的主要特征是移峰前后的用电曲线形状不同,可以理解为先削峰再将削峰电量转移到其他时段。

文献[10-11]分别以典型商业用户的空调负荷为例,评估了冰蓄冷空调系统在上海、南京电网中的潜在调峰能力。文献[12]介绍了电锅炉水储热技术的工作原理及衡水电业局储热工程,指出了该工程的显著经济效益及移峰效果。在实际电网运行中,以2002年的统计数据为例,北京地区已投运的蓄冷、蓄热项目共计94个,具有转移200 MW高峰负荷的能力,相当于节约发电投资16亿元[13]。

1.2 避峰生产

避峰生产是指在对工艺流程无影响的前提下,工业用户通过调整设备使用时间、人员工作班制,在负荷低谷时段进行工业生产的行为。典型的避峰生产负荷曲线如图2所示。该类型移峰负荷的主要特征是移峰前后的用电曲线形状不变。

以高耗能企业比重很大的宁夏地区为例,宁夏电网对高耗能企业实行峰谷电价,引导高耗能企业集中避峰生产,使得原来后半夜谷时段负荷高出平均负荷100~200 MW。尽管造成了峰谷倒置的现象[14],却反映了高耗能企业避峰生产所蕴藏的巨大移峰潜力。

综上,无论是蓄能技术还是避峰生产都能实现负荷的移峰填谷,通过合理引导和调度相应的蓄能,可使移峰生产负荷避开高峰时段,使其在低谷时段用电,从而有效降低高峰时段的系统调峰压力、减少机组启停,全面提高电网运行的安全性和经济性。然而,如何适应电网的实际调度运行情况,充分合理地利用用户侧移峰潜力,是目前值得深入研究的课题。为此,本文将设计相应的用户侧互动模式和模型,以实现发用电资源一体化的最优调度。

2 用户侧互动模式设计

互动是智能电网的重要特征之一[15,16]。传统意义上的互动是用户被动地响应分时价格、实时电价或尖峰电价[1],以调整自身用电计划。这使用户难以充分、有效地参与到全网的调度运行优化中,存在过度移峰或欠移峰的隐患。为此,应该从提高电网运行安全性和经济性的角度出发,设计一种激励电力用户积极参与互动,电网企业统筹调配发用电资源的新型发用电一体化互动机制,初步构建智能电网愿景下的用户侧互动模式。

2.1 基本前提和假设

本文所探讨的用户侧参与电网运行互动基于以下前提和假设:(1)由于国内的电力市场发展尚处于起步阶段,本文采用国内现行电价体系下的发电成本和非互动用户电价,不考虑电力市场环境下的实时电价机制;(2)中国尚处于智能电网发展的初级阶段,大用户互动是最适合中国电网实际情况的用户侧互动方式,本文仅考虑具备移峰能力的商业和工业用户;(3)用户侧互动采用移峰形式,在保证用户期望用电曲线形状和用电量不变的基础上,优化用户的用电时段;(4)所有参与互动的用户均安装了与调度中心通信的双向通信设备,具备与调度中心交换信息的软硬件设备;(5)所有参与互动的用户均具有良好的移峰能力,在保障用电曲线的条件下调整用电时段。

2.2 用户侧互动的申报机制

用户侧参与互动的申报机制是整个互动模式的核心,它不仅应规定用户以何种方式参与电网运行互动,还要考虑激励用户参与互动的价格机制。在传统的峰谷电价模式中,峰谷电价在很多情况下不能很好地满足用户的移峰成本要求,从而难以有效调动用户侧参与电网运行互动。如对于冰蓄冷技术而言,峰谷电价比达到5∶1至7∶1时,投资才能在2年内收回[12]。而将互动用户作为一种调峰资源,赋予其申报移峰成本的权利,就能通过互动用户间的报价竞争,发现用户侧的真实补偿价格,从而充分调动用户侧参与电网运行互动。通过发用电一体化优化决策,可以挖掘机组启停与负荷移动间相互配合的优化潜力。

本文设计的用户侧互动申报机制如下:参与互动的用户应综合考虑自己的生产需求和成本,每日向调度中心提交次日的用电意愿曲线和移峰成本曲线,然后与发电机组一同作为可调度资源由调度中心统一优化调度。

2.2.1 用电意愿曲线

用户应申报的用电意愿曲线包括原始用电曲线L0和互动用电曲线Ls,分别为移峰前、后的用电曲线,如图3所示。

图3中:时段11到时段21的曲线部分表示原始用电曲线;时段0到时段10的曲线表示互动用电曲线;TD为可参与互动的负荷总时段。由图3可以看出:由于蓄能用户通常以恒功率蓄能,移峰前后仅需要保证电量不变,因此,用电曲线始终为平线;而高耗能工业用户由于有固定的生产工序安排,移峰前后要求用电负荷曲线形状完全不变。

用电意愿曲线可以反映3方面的信息:用户次日参与互动的原始用电曲线L0和互动用电曲线Ls;可参与互动的负荷总时段TD;用户参与互动的总电量。

2.2.2 移峰成本曲线

移峰成本曲线表征了用户认为提供移峰服务后,应从电网公司获取的补偿价格。本文设计了一种简单的移峰成本曲线,如图4所示。

图4中:T0表示用户的原始用电时段;C表示电网公司用于改变互动用户用电时段所需支付的额外成本。移峰后用电时段离原有用电时段越远,移峰成本就越高。

2.3 用户侧参与电网运行互动的流程

根据上述用户互动的申报机制,用户侧参与电网运行互动的具体流程如图5所示。

用户向调度中心申报的互动信息包括用电意愿曲线和移峰成本曲线;调度中心编制的次日GLIS包括机组启停计划、机组出力曲线及互动负荷的调用计划;一般情况下,调度中心与用户之间的信息反馈次数应不大于1。与现行的峰谷电价模式相比,本文所提出的用户侧互动模式的优势如下。

1)互动用户的角色从价格接受者转变为价格提供者,通过申报机制反映自身的用电意愿和移峰成本,最大限度地挖掘了需求侧的潜在可移峰负荷。有经验的用户可以在不增加自身成本甚至通过提供互动服务盈利的情况下,为电网的平稳运行作出贡献,并且可以通过长期的学习和分析,不断改进自己的报价策略。而电网公司可以统一调度互动负荷资源,进一步提高电网的安全性和经济性。

2)互动用户的移峰计划不再由各用户以被动响应价格的形式获得,而是由调度中心在充分考虑用户侧意愿和电网侧运行需求的基础上,优先调用移峰成本较低的互动负荷,以满足系统的调峰需求。相当于购买了互动负荷的灵活调用权,避免了用户自主移峰可能给系统运行方式带来的不良影响,实现了用户与电网之间的精准、按需互动。

3 GLIS模型

GLIS模型在传统安全约束机组组合(SCUC)模型的基础上,在决策变量中引入了互动负荷,构建了兼顾发电资源和互动用户资源、考虑电网安全约束的统一调度优化决策模型。

3.1 互动负荷的建模

互动负荷j的决策变量为启动变量Ij,m:若互动用户的负荷j在时段λ启动,则Ij,m=1;若在其他时段启动,则Ij,m=0。该决策变量决定了互动负荷的开始被调用时间,其物理意义类似于离散信号分析中的单位样值信号[17],可以表述为:

利用式(1)中互动负荷启动变量的抽样特性[17],互动用户i在t时段的有功负荷μi,t为:

因此

式中:Ui为互动用户i的负荷持续时间;Si为互动用户i的用电意愿曲线幅值数组;L0i为互动用户i的原始用电曲线。

若互动负荷被调用,通过式(2)等号右边的第1项,可以根据互动负荷启动变量I的优化结果中负荷启动时段λ的位置,将用电曲线序列S依次放置于有功负荷时间序列μ中从时段λ开始的相应时段。若互动负荷不被调用,则μ的取值由式(2)等号右边的第2项确定,与原始用电曲线一致。

3.2 优化目标

式中:Cg,i,t为发电机组i在t时段的发电成本函数;CU,j,t为发电机组i在t时段的启动费用函数;为互动用户j在t时段的移峰费用函数,其中Cs,j,t为互动负荷j在t时段的移峰成本(当用户互动负荷启动时段距离T0较近时,由于T0区间内的移峰成本为0,仅需支付在T0之前启动的部分移峰负荷;而当用户未被调用时,互动用户的有功负荷等于原始用电曲线,位于T0区间内的移峰费用为0);P为机组出力;I为互动负荷的启动变量;α,β,γ分别为机组状态变量、启动变量和停机变量;Ng为发电机组台数;Ns为互动用户个数。

3.3 约束条件

约束条件可以分为不含互动负荷的经典约束和含互动负荷的约束,前者为传统的机组组合模型[18],本文仅阐述后者的详细模型。

3.3.1 有功平衡约束

式中:Pi,t为发电机组i在t时段的有功出力;dk,t为非互动用户k在t时段的有功负荷;N0为非互动用户个数。

与常规有功平衡约束相比,式(6)增加了用μj,t描述互动负荷调用的情况。

3.3.2 线路有功潮流约束

其中

式中:Gi,l为节点i对线路l的节点输出功率转移分布因子;fl,max和fl,min分别为线路有功潮流上、下限。

与常规线路的有功潮流约束相比,式(7)考虑了互动负荷的调用与否对线路有功潮流的影响。

3.3.3 互动负荷调用次数约束

式(8)确保了互动负荷被调用的灵活性。若互动负荷要求的补偿价格过高,电网调度部门将宁可调用甚至启停高成本机组调峰,也不会调用互动负荷;互动负荷的补偿价格处于合理区间时,日内通过调整互动负荷的调用时间,可实现有序用电调峰。

3.3.4 日内用电意愿曲线调用的完整性约束

式(9)用于保证用电意愿曲线在日内计划中被调用的完整性。本模型中暂不考虑日与日之间互动负荷调用滚动协调的问题。

4 算例分析

算例分析选取新英格兰39节点系统[19],结合国内某地区夏季的24时段标幺负荷曲线以及该系统的原始负荷数据,得到系统及节点24时段负荷曲线。传统SCUC模型和GLIS模型中的混合整数规划问题采用CPLEX12.1软件包求解。

4.1 算例基本参数

4.1.1 用户侧互动负荷的构成

文献[20]指出夏季空调负荷占第三产业用户用电量的30%左右。本算例分别以节点3,15,16,24,27和29母线负荷的30%来模拟蓄能空调负荷;以节点4,8,20和39母线负荷的40%来构造4个参与用户侧互动的高耗能用户。

4.1.2 用户侧互动申报数据

1)用电意愿曲线

根据2.2节提出的互动用户的用电意愿曲线,10个互动用户的用电意愿曲线见附录A图A1和图A2。

2)移峰成本曲线

本算例构造了5种场景的移峰成本曲线,以场景3为基准场景,其移峰成本曲线见附录A图A3。场景1和场景2中的移峰成本分别为基准场景的1/4和1/2,场景4和场景5中的移峰成本分别为基准场景的2倍和4倍。多种移峰成本的场景设置有助于分析不同移峰成本下用户侧互动的成本效益以及被调用的情况。

4.2 GLIS模型与传统SCUC模型计算结果的对比分析

本文采用不考虑用户侧互动的传统SCUC模型作为对比算例,分析GLIS模型与传统SCUC模型计算结果的差别。从互动负荷调用情况、发电机组调用情况以及成本效益分析这3个方面来验证GLIS模型的有效性。

4.2.1 互动负荷调用情况分析

在基准场景3下,根据GLIS模型的优化结果,各互动用户负荷的启用时段如表1所示。

注:“—”表示该用户的互动负荷未被调用,仍按照其原始用电曲线用电。

因价格及安全约束的影响,节点3,4,8,16,39上的互动负荷未被调用。被调用的互动负荷的启用时段受发电机组运行成本、启停成本、线路输送容量的共同影响,互动负荷倾向于在满足安全约束的条件下替代系统中最昂贵机组的开机,从而达到降低总成本的目的。附录A图A4中展示了考虑用户侧互动前后系统负荷曲线的差异,用户侧互动的削峰填谷能力显著,使得系统峰谷差明显降低。

4.2.2 发电机组调用情况分析

在基准场景3下,分别采用传统SCUC模型和GLIS模型得到的机组启停计划如表2所示。传统SCUC模型和GLIS模型下各台机组的出力曲线分别见附录A图A5和图A6。

注:“1”表示该机组在24时段内存在开机;“0”表示该机组在24时段内均未开机。

对比表2中2种模型下机组的启停计划及附录A图A5和图A6中各台机组的出力曲线可以明显地看出,在传统SCUC模型下需要启停3号机组调峰,而考虑用户侧互动负荷后,由于减小了系统负荷峰谷差,3号机组全天关停,其余机组的出力曲线更加平稳,参与深度调峰的机组变少。用户侧参与电网运行互动有利于减少高成本机组开机,同时提高低成本机组的负荷率,有效地提高了系统的经济运行水平。

4.2.3 成本效益分析

在基准场景3下,采用传统的SCUC模型和GLIS模型得到的系统各类成本,以及GLIS模型相对于传统SCUC模型所取得的效益如表3所示。

表3中,效益指相对于传统SCUC模型总成本的效益,其计算方法为:效益=(传统SCUC模型成本-GLIS模型成本)/传统SCUC模型总成本。由表3可以看出:在不考虑互动负荷的传统SCUC模型下,由于需要多开启一台机组,启动成本升高;在考虑互动负荷的GLIS模型下,系统的发电运行成本和启动成本显著降低,需要支付的代价是调用互动负荷的移峰成本。在5种场景下,总成本、发电运行成本、机组启动成本、移峰成本的变化情况如图6所示。

随着各互动用户申报移峰成本的提高,GLIS模型下的系统发电运行成本、系统调用互动负荷所需支付的总移峰成本也随之不断提升。场景5下,当互动负荷的移峰成本高于调用和开启昂贵机组的成本时,所有互动负荷均未被调用,传统SCUC模型和GLIS模型得到的优化结果相同。场景1—场景5下系统的总成本效益依次为2.9%,2.6%,2.1%,1.3%和0,说明只要支付的移峰成本不高于用户侧互动带来的运行成本和启动成本的降低量,调用互动负荷就有利于降低全网的总成本。

上述结果充分验证了本文所述模型的灵活性,GLIS模型能够根据互动负荷和发电机组调峰费用的对比,在确保电网安全的前提下,自动以最经济的方式解决系统的调峰问题。

5 结语

本文从挖掘用户侧移峰潜力的角度出发,深入分析了传统峰谷电价模式下用户移峰潜力难以充分发挥的根本原因,提出了用户申报能够充分反映自身生产实际需求、用电意愿的用电意愿曲线和移峰成本曲线,与发电机组一同成为调度部门可灵活调度资源的新型需求侧互动模式。在此基础上,建立了GLIS模型,将互动负荷和发电机组同时作为决策变量参与电网调度计划的制定。本文提出的用户侧互动模式和GLIS模型有助于电网消纳大规模可再生能源,并为智能电网环境下用户侧参与电网运行互动提供了新思路。

多用户调度 篇5

关键词：云计算,服务质量,任务调度,仿真

(一) 引言

云计算是由分布式计算、并行计算、网格计算、虚拟技术、普适计算等概念混合演化而来的一种新型的计算模型。它将计算任务分布在大量计算机、存储设备等组成的资源池上, 用户可以根据需要获取计算能力、存储空间和各种软件服务, 是一种以Internet为基础向用户提供信息服务的商业模式, 其目标是为用户动态地提供可靠的、可定制的、服务质量 (QoS) 保证的IT计算服务环境。然而, 不同的用户有不同的需求, 云计算必须提供用户满意的服务, 服务质量QoS成为了衡量用户使用云计算服务满意程度的标准。这样对云计算的作业调度和资源分配提出了更高的要求。

多任务调度问题是计算机界公认的NP难题, 采用启发式方法可以得到次最优解, 而固定优先级调度策略可能会引起低优先级线程饥饿和短程任务滞后, 先到先处理调度策略可能会引起高价值任务错失最佳处理时刻。因此, 对云计算的任务调度进行研究具有重要的意义。

(二) 基本理论

1. 用户期待函数的定义

在云计算中, 服务质量QoS是衡量用户使用云计算服务满意程度的标准。云计算为互联网上的各类用户提供不同的服务, 但由于用户的多样性, 为了给用户提供满意的服务质量, 云计算的任务调度和资源必须得到合理的分配。文章通过引入资源分配的用户期待函数对用户资源量的需求进行分析, 任务的用户期待函数定义为:

其中, θ为常量, 且0<θ≤1, AR为任务的实际资源分配量, ER为任务期待的资源量。

2. 基于QoS的任务分类

按照QoS标准可将任务按完成时间、带宽、可靠性、费用分为四类, 可建立如下的量化标准:

(1) 完成时间:任务的时间性QoS描述包括开始时间、最迟完成时间、总完成时间、结束时间等。

Twait是从任务提交到被分配处理资源的等待时间, Texec为任务执行时间, Ttrans为任务传输时间。设任务的期待完成时间为Texpt, 则用户期待函数表示为:

(2) 带宽:设BWvm表示虚拟机的带宽, BWuser表示用户期待的带宽, 则用户期待函数表示为:

(3) 费用:虚拟机按照单位对资源计费, 任务消费的全部费用costvm为:

P1表示资源数量, C参数表示单位资源价格, 设costuser为用户期待的费用, 则用户期待函数为:

(4) 可靠性:对于可靠性要求较高的用户任务来说, 选择可靠性高的资源为其提供服务, 能够显著提高其服务质量。设虚拟机的故障率为p, 用户期待的任务完成率psucc由用户指定, 则用户期待函数为:

当用户任务有多方面QoS需求时, 可将上面讨论的完成时间、带宽、费用、可靠性的用户期待评判函数进行综合, 得到综合的用户期待函数:

根据以上四点描述, 完成时间表示对实时性要求较高的用户, 需要任务在尽可能少的时间内完成。当客户对通信带宽要求较高时, 则需要优先考虑带宽要求。可靠性表示对长期运行任务的用户, 需要云计算提供稳定可靠的性能, 如云存储服务。此外, 云计算按需付费, 使用费用是用户关注的一个因素, 对于希望廉价的服务的用户来说, 费用是一个衡量标准。

(三) 研究方法

云计算环境的特点包括了支持基础设施的建模与仿真, 支持数据中心、服务代理人、调度和分配策略的平台。它提供虚拟化引擎, 在数据中心节点上帮助建立和管理多重的、独立的、协同的虚拟化服务。对虚拟化服务分配处理核心时能够在时间共享和空间共享之间灵活切换。

1. 云计算的任务调度模型

任务调度模型的工作方式如图1所示, 云信息服务和数据调度中心实现资源发现和信息交互, 是任务调度的核心。设计的调度算法可在数据调度中心中实现, 从而实现调度算法的模拟。

2. 任务调度流程

云计算调度的数据流程如图2所示, 数据中心的资源创建以后向CIS云信息服务注册, 由数据中心调度管理信息的交互过程。

3. 用户期待函数的任务调度算法流程

Step 1:给定任务参数表, 表中含有用户所期待的资源与用户的任务大小。

Step 2:获取虚拟机的资源, 根据资源分别计算虚拟机的性能。

Step 3:按QoS的任务类型计算综合Jzh, 为了方便计算, 可用代替。

Step 4:根据Step 2与Step 3的计算结果将虚拟机与任务按性能与用户期待值从大到小进行对应的映射与绑定, 任务数按虚拟机数进行平均分配。

Step 5:执行并统计和返回所有任务的总花费。

(四) 仿真实验

1. 仿真平台

云计算的仿真平台目前有澳大利亚墨尔本大学设计的CloudSim, 它是在网格实验室和Gridbus基础上建立的。仿真的过程分为以下步骤进行:

(1) 初始化GridSim库

(2) 创建数据中心

在仿真平台中, 一个数据中心由一台或多台Machine组成, 而一台Machine可由一个或多个PEs或CPUs组成。本实验程序创建了两个数据中心, 每个数据中心有两台Machine, 其中一台Machine由4个PEs组成, 另一台由2个PEs组成。

(3) 创建Broker

(4) 创建虚拟机

(5) 创建云任务

(6) 启动仿真

(7) 统计结果

具体的仿真程序编写过程可参考Cloud Sim网站提供的编程样例。

2. 实验数据

本实验采用前面两类任务的调度来模拟用户期待函数的任务调度, 如表1所示包含有8个任务, 表中的参数分别表示为任务标识、长度、提交到数据中心的文件大小、数据中心输出文件的大小、任务期待的带宽。表2包含了4个虚拟机的参数, 分别表示虚拟机的身份标识、CPU个数、内存大小、带宽、虚拟机性参数。其中虚拟机性能参数大小等于CPU个数, 即内存大小与带宽的乘积, 这个值越大, 表示虚拟机的性能越好。

3. 实验方法与分析

文章的任务调度算法在仿真环境中实现任务的调度有两种方法实现, 一种是重载Cloud Sim的Datacenter Broker类的bind Cloudlet To VM () 方法, 该方法是将单一的任务绑定到指定的单一虚拟机上运行, 在重载的方法里可实现自己的任务调度策略, 但是重载后需重新编译Cloud Sim, 这种方法属于内部嵌入的方式。另一种方法是在编写仿真程序时通过调度算法算出各个任务的优先级, 再调用bind Cloudlet To VM方法将任务与虚拟机进行绑定, 此种方法属于外部接口方式。文章的仿真程序采用外部接口方式, 云任务与虚拟机的绑定部分代码如下所示:

本程序中有4个虚拟机, 每个虚拟机处理2个任务。根据式4计算值, 这与计算Jbw值的效果是等价的, 式中θ取1。如表3所示, 表中“按带宽VMID”表示按带宽条件进行任务与虚拟机的映射, 实验测得Processing Cost的值为1370.25。同理, 再进行“按完成时间”计算, 然后进行任务与虚拟机的映射, 实验测得Processing Cost的值为1089.75。的计算可由输入数据中心的文件大小与输出数据中心的文件大小比值进行估算。

经过与表5中Processing Cost为1265.25的值进行比较可知, 单纯的按带宽进行任务调度效果反而不如系统默认的最小完成时间调度算法效率高, 但按完成时间测试得到的结果略高于最小完成时间调度算法。因此, 考虑将“按带宽VMID”与“按完成时间”二者综合起来计算函数f (expJ) 的综合值, 测试结果如表4所示。

对比表4与表5的实验结果, 从单个任务的最小完成时间来说, 用户期待函数的调度算法与最小完成时间的调度算法相比没有优势, 如任务6按最小完成时间算法时的花费值为24, 而用户期待函数调度则花费值为84, 二者相差较大。但从整体花费上相比, 用户期待函数调度的综合花费为1089.75, 要优于最小完成时间的调度算法的花费值1265.25。因此, 用户期待函数的调度算法从平均性能来说要比最小完成时间更好地满足用户需求。

(五) 结束语

随着云计算技术的发展与应用, 对云计算服务质量的要求不断提高。文章通过引入用户期待函数对用户任务调度策略进行研究。仿真实验结果表明, 用户期待函数的任务调度算法与传统的最小完成时间任务调度算法从平均性能来说具有一定的优势, 而研究更理想更有效的云计算任务调度算法是下一步的工作目标。

参考文献

[1]宋远骏, 杨孝宗, 李德毅, 崔东华.多机多任务实时系统云调度策略[J].计算机学报, 2000, 23 (10) :1107-1110.

[2]陈全, 邓倩妮.云计算及其关键技术[J].计算机应用, 2009, 2 (9) :2562-2568.

[3]郭本俊, 王鹏, 陈高云, 黄健.基于MPI的云计算模型[J].计算机工程, 2009, 35 (24) .

[4]Rodrigo N.Calheiros, Rajiv Ranjan, Cesar A.F.De Rose, Rajkumar Buyya.CloudSim.A Novel Framework for Modeling and Simulation of Cloud Computing Infrastructures and Services[R].Technical Report, GRIDS-TR-2009-1, 2009.

多用户调度 篇6

近年来, 中国电力工业发展极其迅猛。2005年底中国电力装机500 GW, 到2011年底增至1 050GW, 年均增长91GW, 预计2020年全网电力装机容量将达到1 900GW。电网规模和电厂数量的迅速增加导致省、地、县调和电厂间耦合程度越来越高, 各级调度机构间信息传输和数据管理变得越来越复杂, 如何有效实现调度机构间的数据统一管理, 避免信息孤岛, 是目前电网管理系统研发面临的关键问题。传统管理模式中, 各调度机构均通过自身的信息管理系统实现业务操作, 其信息数据相对独立, 相互间的信息协调通过报表、邮件或电话方式沟通实现, 无法及时对信息进行共享和交互。

以省地县一体化管理模式[1,2,3]为支撑的电网管理系统可以有效地整合各级调度机构信息, 全面部署各项应用业务, 使省级电网和地县区电网数据形成一个有机的整体, 达到信息全面共享, 实现电网统一调度、管理与监控[4,5]。该模式将调度机构按职能和调度关系从上至下分为3级:省调机构、地调机构和县调机构。下级调度机构负责维护自身数据、上报和管理生产数据信息, 而上级调度机构可以查询下级机构的报表、生产数据信息, 并审核下级机构的计划调度方案, 但不干涉其管理方式。以此模式为基础构建的省地县一体化电力调度管理系统 (以下简称一体化管理系统) 需保证各级调度机构独立管理自身生产信息, 同时需确保上下级调度机构间信息和操作流程的协调配合, 实现系统的安全运行和信息资料的有序管理。因此, 一体化管理系统中大量数据信息和操作流程必须面向各级调度机构赋予不同级别的访问权限以实现差异化访问控制, 这给权限设计实现带来了极大的困难。

本文提出了以改进的基于角色的访问控制 (RBAC) 模型为基础的分级用户权限方案, 对一体化管理系统进行权限控制。首先, 以角色作为授权主体, 并增加特殊用户 (和部分角色权限集仅有细微差异) 直接授权方式, 简化授权过程的同时解决了同级用户职权存在细微差异引起的“角色泛滥”问题;其次, 针对分级调度机构业务特点, 引入“用户—角色—页面—权限”权限描述方式, 通过页面整合业务权限以细化权限粒度, 进一步简化不同级别用户的授权过程;最后, 分级授权过程采用上级分配直属下级的管理员角色和用户, 下级管理员再在自己权限范围进行角色和用户的授权, 保证授权过程及数据的安全性。该方案在云南电网小电省地县一体化调度管理系统中得到成功应用。

1 分级用户权限方案总体设计

一体化管理系统中各级调度机构间的数据信息和业务流程既有相似性, 又存在差异。如报表管理业务中, 县调和地调都需要审核所管辖范围内的电站上报的计划和报表, 并上报给上级调度机构, 而省调只需要审核地调的上报结果, 但需要查询地调、县调及各级电站的报表数据。这种特点一方面要求权限设计的灵活性和可扩展性, 另一方面需要考虑权限授权过程的灵活性和管理的安全性。

1.1 开放式可扩展权限设计

权限可扩展性是衡量权限管理优劣的重要标准。一体化管理系统中不同角色对各业务模块的操作方式各不相同, 并且其操作方式可能会随着需求变化而改变, 为此需要实现权限自动扩展。系统中权限可以抽象为两大类:查看权限和修改权限。查看是指能否进入该模块或功能页面, 此外的所有操作统一定义为修改, 包括数据修改、流程审核审批、报表导入导出、信息保存等。形式化描述为:

式中:SysS和EditS分别为系统权限集和修改权限集;enterp和editp[i]分别为查看和修改权限元素。

系统授权或新增修改权限时实现预定义的权限抽象方法即可完成权限的自动扩展。形式化描述为:

即用户u对应的角色r所拥有的执行op操作的权限通过实现可执行op操作的editp[i]权限或enterp权限获得。R[u]表示用户u的角色集合;OP[r]表示角色r的可执行的操作集。这种权限扩展方式对于没有指定角色的特殊用户同样适用, 只需将用户本身作为授权主体即可。

将权限分为查看和修改两类, 通过修改权限集的开放式设计实现权限的广度扩展, 可降低权限的深度控制, 简化系统设计、流程控制及用户授权过程。

1.2 改进的RBAC模型

一体化管理系统由大量业务功能模块构成, 这些模块大多以不同的功能页面形式展现给各级用户。各级用户在实际操作时通过进入相应模块的页面进行操作, 但是他们对页面中的权限存在着较大差异, 为避免RBAC模型授权管理中存在对业务模块的权限控制粒度大、难以细化的弊端[6,7,8,9], 本文引入了页面层, 采用“用户—角色—页面—权限”控制方式。用户通过所属角色获得对模块的操作权限后, 可以进一步为其分配操作从属于该模块的页面的权限, 实现了权限的进一步细化。如果用户无权操作某模块, 则无需为其分配操作该模块下页面的权限, 简化了授权过程。改进的RBAC模型如图1所示。图中:“页面X-Y”表示模块X的第Y个页面;“用户”和“角色”间连线表示二者间从属关系;“角色”或“用户”与“模块—页面”间连线表示该角色或用户对指定页面的控制权限, 是满足用户最大需求的权限集的最小子集。

改进的RBAC模型引入页面作为权限载体, 细化了权限控制粒度, 简化了授权过程, 增加了授权的灵活性。该模型主要采用角色授权方式, 同时对与现有角色权限集存在细微差异的用户采用用户直接授权方式, 有效解决了“角色泛滥”问题。

1.3 分级用户授权策略

一体化管理系统涉及多级用户, 各级用户的业务范围和操作流程必须通过权限进行精细化控制, 这需要灵活安全的分级用户授权策略。系统中上级用户可通过创建、授权、维护等方式管理下级用户, 具有较高权限, 为此本文采用“上级分配策略”实现分级用户授权管理。该策略在构建系统时预先创建具有最大权限集的省调管理员, 由其管理本级用户和下级地调管理员, 并将自身权限按需分配给新用户, 地调、县调、电厂等用户以此类推, 逐级授权, 即上级调度机构设置单个具有最大权限集的管理员, 系统通过该管理员进行同级用户或下级管理员授权。这种方式的特点是授权方式一致, 上级权限集大于等于下级权限集。一方面可以保证授权过程的有序性和完整性, 另一方面可以保证系统添加或更新模块时, 各级用户均通过统一入口获得操作权限。

2 关键技术实现

作为一体化管理系统的中心线, 权限管理和控制的实现取决于控制流程设计和基础数据支持设计等关键环节, 下面从数据库、数据结构、可扩展性及数据缓存等环节重点阐述权限设计实现的关键技术。

2.1 一体化权限管理数据库表设计

一体化管理系统分级用户权限方案以角色和特殊用户为载体给用户分配操作页面的权限, 由此可以抽象出数据库设计[10,11]的4个实体 (数据库表) :用户、角色、权限、页面。4个实体两两间均存在多对多关系, 附设一个权限映射实体完成它们之间的交互。分级用户权限方案主要数据表实体—联系 (E-R) 图见图2。图中:PK为主键;FK为外键;m∶n为实体间联系 (一对一、一对多、多对多) 。

2.2 采用邻接表存储调度机构信息

省地县一体化管理模式中电厂并网方式和调度关系复杂, 如何存储调度机构间的关系以快速索引和遍历上下级调度机构, 灵活处理辖区范围数据信息和生产业务, 是分级用户权限方案实现高效流程控制和信息统一管理的基础。

省地县一体化管理模式中各调度机构 (除省调) 都受控于一个直接上级调度机构, 同时管理多个下级调度机构 (除电厂) , 调度关系呈一对多的层次特点。由此, 以各调度机构为结点将该模式抽象为倒置的树形结构。其中, 省调是顶级调度机构, 是树的根结点, 其下级调度机构地调和县调分别是根结点的一级和二级子树, 电厂没有下级, 是树的叶结点。

为快速索引和遍历上下级调度机构信息, 降低调度关系变更和扩展的复杂度, 采用邻接表存储树形调度机构信息, 实现方式如图3所示。邻接表为省地县一体化管理模式树中每个调度机构分别建立一个单链表, 各单链表以对应调度机构信息为头结点, 下级调度机构信息为表结点组建。最后邻接表将各单链表的头结点顺序存入可变长数组中, 以实现快速遍历和检索。

应用过程中用户通过邻接表头结点中的链域 (UpDept) 和后续表结点获取上下级调度机构信息, 便于提高索引和遍历速度;新增调度机构时只需在数组尾部添加新结点, 并设置下级调度机构链表即可, 为调度关系的变更和扩展提供了有效支持。

2.3 通用权限预定义方式实现权限自动扩展设计

一体化管理系统中, 不同的业务模块所包含的操作方式和操作层次各不相同, 如生产数据采集模块包含查看、修改、保存操作, 基础资料管理模块包含资料查询、修改、审核和保存操作, 而计划管理模块包含计划查看、制作、上传、审核、审批等操作, 同时这些模块的操作方式可能会随着需求变化发生改变, 因此需要系统设计过程中保证权限的自动扩展[12,13]。

采用权限预定义方式实现权限的统一操作和自动扩展, 根据1.1节中的内容将功能模块的操作分为两类:查看和修改。系统实现时直接定义canEnter () 方法表示查看权限, 而通过预定义canEdit1 () , canEdit2 () , …, canEditn () 等多个抽象方法, 对应于不同的修改操作, 授权或新增权限时各功能模块只需根据自身需求依次实现相关修改业务即可达到权限控制的自动扩展, 如图4所示。该设计方式将修改操作抽象成统一的表现形式, 使授权建立在抽象的权限分类基础上, 便于应用时通过统一的方法进行权限控制, 从而实现了权限的自动扩展。

2.4 面向频繁更新的用户权限缓存同步机制

新电厂或设备的不断投产、新功能的不断投入、调度机构人员职能调整、电厂人员的频繁流动等会导致用户信息和权限分配结果的频繁更新, 采用缓存方式可以降低数据库访问“瓶颈”限制, 提高一体化管理系统运行速度, 然而需保持缓存与数据库一致。本文系统借鉴经典的读者写者模型[14]实现面向频繁更新的用户权限缓存同步机制。

系统运行时, 一方面多个客户端可通过数据读取进程同时读取缓存, 另一方面服务器端缓存更新进程执行缓存写操作, 将更新的用户权限信息写入缓存。客户端数据读取进程和服务器端缓存更新进程可分别抽象为读者写者模型中的读者和写者。为避免读者过多时写者长期等待, 要求读者和写者按时间段轮转方式互斥访问缓存。实现方式如下。

步骤1:启动服务器, 自动加载缓存, 开启计时器。

步骤2:计时器到达T前, 数据读取进程申请读写互斥锁读取缓存, 读写进程计数器Cread统计访问缓存的数据读取进程个数, 此时缓存更新进程被锁定。

步骤3:计时器达到T后, 禁止启动新的数据读取进程, Cread为0时释放读写互斥锁。

步骤4:缓存更新进程申请读写互斥锁更新缓存;更新完成后重新开始计时。

步骤5:重复步骤2至4, 即可实现缓存同步。

缓存更新同步机制的伪代码如图5所示。

3 工程应用

分级用户权限方案已成功应用到云南电网小电省地县一体化调度管理系统中, 其设计见图6。

该系统是云南电网科技革新的重点项目, 主要实现全网省地县电源结构的动态分类统计、电站年月日计划整合、实时数据信息采集等管理工作, 包含对16个地调122个县区所辖范围内1 600多座电厂的分级管理。各级调度机构和电厂用户均通过该系统实现数据交互和信息沟通, 如图6所示。方案引入角色和页面进行授权管理, 同时允许特殊用户直接授权, 既解决了潜在的“角色泛滥”问题, 又细化了权限控制粒度;另外, 采用分级方式管理用户权限和调度机构信息, 有效保障了授权管理的有序性和系统信息的安全性。系统自2010年投运以来, 经历了多次业务功能扩展和调度关系重组, 本文分级用户权限方案以其灵活的扩展方式、方便的管理和分配方式、安全的流程控制有效保障了系统的安全运行。

4 结语

多用户调度 篇7

1. 概述

鉴于Android是一种基于Linux的自由及开放源代码的操作系统, 本文以Linux系统为平台, 提出一种基于“用户使用频率”的智能化的任务调度机制。智能化的任务调度机制, 对特定用户使用进程的频率进行识别、统计以及优先极权值的改善操作, 减少了对系统总线的翻转次数, 从而加快了运行的速度, 相比于传统的任务调度机制, 本文提出的“基于用户使用频率的智能化”速度更快, 更加节能, 满足于人们的需求。

2. 基本思路

所谓“基于用户使用频率的智能化进程调度机制”, 即在原有的Linux系统的任务调度机制上, 增加一个识别、记录、统计用户使用进程频率的代码块。通过该代码与原有代码的结合, 使Linux任务调度机制可以更加智能化, 提高运行速度与效率, 使系统运行更流畅, 减少对系统总线的翻转次数, 从而达到节能的目的。具体来说, 智能化的含义, 就是针对不同用户的对手机进程使用的频率及习惯, 进行记录、统计与识别。Linux是多用户操作系统, 它使用用户和组标识符来控制进程对系统中文件和映像以及其他资源的访问权限。Linux的每个进程都拥有一个文件打开表, 以记录该进程使用文件的情况, 对应于task_struct中file_struct*类型的files成员。当进程退出时, 内核会自动检查并关闭进程已打开但未显式调用close () 关闭的文件。Linux用函数goodness () 统一计算进程 (包括普通进程和实时进程) 的优先级权值, 该权值衡量一个处于可运行状态的进程值得运行的程度, 权值越大, 进程优先级越高[1]。

而本文的思路, 即在“实时进程值的权值”上插入“用户使用频率”的方法recogzine () 、计时器方法runtime () 、更新方法refresh () , 以及计时器方法counter () 。与Linux中的goodness () 方法进行设计模式上的组合, 改进系统任务调度机制的方式。具体来说, 通过识别、统计以及优先极权值上的改善操作, 实现了对不同人群使用手机的差异性的识别, 从而提高了系统进程运行的工作效率与速度, 从而减少了系统总线的翻转次数, 达到了省电的目的。

3. 工作流程

如上文所述, Linux通过函数goodness () 来计算每个进程的优先级。而与goodness () 函数相关的域有4个:policy、nice、counter、rt_priority[1]。而进程分为2种:普通进程与实时进程。Linux通过policy来区分普通进程与实时进程。

本文讨论的是Linux对实时进程的操作。

对于实时进程, Linux采用了两种调度策略, 即SCHED_FIFO (先来先服务调度) 和SCHED_RR (时间片轮转调度) 。因为实时进程具有一定程度的紧迫性, 所以衡量一个实时进程是否应该运行, Linux采用了一个比较固定的标准, 即参考rt_priority () 的值。Linux用函数goodness () 计算进程的优先级权值时, 对实时进程是在基数1000的基础上加上rt_priotity的值。

在这里, 基数1000是Linux中的默认值, 由于1000的固定性, 有时会导致进程的优先级权值相同, 则发生调用进程的紊乱。本文提出的基于”用户使用频率“的智能化任务调度系统, 就是在此处进行优化, 具体步骤如下:

1) 建立recognize () 方法, 用于统计最近一段时间time, 用户使用各种进程的频率 (利用计数器方法counter () ) , 建立“用户使用进程频率表” (该表的顺序, 从小到大进行排列) ;

2) 建立计时器方法runtime () 和更新方法refresh () , 通过计时, 每隔一段时间就对频率列表进行更新, 这里的“一段时间”, 可以在具体实现工程项目时再进行设定;

3) 对“进程频率表”进行换算, 设每个进程的排名为a。将排次的数值a作为每个进程优先级数值的权值, 与统计的频率进行相乘, 得到结果参数result;

4) 当Linux利用函数goodness () 计算出进程的优先级数值时, 在基数1000的基础上, 加上result, 使得各个实时进程的优先级权值具有较大的差异性;

5) 系统对得到的新的进程优先级权值, 进行进程的调度和使用;

6) 重复上述1~5步骤。

4. 效果分析

1) 通过加入“基于用户使用频率的智能化任务调度机制”代码块, 使得系统对特定用户的使用习惯有了识别性、记录性以及统计性的功能;

2) 系统通过此新加入的代码块, 实现了对任务调度机制的有效改善, 提高了工作效率以及进程的打开速度, 从而减少了对系统总线的翻转次数, 进而实现了提高效率, 节省电能的效果。

5. 结语

本文针对Linux传统的任务调度机制, 提出了一种针对“用户使用频率的智能化”的任务调度机制, 通过对原有机制代码的添加及修改, 增加了部分新的方法 (函数) , 使系统对进程的调度更加智能化, 减少了对系统总线的翻转次数, 从而提高了系统进程调度的速度与效率, 并且节省了电能。

《中国科技信息》杂志社投稿说明

在线投稿

提高稿件审核速度 同步查看审核进程

登录www.cnkjxx.com页面右上角 在线投稿

编辑部稿件查询电话010-68003056 010-68003057

参考文献

多用户调度 篇8

在多用户MIMO下行系统中, 基站需要同时向多个用户传输数据, 由于多个用户的信道存在相关性, 将会产生多用户干扰, 多用户干扰会严重影响系统的和容量。所以, 选择空间正交性好的用户进行传输是十分必要的。此外, 由于基站能同时传输的用户数目不能大于基站的天线数, 所以在用户数大于基站天线数时需要进行用户选择。合理的用户选择可以获得更高的空间分集增益, 进而增加系统的和容量[7]。半正交用户选择算法 (SUS) 可以选择空间正交性好的用户进行通信[8], 减小了多用户干扰。但是SUS算法假设基站完全已知信道状态信息, 不适合有限反馈系统。目前, 大多数多用户MIMO有限反馈系统都采用固定码本方案, 通过有限的反馈比特选择本地码本, 基站和每个用户都已知码本信息, 用户根据自己的信道条件和本地码本做相关, 选择信干噪比 (SINR) 最大的一个码字, 并通过上行反馈信道将码字编号及相应的SINR值反馈给基站, 基站在预编码时, 将该码字作为该用户的预编码矩阵。目前的多用户选择方案很少考虑用户公平性的问题, 然而在实际系统中, 有时需要照顾信道条件差的用户, 比例公平调度 (PFS) 通过观察用户在一段时间内的平均吞吐量来判断用户是否被调度, 能够兼顾公平性和系统和容量[9,10]。

1 系统模型

本文考虑多用户MIMO下行链路系统, 系统模型如图1所示。基站配置N根天线, 每个用户配置单根天线, 基站可以同时与K (K≤N) 个用户进行通信, 系统用户数目为M (K≤M) 。用户k的信道系数可以表示为hk (t) ∈C1×N, 其中我们假设hk (t) 中的每个元素是独立但不同分布复高斯随机变量, 均值为0, 不同的方差代表不同的信道条件。本地码本采用LTE码本, 基站选择一个子码本作为预编码矩阵W (t) (∈CN×N) 形成N个预编码向量。W (t) 的列向量w (t) 代表一个预编码向量。每个时隙基站可以同时与K个用户进行通信, 第t个时隙第k个用户的接收信号可以表示为

式 (1) 中s (t) ∈CN×1代表基站的发送信号, 满足归一化功率限制E{s (t) s (t) *}=1, nk (t) 代表接收端的加性高斯白噪声向量, Pk是基站分配给用户k的发送功率, 满足功率限制。在本文中, 信道采用时变的瑞利衰落信道, 假设每个用户完全已知自己的信道状态信息hk。LTE码本集合设为{F (0) , …, F (G-1) }, 其中代表子码本, fm (g) ∈CN×1代表一个码字。LTE码本的特点是相同子码本的列元素之间相互正交, 不同子码本的列元素之间不正交。所以, 在选择预编码矩阵时需要选择一个子码本作为预编码矩阵, 子码本的每个码字作为用户的预编码向量。每个用户利用公式 (2) 计算和每个码字 (g, m) 的SINR, 其中g代表第g个子码本, m代表第m个码字。并选择使SINR最大的码字序号 (g, m) 和相应的值SINRk, g, m反馈给基站。

式 (2) 中k=1, 2, …, K, g=1, 2, …, G, m=1, 2, …, N, G代表子码本的个数 (由反馈比特数目决定) 。

基站接收到每个用户反馈信息, 首先对每个码字选择一个使SINR最大的用户如公式 (3) 所示, 之后按照公式 (4) 计算每个子码本能获得系统和容量, 选择子码本序号g*使得Rg获得最大值, 基站选择F (g*) 作为预编码矩阵, 即W (t) =F (g*) 。

式中P0=P/N代表每个用户的发送功率。在本文中, 只考虑等功率分配。

2 PFS方案

2.1 传统的PFS

大多数对多用户选择算法的研究都只关注系统和容量而忽视用户公平性。因此, 信道条件差的用户基本得不到服务, 在服务质量 (QOS) 敏感的系统中这些用户的服务质量不能得到保证。Jalali和Padovani所提出的PFS方案可以有效地解决用户公平性问题。在PFS方案中, 选择用户时不仅仅根据用户的瞬时吞吐量, 还需要考虑之前一段时间内该用户的平均吞吐量, 提高了信道条件差的用户被选择的机会, 兼顾了用户的公平性。用户选择的准则可以表示为:

式 (5) 中Rk (t) 代表第k个用户的瞬时吞吐量, Tk (t) 代表第k个用户之前tc个时隙内的平均吞吐量。每个时隙, Tk (t) 根据公式 (6) 进行更新。

传统的PFS方案在一个时隙仅仅选择一个用户, 但是在本文中, 基站每个时隙需要选择K个用户, 因此在多用户MIMO下行系统中需要修改传统的PFS方案。

2.2 多用户MIMO系统中的PFS

在本文中, 基站一个时隙需要选择多个用户进行数据传输, 但是对于一个码字, 每次只能选择一个用户。因此, 在第t个时隙, 基站通过传统的PFS方案对码字 (g, m) 进行用户选择:

式 (7) 中Rk, g, m (t) 代表第k个用户对码字 (g, m) 的瞬时信息速率, Tk (t) 代表第k个用户之前tc个时隙内的平均信息速率, 每个时隙根据公式 (8) 进行更新。

式 (8) 中Rk (t) 代表用户k在第t个时隙的瞬时信息速率。

3 用户选择方案

在本文中, 我们选择LTE码本作为本地码本, 子码本的个数由反馈比特数决定, 而每个子码本的码字数目由基站的天线数决定。

第k个用户通过下行导频信道获取信道状态信息, 计算和每个码字的SINR数值SINRk, g, m。之后选择使得SINR最大的码字序号 (g*, m*) , 通过上行反馈信道用户k将SINRk, g*, m*和相对应的码字序号 (g*, m*) 反馈给基站。基站接收到每个用户的反馈信息, 通过以下过程进行用户选择。

步骤1:对于每个码字 (g, m) , 选择用户k*使Rk, g, m (t) /Tk (t) 最大。

式 (9) 中Rk, g, m (t) =lg (1+P0SINRk, g, m) 。

步骤2:对于每个子码本g, 计算子码本容量Rg (t) 。

步骤3:选择g*=arg 1m≤ga≤xGRg (t) 使Rg (t) 获得最大值, 因此预编码矩阵为W=F (g*) , 系统和容量为R (t) =Rg* (t) 。

步骤4:通过公式 (8) 更新Tk (t) 。

上述算法为考虑用户公平性的PFS算法, 如果不考虑用户公平性只是基于系统和容量, 则在步骤1时选择用户根据公式 (11) , 并且不需要步骤4。

4 仿真结果

本节将给出仿真结果, 观察采用PFS方案和基于和容量方案的有限反馈多用户MIMO系统的用户公平性和系统容量。为了比较不同信道条件用户的公平性, 这里通过不同的方差来区分不同信道条件的用户。假设在所有的用户中, 四分之一用户服从CN (0, 1) 分布, 四分之一用户服从CN (0, 1/2) 分布, 四分之一用户服从CN (0, 1/4) 分布, 其余用户服从CN (0, 1/8) 分布。基站配置4根天线, 即N=4, 每个用户配置单天线。反馈比特数可以选择2或者4, 因此根据LTE码本的产生方式可以有1或者4个子码本。发送功率为P=10 d B, 观察窗口tc=100。采用100 000次Monte-Carlo仿真得到仿真曲线。

图2给出了2个反馈比特和4个反馈比特时, 分别采用PFS方案和基于容量的方案的系统和容量曲线。由仿真图可以很容易地看出当采用相同的方案时, 反馈比特数越多系统和容量越大, 这是由于更多的反馈比特可以携带更多的信道状态信息, 本地LTE码本数目增加, 可以获得更高的码本增益。当反馈比特数目一定时, 基于和容量的方案可以获得更高的系统和容量, 这是因为此时选择用户仅仅以和容量为依据没有考虑用户的公平性。此外, 随着用户数目的增加两种方案的差距逐渐增加, 这是因为基于和容量的方案不受信道条件差的用户的影响, 但是PFS方案由于需要照顾更多的信道条件差的用户, 使二者差距逐渐增加。

图3和图4对比了两种方案的用户公平性, 这里假设用户数目固定为16个。本文中, 将每个用户获得的平均信息速率作为衡量用户公平性的标准。从仿真图中可以很清楚地看出与基于和容量的方案相比, PFS方案中信道条件差的用户获得了更多的信息速率。此外, 比较图3和图4还可以看出, 2比特反馈可以获得更好的用户公平性, 这是因为当反馈比特数目较大时, 可以产生更多的子码本, 这时每个子码本的虚拟用户数将会减少, 没有足够的用户供基站选择, 这对于信道条件差的用户是不利的。

为了观察信道条件差的用户被服务的情况, 图5给出了信道条件最差的用户所获得信息速率随用户数目的变化曲线, 即服从CN (0, 1/8) 分布的一组用户的平均信息速率随用户数目的变化曲线。从仿真曲线可以看出, 当用户数较少时, 2比特反馈PFS方案的用户能够获得更好的公平性, 信道条件差的用户能够获得更好的服务。但是当用户数目增加时, 2比特反馈PF方案和4比特反馈PFS方案的性能逐渐接近, 而4比特反馈PFS方案能够获得更高的系统和容量。所以, 在有限反馈LTE系统中, 如果用户数目较少, 可以采用更少的反馈比特来节省带宽利用率和提高用户公平性, 当用户数目较大时, 可以采用更多的反馈比特来提高系统的和容量。

5 结论

本文研究了有限反馈多用户MIMO系统下行链路的用户选择算法, 采用LTE码本作为有限反馈码本, 比较了基于和容量的方案和考虑用户公平性的PFS方案, 并深入地分析了反馈比特数目和用户数目对系统和容量和用户公平性的影响。从仿真结果可以看出, PFS方案可以兼顾系统和容量和用户公平性;当用户数目较少时, 可以用更少的反馈比特获取用户公平性和带宽效率, 当用户数目较大时, 可以用更多的反馈比特来提高系统和容量。

摘要：在多用户多输入多输出 (MU-MIMO) 下行链路系统中, 通过合理的用户选择可以提高系统的空间分集增益。大多数目前的研究中, 往往假设基站完全已知每个用户的信道状态信息 (CSI) , 不适用于有限反馈系统。此外, 目前的用户选择算法很少考虑用户的公平性。为了有效地解决这两个问题, 采用LTE码本作为本地码本, 提出了有限反馈系统下考虑公平性的用户选择方案。并且深入地分析了反馈比特数和用户数对公平性和系统和容量的影响。仿真结果显示, 当用户数目较少时可以用更少的反馈比特来获取公平性和带宽利用率, 当用户数目较大时可以用更多的反馈比特数获取更高的系统和容量。

关键词：MU-MIMO,用户选择,用户公平性,有限反馈

参考文献

[1] 3 GPP.Evolved Universal Terrestrial Radio Access (E-UTRA) .Physical channels and modulation.3GPP TS 36.211 version 10.0.0Release 10, 2011

[2] Caire G, Shamai S.On the achievable throughput of a multiantenna Gassian broadcast channel.IEEE Transactions on Information Theory, 2003;49 (7) :1691—1706

[3] Spencer Q H, Swindlehurst A L, Haardt M.Zero-forcing methods for downlink spacial multiplexing in multiuser MIMO channels.IEEE Transactions on Signal Processing, 2004;52 (2) :461—471

[4] Masoud, BabakHassibi.On the capacity of MIMO broadcast channels with partial side information.IEEE Transanctions on Information Theory, 2003;51 (2) :506—522

[5] Taesang Y, Jindal N, Goldsmith A.Multi-antenna downlink channels with limited feedback and user selection.IEEE Journal on Selected Areas in Communications, 2007;25 (7) :1478—1491

[6] Huang K, Hearth Jr R, Andrews J.Space division multiple access with a sum feedback rate constraint.IEEE Transactions on Signal Processing, 2007;55 (7) :3879—3891

[7] Wang Youxiang, Hur Sooyung, Park Yongwan, et al.Efficient user selection algorithms for multiuser MIMO systems with zero-forcing dirty paper coding.IEEE Journal on Communications and Networks, 2011;13 (3) :232—239

[8] Yoo T, Goldsmith A.On the optimality of multiantenna broadcast scheduling using zero-forcing beamforming.IEEE Journal on Selected Areas in Communications, 2006;24 (3) :528—541

[9] Sharma, Naresh.A Study of opportunism for multiple-antenna system.IEEE Transactions on Information Theory, 2006;51 (5) :1804—1814