[论文解读] When Cellular Meets WiFi in Wireless Small Cell Networks

Mehdi Bennis, Meryem Simsek+4 more|arXiv (Cornell University)|Mar 22, 2013

Advanced MIMO Systems Optimization参考文献 1被引用 7

一句话总结

本文提出了一种跨系统学习机制，这是一种用于多模式小基站（SCBSs）的分布式、自组织框架，可根据用户QoS和业务类型在授权的LTE与非授权的WiFi频段之间动态引导流量。通过利用无需信令交换的后悔学习机制，该方法相较于传统调度器实现了高达160倍的吞吐量增益，并显著提升了小区边缘用户的吞吐量，尤其在高负载条件下表现突出。

ABSTRACT

The deployment of small cell base stations(SCBSs) overlaid on existing macro-cellular systems is seen as a key solution for offloading traffic, optimizing coverage, and boosting the capacity of future cellular wireless systems. The next-generation of SCBSs is envisioned to be multi-mode, i.e., capable of transmitting simultaneously on both licensed and unlicensed bands. This constitutes a cost-effective integration of both WiFi and cellular radio access technologies (RATs) that can efficiently cope with peak wireless data traffic and heterogeneous quality-of-service requirements. To leverage the advantage of such multi-mode SCBSs, we discuss the novel proposed paradigm of cross-system learning by means of which SCBSs self-organize and autonomously steer their traffic flows across different RATs. Cross-system learning allows the SCBSs to leverage the advantage of both the WiFi and cellular worlds. For example, the SCBSs can offload delay-tolerant data traffic to WiFi, while simultaneously learning the probability distribution function of their transmission strategy over the licensed cellular band. This article will first introduce the basic building blocks of cross-system learning and then provide preliminary performance evaluation in a Long-Term Evolution (LTE) simulator overlaid with WiFi hotspots. Remarkably, it is shown that the proposed cross-system learning approach significantly outperforms a number of benchmark traffic steering policies.

研究动机与目标

• 为应对由于数据流量指数级增长导致的蜂窝网络容量瓶颈问题。
• 在异构小细胞网络中，实现3G/LTE与WiFi无线接入技术（RATs）之间高效、动态的流量卸载。
• 开发一种自组织的、分布式的框架，使SCBSs能够在不交换信息的前提下优化长期传输策略。
• 通过智能地在授权与非授权频段之间引导流量，提升对延迟容忍型和延迟敏感型用户的服务性能。
• 评估调度机制、小基站部署密度以及卸载策略对网络吞吐量与公平性的影响。

提出的方法

• 提出一种跨系统学习框架，SCBSs通过基于后悔的学习机制，在授权（LTE）与非授权（WiFi）频段之间学习最优传输策略。
• 采用一种分布式、无信息交换的学习过程，无需SCBS之间进行信令交互。
• 集成流量感知（TA）调度机制，根据业务类型对延迟容忍型与延迟敏感型流量进行差异化处理，实现最优频段分配。
• 采用参考信号接收功率（RSRP）准则进行初始用户关联，并应用小区范围扩展偏置以增强覆盖。
• 采用长期优化过程，学习在两种RATs上选择传输策略的概率分布。
• 在LTE仿真环境中评估性能，引入WiFi热点，与随机选择、比例公平（PF）调度及标准强化学习等基准方法进行对比。

实验结果

研究问题

• RQ1 多模式小基站（SCBSs）如何实现对授权LTE与非授权WiFi频段之间流量的自主、高效卸载？
• RQ2 在吞吐量与公平性方面，跨系统学习相较于传统流量引导策略的性能增益如何？
• RQ3 在不同用户负载与QoS需求下，流量感知调度的集成如何改善网络性能？
• RQ4 小基站部署密度与回传配置对小区边缘用户吞吐量有何影响？
• RQ5 跨系统学习与标准强化学习相比，在收敛速度与稳定性方面表现如何？

主要发现

• 跨系统学习在50次迭代内即完成收敛，显著快于标准强化学习（需数百次迭代），且避免了后者的振荡性‘乒乓’行为。
• 与传统比例公平（PF）调度相比，该框架在300个用户场景下实现了总小区吞吐量160倍的提升。
• 在使用两个多模式SCBS（HetNet+WiFi）的场景下，小区边缘用户吞吐量相比仅部署宏站的方案提升了50%。
• HetNet+WiFi基于负载的卸载策略优于基于覆盖的策略，尤其在高负载场景下表现更优。
• 小基站用户（SCUEs）与宏站用户（MUEs）均从卸载中受益，且随着小基站密度的提升（K=2, 4, 6），性能增益进一步增强。
• 即使在仅部署宏站的场景下25%的用户设备（UEs）无法获得数据速率，通过部署SCBS并引入小区范围扩展偏置，仍能显著改善整体性能，尤其对小区边缘用户提升明显。