Анализ индекса распределения нагрузки в сетях LTE

В сетях LTE такие сервисы реального времени, как VoIP, IPTV, требуют определенного уровня QoS (Quality of Service – качество обслуживания), который может быть достиг- нут при определенной выделенной скорости передачи данных. Зачастую функциональные параметры сети определяются исходя из соображений постоянного максимального использования канала. Однако в концепции SON (Self-optimizing Networks) для LTE предполагается установка значений функциональных параметров в зависимости от текущих измерений. В [1] в качестве параметров, отражающих качественное функционирование сети, используются индекс распределения нагрузки и количество неудовлетворенных пользователей, рассматриваемые относительно текущей загрузки одного конкретно взятого eNB (eNodeB) и общей загрузки в сети.

Индекс распределения нагрузки

Рассмотрим подробнее индекс распределения нагрузки. Виртуальная загрузка конкретного узла k может быть определена как отношение ресурсов, требуемых для обслуживания пользователей, подключенных к k , ко всем доступным ресурсам N_t:

ft=V' (1)

где N – число ресурсных блоков (единица распределения ресурсов в LTE), необходимых для обслуживания одного пользователя. Перегрузка наступает, когда p_c то есть когда общее количество ресурсных блоков превышает ресурсы eNB. Степень перегрузки как раз можно описывать этим параметром, то есть приPk=^Rтолько 1/R-часть пользователей будет удовлетворена обслуживанием.

Для предотвращения постоянного перекидывания пользователя между двумя узлами из-за перегрузок вводится параметр общего состояния. Общее состояние представляет собой взвешен-

ное соотношение загрузки узла и средней загрузки соседних узлов. Средняя нагрузка на соседние узлы определяется как:

- _ P\k + Plk + Рък+- + Pnk Pk —

и а общее состояние есть

^Hk = ^wPk + 0 - ^w)Pk •

Параметр w устанавливает весовые значения загрузки текущего узла Pk и его соседей H . Оптимальное значение w было установлено как 0,2 [2]. Таким образом, для общего состояния можно записать

n

Tpj

H_k = 0.2^+0.8 ^7-1   .             (4)

Для оценки производительности сети с учетом балансировки нагрузки можно использовать такой параметр, как индекс распределения нагрузки в сети, который может быть применен для «честного» распределения нагрузки между eNB. Он может быть определен как

Таблица 1. Обучение сети нейро-нечеткой логикие

КП	eNodeB	B3	ОС	ИРН
5	eNB 1	0,0147	0,0238	0,9283
	eNB 2	0,0264	0,0171	0,6170
	eNB 3	0,0158	0,0243	0,9399
100	eNB 1	0,2904	0,4694	0,9282
	eNB 2	0,5205	0,3364	0,6169
	eNB 3	0,3075	0,4779	0,9379
120	eNB 1	0,3330	0,5667	0,9149
	eNB 2	0,6254	0,3915	0,6099
	eNB 3	0,3759	0,5755	0,9415
200	eNB 1	0,5618	0,9522	0,9160
	eNB 2	1,0480	0,6590	0,6109
	eNB 3	0,6386	0,9661	0,9443
300	eNB 1	0,8587	1,4251	0,9214
	eNB 2	1,5639	0,9997	0,6145
	eNB 3	0,9486	1,4409	0,9434
400	eNB 1	1,3294	2,1272	0,9307
	eNB 2	2,3334	1,5302	0,6200
	eNB 3	1,4227	2,1513	0,9444

Рис. 1. Общая структура модели индекса распределения нагрузки

М^ =

I«E(a(<))2 ’

где N – общее число в сети; принимает значения в интервале [i/M- Таким образом, индекс распределения нагрузки равен 1, когда нагрузка в сети полностью сбалансирована. Целью балансировки нагрузки является максимизация Ц^.Й в любой момент времени t .

Проведем моделирование, показывающее изменение индекса распределения нагрузки в сети в зависимости от общего состояния и загрузки нескольких используемых eNB, при помощи методов нейро-нечеткой логики [2].

Для обучения сети воспользуемся симулятором параметров LTE/LTE-advanced (open source system level simulator) [3]. Данная система позволяет определить значение интересуемых параметров в зависимости от числа узлов eNB и количества пользователей. Результаты обучения иллюстрирует таблица 1, где КП – число пользователей; ВЗ – виртуальная загрузка; ОС – общее состояние; ИРН – индекс распределения нагрузки. В качестве входных данных используем лингвистические переменные, каждая из которых имеет треугольную функцию принадлежности. Для реализации возьмем две нечеткие переменные, описывающие верхнее и нижнее значение. Имея три входа, по паре переменных на каждом, получим восемь правил. Общая структура модели индекса распределения нагрузки показана на рис. 1.

Данная модель состоит из 34 узлов, 8 лингвистических правил, 8 линейных параметров и 18 нелинейных параметров. Таким образом, имея 26

параметров, для достижения приемлемой точности моделирования количество рассматриваемых пар (input – output) должно быть в несколько раз больше. Для тренировки использовалось 84 пары данных. Проверка точности осуществлялась при помощи готовых наборов, случайным образом полученных при помощи все того же симулятора open source system level simulator, для количества пользователей от 4 до 400. Среднее значение ошибки при этом составило 0,005. Результаты проверки приведены на рис. 2.

Рис. 2. Проверка результатов моделирования

Заключение

В общем случае оценка оптимального расположения базовых станций стандартов LTE, WiMAX может потребовать значительных вычислительных затрат, связанных с расчетом большого количества параметров и использованием биоинспирированных алгоритмов [3]. Однако представленные результаты моделирования могут быть использованы для оценивания нагрузки в сети в контексте использования Self-optimizing network.