基于用户QoE的室内可见光通信系统接入策略

李永慧， 鲍 煦， 李 鹃， 夏 景， 宋铁成

(1. 江苏大学 计算机科学与通信工程学院， 江苏 镇江 212013； 2. 东南大学 信息科学与工程学院， 江苏 南京 210096)

可见光通信(visible light communication, VLC)是近十年来迅速发展的一种新型无线通信方式[1-3]，通过在照明设施上增加数据传输功能将通信与照明功能相结合，从而构建室内可见光无线通信网络.VLC使用成本较低的发光二极管(light emitting diode, LED)来照明和发射信号，使用光敏二极管(photo-diodes, PDs)或雪崩光电二极管(avalanche photo-diodes, APDs)作为接收端.VLC利用可见光进行通信，因此可利用的光谱范围为380～780 nm，传输带宽高达350 THz，为解决无线通信频谱资源日益短缺的问题提供了一个重要且可行的解决方案[4].与射频技术相比，VLC的优势体现在无电磁辐射、更大的带宽、更低的成本和更高的安全性等[5].因此，VLC可以安全地用于如飞机和医院等敏感环境.基于以上优点，各国积极关注VLC的发展，虽然之前试验状态下VLC信号传输获得了较大的成功[6]，但仍有许多问题尚待解决，如可见光易受遮挡导致通信盲区、覆盖范围有限等.为了确保室内可见光通信网的容量，如何在有限范围内接入尽可能多的用户设备(user equipment, UE)并保证UE的用户体验质量(quality of experience,QoE)成为亟需解决的问题.而研究高效的多UE接入策略是解决该问题的关键.

尚韬等[7]针对可见光的通信距离较短和带宽有限的特点，提出一种多终端组网的可见光网络模型，针对多UE接入碰撞问题，提出基于载波侦听多路访问/冲突避免的多UE接入方法来减小碰撞概率且增加系统吞吐量.H. TABASSUM等[8]通过使未充分利用的基站休眠的方式来提高整体网络的能效，其中休眠小区的UE以最大平均信道接入概率与基站相关联；提出了一种信道接入感知UE关联方案，该方案根据活动基站的业务负载和UE调度标准进行调整，显著增强了负载能力，并提升了系统性能.SHEN C.等[9]基于LED的VLC系统独特的照明约束，为达到UE关联的目的建立了一个效用最大化的框架，运用贪婪启发式算法提升系统有效性.也有文献[10]研究了各种VLC小区形成方案和由WLAN提供全频段覆盖，以VLC网络的频谱资源为支撑的混合下行链路，通过集中式和分布式资源分配算法实现协同负载均衡和比例公平，得出VLC网络能够提供更高的平均带宽效率，而混合系统可以在不失公平性的基础上达到更高的平均吞吐量的结论.

与上述方案不同的是，ZHANG R.等[11]将以UE为中心的概念引入VLC异构网络，考虑信号覆盖质量、系统控制和服务提供，有望促进解决频谱资源问题和提高可实现的网络完整性.LI X.等[12]为提高以UE为中心的集群形成设计的性能，在构建以UE为中心的集群时考虑了用服务质量来度量的静态延迟需求，在最大化系统总效用的基础上提出贪婪算法来解决UE关联问题.M. OBEED等[13]基于以UE为中心的设计，提出一种用于VLC通信网络中的接入点关联和功率分配算法在服务质量的约束下分配功率，决定阻止哪些接入点参与通信，从而最大化通信网络中的能量效率.

尽管上述文献提出各种关联策略有效改善了系统性能，但都没有在接入策略的实现过程中保证系统接入UE数量和接入UE能达到满意的QoE.因此，文中提出基于用户QoE优化的贪婪接入算法.

文中以UE为中心，引入QoE作为评价指标，并基于QoE概率覆盖模型提出一种贪婪算法作为接入策略，从而提升UE体验质量和系统鲁棒性.文中的主要贡献总结如下： ① 非正交多址接入(non-orthogonal multiple access, NOMA)允许多个用户同时利用全部可用的频率和时间资源，使得系统频谱效率大幅提升[14].由于LED和光电探测器(photo detector, PD)之间距离较短以及视线(line of sight, LOS)传输，VLC链路信噪比较高，而功率域NOMA在高信噪比的情况下表现更好，且VLC的信道较为稳定，利于NOMA的功率分配[15].因此提出NOMA下的QoE概率覆盖模型，并以此为基础、以UE为中心考虑网络的整体性能，优化VLC系统中UE的接入方式.② 提出基于用户QoE优化的贪婪接入(QoE-optimized greedy access, QGA)算法，与以距离为唯一优先级的就近接入方法(proximity access, PA)进行仿真对比.

1 系统模型

1.1 信道模型

图1给出了VLC下行链路系统模型图.

图1 VLC室内系统模型图

上行链路使用WiFi传输.文中考虑的室内场景包括安装在天花板上的NL个LED灯泡和均匀分布在室内的NU个UE.假设UE持有的VLC接收器与天花板平行.LED发射机与接收器之间的垂直距离为L.发射机模型采用朗伯光源，无论观测者的视角如何，观测者的亮度都相同[16].UE采用PD作为接收器来接收VLC信号.VLC控制中心负责控制室内所有LED灯的照明及通信功能.一个典型的室内环境通常由多个相邻的LED组成，它们形成相邻或重叠的VLC小区.文中同一小区使用NOMA，相邻小区使用正交多址接入方式避免了小区间干扰.由于反射或折射光路损耗比LOS传输的光路损耗大110～120 dB，所以文中只考虑LED与接收机之间的LOS信道直流(direct current, DC)增益[17].

第i个UE的直流信道增益公式[18]为

(1)

(2)

所以可见光信道增益hi可以写为

(3)

其中Γ=ELm+1,E计算式为

(4)

式中：A为PD的接收面积；Ts(ψi)为可见光滤波器的增益；g(ψi)为聚光器的增益系数[19]，表达式为

(5)

式中：n为折射率，在可见光的应用中，n取值在1和2之间.

1.2 可见光NOMA

在可见光小区中，LED使用不同的功率同时发送多个UE的数据，UE使用连续干扰消除(successive interference cancellation, SIC)技术接收信号.

LED上传输的信号[19]为

(6)

(7)

因此，第i个UE使用SIC接收后可实现的速率为

(8)

式中：ρ为发射信噪比，ρ=Pelec/(N0B).

1.3 用户体验质量

用户体验质量是一种以UE认可程度为标准的服务评价方法.QoE从UE角度描述网络的整体性能，直接反映了UE对服务的认可程度.高服务质量(quality of service, QoS)不能总是保证高QoE；对于语音业务而言，UEQoE对时延较为敏感，而提高传输带宽并不会大幅增加QoE；而对数据传输业务而言，UEQoE只对某一范围的传输速率变化较为敏感，与QoS相比，QoE可以更好地衡量UE满意度.目前广泛使用的QoE量化是平均意见得分(mean opinion score, MOS)[20].QoE可以由真实UE的主观评分来决定，也可以由对所获服务的客观测量来预测.如表1所示，根据UE满意度将QoE的主观感受分为5个级别，以MOS表示.

考虑QoE的数据传输业务，其表达式[21]为

Q(R)=b1lg(b2R)，

(9)

式中：b1和b2由所需的最大和最小吞吐量确定.在本文中，假设式(7)中的服务类型所需的最大和最小吞吐量为70和20 Mb·s-1，分别对应MOS值为5和1.通过计算，将参数设置为b1= 0.647 6和b2=0.750 3.

2 NOMA下的多小区多用户接入策略

2.1 NOMA下的QoE概率覆盖模型

文中以QoE作为系统性能评价指标.基于NOMA下LED的QoE概率覆盖半径会随接入UE的数量变化而变化的特性，提出单个小区的QoE概率覆盖模型.

处于小区某个位置UE的覆盖概率定义为其QoE值大于等于阈值Qt的概率.基于式(9)，第i个UE的覆盖概率可表示为

(10)

式中：Pr[·]为事件的概率；QoEi为当前位置的第i个UE的QoE值；Qt为UE需要满足的最小QoE值，是基于UE自身接入QoE值需求设定的.

根据式(3)、(8)、(10)，QoE覆盖概率可写为

(11)

式中：ξ=21/(Bb2)10Qt/b1-1；ai和aj覆盖分别为第i、j个UE的功率分配因子.

(12)

(13)

式中：U代表UE集合.

在给定网络覆盖概率的情况下，QoE概率覆盖半径为

(14)

由式(14)可见，QoE概率覆盖半径只与小区内接入的UE数量有关.因此QoE概率覆盖范围会随着小区内接入UE数量增加而缩小，而当接入UE数量减少时，QoE概率覆盖范围又会扩大.该性质使得下文分析LED-UE接入算法时考虑LED概率覆盖范围随接入UE数的变化.式(14)所求得的QoE概率覆盖半径也成为后续提出的QGA中判断UE是否在某个LED概率覆盖范围下的依据.

NOMA下LED的QoE概率覆盖半径的变化还会导致不稳定区域的产生.处于不稳定区域的UE在未接入该LED时处于其QoE概率覆盖范围内，但当接入后该LED的QoE概率覆盖范围缩小，该UE又不处于覆盖范围内，如图2中用户2所示.若UE处于LED的不稳定区域则无法保证其接入质量.

图2 不稳定区域

上述概率覆盖模型有效考虑了NOMA下LED的QoE概率覆盖半径的变化问题，使得下文QGA的提出更为严谨准确.

2.2 优化目标

对于给定的UEj若接入LEDi，二者之间距离为

(15)

式中：xi、yi、xj、yj分别为LEDi和UEj的横纵坐标.二者之间的用户体验质量为

Qi,j=b1lg(b2Ri,j)，

(16)

式中：Ri,j为LEDi与UEj连接后的数据速率.

本文的主要目标是找到LED-UE的最佳连接，从而最大化所有接入UE的体验质量.所有接入UE的QoE之和为

(17)

式中：ki,j为引入的二进制变量，用来指示UEj是否接入LEDi，若连接ki,j=1，否则ki,j=0；νU和νL分别表示所有UE和LED的集合.

文中的目标函数为

(18)

式中：Na为每个LED最多能接入的UE数量.由于NOMA同时允许多个UE在相同的时间、频率接入，同信道干扰在NOMA系统中会很强.由此可见，UE数量对NOMA系统的性能影响较大，因而文中将每个LED最多能接入的UE数量设为5个[15，22].

将最大化所有UE的QoE之和，转化为最大化每个接入UE的QoE值.由式(3)、(8)、(9)可看出当UE与LED之间距离越小(即r值越小)时，其QoE值越大.因此将文中优化目标进一步转化为最小化接入UE与LED之间的距离.

所有接入UE与LED之间的距离之和为

(19)

文中的目标函数转化为

(20)

2.3 基于QoE的贪婪接入算法

文中提出了一种贪婪接入算法来实现多小区多UE时的接入策略.VLC系统中有NL个位置固定的LED，有NU个UE均匀分布于室内，如图3所示.

图3 仿真场景图

di,j代表LEDi和UEj之间的距离，其中i=1,2,…,NL，j=1,2,…,NU，下面举例详细介绍QGA的过程及原理.例中房间长、宽、高分别为12，12，3 m，4个位置固定的LED坐标分别为(3,9)、(9,9)、(3,3)、(9,3)，每个LED总传输功率设为0.25 W.6个UE位置服从均匀分布，Pcov=100%.

基于用户QoE优化的贪婪接入算法过程如下：

步骤1：生成这4个LED与6个UE彼此之间的距离矩阵D，行对应LED1、LED2、LED3、LED4，列对应UE1、UE2、UE3、UE4、UE5、UE6，即

(21)

步骤2：依据式(14)生成这4个LED当前QoE=Qt时的概率覆盖半径列矩阵R，即

(22)

矩阵R的行对应LED1、LED2、LED3、LED4的QoE概率覆盖半径.该半径会随小区内接入UE数的变化而变化.w∈{0,1}，对于某个待接入的UE而言，w=0表示该UE未接入当前LED，w=1表示该UE接入当前LED.当完成一次连接判断后，w值更新为0.

步骤3：记录每个LED当前已接入的UE数，初始值为0个.生成列矩阵A，行分别是每个LED的当前已接入UE数，即

(23)

步骤4：生成指示矩阵K，初始为零矩阵，指示LED和UE之间的连接情况，若确有连接则ki,j=1，否则ki,j=0.矩阵K每列只能有1个1，每行最多有5个1.

步骤5：在矩阵D中选取非零的最小值，所选值用红色标记，即

(24)

(25)

(26)

步骤6：当满足上述条件后，建立LED2与UE3的连接，由于一个UE只能与一个LED连接，因此将矩阵D中第3列置零，即

(27)

至此完成第1次LED-UE的连接判断.

步骤7：更新R、A和K，即

(28)

(29)

(30)

步骤8：在更新后的矩阵D中重新选取非零最小值，所选值用红色标记，即

(31)

(32)

(33)

步骤9：LED4与UE5满足所有判断条件，建立连接，将矩阵D中第5列置零，即

(34)

至此完成第2次LED-UE的连接判断.

步骤10：更新R、A和K，即

(35)

(36)

(37)

步骤11：重复步骤5到步骤10，直到矩阵D变为零矩阵.

图4总结了上述接入算法的流程.

图4 算法流程图

由图4可见，接入算法可概括如下：

1) 已知LED和UE数量以及各自在室内的位置，测算每个LED与每个UE之间的距离，形成NL×NU的距离矩阵D，D中每一个元素都代表对应LED与UE的连接.依据QoE概率覆盖模型公式(14)估计每个LED在QoE为给定阈值Qt时的半径，形成NL×1的半径列矩阵R，并记录当前每个LED已接入的UE数，形成NL×1的列矩阵A，并生成NL×NU的指示矩阵K.

2) 在D不是零矩阵时，选取D中非零的最小值，判断该值与R中对应行值的大小，若D中元素值较大则无法接入，将D中该值变为0；若D中元素值较小则判断对应LED的已接入UE数.若已接入UE数≥5则无法接入，将D中该值变为0；若已接入UE数<5，则验证该UE是否在该LED当前的不稳定区域内.若在，则无法接入，将D中该值变为0；若不在，则建立该值对应的UE和LED连接，并将D中已建立连接的UE列变为0列，更新距离矩阵D.

3) 测算UE接入后LED的QoE概率覆盖范围缩小后的新覆盖半径，更新半径列矩阵R，并更新矩阵A和矩阵K.

4) 重复步骤2)和3)，直到D变为零矩阵.

3 仿真结果

本节旨在阐明影响VLC 系统接入策略性能的因素，如UE数量、覆盖概率、QoE阈值、FOV度数等.将QGA与不考虑QoE、以距离为唯一优先级的PA进行多方面比较.

假设在覆盖区域中存在NU个UE，使用NOMA接入LED.如果没有特别说明，Qt默认值为4.具体仿真参数如表2所示.

表2 仿真参数

当室内VLC系统中UE数量变化时，UE平均QoE的变化如图5a所示.

图5 UE数量对UE平均QoE的影响及其仿真对比

在QGA中，随着UE数量的增加，每个小区接入UE数量都会有不同程度的增加，导致每个小区的功率资源会分配给更多的UE，每个接入UE分配到的资源减少，数据速率下降，从而导致其QoE值略有下降，总体平均QoE值也呈下降趋势.但每个新发出接入请求的UE都会经由控制中心判断是否能够接入系统，有些不满足接入条件的UE即使发送了请求也不能接入，这使得QGA的平均QoE值下降幅度较为平缓，不超过0.4.而PA由于限制条件较少，UE只要位于LED数据传输范围内都能够接入，随着UE数量的增加，每个小区接入的UE数量逐渐增加，每个UE得到的功率资源更少，则接入UE的QoE值都较小，平均QoE值相对QGA而言也较小，均小于4.而在PA中每个在覆盖范围下发送请求的UE都能够接入系统，这使得平均QoE的值下降幅度略大，达到0.6.这说明QGA的稳定性较优，且接入UE的体验质量更好.

图5b为蒙特卡罗仿真与理论分析仿真的对比，可见实际情况与文中的理论分析相符.

当室内VLC系统中UE数量和接入阈值发生变化时，系统接入UE比例的变化如图6所示.此处将为PA设置的对比判断标准统一视为阈值.

图6 UE数量(QoE≥3)和接入阈值对系统接入UE数量比例的影响

随着UE数量的增加，处于覆盖范围内的UE数量增加，每个UE得到的功率资源更少，满足阈值为3的接入UE比例则会逐渐下降，且在UE数量较小或阈值较小时，两种方法接入比例都较高.PA虽然总体接入UE的数量较多，但随着UE数量越来越多，功率资源的过度分散致使接入效果不佳，体现为满足阈值的UE比例下降较快.而QGA则是有选择性地接入，在保证接入质量的同时接入比例也较高.

随着接入阈值的增加，对系统接入质量的要求越来越高，高接入质量意味着更多的功率资源分配，在总资源一定的情况下，能满足要求的UE也只会越来越少，因此接入比例均呈下降趋势.而QGA的选择性接入以保证接入UE的质量为前提，尽可能多地接入UE，这使得QGA的曲线下降幅度较小，即使在阈值达到4时，接入比例仍有近80%.反观PA，不限制UE的接入，使得功率资源过于分散，导致接入UE的QoE值下降幅度很大，当阈值到达4时，接入比例甚至下降到0%.

为了分析被调度UEQoE的公平性，文中引入服务公平指标(service fairness indicator,SFI)[21]，其表达式为

(38)

式中：maxQi-minQj为调度UEQoE的最大差值.SFI越小，表明UE间公平性越好.通过仿真计算，得到UE数量和不同接入方法对SFI的影响，如图7所示.

图7 UE数量对服务公平性的影响

与PA相比，QGA在建立LED-UE链路时就已考虑了UE公平性.在QGA的选择中，无论UE优先级多高，每个UE至多被选择一次，这为其他UE提供了更大的接入机会，避免一个UE分配过多的资源.随着UE个数的增多，调度UE数也会增多，因此SFI值一直处于下降趋势.之前从图6已经看出QGA系统较为稳定，QoE的差值也较为稳定，即使调度UE数量有所增加，SFI值也能始终保持在较低水平.而PA中调度UE数的增加对系统影响较大，致使QoE的差值变化较大，因此SFI值的变化幅度也较大.这说明QGA有着比PA更好的公平性.

当室内VLC系统中FOV度数变化时，UE平均QoE和系统接入UE数量比例(QoE≥3)的变化如图8所示.

图8 FOV度数对UE平均QoE和系统接入UE数量比例(QoE≥3)的影响

由于文中不考虑小区间干扰，所以当UE FOV度数增大时，UE接收到的信号随之增多，接入UE所能达到的数据速率也更高，因而接入UE的QoE值更大，UE平均QoE也随之呈上升趋势，同时系统接入UE数量比例也会增加.当为PA设置接入UE的QoE值需达到3的判断标准时，FOV度数较小的情况下接入UE中能满足阈值的比例大约只有50%.随着FOV度数增大，PA能接入的UE数量更多，UE接收信号总体增加更多，有更多接入UE的QoE值增加，所以满足标准的UE比例增加幅度较大.当FOV度数达到110°后，QGA系统接入UE比例基本接近100%，不再增加，而此时接入UE的QoE仍然在增加，因而每个UE平均QoE增加幅度会更大.

由式(14)看出，网络覆盖概率Pcov值越大，LED的QoE概率覆盖半径越大，覆盖性能越好，可接入的UE数量就越多.但式(14)也反应出Pcov值对覆盖半径的数值影响有限，上述仿真图也可看出在实际情况下对UE接入状况的影响也相对较小，因此QGA在不同覆盖概率下的性能曲线反应在图5-8中都较为靠近，这也说明系统鲁棒性较强.

4 结 论

文中提出了基于用户QoE优化的贪婪接入算法，分析了UE数量、覆盖概率、接入阈值、接收视角等因素对网络性能的影响.仿真结果表明，与就近接入方法相比，基于用户QoE优化的贪婪接入算法能够提供更高的平均UE体验，在不同的接入阈值和接收视角下都能保证更多的接入UE比例以及具有良好的公平性.同时，对于不同网络覆盖概率的比较也体现了该算法的鲁棒性.