تخصیص توامان منابع رادیویی و محاسباتی در شبکه دسترسی رادیویی ابری

شبکه‌های دسترسی رادیویی ابری (c-ran) دارای بهره‌وری انرژی و طیفی بالا هستند. در c-ran تمام پردازش محاسباتی در استخر مرکزی واحد باند پایه (bbu) و عملیات‌ رادیویی در راس‌های رادیویی راه دور (rrh) صورت می‌گیرد. استخر مرکزی bbu توسط خطوط روبنا به rrhها متصل است. با جداسازی بخش پردازش bbu و توسعه rrhهای پراکنده، ساختار خوشه‌بندی rrhها را سازگار با تغییرات شبکه می‌توان طراحی کرد. در این مقاله برای کاهش پیچیدگی در c ran فراچگال، خوشه‌بندی به‌صورت کاربرمحور و تخصیص منابع آموزش کانال متناسب با آن استفاده می‌شود. همچنین، برای کاهش سربار آموزش، مدل اطلاعات جزئی حالت کانال استفاده می‌شود. سپس مسئله طراحی بردارهای شکل‌دهی پرتو با هدف حداکثرسازی نرخ مجموع وزن‌دهی‌شده (wsr) با محدودیت حداکثر توان rrhها و ظرفیت خطوط روبنا و ظرفیت محاسباتی منابع استخر bbu ارائه می‌شود. به‌دلیل np-hard بودن مسئله اصلی،‌ سه زیرمسئله برای حل آن پیشنهاد می‌شود. ابتدا مسئله طراحی بردار شکل‌دهی پرتو برای بیشینه‌سازی wsr و محدودیت توان rrhها و سپس مسئله تخصیص پویای منابع محاسباتی و درنهایت، اعمال محدودیت ظرفیت خطوط روبنا با هدف کمترین تاثیر بر wsr حل می‌شوند. تخصیص هم‌زمان منابع رادیویی و محاسباتی با هدف کاهش پیچیدگی محاسباتی و تعداد پایلوت مورد نیاز برای آموزش کانال با کمترین تعداد bbu صورت می‌گیرد.

joint radio and computation resource allocation in cloud radio access networks

in c-ran architecture, all computational processing is performed in the central baseband unit (bbu) pool, while radio operations are carried out in the remote radio heads (rrhs). the central bbu pool is connected to the rrhs by fronthaul links. therefore, by separating the processing unit and the radio units, the clustering structure of rrhs can be designed to adapt to network changes. this paper deals with the problem of radio and computation resource allocation to maximize weighted sum rate. to reduce complexity, we use user-centric clustering and appropriate training resources allocation. additionally, to lessen channel training overhead, an incomplete model of channel state information is considered, in which only intra-cluster channel state information is estimated. by replacing a sticky lower bound of user data rate in the main problem, the beamforming vectors under the constraints of computational and radio resources are designed in three steps. in the first step, the weighted sum rate maximization problem is solved under maximum radio transmitted power constraints by weighted minimum mean square error method. then, in the second step, using a proposed greedy algorithm to allocate computational resources to users. in the third step, fronthaul capacity constraints are applied by another greedy algorithm.