未来移动网络移动性管理新技术

时间：2024-08-31

董春利，王莉

（南京交通职业技术学院电子信息工程学院，江苏南京，211188）

0 引言

以高达500km/h的速度，为大量的移动用户和各种设备（包括手机、平板电脑、传感器等）提供令人满意的体验质量（QoE），给未来移动网络带来了极大的挑战。与传统技术不同，未来移动网络将把移动性作为通信标准的一个组成部分。现有的移动性管理方案，在一定程度上，由于多个因素，不能很好地适应未来移动网络的部署。超密集网络（UDN）和毫米波基站（BS）的使用，将使移动性管理面临更加复杂的挑战，需要做大量的研究工作。下面将重点介绍未来移动网络的移动性管理技术，以满足新兴移动网络的需求。

1 主动移动性管理

由于5G网络的挑战（例如低时延、低开销和高体验质量），无法通过当前的反应式移动性管理技术解决。一个经过充分研究的事实是，人们在日常生活中倾向于反复访问相同的地方，这使他们的运动具有高度的重复性，具有可预测性[1]。在蜂窝网络中，这些模型可以通过利用大量用户设备（UE）移动相关数据来构建，例如呼叫详细记录（CDR），GPS跟踪，和来自现有网络的数据流量。表1列出了蜂窝网络中主动移动性预测的一些潜在用例。

表1 主动移动性预测的潜在用例

主动移动性管理，即主动移动性预测，可分为三大类，基于历史的预测，基于测量的预测和基于位置的预测。

1.1 基于历史的预测

在这种类型的预测中，UE的下一个目标小区，是基于对切换记录等历史记录的统计分析来预测的，或CDR记录。基于历史的移动性预测方法，可以进一步分为以下几类：

1.1.1 基于机器学习的预测

机器学习方法可以很好地捕获网络不同组件之间的复杂交互。出于同样的原因，许多基于历史的预测工作，都围绕基于机器学习的方法展开。

1.1.2 基于马尔可夫链的预测

已经有大量的研究应用基于马尔可夫链的方法进行移动性预测，因为它们能够产生比大多数其它较低复杂性的预测更好的准确性。此外，出于隐私考虑，客户可能不允许移动运营商使用他们的历史数据。即使可以访问历史记录，由于历史记录的提取和处理复杂性，仍可能观察到切换时延。由于这些因素，基于历史的预测算法可能变得不切实际。

1.2 基于测量的预测

该预测方法基于实时测量，推导出用户转换到下一个小区的概率、RSSI、SINR、距离等。基于测量的移动性预测方法，比基于历史的移动性预测方法更准确。然而，由于测量程序造成的处理复杂性不容忽视。

1.2.1 基于RSSI的预测

基于RSSI的移动性预测，同时考虑不同的UE速度。结合UE轨迹和道路拓扑信息，以产生更好的预测精度。

1.2.2 基于测量报告的预测

使用灰色系统理论，从高速铁路的第N个测量报告（MR）预测第（N+1）个MR。核心思想是利用预测的MR做出主动切换触发决策。

1.2.3 基于用户方向的预测

根据用户的移动方向，以及用户与相邻小区之间的距离，来预测用户到达相邻的毫微微蜂窝。

1.2.4 基于用户速度的预测

较高的UE速度会对可靠性造成严重的威胁。预测UE的速度，可帮助更有效地进行参数调整。

1.3 基于位置的预测

基于位置的预测中，当前用户位置，以及在某些情况下城市交通基础设施用于预测未来用户位置。UE位置的知识可以帮助改进移动性预测。与移动性预测算法相结合时，有效的定位可以产生与切换相关的更有效的QoE结果。

2 面向移动性的网络规划与优化

实现网络密集化的巨大潜力，以解决容量紧缺问题，带来了额外的网络规划挑战。其中一个挑战是，网络中移动用户的比例越来越大。因此，在规划网络时必须考虑移动性管理。合适的网络架构可以帮助实现QoS目标，同时保持成本（如信令）最低，并最终帮助实现更高的网络效率。

2.1 通过减少高速列车中的切换来最小化信令

由于单个切换会产生相当大的信令开销，因此旨在减少切换数量的网络规划和体系结构肯定会非常有效。高速列车用户在轨道上行驶时会频繁受到切换的影响。除了产生大量信令数据外，它们还可能遇到严重问题，如RACH故障、切换时延、无线链路故障（RLF）和重定向释放，这对具有更小占地面积的小蜂窝的未来移动网络将带来更大的风险。为了解决这个问题，Chung等[2]提出了一种切换最小化技术，他们建议在列车顶部安装一个天线，该天线将执行连接并触发覆盖BS的切换。网络部署方法如图1所示。这种高架天线与列车内部网络连接，为乘客提供服务。因此，与多个用户同时执行切换不同，高架天线将只执行一个切换。这不仅降低了信号负载，还将切换故障的风险降至最低，因为UE在列车内不会经历20-30 dB的穿透损失。在2.4km的运行中进行的现场试验表明，下行吞吐量为1.25Gbps。

图1 高速列车使用远程无线电头（RRH）的定向网络部署

高架天线的概念似乎很实用，甚至3GPP也对其进行了研究。然而，单点故障是其根本所在。如果高架天线出现故障，并观察到切换故障，则在该天线下服务的多个用户将中断数据传输。BS邻近的高架天线的智能切换，不仅可以避免切换故障，而且由于更好的SINR，还可以提供高吞吐量，但代价是复杂性和成本。另一个缺点是，由于顶部安装的天线和列车内部UE之间增加了跳数，会造成时延。因此，在不久的将来，自驾列车可能无法达到所需的QoE时延目标。

2.2 改变核心网络（CN）以实现时延目标

Lauridsen等[3]基于19000公里的驾驶测试，研究了四个实时LTE网络的时延、切换执行时间和覆盖范围。这项测试是在农村、郊区和城市的混合环境中进行的。测量结果显示，大部分时延来自CN，而不是空中接口。基于以上的研究，又提出了一种新的实体，称为边缘节点，它集成了MME、SGW和PGW的控制面部分。每个边缘节点覆盖多个BS，当UE移动到另一个边缘节点的覆盖范围时，应用服务器和网关也会移动以最小化时延。这种方法有助于减少BS内连接到同一边缘节点的每个切换的时延。然而，与边缘间节点关联的切换之后是IP地址重新分配和应用服务器转换，这增加了时延和数据中断。

考虑到到2025年5G订阅的数量将达到26亿， Kiess等[4]提出了一个简化的5G CN，它将是无连接的，并将在不支持节点移动性的情况下尽最大努力。其核心思想是建立一个类似于传统互联网的CN，该网络将不以服务质量为中心，大部分流量将仅通过默认承载。在智能手机上进行的实验表明，视频流、网络浏览和消息传递将很好地工作，因此，未来CN可以从根本上简化，从而产生一个经济高效的解决方案。但是由于计费和访问控制的主要功能无法继续，CN的过度简化不是一种切实可行的方法。类似地，在每个切换上重新分配IP是不可行的，可能会导致高时延甚至数据包丢失。

2.3 控制面/用户面分离

随着硬件技术的改进和进步，电信运营商可以从控制面与用户面的解耦中受益。通过这样做，未来移动网络可以智能地利用宏蜂窝与小蜂窝的组合，实现资源的高效利用。此外，通过将控制面/用户面分别分配给宏蜂窝和小蜂窝，可以最小化来自大量切换的信令开销。

Wang等[5]使用本地化移动性管理（LMM）技术解决了高密度、灵活部署小蜂窝体系结构和灵活回程的移动性支持问题。第一步将控制面从小蜂窝集中到本地访问服务器（LAS）。第二步允许单个小蜂窝处理移动事件，但仍需要LAS充当移动锚。基于离散时间马尔可夫链的分析模型用于评估平均切换信令成本、平均分组传送成本、平均切换时延和到CN的平均信令负载。结果表明，与3GPP方案相比，平均切换时延减少了10毫秒。

Mubarak等[6]将5G网络中的信令开销降至最低，在宏BS的保护下，高密度的毫米波 BS为用户提供服务。在宏BS提供控制面的情况下，采用控制面/用户面分离，将几个毫米波小区分组成簇。通过使用网关集群控制器来限制小区间切换信令，从而使CN中的信令减少。结果表明，随着部署的毫米波小区密度的增加，归一化X2信令开销从100%降低到10%。

3 人工智能辅助移动性管理

近年来，人工智能在未来蜂窝网络中，主动管理移动性方面已广受欢迎。因为配置参数数量的增加，以及网络参数和相关 KPI 之间的复杂交互，一旦研究界能够克服这些复杂的挑战，人工智能辅助解决方案将对电信行业产生革命性的影响。

Zang等通过将用户体验考虑为吞吐量和切换成本的加权和，为毫米波蜂窝开发了一种基于强化学习（RL）的切换决策算法。根据用户的移动性信息，通过考虑方向性增益，和波束赋形失准之间的权衡，来选择最佳波束宽度。该算法根据UE速度和BS密度批准移动用户的切换触发。与文献中的其它现有算法相比，可以通过评估信令开销减少和吞吐量增益来扩展这项工作。

在UDN中，大量小型基站（SBS）被密集部署以服务用户，多个SBS同时服务会显著增加能耗。具体而言，多个构建的数据链路可以增加传输功率。为了最大限度地降低UDN的能耗，Ju等提出了一种基于深度强化学习（DRL）的用户关联技术，以降低UDN的能耗。DRL是一种有效的深度学习算法，适用于顺序决策。在DRL中，代理估计期望的累积奖励（即Q值），通过该奖励，代理获得最佳决策策略。由于切换过程消耗的功率几乎是传输消耗功率的一半，通过使用DRL，代理可以学习最小化传输功率和切换次数的用户关联策略。尽管DRL具有这样的优势，但由于代理和SBS之间的通信，会产生大量可能的关联以及信令开销，单一代理DRL算法不适合用于毫米波 UDN。

Moon等提出了一种基于多智能体DRL的节能用户关联技术。多代理DRL利用多个代理，每个代理都以分布式的方式进行决策。代理中的参与者网络使用本地获得的信息，来确定用户与SBS的关联；代理中的批评家网络，使用收集的全局信息和关联结果来估计Q值。由于每个代理都可以在本地确定用户关联，因此决策空间大大减少，从而提高了找到最佳用户关联策略的机会。