论文部分内容阅读
在第五代(5G)移动通信网络中,云无线电接入网络(Cloud Radio Access Network,C-RAN)架构被认为是具有广泛应用前景的技术。本文主要针对C-RAN的网络结构和架构内的资源分配方案进行了研究。首先,本文基于开源项目实现了 C-RAN架构的拆分,验证了网络功能并对网络性能进行了评估,将拆分后的计算资源利用率与传输速率的关系进行了建模和验证。在5G C-RAN架构中,C-RAN的基带处理单元(Baseband Unit,BBU)进一步细分为中央单元(Centralized Unit,CU)和分布式单元(Distributed Unit,DU)。因此,本文基于OpenAirInterface的开源NFV软件平台进行了扩展,以支持CU/DU拆分。为了支持CU和DU单元之间的通信,引入了套接字工具,并且为套接字数据包设计了简洁有效的接口协议,使CU/DU间的通信体系更加完善。具体而言,完成了在分组数据汇聚层(Packet Data Convergence Protocol,PDCP)与无线链路控制层(Radio Link Control,RLC)间拆分点的CU/DU拆分,实现了将BBU拆分为两个独立的单元CU和DU。然后,本文使用真实的网络配置、商用的演进型分组核心(Evolution Packet Core,EPC)、有源天线单元(Active Antenna Unit,AAU)和多个商用用户设备(User Equipment,UE)来对拆分后的平台进行测试。结果表明,与拆分前相比,软件平台具备完善的功能,并且在性能无明显下降的情况下提升了网络的灵活性。此外,通过对结果的统计分析,得到了传输速率与CPU处理资源的关系,为部署软件平台时的资源调度提供了参考。然后,在CU/DU拆分后的C-RAN网络结构中引入了网络切片技术,并针对少有研究者关注的中传链路带宽资源分配问题,提出了一种基于机器学习的带宽资源分配方法。由于5G网络需要支持多种类型的服务,因此引入了网络切片来满足不同服务的服务质量(Quality of Service,QoS)要求。由于CU和DU之间的中传链路(也称为前传链路-Ⅱ)带宽有限,在基于网络切片的5G C-RAN网络中同时满足多种服务的需求仍然是一个挑战。因此,我们提出了一种基于机器学习的带宽资源分配方案,以管理有限的中传链路带宽资源,并在同一物理网络基础结构下保障多种服务的QoS。仿真结果表明,与一些典型的资源分配方法相比,基于机器学习的方案可以实现更高的QoS、更低的丢包率以及更好的带宽利用率。