Algoritmos de planificación del control de potencia y estimación de capacidad en redes LTE
Abstract
Las tareas de planificación son de vital importancia en las redes de comunicaciones móviles. En la etapa de planificación, se realiza el diseño y dimensionado de la red atendiendo a criterios preestablecidos de cobertura, calidad de servicio y coste. Una adecuada planificación permite aprovechar la capacidad de los equipos de los que se dispone mediante una configuración óptima de sus parámetros. Al mismo tiempo, una planificación correcta permite detectar posibles cuellos de botella antes de que éstos ocurran. Con ello, se evitan problemas durante la fase de operación, minimizando (o, al menos, retrasando) las consiguientes inversiones de capital. En los últimos años, las tareas de planificación en las redes de acceso móvil se han complicado por el aumento del tamaño y la complejidad de estas redes. El problema se agrava con la continua inclusión de nuevos terminales, servicios y funcionalidades en las redes móviles. Para afrontar este problema, los operadores demandan herramientas automáticas de planificación que aprovechen las medidas de rendimiento extraídas de la red mediante técnicas de redes autoorganizadas (Self-Organizing Networks, SON). En esta tesis se proponen diversos algoritmos de planificación automática para la red de acceso radio Long Term Evolution (LTE). Todos ellos han sido concebidos para su integración en una herramienta de planificación comercial, por lo que se ha prestado especial atención a su eficiencia de computación. Por un lado, se proponen dos algoritmos de configuración automática de parámetros del control de potencia en el canal compartido de datos del enlace ascendente de LTE (Physical Uplink Shared Channel, PUSCH). El objetivo de ambos algoritmos es maximizar la cobertura y capacidad del PUSCH en una red LTE. A diferencia de propuestas anteriores, los algoritmos de planificación que se proponen manejan escenarios irregulares con baja carga de computación y consideran el rendimiento del control de potencia tanto en lazo abierto como en lazo cerrado. Para su validación, se ha utilizado un simulador estático de nivel de sistema ajustado con datos de una red LTE real. Por otro lado, se describe un algoritmo de estimación de la capacidad del canal de control en el enlace descendente (Physical Downlink Control Channel, PDCCH) en LTE. El algoritmo propuesto se basa en un modelo de teoría de colas que permite estimar la probabilidad de congestión del PDCCH de una celda concreta a partir de estadísticas de red. Dicho algoritmo se ha validado con medidas de redes LTE reales. Por último, se propone un algoritmo de estimación de la capacidad de tráfico de usuario de una celda LTE mediante estadísticas de rendimiento de red. El algoritmo descrito aplica técnicas de regresión multivariable para identificar las variables que determinan la capacidad de celda y establecer una relación cuantitativa entre ellas. A diferencia de estudios previos, el método propuesto es capaz de manejar restricciones de calidad de servicio para múltiples servicios. El método se ha validado mediante estadísticas de rendimiento extraídas de las primeras redes LTE multiservicio.
Full text
Universidad de Málaga Escuela Técnica Superior de Ingeniería de Telecomunicación Tesis Doctoral Algoritmos de planificación del control de potencia y estimación de capacidad en redes LTE Autor: José Ángel Fernández Segovia Directores: Dr. Salvador Luna Ramírez Dr. Matías Toril Genovés 24 de junio de 2015
AUTOR: José Ángel Fernández Segovia http://orcid.org/0000-0003-0832-458X EDITA: Publicaciones y Divulgación Científica. Universidad de Málaga Esta obra está sujeta a una licencia Creative Commons: Reconocimiento - No comercial - SinObraDerivada (cc-by-nc-nd): Http://creativecommons.org/licences/by-nc-nd/3.0/es Cualquier parte de esta obra se puede reproducir sin autorización pero con el reconocimiento y atribución de los autores. No se puede hacer uso comercial de la obra y no se puede alterar, transformar o hacer obras derivadas. Esta Tesis Doctoral está depositada en el Repositorio Institucional de la Universidad de Málaga (RIUMA): riuma.uma.es
UNIVERSIDAD DE MÁLAGA ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA DE TELECOMUNICACIÓN Reunido el tribunal examinador en el día de la fecha, constituido por: Presidente: Dr. D. Secretario: Dr. D. Vocales: Dr. D. Dr. D. Dr. D. para juzgar la Tesis Doctoral titulada “Algoritmos de planificación del control de potencia y estimación de capacidad en redes LTE” realizada por D. José Ángel Fernández Segovia y dirigida por el Dr. D. Salvador Luna Ramírez y el Dr D. Matías Toril Genovés, acordó por otorgar la calificación de y para que conste, se extiende firmada por los componentes del tribunal la presente diligencia. Málaga a de del El Presidente: El Secretario: Fdo.: Fdo.: El Vocal: El Vocal: El Vocal: Fdo.: Fdo.: Fdo.:
“La perfección se consigue, no cuando no haya más que añadir, sino cuando no hay nada más por quitar." Antoine de Saint-Exupéry. Fuente: L’Avion, Cap. III
Agradecimientos Sin atisbo alguno de duda tengo que agradecer en primer lugar el apoyo a mi familia (mamá, papá, Noelia y, como no, MaJosé). No pueden quedar fuera de los agradecimientos todos y cada uno de mis compañeros a lo largo de estos años, que han influido en mi trabajo y me han hecho crecer personal y profesionalmente. A mis compañeros en la universidad: Víctor, Rocío, Jose María, Pablo - sin duda el peor... -, Ana Belén, Antonio, Almudena, Juanmi, Inma, Pablo Doc., Isa, Ana, Emil, Juan - el que maneja el cotarro -, Lydia, Alex y Sergio - el chairman -, y a mis compañeros de trabajo en Ericsson: Carlos, Juan Jesús, Ángel... A todos vosotros gracias. Y un agradecimiento especialmente importante es obligado hacia Salvador Luna y Matías Toril, mis directores de Tesis, primero por darme la oportunidad de llegar hasta este punto y, además, porque cada día desde que trabajo con ellos he aprendido algo nuevo y por inculcarme su espíritu de trabajo y mejora continua. El trabajo presentado en esta Tesis Doctoral se ha desarrollado en el marco de un contrato de colaboración entre la Universidad de Málaga y la empresa Ericsson, financiado por la agencia IDEA de la Consejería de Ciencia, Innovación y Empresa de la Junta de Andalucía, y cofinanciado con fondos FEDER de la Unión Europea. ix
el rendimiento del control de potencia tanto en lazo abierto como en lazo cerrado. Para su validación, se ha utilizado un simulador estático de nivel de sistema ajustado con datos de una red LTE real. Por otro lado, se describe un algoritmo de estimación de la capacidad del canal de control en el enlace descendente (Physical Downlink Control Channel, PDCCH) en LTE. El algoritmo propuesto se basa en un modelo de teoría de colas que permite estimar la probabilidad de congestión del PDCCH de una celda concreta a partir de estadísticas de red. Dicho algoritmo se ha validado con medidas de redes LTE reales. Por último, se propone un algoritmo de estimación de la capacidad de tráfico de usuario de una celda LTE mediante estadísticas de rendimiento de red. El algoritmo descrito aplica técnicas de regresión multivariable para identificar las variables que determinan la capacidad de celda y establecer una relación cuantitativa entre ellas. A diferencia de estudios previos, el método propuesto es capaz de manejar restricciones de calidad de servicio para múltiples servicios. El método se ha validado mediante estadísticas de rendimiento extraídas de las primeras redes LTE multiservicio.
Índice de figuras 1.1. Arquitectura de red LTE. . . . . . . . . . . . . . . . . . . . . . . . 8 1.2. Proceso de planificación de red. . . . . . . . . . . . . . . . . . . . . 11 1.3. Planificación automática de parámetros en una estructura SON centralizada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14 1.4. Detección de problemas de capacidad en una estructura SON distribuida. ................................. 15 1.5. Proceso de planificación de red. . . . . . . . . . . . . . . . . . . . . 16 2.1. Control de potencia para diferentes terminales en un eNB. . . . . . 23 2.2. Escenario regular en el análisis de sensibilidad de parámetros. . . . 31 2.3. Tasa de datos en escenario regular con P0yUUL uniformes. . . . . . 32 2.4. Diagrama de flujo del algoritmo de optimización de P0yUUL.. . . 35 2.5. Tasa de datos en escenario regular con P0yαuniformes. . . . . . . 37 2.6. Diagrama de flujo del algoritmo de optimización para P0yα.. . . 39 2.7. Regularización del escenario basada en adyacentes. . . . . . . . . . 43 2.8. Planificación de un escenario irregular según método AA. . . . . . . 44 2.9. Escenario 1.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 2.10. Escenario 2.. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 2.11. Rendimiento global del Escenario 1 con configuración uniforme de parámetros P0yUUL.. . . . . . . . . . . . . . . . . . . . . . . . . . 49 2.12. Rendimiento global de la red con el Algoritmo 1.. . . . . . . . . . . 51 2.13. Comparación de soluciones para el Algoritmo 1.. . . . . . . . . . . 53 2.14. Solución MeM para el Algoritmo 1.. . . . . . . . . . . . . . . . . . 54 2.15. Rendimiento global del Escenario 2 con configuración uniforme de los parámetros P0yα.. . . . . . . . . . . . . . . . . . . . . . . . . 55 2.16. Rendimiento global de la red con el Algoritmo 2.. . . . . . . . . . . 56 2.17. Comparación de soluciones para el Algoritmo 2.. . . . . . . . . . . 58 2.18. Solución MeM para el Algoritmo 2.. . . . . . . . . . . . . . . . . . 59 3.1. Estructura OFDM de recursos radio en LTE. . . . . . . . . . . . . . 69 3.2. Modelo de cola del PDCCH. . . . . . . . . . . . . . . . . . . . . . . 71 3.3. Diagrama de estados del modelo propuesto. . . . . . . . . . . . . . 72 3.4. Matriz generadora, Q.. . . . . . . . . . . . . . . . . . . . . . . . . 74 3.5. Comparación entre el modelo analítico y el simulador del PDCCH. . 81 3.6. Comparación entre modelo analítico y el PDCCH en celdas LTE reales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83 xvii
Índice de Figuras xviii 3.7. Aplicación del modelo sobre grupo de celdas en Red A. . . . . . . . 85 3.8. Aplicación del modelo sobre grupo de celdas en Red B. . . . . . . . 86 3.9. Diagrama de flujo para la estimación de capacidad de celda. . . . . 90 3.10. Variación del coeficiente de determinación durante el proceso de eliminación de variables. . . . . . . . . . . . . . . . . . . . . . . . . 100 3.11. TH(8) QCI en función del CQI y el BW. . . . . . . . . . . . . . . . . . 102 3.12. Función de distribución del número medio máximo de usuarios activos en el DL por celda. . . . . . . . . . . . . . . . . . . . . . . . . 103 A.1. Estructura de asignación de recursos radio en LTE. . . . . . . . . . 114 A.2. Diagrama de flujo del simulador del enlace ascendente de LTE. . . . 115 A.3. Escenario real con límites costeros determinados por el simulador. . 118 A.4. Comparación del histograma de RSRP del simulador y la red real. El pequeño desplazamiento entre las funciones de distribución pone de manifiesto el buen ajuste del modelo. . . . . . . . . . . . . . . . 126 A.5. Relación entre indicadores de capacidad, cobertura e interferencia para barrido de la potencia nominal, P0.. . . . . . . . . . . . . . . 127 A.6. Relación entre indicadores de capacidad, cobertura e interferencia para barrido del factor de compensación de pérdidas, α.. . . . . . . 128
Índice de tablas 2.1. Parámetros de simulación. . . . . . . . . . . . . . . . . . . . . . . . 33 3.1. Formatos de PDCCH. . . . . . . . . . . . . . . . . . . . . . . . . . 69 3.2. Parámetros de la herramienta de simulación del PDCCH. . . . . . . 76 3.3. Estadísticas de rendimiento del PDCCH en las celdas estudiadas. . 78 3.4. Estadísticas de rendimiento del PDCCH en Red A y Red B. . . . . 79 3.5. Comparación entre el modelo analítico y el simulador del PDCCH. . 80 3.6. Comparación entre el modelo analítico y el PDCCH en celdas reales. 82 3.7. Características de QCI estandarizados. . . . . . . . . . . . . . . . . 88 3.8. Estadísticas de rendimiento de la red considerada. . . . . . . . . . . 98 3.9. Resultados del modelo de regresión completo. . . . . . . . . . . . . 98 3.10. Resultados para el modelo simplificado. . . . . . . . . . . . . . . . . 101 A.1. Parámetros de simulación. . . . . . . . . . . . . . . . . . . . . . . . 116 A.2. Parámetros de simulación. . . . . . . . . . . . . . . . . . . . . . . . 125 xix
Acrónimos 3GPP 3rd Generation Partnership Project AA Adjacency-based Approximation AC Admission Control AM Acknowledged Mode ANR Automatic Neighbor Relation BLER BLock Error Rate BW BandWidth CCE Control Channel Elements CCO Coverage and Capacity Optimization CDF Cumulative Distribution Function CFI Control Format Indicator CLPC Closed-Loop Power Control CM Configuration Management settings CQI Channel Quality Indicator DAS Distributed Antenna System DCI Downlink Control Information DL DownLink DS Dynamic Scheduling eNB evolved Node-B EPC Evolved Packet Core E-UTRAN Evolved UMTS Radio Access Network FCFS First Come First Served FM Full Model FPC Fractional Power Control xxi
Acrónimos xxii GBR Guaranteed Bit Rate GSM Global System for Mobile communications HARQ Hybrid Automatic Repeat Request HSDPA High-Speed Downlink Packet Access HSPA High-Speed Packet Access HSS Home Subscriber Server IMS IPMultimedia Subsystem IP Internet Protocol iRAT inter-Radio Access Technology LA Link Adapation LB Load Balancing LTE Long Term Evolution M2M Machine-to-Machine MaM Maximum Method MeM Mean Method MiM Minimum Method MIMO Multiple Input Multiple Output MME Mobility Management Entity MRA Mean Radius Approximation MS-MLR Multi-Service Multiple Linear Regression MxM Mixed Method NMS Network Management System OFDM Orthogonal Frecuency Division Multiplexing OFDMA OFDM Access OLPC Open-Loop Power Control PAPR Peak-to-Average Power Ratio PCFICH Physical Control Format Indicator CHannel PCRF Policy and Charging Rules Function PDCCH Physical Downlink Control CHannel PDCP Packet Data Convergence Protocol PDSCH Physical Downlink Shared CHannel
Acrónimos xxiii P-GW Packet Data Network GateWay PHICH Physical HARQ Indicator CHannel PL Propagation Losses PM Performance Measurements PRACH Physical Random Access Channel PRB Physical Resource Block PUCCH Physical Uplink Control CHannel PUSCH Physical Uplink Shared CHannel QAM Quadrature Amplitude Modulation QCI QoS Class Identifier QoS Quality ofService QPSK Quadrature Phase Shift Keying RACH Random Access CHannel RAM Random Access Memory RE Resource Element REG Resource Element Groups RLC Radio Link Control RNC Radio Network Controller RRM Radio Resource Management RSRP Reference Signal Received Power SC-OFDMA Single Carrier - OFDMA SDCCH Standalone Dedicated Control CHannel S-GW Serving GateWay SINR Signal-to-Interference Noise Ratio SM Simplified Model SON Self-Organizing Networks SPS Semi-Persistent Scheduling SR Scheduling Request TCP Transmission Control Protocol TDD Time Division Duplex TM Transmission Modes
Acrónimos xxiv TPC Transmit Power Control TTI Transmission Time Interval UL UpLink ULPC UpLink Power Control UE User Equipment UMTS Universal Mobile Telecommunications System VoLTE Voice over LTE WCDMA Wideband Code Division Multiple Access
Símbolos P0Potencia nominal de ULPC en el PUSCH dBm αFactor de compensación de PL - UUL Carga de celda en UL % NvP0Node posibles valores diferentes para P0NvαNode valores diferentes para αNvUUL Node valores diferentes para UUL - NcNode celdas a planificar - Ptxmax Potencia de transmisión máxima del UE dBm PL Pérdidas de propagación radio considerando dB ganancia de antena ∆TF Variación de potencia por comandos TF dBm ∆TP C Variación de potencia por comandos TPC dBm M(k)Node PRB asignados al UE ken el PUSCH - Mmin Nomínimo de PRB asignables a un UE - Mmax Nomáximo de PRB asignables a un UE - kNode identificación de UE - S(k)Celda servidora del usuario kPTX(k)Potencia transmitida por el UE kdBm IUL Interferencia media en el PUSCH de una celda LTE dBm NTH Nivel de ruido térmico dBm NuNode usuarios - APuntos en el área de servicio de un celda LTE - NListado de adyacentes de una celda LTE - SINRth Valor umbral de SINR dB xxv
Introducción. 4 es su aplicabilidad práctica, que viene condicionada por el marco de financiación a través de una empresa (Ericsson) en el que se ha desarrollado esta Tesis. Cada uno de los problemas analizados en este trabajo ha sido planteado desde una perspectiva eminentemente práctica, tal como lo haría el operador y el proveedor de herramientas. Así, como restricción de partida, todos los métodos propuestos deben de ser lo suficientemente sencillos como para ser incluidos en una herramienta de planificación comercial sin comprometer su eficiencia computacional. Además, todos los métodos deben diseñarse y validarse a partir de datos de redes LTE reales. En este sentido, la colaboración con Ericsson ha facilitado el acceso a los datos de configuración y rendimiento de redes de distintos continentes. Esta información, sin la cual no habría sido posible realizar esta Tesis, es una de las principales fortalezas de este trabajo. Metodología de trabajo Es habitual que en los trabajos de investigación se comience con una descripción cualitativa donde se trata de contextualizar y formular el problema a estudiar. Tras realizar una descripción básica del problema, se recorre de forma detallada la literatura existente relacionada con el problema propuesto. Se busca así analizar las propuestas anteriores para identificar sus carencias, de forma que se pueda aportar una nueva solución al problema. En el caso particular de los problemas de las redes de comunicaciones móviles, se suele realizar una formulación analítica del problema para después aplicar algún método de resolución clásica tomado de problemas similares. Posteriormente, la calidad de las soluciones generadas se valora con una herramienta de simulación que modela las principales funciones de la red. Durante el proceso de validación, se realizan simplificaciones en beneficio de la facilidad de implementación y la eficiencia computacional. Como último paso, se implementa la solución en una aplicación que trabaje directamente sobre la red real y se evalúa el beneficio que aporta la solución propuesta en la misma. La metodología seguida para los diferentes problemas de investigación en esta Tesis es la descrita anteriormente. No obstante, existen ciertas peculiaridades que merece la pena comentar:
Introducción. 5 a) Las soluciones propuestas en este trabajo están orientadas a su implementación en una herramienta de planificación comercial. Por tanto, en todos los casos se busca disminuir el coste computacional de los algoritmos propuestos. b) Las soluciones de los diferentes problemas se evalúan del modo más realista posible. Así, los simuladores empleados se calibran con datos de configuración y medidas tomadas de la red real. De igual manera, siempre que es posible, las soluciones propuestas se construyen o comparan con medidas de rendimiento tomadas de una red real. c) Tanto para el funcionamiento como para la validación de las soluciones propuestas, se han utilizado datos de configuración y rendimiento de red reales. Para facilitar la presentación y utilización de datos de redes reales se utilizan datos reales de configuración y rendimiento de red. Para construir estos juegos de datos, se usan diversas herramientas comerciales que ayudan a procesar los datos en crudo suministrados por el operador, para su estructuración en tablas que puedan ser almacenadas en bases de datos. Para extraer la información en el formato adecuado, es necesario construir las sentencias en lenguaje de consulta de datos estructurados (Structured Query Language, SQL). El estudio de la información suministrada por el fabricante, la construcción de las bases de datos, la programación de las sentencias y el manejo de la información resultante han sido tareas importantes en el desarrollo de esta Tesis. Estructura del documento Como se puede deducir de los objetivos planteados en esta esta Tesis, este documento se organiza en dos partes, una por cada objetivo. En el Capítulo 1se presenta el marco conceptual de esta Tesis. La idea es contextualizar el problema de la planificación automática de red, además de explicar conceptos básicos sobre LTE para facilitar el seguimiento del resto de capítulos. Los Capítulos 2y3corresponden a los diferentes objetivos. El Capítulo 2 aborda desarrollo de algoritmos de planificación automática para el control de potencia del enlace ascendente de LTE, mientras que el Capítulo 3se centra en el desarrollo de metodologías de estimación de capacidad para la detección de cuellos de botella en el sistema. El Capítulo 3se divide a su vez en dos secciones,
Introducción. 6 centradas en la estimación de capacidad en el canal de control y la estimación de la capacidad de celda en redes LTE multiservicio, respectivamente. En el Capítulo 4se resumen las principales conclusiones del trabajo realizado, destacando las principales contribuciones originales y las posibles líneas de continuación del trabajo. Finalmente, en el Apéndice Ase cuenta con detalle la herramienta de simulación utilizada para la evaluación de los algoritmos propuestos en el Capítulo 2.
Capítulo 1 Planificación automática de redes LTE En este primer capítulo se introduce el problema de la planificación automática de redes LTE. En primer lugar se describe la arquitectura básica de las redes LTE y su funcionalidad básica. A continuación se presentan los conceptos básicos de planificación y automatización de la planificación de redes celulares. Finalmente, se concluye con una reflexión que introduce los problemas estudiados en la Tesis. 1.1. Arquitectura de red LTE El estándar LTE aparece en el año 2007 [2] como un nuevo sistema de comunicaciones móviles que prometía mejorar a todos los anteriores en prestaciones, además de simplificar la arquitectura de red. En la bibliografía, el término LTE se asocia con la red de acceso radio evolucionada del sistema universal de telecomunicaciones móviles (Evolved Universal Mobile Telecommunications System -UMTSRadio Access Network, E-UTRAN), mientras que se usa el término red central evolucionada (Evolved Packet Core, EPC) para referirse a la red troncal de transporte de LTE. En la Figura 1.1 se muestra la arquitectura básica de una red LTE, donde se resaltan los elementos que pertenecen a la E-UTRAN y a la EPC, junto con las interfaces implicadas. En la E-UTRAN, los equipos de usuario (User Equipment, UE) son los encargados de proveer al usuario de una interfaz para acceder a los servicios sobre la red 7
Capítulo 1. Planificación automática de redes LTE 8 X2 S1-U S1-MME E-UTRAN UE UE eNB eNB MME S-GW P-GW S11 ServiciosIP deloperador EPC } S5 } S6a HSS PCRF Internet S7 Rx+ SGi SGi NMS Figura 1.1: Arquitectura de red LTE. de comunicaciones móviles LTE. Los UE se comunican con las estaciones base de LTE (evolved-NodeB, eNB) a través de la interfaz radio. Por dicha interfaz viajan tanto los datos de usuario como los datos de control. Los datos de control permiten la configuración del enlace radio en ambas direcciones (ascendente, del UE al eNB, y descendente, del eNB al UE), mediante el intercambio de parámetros de conexión o de protocolos, como el control de potencia del terminal o la modulación usada en cada dirección del enlace. En el caso de LTE, a diferencia de tecnologías anteriores, se dota al eNB de mayor funcionalidad, siendo éste el encargado de manejar la mayor parte de la gestión de recursos radio. Para ello, se elimina la figura del controlador de estaciones base (Radio Network Controller, RNC), necesario en UMTS. Por su parte, los eNB se comunican entre ellos mediante la interfaz X2, que permite que la gestión de los traspasos de llamadas y la coordinación entre eNB se lleve a cabo por el eNB, sin necesidad, en la mayoría de los casos, de que intervengan capas superiores. La comunicación entre la E-UTRAN y la EPC se realiza sobre la interfaz S1, de forma que los eNB se comunican en los planos de control y datos con los elementos de la EPC.
Capítulo 1. Planificación automática de redes LTE 9 En la EPC se encuentran la entidad de gestión de movilidad (Mobility Management Entity, MME), que es la encargada de procesar la información de señalización entre los usuarios y la red troncal, y las pasarelas de servicios (Serving GateWay, S-GW), encargada de la gestión de todos los usuarios como punto de transición entre la E-UTRAN y la EPC, y datos (Packet Data Network GateWay, P-GW) que comunica con los diferentes servicios de conmutación de paquetes sobre el protocolo de Internet (Internet Protocol, IP) que ofrece el operador. También en la EPC se encuentran el servidor de subscripción local (Home Subscriber Server, HSS), encargado de las funciones de registro y autenticación de los usuarios por parte del operador, o, más importante si cabe, el equipo encargado de la función de control de las reglas y políticas de calidad de servicio del operador (Policy and Charging Rules Function, PCRF). En la Figura 1.1 también aparece el sistema de gestión de red (Network Management System, NMS). Esta entidad, que no es nueva en LTE pues ya estaba presente en tecnologías anteriores, tiene la función de monitorizar todos los elementos de la red LTE. En dicha entidad de red se recogen estados de configuración y medidas de rendimiento reportados por los equipos de la red. Además, es la interfaz entre el operador y los equipos que componen la red LTE. La arquitectura de red mostrada en la figura se diseñó para facilitar la introducción de servicios basados en Internet Protocol de alta tasa de transferencia de datos y baja latencia. Con este objetivo, se dota a la red LTE de una estructura no jerárquica, que reduce el número de elementos involucrados en la conexión. Por la misma razón, todas las interfaces descritas utilizan el protocolo IP. 1.2. Planificación de redes móviles La planificación de red juega un papel muy importante en las redes de comunicaciones móviles hoy en día. En este tipo de redes, los objetivos de la planificación son [7]: 1) obtener un grado de cobertura suficiente a lo largo del área geográfica seleccionada, 2) garantizar una mínima capacidad de red y calidad de servicio, que asegure una baja tasa de bloqueo de llamada y tasa de pérdida de conexión al usuario, y
Capítulo 1. Planificación automática de redes LTE 10 3) permitir un despliegue de la red que sea viable económicamente y permita su expansión de forma controlada durante el ciclo de vida del sistema. Una adecuada planificación de red minimiza (o, al menos, retrasa) la inversión de capital, mejora la calidad del servicio ofrecido al usuario final (y, con ello, su satisfacción con el servicio) y reduce la necesidad de ajustes durante la fase de operación [14,15]. El proceso de planificación de una red celular suele separar la red en dos segmentos, como son la red de transporte y la red de acceso radio. a) La planificación de la red de transmisión aborda el diseño de la infraestructura de equipamiento necesaria para enviar la información desde la estación base origen hasta el destino de dicha información (p.ej., otra estación base, internet o cualquier otro servidor de servicios). Este segmento de red puede dividirse en dos partes, en función de la lejanía a la estación base. Así, se diferencia el diseño de la red troncal, que incluye aquellos equipos de conmutación de alto nivel que conectan grandes zonas unas con otras y con los servicios ofrecidos por el operador, como puede ser la interconexión con otras redes o el acceso a internet, y, por otro lado, el diseño de la red de acceso, que conecta las estaciones base con la red troncal. b) La planificación radio comprende el diseño de la infraestructura de equipamiento que afecta a la interfaz entre las estaciones base y el terminal de usuario. Entre otros aspectos, debe cubrir la definición de las áreas de servicio de cada estación base, la interacción entre estaciones base adyacentes o la capacidad del canal radio. La Figura 1.2 muestra las distintas fases que componen el proceso de planificación radio [7]. El proceso comienza con la definición de los criterios de diseño, especificando los requisitos de cobertura, calidad de conexión y capacidad, que pueden diferir dependiendo de la región geográfica. Con esos requisitos, se realiza el proceso de preplanificación, en el que se construyen los planes teóricos de cobertura y capacidad. El plan de cobertura incluye la definición de las áreas de cobertura, las probabilidades de servicio y los niveles de señal objetivo, mientras que el plan de capacidad incluye el perfil de usuarios y tráfico en las áreas de cobertura. En esta fase de preplanificación se realiza el proceso de dimensionado
Capítulo 1. Planificación automática de redes LTE 11 Definiciónde criteriosde diseño Plande coberturay capacidad Búsqueday selecciónde emplazamientos AnálisisSINR Plande frecuencias Planificación de parámetros Actualización de planesdered Preplanificación Planificación Operación Figura 1.2: Proceso de planificación de red. que permite estimar el número de emplazamientos necesarios, a partir de estimas de la capacidad que se puede obtener de una celda. A continuación, se busca y se selecciona la ubicación de los emplazamientos donde se sitúan las estaciones base. Con esa información, se determina el área de servicio de cada celda, que permite realizar los cálculos de propagación con los que estimar los niveles de señal de interferencia y la calidad de conexión ofrecida al usuario. Posteriormente se establece la configuración inicial de parámetros de los algoritmos de gestión de recursos radio y se fija la máxima carga de cada celda. El resultado final de la planificación radio son los planes de cobertura, las estimas de capacidad, los planes de interferencia, los balances de potencia, los planes de frecuencia y el plan de parámetros. Estos planes se mejoran en la fase de operación, cuando se dispone de medidas de la red real. El problema de la planificación radio se ha tratado extensamente en la bibliografía, dado que cada tecnología radio tiene su propia problemática. En Global System for Mobile communications (GSM), la planificación radio se centra en la estimación de la cobertura y en la asignación de frecuencias [16]. En UMTS y High-Speed Packet Access (HSPA), el principal obstáculo es el acoplamiento entre la cobertura, la interferencia y la capacidad de las celdas [4–6]. En LTE, se mantiene el problema del compromiso entre la cobertura y la capacidad del sistema, pero irrumpe con fuerza la planificación de parámetros radio, algo que, en anteriores tecnologías, parecía relegado a la fase de operación de red [7–9]. La causa de esta irrupción es la disponibilidad de herramientas de cálculo automáticas que permiten abordar problemas numéricos que hasta ahora no se podían resolver de forma manual. Las herramientas de planificación disponibles hoy en día facilitan la actualización de los planes construidos en la fase de planificación con medidas recogidas durante la fase de operación. Este proceso se conoce como replanificación basada en medidas, por distinguirlo del proceso de optimización de red, donde no se hace
Capítulo 1. Planificación automática de redes LTE 12 uso de los planes anteriores. Ambos procesos comparten el objetivo de mejorar la red. Sin embargo, la replanificación de red solo se realiza de forma periódica, con tiempos largos entre actuaciones, para corregir grandes desajustes, mientras que la optimización de red busca ajustar al máximo la configuración de parámetros para obtener el máximo rendimiento en todo momento. La replanificación es el paso previo a la ampliación de capacidad de la red mediante la agregación de nuevos equipos [17]. La replanificación puede realizarse de forma reactiva o proactiva. En la estrategia de planificación reactiva, los ajustes se realizan cuando se alcanza algún límite de capacidad (p.ej., cuando ha ocurrido un problema de congestión) o cuando las condiciones del sistema cambian de forma no prevista (p.ej., cuando se incluyen nuevos equipos de forma temporal para cubrir algún evento o se modifican los parámetros de configuración para solventar un problema inesperado). Como alternativa, una estrategia de planificación proactiva lleva a cabo acciones correctoras antes de que los problemas de capacidad existan mediante técnicas de predicción y estimación avanzadas. De esta forma, el operador de red se anticipa a posibles problemas de congestión antes de que estos tengan lugar, mejorando, a consecuencia de ello, la calidad del servicio ofrecida a los usuarios. La tendencia actual en las redes móviles es incrementar las tareas de planificación proactiva. Durante la fase de diseño, una planificación proactiva implica la búsqueda de la mejor configuración inicial de la red, según las condiciones de tráfico y propagación previstas. Durante la fase de explotación, una planificación proactiva requiere detectar posibles cuellos de botella del sistema con antelación a que éstos ocurran. Al mismo tiempo, una estrategia proactiva permite adaptar la configuración de la red a los cambios de topología y condiciones producidos por la expansión del servicio. Todas estas tareas solo se pueden llevar a cabo con la ayuda de herramientas de automatización. 1.3. Planificación automática de redes móviles El creciente tamaño y complejidad de las redes móviles dificulta enormemente las tareas de planificación y optimización de la red por parte del operador. Para reducir los costes de operación y eliminar los errores humanos introducidos por el manejo de la red, se plantea la automatización de todas las tareas de gestión de
Capítulo 1. Planificación automática de redes LTE 13 red. Con este objetivo, en los últimos años se han propuesto numerosas técnicas automáticas de planificación y optimización de red, englobadas bajo el término de redes autoorganizadas (SON). Bajo este término, se agrupan todas aquellas redes que implementan capacidades de configuración, ajuste y resolución de problemas automáticas, sin intervención del operador. Aunque SON puede aplicarse a cualquier tipo de red, es en el estándar LTE donde se ha generalizado el uso de estas técnicas [10,18]. Para el operador, los principales beneficios de la aplicación de SON se resumen en la reducción de los costes de operación de la red, la liberación del personal del operador de tareas rutinarias que han de repetirse en el espacio y/o en el tiempo, y el incremento del rendimiento y capacidad de la red, que permite retrasar las inversiones de capital para ampliar los recursos de la red. Para el usuario, la aplicación de SON conlleva mejor calidad de servicio y una reducción de las tarifas como consecuencia de los menores costes de operación. Existen varias posibilidades de incluir funcionalidades SON en una red de comunicaciones móviles. En función de su ubicación, los sistemas SON se clasifican en centralizados y descentralizados: •Los sistemas SON centralizados son aquellos en los que se añade un equipamiento adicional que recopila los datos necesarios del NMS, los analiza y propone cambios en la configuración de la red. Estos cambios se envían a las estaciones base a través del intercambio de información del NMS. •Los sistemas SON descentralizados (o distribuidos) son aquellos en los que se dota a cada estación base (eNB, en LTE) de alguna funcionalidad SON, que funciona de forma independiente o coordinada con otras entidades del mismo nivel. Con un esquema SON centralizado se pueden implementar algoritmos de replanificación automática de parámetros radio. En la Figura 1.3 se ilustra un ejemplo de implementación de algoritmo SON centralizado para la configuración automática de parámetros del control de potencia. En este esquema, el servidor SON es el elemento de red que ejecuta el algoritmo de planificación. Dicho elemento debe conectarse al NMS, donde se recoge la información de los parámetros de configuración de red y las estadísticas de rendimiento. Toda esta información se recopila
Capítulo 2. Planificación automática del control de potencia en LTE 20 se propone un algoritmo de optimización iterativo heurístico, donde las celdas reportan la configuración de sus parámetros de ULPC al sistema de gestión de red, intercambiando al mismo tiempo con sus celdas vecinas información de los niveles de potencia transmitida e interferencia recibida. En [34], se propone un método de planificación automática para seleccionar la mejor configuración de los parámetros del FPC para cada celda de un escenario irregular en LTE. El método de resolución realiza una búsqueda exhaustiva implícita con el método de Taguchi sobre un simulador de nivel de sistema. Para simplificar el problema, se optimiza sólo un parámetro a la vez, pero de forma conjunta en todas las celdas. Así, se formula el problema de optimización de forma que se maximice un indicador de rendimiento de cada celda en función del valor del parámetro ajustado. En [35], se presenta un método de planificación más eficiente en términos de computación, que sustituye el simulador por un modelo analítico de rendimiento de red. El método predice la influencia de los parámetros del FPC sobre la probabilidad de aceptación de llamadas, dada una distribución espacial de tráfico concreta. Con este modelo, se calcula un valor subóptimo de estos parámetros del FPC para cada celda con un algoritmo voraz de refinamiento local aleatorio. Por desgracia, estos algoritmos no son fácilmente escalables y, lo que es peor, requieren de un modelo de sistema, analítico o de simulación, que permita evaluar la red completa en cada iteración. Esta restricción dificulta su inclusión en las herramientas comerciales de planificación de red. Como alternativa a los métodos de planificación, otros estudios consideran el ajuste de parámetros de ULPC durante la fase de operación. En esta línea, se propone un algoritmo de ajuste automático en [36] para configurar el parámetro de potencia nominal basándose en el indicador de sobrecarga [37]. De esta manera, se pretende controlar la interferencia global en la red. De forma similar, en [38] se propone un algoritmo de optimización automática para FPC basado en un controlador difuso adaptado con técnicas de aprendizaje por refuerzo. Estos algoritmos de autoajuste, concebidos para la fase de operación, también se pueden aplicar en la planificación de red, siempre y cuando se disponga de un modelo que permita evaluar el rendimiento del sistema (por ejemplo, un simulador de red). No obstante, la mayoría de los algoritmos de autoajuste se basan en iteraciones que requieren evaluar el rendimiento del sistema para muchas configuraciones diferentes de parámetros. Este proceso iterativo es directo en redes reales debido a la disponibilidad de medidas de rendimiento de red. Sin embargo, este no es el caso de la planificación de red, donde los cálculos requeridos para medir la calidad
Capítulo 2. Planificación automática del control de potencia en LTE 21 del plan de parámetros construido en cada iteración pueden poner en peligro la escalabilidad del método cuando se consideran escenarios grandes (por ejemplo, de cientos o miles de celdas). Por este motivo, la mayoría de métodos de planificación de ULPC de la literatura se basan en modelos analíticos simples de sistema para la evaluación del rendimiento de red. Hasta donde se conoce, muy pocos métodos son capaces de manejar escenarios irregulares con un bajo coste computacional y ninguno de ellos considera el rendimiento del control de potencia en lazo cerrado. En este trabajo, se proponen dos algoritmos heurísticos para la planificación automática de parámetros de ULPC en el PUSCH de LTE. El primer algoritmo determina la máxima carga de celda, UUL, y el valor óptimo de la potencia nominal, P0, asumiendo compensación total de pérdidas de propagación. El segundo algoritmo determina los valores óptimos del factor de compensación de pérdidas de propagación, α, y, la potencia nominal, P0, dada una distribución de carga en la red. Para manejar las irregularidades de la red, el problema del ajuste de parámetros se resuelve celda por celda agregando los resultados de múltiples escenarios regularizados construidos por adyacentes. Tal enfoque de regularización reduce el tamaño del espacio de soluciones, de forma que se reduce igualmente la complejidad computacional del método. En la formulación del problema se considera tanto el rendimiento del control de potencia en lazo abierto como en lazo cerrado. De forma similar a [35], los algoritmos propuestos pueden manejar escenarios irregulares manteniendo un enfoque semianalítico. En el primer algoritmo, a diferencia del de [35], los parámetros optimizados son la potencia nominal y la máxima carga de celda, en lugar del factor de compensación de pérdidas de propagación. Por su parte, el segundo algoritmo comparte los parámetros optimizados con [35]. Sin embargo, el método propuesto aquí es completamente escalable y presenta una mayor eficiencia computacional debido al enfoque de regularización de escenarios. 2.2. Formulación del problema En esta sección se realiza una descripción más detallada del problema del ajuste de parámetros del FPC. Primero se introducen los parámetros del FPC, estudiando de forma cualitativa el impacto de los mismos en el rendimiento de la red. Después
Capítulo 2. Planificación automática del control de potencia en LTE 22 se presenta el modelo analítico de sistema desarrollado en esta Tesis, describiendo las ecuaciones matemáticas que definen su comportamiento. 2.2.1. Problema del ajuste de parámetros del control de potencia El algoritmo de ULPC fija la potencia de transmisión del terminal móvil mediante la ecuación Ptx = m´ın Ptxm´ax , P0+α·PL | {z } operación en lazo abierto + ∆T F +f(∆T P C ) | {z } término dinámico + 10 ·log10M | {z } factor de ancho de banda ,(2.1) donde Ptxmax es la máxima potencia de transmisión del UE, αes el factor de compensación de pérdidas de propagación, PL son las pérdidas por propagación incluyendo la ganancia de las antenas y la pérdida de trayecto, Mes el número de bloques de recursos físicos (Physical Resource Block, PRB) asignados al UE por el eNB, y ∆T F +f(∆T P C )es un término dinámico que depende del esquema de modulación seleccionado y de los comandos de transmisión de control de potencia (Transmit Power Control, TPC) enviados por el eNB. Todos los términos de la ecuación están expresados en unidades logarítmicas. En la ecuación (2.1) se distinguen dos términos. El término de la derecha consiste en la suma de tres componentes: a) el nivel de potencia recibida por PRB establecido como objetivo en lazo abierto, calculado como la suma de un nivel semiestático determinado por el parámetro de potencia nominal, P0, y un término de compensación de las pérdidas de propagación controlado por el parámetro que fija el factor de compensación, α, b) un término de compensación dinámica controlado por la operación en lazo cerrado, ∆T F +f(∆TP C)y c) un factor de corrección por el ancho de banda utilizado, log10M. El término de la izquierda refleja el límite superior de potencia transmitida por el UE, Ptxmax . Se dice que un UE está limitado en potencia cuando éste alcanza dicho límite superior (es decir, cuando Ptx =Ptxmax ). Nótese que en este trabajo se refiere como potencia nominal del ULPC, P0, a la potencia objetivo a recibir en el eNB en UL por PRB. Según el estándar [13], este valor de potencia objetivo se compone de un valor estático
Capítulo 2. Planificación automática del control de potencia en LTE 23 Mobile Station UE1 Mobile Station UE2 Mobile Station UE3 P ,PL tx,1 1 P ,PL tx,2 2 P ,PL tx,3 3 P , 0αPtx,k PLk P =P tx,k tx,max P =f , ,PL tx,k k ( )P0α Figura 2.1: Control de potencia para diferentes terminales en un eNB. configurado en el eNB y un valor específico para cada UE. En este caso, se obvia el valor específico para UE y se refiere potencia nominal al valor configurado en el eNB que comparten todos los UE. Para entender mejor la ecuación, en la Figura 2.1 se muestra de forma gráfica el funcionamiento del algoritmo de control de potencia. De la figura se deduce que, para garantizar que la potencia recibida en el eNB sea igual a P0, los UE más lejanos deben compensar las mayores pérdidas de propagación elevando Ptx. Por la misma razón, los usuarios que están cerca del eNB tienen menor probabilidad de estar limitados en potencia, considerando un mismo ancho de banda de transmisión. Según se observa en la Figura 2.1,Ptx,1≤Ptx,2≤Ptx,3, puesto que, a igualdad de P0yα,Ptx sube con las pérdidas de propagación. Del análisis anterior se concluye que el parámetro P0controla la potencia transmitida por el UE y, por tanto, la calidad de conexión en el UL en la celda servidora. De la misma forma, P0determina el nivel de interferencia generado hacia celdas adyacentes. Por ello, el valor de P0en una celda de la red tiene un impacto directo tanto en el rendimiento de esa celda como en las celdas adyacentes. En la celda donde se ajusta P0, un incremento de P0fuerza que los usuarios en esa celda transmitan con mayor potencia. De esta manera, los usuarios que están más cerca del eNB, al no estar limitados en potencia, pueden incrementar su potencia de transmisión, y experimentarán una mejora de su relación señal a ruido e interferencia (Signal-to-Interference Noise Ratio, SINR). Como contrapartida, el incremento del nivel de interferencia provoca un deterioro de los niveles de SINR en las celdas adyacentes. De manera inversa, una reducción de P0en una celda suele conllevar una mejora de la SINR en las celdas vecinas, a costa de empeorar la propia celda.
Capítulo 2. Planificación automática del control de potencia en LTE 24 En el algoritmo de ULPC, también es posible ajustar el factor de compensación, α, para controlar la interferencia entre celdas. Los valores de αdefinidos por el estándar [13] varían entre 0 (sin compensación) y 1 (compensación completa) en toda la red. En una celda, cuanto mayor es el valor de α, mayor es la potencia transmitida por sus usuarios, provocando un efecto parecido al incremento de P0. Un parámetro adicional a tener en cuenta durante el proceso de planificación es la ocupación máxima del UL que se permite en cada celda. En LTE, la capacidad de una celda depende de los niveles de interferencia recibidos de sus celdas adyacentes, que crecen cuanto mayor es la tasa de ocupación de PRB del sistema. Así, la carga de una celda en el UL, UUL, puede limitarse de forma que se eviten problemas de interferencia en celdas adyacentes. De esta forma, puede optimizarse la calidad de conexión y la capacidad de la red durante la fase de planificación. Posteriormente, durante la fase de operación, el control de carga se lleva a cabo mediante procedimientos de gestión del tráfico, como el control de admisión de llamada o el balance de tráfico entre celdas vecinas. En principio, los parámetros P0,αyUUL se definen a nivel de celda, de manera que cada celda podría tener sus propios valores. Para reducir el espacio de soluciones, en este trabajo se fija uno de los parámetros, quitando un grado de libertad. En un primer caso, se plantea la optimización de P0yUUL por celda, dejando αfijo igual a 1 (compensación completa). Este primer caso corresponde a las primeras versiones del FPC implementadas por los fabricantes, donde αes una constante de sistema, que no se puede variar. En un segundo caso, se plantea la optimización de P0yαpor celda, dado un valor de UUL determinado por la distribución espacial de tráfico. Este segundo caso corresponde a una situación en la que se disponen de estadísticas (o estimaciones) de ocupación de PRB de la red real. Para el primer caso, el tamaño del espacio de soluciones es (NvP0·NvUUL )Nc, donde NvP0yNvUUL son el número de posibles valores diferentes para P0yUUL, y Nces el número de celdas planificadas. Para el segundo caso, el tamaño del espacio de soluciones es (NvP0·Nvα)Nc, donde Nvαes el número de valores diferentes para α. En ambos casos, el gran tamaño del espacio de soluciones impide el uso de algoritmos exactos por su complejidad, siendo sustituidos por algoritmos heurísticos. Para reducir el espacio de búsqueda, algunos métodos evalúan sólo un conjunto limitado y representativo de combinaciones de parámetros, seleccionadas, por ejemplo, con el método de Taguchi [34]. Otros métodos construyen una solución
Capítulo 2. Planificación automática del control de potencia en LTE 25 inicial asumiendo que todas las celdas tienen la misma configuración de parámetros, que después se refina progresivamente, por ejemplo, con algoritmos voraces [35]. Todos estos algoritmos requieren muchas iteraciones para obtener soluciones de una calidad razonable, ya que el cambio de cualquier parámetro en una celda afecta al rendimiento de las adyacentes, y cada iteración requiere la evaluación del rendimiento global de la red en todo el escenario después de cada ajuste de un parámetro. En este trabajo, se sigue un enfoque distinto para reducir el espacio de soluciones. Se trata de aproximar un escenario realista, irregular y complejo por muchos escenarios regulares y simples, donde la optimización de parámetros pueda resolverse fácilmente y de forma independiente. Como se explica más adelante, el problema global de optimización multivariable se divide en múltiples subproblemas de optimización, todos sobre escenarios regulares, que requieren solo dos variables (P0yUUL en el primer caso, y P0yαen el segundo caso). Cada uno de estos subproblemas se resuelve de forma independiente, y el valor final de los parámetros por celda se obtiene agregando de forma adecuada las soluciones obtenidas en cada uno de los subproblemas. 2.2.2. Modelo de sistema El UL en LTE consta de tres canales físicos: el canal físico de acceso aleatorio al medio (Physical Random Access Channel, PRACH), el canal físico de datos del UL (Physical Uplink Shared CHannel, PUSCH) y el canal físico de control del UL (Physical Uplink Control CHannel, PUCCH) [39]. En particular, el PUSCH se usa para enviar datos e información de control para los usuarios con una conexión activa en el UL, lo que hace que sea un elemento importante en las tareas de dimensionado y optimización. En esta sección se describe cómo se modelan en este trabajo las funcionalidades más importantes asociadas al PUSCH, como son el algoritmo de control de potencia y el esquema de asignación de recursos físicos. Algoritmo de control de potencia El objetivo del control de potencia es ajustar la potencia transmitida por el UE para garantizar los requisitos de calidad de servicio (Quality of Service, QoS) en la estación base (eNB para el caso de LTE). Como ya se ha comentado, el
Capítulo 2. Planificación automática del control de potencia en LTE 26 esquema de control de potencia del PUSCH combina un funcionamiento del algoritmo en lazo abierto con un funcionamiento en lazo cerrado. En lazo abierto, el algoritmo de control de potencia trata de compensar las variaciones lentas del canal, mientras que el algoritmo en lazo cerrado está pensado para adaptarse a cambios rápidos de las condiciones de interferencia y/o errores en la medida de las pérdidas de propagación realizadas por el terminal. En el algoritmo estandarizado [13], la potencia de transmisión del UE asignada a un usuario kviene dada por: PT X (k) = m´ın Ptxm´ax , P0+α·P L(k) | {z } operación en lazo abierto + ∆T F (k) + f(∆T P C , k) | {z } término dinámico + 10 ·log10M(k) | {z } factor de ancho de banda ,(2.2) donde Ptxmax es la máxima potencia de transmisión del UE, αes el factor de compensación de pérdidas de propagación en el canal, PL(k)son las pérdidas de trayecto (incluyendo la ganancia de las antenas) del usuario k,M(k)es el número de PRB asignados al UE k, y ∆T F (k) + f(∆T PC, k)es un término dinámico que depende del esquema de modulación seleccionado y de los comandos de transmisión de control de potencia (TPC) enviados por el eNB a cada usuario k. Esquema de asignación de recursos El esquema de asignación de recursos influye de manera determinante en el rendimiento del PUSCH. La asignación de PRB se realiza mediante un planificador de recursos incluido en el eNB. El planificador que se modela en este trabajo asigna PRB a usuarios de forma que se maximice la tasa de transmisión de datos media de usuario en la celda, al mismo tiempo que la tasa de datos de usuario en el borde de celda se mantiene por encima de un umbral mínimo razonable. En este proceso, se asume que: •La reutilización del espectro de frecuencias es total, y, por tanto, todas las celdas usan la misma banda de frecuencias. •La asignación de recursos radio se realiza de forma independiente entre celdas, de forma que los PRB se planifican sin tener en cuenta coordinación entre celdas. Esta característica, junto con la anterior, es habitual en las
Capítulo 2. Planificación automática del control de potencia en LTE 27 redes LTE desplegadas (aunque esto irá cambiando con la evolución de los planificadores en LTE). •La carga media de tráfico entre celdas puede variar, aunque la distribución de usuarios dentro de la celda se considera uniforme. •Cada usuario tiene infinitos datos que transmitir, modelándose el servicio como una fuente de tráfico full buffer. Con el fin de facilitar el tratamiento analítico del problema, en este trabajo se usa un algoritmo de planificación de recursos simplificado consistente en dos etapas. En una primera etapa, denominada esquema de asignación simple, se realiza una primera asignación preliminar de PRB basándose en el algoritmo de control de potencia en lazo abierto. De esta manera, se obtiene una estimación del número máximo de PRB asignables a cada usuario. A partir de esta estimación, se estiman la tasa de ocupación de PRB y el nivel de interferencia medio en cada eNB. Posteriormente, en un segundo esquema denominado esquema refinado, se tiene en cuenta el algoritmo de control de potencia en lazo cerrado. Con éste segundo esquema, se realiza una nueva asignación de PRB que garantice el cumplimiento de una SINR mínima para cada usuario, usando para ello las estimaciones de interferencia que se realizan en el primer esquema. En los siguientes párrafos se describen las ecuaciones que modelan cada una de estas dos etapas. Esquema de asignación simple - Estimación de interferencia En una primera etapa, la asignación de PRB se basa en el algoritmo de control de potencia en lazo abierto. Para ello, se define una rejilla de posiciones que cubre el área de servicio de la celda bajo estudio. En dicha rejilla, cada posición representa un usuario potencial. El número de PRB asignados al usuario k,M(k), es el número máximo de PRB que pueden asignarse al UE ubicado en ese punto que permite garantizar que la potencia recibida por PRB en el eNB servidor es la potencia nominal, P0. Dicho número máximo corresponde a la situación en la que el UE alcanza su limitación de potencia. Matemáticamente, el cálculo es: M(k) = m´ax nMm´ın,m´ın 10(Ptxm´ax −α·P L(k)−P0(S(k)))/10, Mm´axo ,(2.3) donde Mm´ın yMm´ax son el número mínimo y máximo de PRB que pueden asignarse a cualquier usuario, determinados por la configuración de la red, PL(k)define las
Capítulo 2. Planificación automática del control de potencia en LTE 28 pérdidas por propagación (incluyendo la ganancia de antena y la atenuación por distancia) para el usuario k, y P0(S(k)) es el valor de P0para la celda servidora del usuario k,S(k). En la ecuación, Mm´ın,Mm´ax yαestán expresados en unidades naturales, mientras que el resto de términos están expresados en unidades logarítmicas. En este trabajo, se considera que Mm´ın=2 y que Mm´ax varía entre 6 y 100, dependiendo del ancho de banda del sistema [3]. El valor de M(k)obtenido de la aplicación de la ecuación (2.3) se usa para calcular la potencia transmitida por cada usuario, PT X (k), tal como indica la ecuación (2.2). Tras ello, se calcula el nivel de interferencia UL recibida en cada eNB i,IUL(i), como la suma de las contribuciones de interferencia de todas las celdas adyacentes y el ruido térmico. La interferencia que produce cada celda adyacente jse calcula como el promedio de señal recibido por la celda ientre todos los usuarios interferentes en esa celda adyacente j. Dicha contribución media se pondera por la carga de la celda interferente, que viene determinada por el factor de utilización de PRB en el UL, UUL(j). Matemáticamente, IUL(i) = NTH +X ∀j∈N(i) UUL(j)·1 Nu(j)·X ∀k∈A(j) PTX(k) PL(k) ,(2.4) donde NTH es el ruido térmico por PRB (en este trabajo, NTH =-119.4 dBm [3]), N(i)es el conjunto de celdas adyacentes de la celda i, el índice khace referencia a los puntos (usuarios) de la rejilla predefinida, A(j)es el conjunto de puntos que definen el área de servicio de la celda j,Nu(j)es el número de puntos (usuarios) en el área de servicio de la celda j, y PT X(k)es la potencia de transmisión del terminal móvil del usuario k. Todos los términos de la ecuación (2.4) se expresan en unidades naturales. Esquema de asignación refinado - Estimación de SINR Basándose en las estimas de interferencia obtenidas con el esquema simple de asignación de PRB, un segundo esquema de asignación de PRB más preciso define el número máximo de PRB que garantiza un umbral de SINR, a diferencia del primer esquema, que trata sólo de cumplir con la potencia nominal, P0. Este segundo esquema modela el funcionamiento en lazo cerrado. Así, el número final
Capítulo 2. Planificación automática del control de potencia en LTE 29 de PRB asignados a un usuario se calcula con la expresión M(k) = m´ax nMm´ın,m´ın 10(Ptxm´ax −α·P L(k)−IUL(S(k))−SINRth)/10, Mm´axo ,(2.5) donde IUL(S(k)) es el nivel de interferencia UL en la celda S(k)ySINRth es el valor mínimo de SINR que se debe garantizar. En la ecuación, Mm´ın,Mm´ax yα están expresados en unidades naturales, mientras que el resto de términos están expresados en unidades logarítmicas. En este trabajo se fija SINRth=-2.8 dB [3], como el valor de SINR que permite una tasa de datos equivalente en cada PRB al obtenido por una línea de conmutación de circuitos de la Red Digital de Servicios Integrados (∼64 kbps). La ecuación (2.5) refleja cómo el número de PRB asignados a un usuario se reduce para incrementar la densidad de potencia espectral cuando la SINR mínima no se cumple, bien sea por un bajo nivel de potencia recibida o por un alto nivel de interferencia. Indicadores de rendimiento Para evaluar el rendimiento de los algoritmos de planificación es necesario definir algunos indicadores de rendimiento principales, que reflejen el estado de la red. En este trabajo, se utilizan la tasa de transferencia de datos de usuario media y de borde de celda como indicadores de la capacidad (o eficiencia espectral) y la cobertura obtenida por una configuración de parámetros del ULPC. Como paso previo, se calcula la tasa de datos máxima por PRB de cada punto del escenario (usuario) a partir de los valores de SINR con la fórmula de Shannon truncada [40] T HperP RB(k) = 0SINR(k)< SINRmin, β·log2(1 + SINR(k)) SINRmin ≤SINR(k)≤SINRmax, T HperP RBmax SINRmax < SINR(k), (2.6) donde THperPRBmax es la máxima tasa de datos por PRB que se puede obtener, SINRmax ySINRmin son los valores de SINR con los que se alcanzan los valores de THperPRBmax yTHperPRBmin, respectivamente, y βes una constante de corrección que representa pérdidas por la no idealidad en la implementación de los equipos. A partir de este valor, el valor máximo de tasa de datos alcanzable por un usuario kse obtiene multiplicando la tasa de datos alcanzable por PRB y el número
Capítulo 2. Planificación automática del control de potencia en LTE 36 un simulador estático de nivel de sistema y un escenario regular idéntico al que se muestra en la Figura 2.2. Los parámetros de simulación son los mismos de la Tabla 2.1, salvo el parámetro α, que se varía entre 0.4 y 1, suponiendo una carga fija del 100% en la red. De nuevo, los indicadores de rendimiento sólo se miden en la celda central, y el rendimiento de red se analiza para configuraciones uniformes de P0yαen el escenario. El experimento consiste en variar los valores de P0en todas las celdas entre 0 dBm y -125 dBm, repitiendo para diferentes configuraciones de α igual en todas las celdas, resultando una curva por cada valor de α. Las Figuras 2.5 a) y b) muestran la tasa de datos media y de borde de celda para la celda central i,THavg(i)yTHce(i), respectivamente, para las diferentes configuraciones de P0 yα. Observando las figuras, se puede afirmar que el comportamiento al variar P0yα de igual forma en todas las celdas es similar al caso anteriormente estudiado de P0 yUUL. Siguen existiendo valores óptimos distintos para cada indicador, mostrando de nuevo un compromiso entre potencia transmitida e interferencia recibida, en este caso regulado por el valor de αen vez de por UUL. Como principal diferencia respecto al caso anterior, se observa en ambas figuras que el valor de P0para el que se obtiene el máximo de capacidad y cobertura varía con el valor de αseleccionado. En este caso, variaciones de αprovocan variaciones tanto en la señal recibida por el eNB como en la interferencia recibida por celdas adyacentes, pues aumenta la PTX de todos los usuarios. El valor de THavg(i)máximo no se ve afectado sensiblemente por los cambios de α. Sin embargo, cuanto mayor es α, mayor es el valor máximo de THce(i) que se puede obtener. Por tanto, se puede afirmar que el rendimiento óptimo de los usuarios de borde de celda es sensible a la compensación de pérdidas de propagación, mientras que esto no ocurre para los usuarios de centro de celda. En cualquier caso, para un valor de P0fijo, a mayor αse tiene mayor interferencia (por ejemplo, para P0= -90 dBm, THce(i) = 1025 kbps para α=1 y THce(i) = 3430 kbps para α=0.8). 2.3.4. Algoritmo 2: Optimización de P0yα A partir del comportamiento observado en la Figura 2.5, se diseña un algoritmo de planificación automática para P0yαen un escenario regular.
Capítulo 2. Planificación automática del control de potencia en LTE 37 −140 −120 −100 −80 −60 −40 −20 0 0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000 P0[dBm] THavg (i) [kbps] α= 0.4 α= 0.6 α= 0.8 α= 1 (a) Tasa de datos de usuario media −140 −120 −100 −80 −60 −40 −20 0 0 500 1000 1500 2000 2500 3000 3500 4000 4500 P0[dBm] THce(i) [kbps] α= 0.4 α= 0.6 α= 0.8 α= 1 (b) Tasa de datos de usuario de borde de celda. Figura 2.5: Tasa de datos en escenario regular con P0yαuniformes.
Capítulo 2. Planificación automática del control de potencia en LTE 38 En la Figura 2.6 se muestra el diagrama de flujo de este segundo algoritmo. P(n) 0 yα(n)indican los valores de los parámetros en la iteración n. El algoritmo sigue la misma filosofía que el algoritmo anterior, tratando de maximizar la tasa de datos media de usuario, THavg(i), mientras se mantiene la tasa de datos de usuario de borde de celda por encima de un determinado umbral, THce(i)> THce,min. Como configuración inicial, se fija P0con un valor arbitrariamente alto (-40 dBm) y α con un valor bajo descartando el cero (α=0.4). A partir de ese punto, el algoritmo iterativo de búsqueda por gradiente disminuye el valor de P0(en pasos de ∆P0) o incrementa el valor de α(en pasos de ∆α). En una primera fase, cuando no se puede garantizar la cobertura en la celda (es decir, THce(i)< THce,min) y todavía no se ha alcanzado el valor máximo de THce(i), el motor de optimización disminuye el valor de P0para incrementar THce(i). Una vez cumplida la restricción de cobertura (es decir, THce(i)> THce,min), el motor de optimización continúa disminuyendo P0, pero esta vez con el objetivo de maximizar THavg. El decremento de esta segunda fase se para cuando THavg(i)empieza a degradarse (es decir, se ha sobrepasado el valor de P0 óptimo en términos de THavg(i)) o la tasa de datos de usuario de borde de celda se hace menor que el umbral mínimo. El parámetro αsolo se incrementa cuando no se puede cumplir la restricción de tasa de datos de usuario de borde mínima aún en el caso en que se haya alcanzado el valor subóptimo de P0en términos de THce(i). Éste es el caso de los escenarios limitados por ruido, formados por celdas con áreas de servicio de tamaño grande. Incrementar αsólo cuando es estrictamente necesario es coherente con las estrategias de los operadores, ya que valores más pequeños de αreducen el consumo de batería de los terminales móviles. 2.3.5. Escenario irregular Los algoritmos de optimización descritos antes han sido diseñados a partir de un análisis de sensibilidad en un escenario regular. Por ello, ambos algoritmos sugieren el mismo valor de los parámetros para todas las celdas. Sin embargo, en una red real, las condiciones de propagación, tráfico e interferencia varían enormemente por las irregularidades del escenario. Estas irregularidades se traducen en la necesidad de una configuración de parámetros distinta en cada celda para obtener el rendimiento óptimo de la red. En esta sección se explica cómo extender los métodos de planificación ya presentados para manejar escenarios irregulares. En
Capítulo 2. Planificación automática del control de potencia en LTE 39 Cumplimientoderequisitodecobertura (( ) ) Figura 2.6: Diagrama de flujo del algoritmo de optimización para P0yα.
Capítulo 2. Planificación automática del control de potencia en LTE 40 este caso, el proceso completo de planificación de parámetros consiste en cuatro etapas: 1) Construcción del escenario global. 2) División del problema global en múltiples problemas con escenarios regulares locales. 3) Solución local del problema. 4) Solución global como agregación de soluciones locales. Los siguientes apartados describen cada una de estas etapas. Construcción del escenario global - Definición de celdas adyacentes El punto de partida son los datos de configuración de la red que describen el escenario, como la ubicación de los emplazamientos, la altura de las antenas y los ángulos de apuntamiento (azimuth) y de inclinación (tilt) de las antenas. El primer paso es identificar las celdas que interfieren de forma significativa en cada celda. Para ello, se construye una lista de celdas adyacentes relevantes por cada celda del escenario. En esa lista, se incluyen el resto de celdas (sectores) del mismo emplazamiento. Existen diversas opciones para definir de forma automática una lista de celdas interferentes para una celda. La relevancia de una celda adyacente depende de la contribución que los usuarios de dicha celda tienen sobre la interferencia UL en la celda bajo estudio. A falta de medidas de propagación reales del escenario que se planifica, se requiere un simulador de nivel de sistema para averiguar primero las áreas de servicio de cada celda, y después las pérdidas de propagación entre cualesquiera dos puntos del escenario. Para reducir los cálculos, aspecto vital en una herramienta de planificación, se propone un algoritmo simple de definición de celdas adyacentes. El objetivo es ordenar las celdas adyacentes por cercanía en términos de propagación. Se asume que la pérdida de propagación promedio de todos los usuarios de la celda adyacente a la celda bajo estudio se puede aproximar por la pérdida de propagación desde la estación base bajo estudio a la estación base adyacente. Esta simplificación reduce la complejidad del cálculo a costa de
Capítulo 2. Planificación automática del control de potencia en LTE 41 reducir también la precisión. Posteriormente, el número de adyacentes relevantes por cada celda se restringe por debajo de un límite razonable (en este trabajo, 12 celdas). Como se explica más adelante, esta restricción limita el número de instancias del problema que se deben resolver. Con estas premisas, se define un indicador intuitivo de la relevancia de una celda adyacente jen el UL de la celda i,NRUL(i, j), como NRUL(i, j) = L(i, j)−AH(i, j)−AV(i, j),(2.8) donde L(i, j)son las pérdidas por propagación entre la celda bajo estudio iy el punto del escenario donde se ubica el eNB j, y AH(i, j)yAV(i, j)se corresponden con las ganancias horizontal y vertical de antena de la celda ihacia el punto donde está el eNB j. En la ecuación (2.8) todos los términos se expresan en unidades logarítmicas. En términos generales, los eNB jmás cercanos en términos de distancia eléctrica tienden a dar valores menores de NRUL. Para limitar el número de celdas adyacentes relevantes, se descartan las vecinas jpara las que el indicador NRUL es 10 dB mayor que el valor de NRUL de la adyacente más relevante. En cualquier caso, el número de celdas adyacentes significativas no excederá las 12 celdas. Por conveniencia, la lista de vecinas relevantes de cada celda, Nr(i), se divide en dos subconjuntos formados por las celdas vecinas que están en el mismo emplazamiento, Nrc(i)(cde coubicadas), y las que están en otros emplazamientos, Nrnc(i)(nc de no coubicadas). División en escenarios regulares locales Una vez definida la lista de adyacentes para cada celda, comienza el proceso de planificación propiamente dicho. El problema global de planificación se divide en Ncsubproblemas de optimización local (tantos como celdas), que se resuelven de forma independiente. Cada subproblema se resuelve regularizando el entorno de la celda bajo estudio. La regularización del escenario tiene dos ventajas fundamentales. La primera de ellas es que el problema de optimización del ULPC en un escenario regular, donde todas las celdas son iguales, se convierte en un problema con dos variables de decisión, reduciendo así el espacio de soluciones. La segunda es que, en un escenario regular, aparecen simetrías que permiten replicar cálculos de propagación, reduciendo así la carga computacional del método de resolución.
Capítulo 2. Planificación automática del control de potencia en LTE 42 Para dicha regularización, se proponen dos alternativas: •Aproximación de radio medio (Mean Radius Approximation, MRA): En esta aproximación, se construye un único escenario regular como el de la Figura 2.2 para cada celda bajo estudio i. La distancia entre emplazamientos para el escenario regular se toma a partir del escenario global, promediando las distancias entre el emplazamiento de la celda ibajo estudio y los emplazamientos de sus celdas adyacentes en el escenario real, excluyendo las adyacentes en el mismo emplazamiento que i. De este modo, en MRA se asume un único escenario regular por celda, a modo de escenario promedio entre todas sus adyacentes. Los valores óptimos de los parámetros P0(i)y UUL(i)(o α(i)) para la celda ise obtienen aplicando el método de optimización descrito en la Figura 2.4 (o Figura 2.6) a este escenario regular equivalente. •Aproximación por adyacencias (Adjacency-based Approximation, AA): El problema de optimización de los parámetros de ULPC se divide en Nneigh(i) iteraciones, donde Nneigh(i)es el número de adyacentes relevantes que no comparten emplazamiento con la celda i(es decir, el número de elementos de Nrnc(i)). Para cada adyacencia relevante (i, j), se construye un escenario regular donde ies la celda bajo estudio y jes la celda adyacente seleccionada. El escenario regular construido guarda la geometría relativa entre las celdas iyj, manteniendo tanto la distancia entre emplazamientos como el ángulo relativo de las antenas, tal como se muestra en la Figura 2.7. Como resultado de la división del problema, se tienen Nneigh(i)escenarios regulares para cada celda bajo estudio i. En ambas aproximaciones, cada escenario regular sólo requiere resolver un problema de optimización bivariable. Sin embargo, en el caso de AA, se resuelven Nneigh(i)instancias del problema (una por cada celda adyacente), obteniendo Nneigh(i)pares de valores (P0(i, j),UUL(i, j)) ó (P0(i, j),α(i, j)) para cada celda i. En este caso, es necesario agregar estos valores para obtener una única pareja de valores óptimos (P0(i),UUL(i)) ó (P0(i),α(i)), a partir de las Nneigh(i)soluciones de los escenarios regulares.
Capítulo 2. Planificación automática del control de potencia en LTE 43 Celdaadyacente j Celdaservidora i a)Escenarioirregular b)Escenarioregularizado Figura 2.7: Regularización del escenario basada en adyacentes. Agregación de soluciones locales en AA Para obtener una única solución de parámetros de ULPC en AA, se definen cuatro criterios de agregación denominados máximo, medio, mínimo y mixto, definidos como sigue: •Método máximo (Maximum method, MaM): P0(i) = m´ax {[P0(i, j)P0(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.9) UUL(i) = m´ax {[UUL(i, j)UUL(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.10) α(i) = m´ax {[α(i, j)α(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.11) •Método medio (Mean method, MeM): P0(i) = mean {[P0(i, j)P0(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.12) UUL(i) = mean {[UUL(i, j)UUL(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.13) α(i) = mean {[α(i, j)α(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.14) •Método mínimo (Minimum method, MiM): P0(i) = m´ın {[P0(i, j)P0(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.15) UUL(i) = m´ın {[UUL(i, j)UUL(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.16) α(i) = m´ın {[α(i, j)α(l, i)] },∀j∈Nrnc(i), l/i ∈Nrnc(l)(2.17)
Capítulo 2. Planificación automática del control de potencia en LTE 44 Escenario :i,l P0(i,l),U (i,l) UL Celdaservidora i Celdaadyacente j Escenario :i,j P0(i,j),U (i,j) UL Celdaadyacente k Celda adyacente l MaM, MxM, MiM, MeM Solución :i P (i),U (i) 0 UL Escenario :i,k P0(i,k),U (i,k) UL ... ... Definicióndeadyacencias enunescenarioirregular Divisiónenescenarios regulareslocales Agregacióndesolucionesde adyacenciasenenfoque AA Figura 2.8: Planificación de un escenario irregular según método AA. •Método mixto (Mixed method, MxM). Este enfoque usa el criterio máximo para P0(i), definido en (2.9), y el criterio mínimo para UUL óα, definido en (2.16) ó (2.17). En las ecuaciones (2.9) a (2.17), P0se expresa en unidades logarítmicas y el resto de parámetros en unidades naturales. En esencia, en los métodos MaM y MiM se elige un valor de entre todas las soluciones obtenidas con los escenarios regulares que incluyen la celda i(bien considerada como celda bajo estudio o bien como celda adyacente). El método MeM elige el valor medio de todas las soluciones disponibles. En el caso del método MxM, el objetivo es maximizar la SINR seleccionando un valor alto de P0, a pesar de que así se incrementa la interferencia. Para mitigar este incremento de interferencia, se selecciona el menor valor de UUL óαentre los disponibles. A modo ilustrativo, la Figura 2.8 muestra un resumen de todo el proceso de optimización para una celda icon el método AA. En ella, se distinguen los procesos de definición de adyacencias, la división en escenarios regulares locales y la agregación de soluciones. Complejidad computacional La complejidad computacional del algoritmo de planificación automática propuesto con el enfoque MRA es de orden O(Nc), ya que el número de subproblemas resueltos es exactamente el número de celdas en el escenario. Todos esos subproblemas buscan los valores óptimos de parámetros ULPC sobre un único escenario regular básico, el cual se puede resolver mediante un método de búsqueda por
Capítulo 2. Planificación automática del control de potencia en LTE 45 gradiente en una sola variable, tal como se ha descrito en las secciones anteriores. La complejidad computacional del algoritmo propuesto con el enfoque AA es también de orden O(Nc), ya que el número de subproblemas a resolver crece linealmente con el número total de adyacentes relevantes en el escenario, el cual es a su vez proporcional al número de celdas total del escenario una vez que se limita el número máximo de adyacentes relevantes. 2.4. Pruebas En esta sección se evalúan los distintos algoritmos de planificación de parámetros de ULPC propuestos. Para ello, las soluciones construidas con cada uno de los métodos se introducen en un simulador de nivel de sistema en el que se implementa un escenario irregular real. El simulador incluye todas las funcionalidades del UL en LTE necesarias para evaluar el rendimiento del ULPC, tal como se detalla en el Apéndice A. Para mayor claridad, se describe primero la metodología experimental y después los resultados obtenidos. 2.4.1. Metodología experimental A continuación se detalla la configuración de los experimentos realizados con el simulador. Para ello, se describe el escenario y los indicadores de rendimiento empleados en la validación de cada uno de los algoritmos. Algoritmo 1 - Optimización de P0yUUL Este primer algoritmo busca el valor óptimo del nivel de potencia nominal, P0, y el nivel de carga, UUL, en UL. Los resultados que obtiene, especialmente para UUL, determinan la estrategia a seguir por el operador en la planificación de la carga en UL en una red LTE. Por ello, el algoritmo está concebido para la fase de dimensionamiento de la red. El escenario considerado para este algoritmo, llamado Escenario 1, es un escenario real de despliegue. La Figura 2.9 muestra el escenario, que incluye 233 emplazamientos trisectoriales (699 celdas) en una extensa área metropolitana de
Capítulo 2. Planificación automática del control de potencia en LTE 52 la irregularidad de la solución. Algo similar se puede decir para la función de distribución de los valores de UUL representados en la Figura 2.13 b). En este caso el rango de soluciones abarca desde 0.7 hasta 1, es decir, existen soluciones de UUL para cada celda en todo el rango dinámico permitido. Por último, se comprueba la estructura espacial de la solución del método MeM representando con un mapa de colores los valores de P0(Figura 2.14 a)) y UUL (Figura 2.14 b)) obtenidos en cada celda. El análisis se centra en MeM por ser el método que consigue un mejor compromiso entre capacidad y cobertura. Por un lado, en la Figura 2.14 a) se observa cómo los valores de P0son más altos en las celdas pequeñas, ya que al estar los usuarios más cerca, pueden garantizar valores más altos de potencia nominal en el eNB. Por el contrario, las celdas grandes sufren del efecto contrario y, por ello, el valor propuesto de P0es menor. Por otro lado, en la Figura 2.14 b) se observa que se limita la carga en las celdas mayores, ya que es más probable que tengan problemas de cobertura que el algoritmo intenta mitigar bajando la interferencia. No obstante, para las celdas pequeñas, el valor de UUL es más próximo a 1, ya que no es necesario bajar la interferencia para cumplir el requisito de cobertura establecido (THce,min). Algoritmo 2: Optimización de P0yα En segundo lugar, se presenta el análisis de resultados para el Algoritmo 2. •Configuraciones uniformes de P0yαen el Escenario 2 La Figura 2.15 muestra el rendimiento de la red del Escenario 2 para configuraciones uniformes de los parámetros P0yα. Cada punto en la figura se corresponde con un plan de configuración de parámetros de red diferente. Las distintas curvas que se observan corresponden a diferentes valores de α, indicados en la leyenda, mientras que los puntos de cada curva corresponden a valores de P0que varían desde -125 dBm hasta -40 dBm. Cabe destacar que, según los indicadores representados en la figura, los puntos que se encuentran en el área superior derecha de la misma se corresponden con un mejor rendimiento de red. El comportamiento del rendimiento de red cuando varía P0es similar al descrito en la Sección 2.4.2. El impacto que tiene la variación de αpuede observarse al comparar las diferentes curvas de la Figura 2.15. En este caso, un decremento del valor de αprovoca un desplazamiento de las curvas hacia arriba (mejor
Capítulo 2. Planificación automática del control de potencia en LTE 53 −120 −110 −100 −90 −80 −70 −60 −50 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 P0[dBm] CDF MaM / MxM MeM MiM (a) Función de distribución de P0. 0.7 0.75 0.8 0.85 0.9 0.95 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 UUL CDF MaM MeM MiM / MxM (b) Función de distribución de UUL. Figura 2.13: Comparación de soluciones para el Algoritmo 1.
Capítulo 2. Planificación automática del control de potencia en LTE 54 (a) Valores de P0. (b) Valores de UU L. Figura 2.14: Solución MeM para el Algoritmo 1.
Capítulo 2. Planificación automática del control de potencia en LTE 55 0 200 400 600 800 1000 1200 1400 0 1000 2000 3000 4000 5000 6000 7000 8000 THce(i) [kbps] THavg (i) [kbps] α= 0.5 α= 0.6 α= 0.7 α= 0.8 α= 0.9 α= 1 Figura 2.15: Rendimiento global del Escenario 2 con configuración uniforme de los parámetros P0yα. capacidad) y a la izquierda (peor cobertura). La causa es que una menor compensación de pérdidas de propagación reduce la interferencia, haciendo que los usuarios puedan alcanzar mayor tasa de datos (es decir, se incrementa THavg(i)). Como contrapartida, THce(i)decrece y de ahí el desplazamiento a la izquierda de las curvas. Este hecho se produce porque los usuarios de borde obtienen peor SINR al compensar en menor medida las pérdidas por propagación. Así, la interferencia disminuye menos que la señal recibida en el borde de celda. •Planes de parámetros no uniformes de P0yα-Algoritmo 2 La Figura 2.16 muestra el rendimiento de la red LTE del Escenario 2 para las diferentes soluciones de parámetros P0yαobtenidas con el Algoritmo 2. Con el objetivo de poder establecer una comparación, se superponen las curvas resultado de las configuraciones uniformes de P0yα. Nótese que un punto (solución) en la figura implica un valor distinto de P0yαpara cada celda en la red. En este caso, puede observarse que las soluciones MaM y MiM obtienen un peor rendimiento que el resto de métodos. En el caso de MaM existe un claro problema
Capítulo 2. Planificación automática del control de potencia en LTE 56 0 200 400 600 800 1000 1200 1400 0 1000 2000 3000 4000 5000 6000 7000 8000 THce(i) [kbps] THavg (i) [kbps] MaM MxM MeM MiM Figura 2.16: Rendimiento global de la red con el Algoritmo 2. de cobertura, la cual disminuye en un 80.77 % respecto de la máxima cobertura conseguida por MxM (THce(i)=675 kbps), aunque el rendimiento en capacidad también se ve afectado, disminuyendo un 24.74 % con respecto del conseguido por MeM (T Havg(i)=7580 kbps). En el caso de la solución obtenida por MiM, la cobertura no es el problema, pues sólo empeora 23.26 % con respecto a la máxima conseguida por MxM. Sin embargo, la capacidad empeora un 57.52 % con respecto a la máxima conseguida por MeM. En el caso de MxM y MeM, su rendimiento supera al de las configuraciones típicas de parámetros uniformes. Así, se puede observar cómo la diferencia de capacidad entre la máxima capacidad obtenida por la solución MeM y MxM es del 11.21 %. Por otra parte, la diferencia entre la máxima cobertura que obtiene MxM y la que obtiene MeM es de un 40.3 %. En cualquier caso, cualquiera de las soluciones que mejoran el rendimiento de las curvas de referencia puede ser elegida, en función de las exigencias del operador (dependiendo de si se quiere favorecer la cobertura o la capacidad). Igual que se hizo en el caso del Algoritmo 1, para finalizar el análisis del Algoritmo 2 se realiza una inspección más detallada de las soluciones propuestas. Así, en la Figura 2.17 a) y b) se muestra una comparación de las diferentes funciones de
Capítulo 2. Planificación automática del control de potencia en LTE 57 distribución de las soluciones propuestas por cada método para los valores de P0y α, respectivamente. En la Figura 2.17 a) se observa cómo de nuevo MaM propone los valores de P0más elevados, mientras que MiM propone los más bajos. La solución de MeM para P0se encuentra entre MaM y MiM. En este caso, el rango de valores de P0propuestos por cada método se eleva hasta los 50 dB, lo cual prueba de la irregularidad de la solución. Algo similar aplica a la función de distribución de los valores de αrepresentados en la Figura 2.17 b). En este caso el rango de soluciones de αpropuestas abarca desde 0.48 hasta 0.63. Aun siendo soluciones irregulares, la topología del Escenario 2 es significativamente más uniforme que la del Escenario 1. Se concluye representado con un mapa de colores la solución de P0yαobtenida con la variante MeM del Algoritmo 2. Al utilizar el algoritmo estadísticas reales de carga en el UL de las celdas del escenario, también se representa el valor de UUL medido para cada celda en la Figura 2.18 c). Por un lado, en la Figura 2.18 a) no se observa en este caso de forma clara que los valores de P0sean más altos en las celdas pequeñas. Por el contrario, hay una mezcla de valores que se puede justificar por la influencia de las cargas reales, que representan un alto grado de irregularidad, como se muestra en la Figura 2.18 c). Por otro lado, en la Figura 2.18 b) se observa que el rango de variación de αestá bastante acotado. Este hecho se justifica por la topología del escenario, que, a diferencia del Escenario 1, no presenta diferencias muy grandes de tamaño entre celdas. Complejidad computacional Para evaluar la complejidad computacional de los algoritmos propuestos se utiliza como referencia el Escenario 1, por ser de mayor tamaño y comprender un número de celdas representativo. De esta manera, se pondrá de manifiesto la diferencia real entre los métodos clásicos de planificación y los métodos eficientes que se han desarrollado. Todos los métodos se ejecutan en un servidor equipado con un procesador Intel R Xeon c a 3.47 GHz de frecuencia de reloj y 12 GB de memoria RAM. Con el simulador, el tiempo requerido para construir el juego de curvas de la Figura 2.11, que cubre sólo 36 combinaciones de valores de parámetros uniformes, es superior a 2500 segundos para el Escenario 1. Por el contrario, cualquiera de los métodos de planificación propuestos para construir un plan subóptimo de parámetros no
Capítulo 2. Planificación automática del control de potencia en LTE 58 −120 −110 −100 −90 −80 −70 −60 −50 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 P0[dBm] CDF MaM / MxM MeM MiM (a) Función de distribución de P0. 0.4 0.5 0.6 0.7 0.8 0.9 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 α CDF MaM MeM MiM / MxM (b) Función de distribución de α. Figura 2.17: Comparación de soluciones para el Algoritmo 2.
Capítulo 2. Planificación automática del control de potencia en LTE 59 (a) Valores de P0. (b) Valores de α. (c) Valores de UU L. Figura 2.18: Solución MeM para el Algoritmo 2. uniforme, para ese mismo escenario, tarda sólo una media de 300 segundos (esto es, 0.43 segundos por celda). Una ventaja adicional de los métodos propuestos basados en la regularización del escenario es que, si se desea introducir una nueva celda en la red, no se requiere resolver el problema en el escenario completo, sino que tan sólo habría que resolver 1 + Nneigh(i)instancias del problema, cada una de las cuales se resuelve en 0.43 segundos. Este tiempo contrasta con la estrategia de barrido de parámetros uniformes basada en el simulador, que requiere solucionar el escenario completo cada vez que se añade (o modifica) una sola celda. Esta diferencia en términos computacional es especialmente significativa cuando se planifican escenarios grandes, con centenares de celdas, como los utilizados en este trabajo.
Capítulo 2. Planificación automática del control de potencia en LTE 60 2.5. Conclusiones En este capítulo se han presentado dos algoritmos de planificación automática de los parámetros de control de potencia en el PUSCH de LTE para escenarios irregulares. El primero de ellos optimiza la potencia nominal, P0, y la carga de recursos radio en el UL, UUL, mientras que el segundo ajusta P0y el factor de compensación de pérdidas de propagación, α. Ambos algoritmos tienen el mismo principio de funcionamiento tanto para la búsqueda de los valores óptimos de los parámetros como para la simplificación de las irregularidades del escenario. En los algoritmos propuestos, el problema global de planificación de parámetros a lo largo de toda la red se divide en múltiples instancias del problema más simples, una por adyacente, en las que se asume un escenario regular. En estos escenarios regulares se usa un método de descenso por gradiente para encontrar la configuración de parámetros que maximiza la tasa de datos media de usuario al tiempo que se garantiza el cumplimiento de una tasa de datos de usuario mínima en el borde de celda. Una vez obtenida la mejor configuración de parámetros para cada adyacente, se calcula la configuración de parámetros de la celda bajo estudio según diversos métodos de agregación. De esta forma, el algoritmo heurístico propuesto puede manejar escenarios irregulares con una baja carga computacional, lo que es especialmente crítico cuando se planifican escenarios grandes. La evaluación del rendimiento se ha llevado a cabo sobre un simulador estático de nivel de sistema en el que se han implementado varios escenarios reales. Los resultados para la planificación de potencia nominal y carga de red en el UL muestran que promediar las soluciones de las distintas celdas adyacentes (método MeM) obtiene los mejores resultados en cuanto a compromiso entre capacidad y cobertura, consiguiendo mejores resultados que las configuraciones uniformes de parámetros utilizadas hoy en día por los operadores. En el caso de la optimización de P0yα, son varios los métodos (MeM y MxM) que obtienen un rendimiento de red mejor que la configuración de parámetros uniforme. En términos de compromiso entre capacidad y cobertura, la solución ofrecida por el método de agregación MeM puede considerarse la más adecuada, al igual que en la optimización de P0y UUL. En cuanto a la eficiencia computacional, el uso de los algoritmos propuestos reduce el tiempo de obtención de soluciones en un orden de magnitud.
Capítulo 3 Estimación de capacidad en redes LTE multiservicio En este capítulo se presentan dos problemas relacionados con la estimación de capacidad en redes LTE multiservicio. En ambos problemas, el objetivo es detectar anticipadamente cuellos de botella que puedan causar problemas de congestión en la red de acceso radio. El capítulo se inicia con una primera sección donde se contextualiza el problema general de la estimación de capacidad de redes celulares. La segunda sección se dedica a la estimación de la capacidad del canal de control para el enlace descendente de LTE durante la fase de planificación. Finalmente, la tercera sección trata la estimación de capacidad de una celda LTE a partir de medidas de calidad de servicio durante la fase de operación. 3.1. Introducción El dimensionado de red es una tarea clave en la gestión de redes de comunicaciones móviles. En dicho proceso, llevado a cabo durante las fases de planificación y operación de red, los operadores de red estiman la futura demanda de tráfico y las futuras mejoras en la capacidad de la red para detectar los cuellos de botella que supongan un problema para la calidad de servicio (QoS) ofrecida al usuario. Por desgracia, el crecimiento del tráfico y las capacidades radio no son fácilmente 61
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 68 en el UL, como la ubicación de los recursos, el formato de transporte, información sobre HARQ y comandos de control de potencia del PUSCH y del PUCCH. La Figura 3.1 muestra la estructura básica de recursos radio para el PDCCH. En el eje de ordenadas se muestran las distintas subportadoras (12 subportadoras por PRB) y en el eje de abscisas se muestra la duración temporal de 2 subtramas (1 subtrama corresponde a 1 TTI). La transmisión de un canal PDCCH se realiza sobre uno o más elementos del canal de control (Control Channel Elements, CCE), que es la unidad mínima de recurso que se asigna al PDCCH. Cada CCE está formado por 9 grupos de elementos de recursos (Resource Element Groups, REG), que contienen 4 elementos de recursos (Resource Element, RE) cada uno, para un total de 36 RE. Un RE se define como una subportadora de multiplexación por división ortogonal en frecuencia (Orthogonal Frequency Division Multiplexing, OFDM) y un símbolo en el eje de tiempo. En la figura, se resalta la definición de RE, REG y CCE. Igualmente, se refleja cómo no todos los RE de un PRB pueden utilizarse para transmitir el PDCCH. Así, en la figura se representan aquellos RE que se usan para señales piloto y que, por tanto, no pueden asignarse para la transmisión de datos del PDCCH. La región de control define cuántos símbolos OFDM de cada subtrama pueden usarse para el transporte de datos del PDCCH. El tamaño de la región de control puede variar entre 1 a 3 símbolos, dependiendo de la configuración establecida por el operador. El tamaño de la región de control se indica mediante el indicador de formato del canal de control (Control Format Indicator, CFI) en cada subtrama. A consecuencia de la variedad de mensajes que pueden transmitirse por el PDCCH, se definen cuatro formatos de transporte en el PDCCH, tf∈ {0,1,2,3}. Cada formato usa un número diferente de CCE, CCEf(tf) = {1,2,4,8}para tf∈ {0,1,2,3}, respectivamente. En la Tabla 3.1 se muestra cada uno de los formatos del PDCCH y la cantidad de información que puede transportar. Estos formatos se seleccionan de forma dinámica. La selección del formato de transporte utilizado en cada momento se realiza mediante el algoritmo de LA [3,70]. El principal objetivo del proceso de LA es seleccionar el esquema de modulación y codificación que, en función de las condiciones instantáneas de canal, garantice una tasa de error de bloque (Block Error Rate, BLER) objetivo. A diferencia de los canales donde se transmiten datos de usuario, en el PDCCH siempre se usa la modulación por desplazamiento de fase
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 69 RE SímbolosOFDM(tiempo) Región de Control SubportadorasOFDM(Frecuencia) ... ... ... TTI } REG PRB CCE ... } } Región de Control Figura 3.1: Estructura OFDM de recursos radio en LTE. en cuadratura (Quadrature Phase Shift Keying, QPSK). Así, el eNB selecciona el formato del PDCCH (es decir, escoge un diferente ancho de banda de transmisión) dependiendo de las condiciones del canal, las cuales determinan si es necesario introducir redundancia en el mensaje. Dichas condiciones de canal se estiman a partir del indicador de calidad del canal (Channel Quality Indicator, CQI) y la tasa de retransmisión en el propio PDCCH. Como consecuencia de este proceso de adaptación, unas peores condiciones de propagación en el canal radio implican una mayor intensidad de tráfico del PDCCH para transmitir la misma información. La capacidad de tráfico PDCCH de una celda viene determinada por el número de mensajes del PDCCH que se pueden servir en cada subtrama LTE. Dicho número depende del número de RE disponibles para el PDCCH y del formato de PDCCH seleccionado para cada mensaje. A su vez, el número de RE disponibles para el canal de control viene determinado por: a) la región de control, cuyo tamaño, en símbolos OFDM, se configura con el indicador de formato del canal de control (CFI), b) el ancho de banda del sistema, dado por el número de PRB, c) el tfCCEfNo. de bits del PDCCH 0 1 72 1 2 144 2 4 288 3 8 576 Tabla 3.1: Formatos de PDCCH.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 70 número de RE de la región de control reservados para transmitir señales piloto, que viene determinado por el esquema de transmisión MIMO, d) los recursos usados en la región de control por el tamaño del canal físico de indicación del formato de control (Physical Control Format Indicator CHannel, PCFICH) y que, por tanto, no quedan disponibles para el PDCCH, y e) los recursos usados por el canal físico de indicación de HARQ (Physical HARQ Indicator CHannel, PHICH) también en la región de control [44]. De igual modo, cabe destacar que el tiempo de servicio para cada transmisión de PDCCH es 1 ms (es decir, un TTI), y, por tanto, todos los RE quedan disponibles para nuevas transmisiones en cada TTI. La capacidad del PDCCH puede ser diferente para cada celda, según sea su configuración de los parámetros descritos en el párrafo anterior. Además, la capacidad del PDCCH puede ajustarse dinámicamente a las necesidades de tráfico, dado que el valor de CFI se envía en cada subtrama. 3.2.3. Modelo analítico del PDCCH En esta sección se describe un modelo de teoría de colas para estimar el rendimiento del PDCCH. EL modelo propuesto describe de forma analítica las características del tráfico PDCCH y los procesos de asignación de recursos radio al PDCCH a nivel de celda. El tráfico entrante ofrecido al PDCCH incluye todas las peticiones que transporta el PDCCH, que son las peticiones de recursos en el DL, la asignación de recursos en el UL y otro tráfico de señalización. Como en otros estudios, se asume que las peticiones de servicio entrantes en el PDCCH siguen una distribución de Poisson, de forma que no existe correlación entre llegadas sucesivas y el tiempo entre llegadas sigue una distribución exponencial. Igualmente, el tiempo de servicio se asume que sigue una distribución exponencial. Con las suposiciones anteriores, se propone un modelo de sistema basado en cadenas de Markov. En la Figura 3.2 se muestra un esquema simplificado del modelo de cola considerado, donde el recurso de asignación básico es un CCE. NCCE es el número de CCE disponibles (servidores de la cola). El modelo considera el proceso de LA en el PDCCH mediante la generación de cuatro flujos de entrada que pretenden reflejar los distintos formatos de transporte en el PDCCH. Cada petición de uso del PDCCH (p.ej., una indicación de asignación de recursos en el UL para un usuario)
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 71 λT λ1 λ2 λ4 λ8 ... { CCEf(2)=4 CCEf(1)=2 { { CCEf(0)=1 NCCE 2 1 Adaptación delenlace PDCCH Figura 3.2: Modelo de cola del PDCCH. se transmite con uno de los cuatro posibles formatos de PDCCH disponibles. Así, λise refiere a la tasa de tráfico entrante de peticiones con el formato que usa iCCE (i∈ {1,2,4,8}). De esta forma, la tasa de tráfico total de peticiones PDCCH, λT, se divide en cuatro flujos de tráfico, cumpliéndose siempre que Pi∈{1,2,4,8}λi=λT. Posteriormente, el modelo de sistema sigue una filosofía de cola “primero en llegar, primero en servirse” (First Come First Served, FCFS), donde las peticiones son servidas por orden de llegada, sin ninguna otra prioridad. La Figura 3.3 muestra el diagrama de estados para el modelo propuesto en este trabajo. Cada círculo representa un estado del sistema, donde el número inscrito representa el número de CCE ocupados en ese estado. Una nueva petición de tráfico entrante incrementa el número de recursos ocupados en 1, 2, 4 u 8 CCE, según el formato de transporte seleccionado para dicha petición. La intensidad de estas transiciones se describe por la tasa de llegada de peticiones de cada formato de transporte, λi,i={1,2,4,8}. A partir del estado NCCE, donde se ocupan todos los CCE disponibles, las peticiones entrantes se encolan, de forma que sólo los primeros NCCE se sirven en ese instante, mientras que el resto quedan a la espera de que queden recursos libres. Una vez que la petición del PDCCH ha sido servida, se liberan los CCE usados. La intensidad de estas otras transiciones se describe por la tasa de servicio de peticiones de cada estado n,µi,n, que se calculan dependiendo de: a) la probabilidad de que la petición ya servida se haya codificado con un formato de PDCCH, tf, concreto, y b) el número de estados que están siendo ocupados en ese momento, n. Asumiendo que ninguna petición de tráfico entrante se rechaza, el número de estados posibles en el sistema (NS) tiende teóricamente a infinito. Para reducir el espacio de memoria y la carga computacional requeridos para resolver el modelo, se acota el número total de estados posibles. En este trabajo, NSse limita a 300.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 72 0NCCE 1... ... λ1 λ2 λ4 λ8 μ8,8 μ44, μ22, μ11, μ μ89, μ4,5 μ2,3 μ12, 4, +4NCCE μ2, +2NCCE μ1, +1NCCE μ8, +8NCCE μ4, NCCE μ2, NCCE μ8, NCCE μ1,NCCE 2μ13, μ810, μ4,6 μ2,4 μ1, NS-1 ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... μ4, NS-1 μ2, N-1 S μ8, NS-1 ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... λ8λ8λ8λ8λ8 λ2λ2λ2λ2λ2 λ4 λ1λ1λ1λ1λ1 λ4λ4λ4λ4 λ4λ8 λ2 λ1 NS-1 Figura 3.3: Diagrama de estados del modelo propuesto. A posteriori, se confirma que con los valores de tráfico simulados, la probabilidad de llegar a ocupar ese número de estados es completamente despreciable. Para calcular las tasas de servicio de cada estado n, es preciso considerar solo las combinaciones de peticiones entrantes que pueden haber dado lugar a una ocupación total de CCE del estado en cuestión. Por ejemplo, si en el sistema están ocupados 2 CCE, las peticiones salientes solo pueden corresponder a los formatos de transporte 1 y 2. Estas combinaciones de peticiones salientes para cada estado pueden obtenerse por medio de un proceso de enumeración explícita. Para describir el proceso de cálculo, se define M(n)como el número de combinaciones de peticiones del PDCCH de distinto tipo que pueden dar lugar al estado de ocupación n (∈ {0,1,2,3, . . . , NS−1}). Por definición, cada una de estas combinaciones cumple que la suma del número total de CCE de todas sus peticiones es n, expresado como X tf∈{0,1,2,3} k(m, tf)·CCEf(tf) = n , (3.1) donde k(m, tf)es el número de peticiones con formato tfen la combinación mésima que utilizan CCEf(tf)CCE. Tal como se definen, m∈ {1,2, . . . , M(n)}, k(m, tf)∈[0, n]yCCEf(tf)∈ {1,2,4,8}. La probabilidad de que la m-ésima combinación resulte en la ocupación del estado n,P(n, m), se obtiene como P(n, m) = Q tf P(tf)k(m, tf) PM(n) j=1 Q tf P(tf)k(j, tf),(3.2) donde P(tf)es la probabilidad de tener una petición de tráfico PDCCH entrante con formato tf(es decir, PtfP(tf)= 1). El cálculo de P(n, m)tiene en cuenta
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 73 que el formato de cada petición de tráfico entrante de PDCCH no guarda relación con ninguna otra petición, y, por tanto, cada combinación se normaliza por el sumatorio de probabilidades para todas las posibilidades de estar en el estado n de forma que se cumpla PmP(n, m) = 1. Una vez calculadas las probabilidades normalizadas de cada combinación m, se calcula la tasa de servicio del estado npara cada formato tf,µtf,n, con la expresión µtf,n = M(n) X m=1 k(m, tf)·P(n, m).(3.3) El modelo de servicio propuesto se engloba dentro de los conocidos como sistemas de colas con llegadas por lotes multiservicio, o, según notación Kendall, un sistema de colas MX/G/c [71]. En la literatura no existe una fórmula cerrada para el cálculo de la solución del sistema (esto es, de las probabilidades de régimen estacionario), y, por lo tanto, las probabilidades de cada estado han de obtenerse resolviendo el sistema lineal ΠQ =0,Πe =1,Π≥0,(3.4) donde Πes el vector de probabilidades en régimen estacionario de cada uno de los estados, Qes la matriz infinitesimal generadora y ees un vector columna de valor 1 en todas sus posiciones [72]. En la Figura 3.4, se presenta la matriz Qdel modelo propuesto, donde cada valor en la fila r∈{0, 1, 2, . . .,∞} y columna c∈ {0, 1, 2, . . .,∞} representa la tasa de tráfico desde el estado rhacia el estado cen la Figura 3.3. Los valores de la diagonal, di, se ajustan para cumplir la ecuación de equilibrio PnQ(r, n) = 0 [71,72]. Una vez que, mediante la resolución de la ecuación (3.4), se obtiene el vector de probabilidades de estado Π, se derivan los siguientes indicadores de rendimiento: •El histograma de frecuencia relativa del número de CCE ocupados del PDCCH, fCCE, como fCCE(n) = Π(n)si n < NCCE , P j≥NCCE Π(j)si n≥NCCE .(3.5)
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 74 Q= d0λ1λ20λ40 0 0 λ80 0 0 0 0 0 . . . . . . µ1,1d1λ1λ20λ40 0 0 λ80 0 0 0 0 . . . . . . µ2,2µ1,2d2λ1λ20λ40 0 0 λ80 0 0 0 . . . . . . 0µ2,3µ1,3d3λ1λ20λ40 0 0 λ80 0 0 . . . . . . µ4,40µ2,4µ1,4d4λ1λ20λ40 0 0 λ80 0 . . . . . . 0µ4,50µ2,5µ1,5d5λ1λ20λ4000λ80 . . . . . . 0 0 µ4,60µ2,6µ1,6d6λ1λ20λ40 0 0 λ8 . . . . . . 0 0 0 µ4,70µ2,7µ1,7d7λ1λ20λ40 0 0 . . . . . . µ8,8000µ4,80µ2,8µ1,8d8λ1λ20λ40 0 . . . . . . 0µ8,90 0 0 µ4,90µ2,9µ1,9d9λ1λ20λ40 . . . . . . 0 0 µ8,10 0 0 0 µ4,10 0µ2,10 µ1,10 d10 λ1λ20λ4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0... 0 0 0 µ8,NCCE 0 0 0 µ4,NCCE 0µ2,NCCE µ1,NCCE dNCCE λ1λ2 . . . 0... 0 0 0 0 µ8,NCCE +1 0 0 0 µ4,NCCE+1 0µ2,NCCE+1 µ1,NCCE+1 dNCCE+1 0 . . . 0... 0 0 0 0 0 µ8,NCCE +2 0 0 0 µ4,NCCE+2 0µ2,NCCE+2 µ1,NCCE+2 dNCCE+2 . . . . . .... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Figura 3.4: Matriz generadora, Q.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 75 •El uso medio de CCE o carga media del sistema, ρ, como ρ= ( NCCE−1 X n=0 Π(n)·n+ NS−1 X n=NCCE Π(n)·NCCE )/NCCE .(3.6) 3.2.4. Pruebas En este apartado se presentan las pruebas para evaluar el modelo de colas propuesto para el PDCCH. Para validar el modelo, se comparan las estimas de rendimiento obtenidas con él, con las obtenidas con un simulador del PDCCH y con medidas del rendimiento del PDCCH tomadas de una red LTE real. A continuación se describe la metodología experimental y los resultados obtenidos. 3.2.4.1. Metodología experimental La evaluación del modelo se divide en tres etapas. En una primera etapa, se comprueba la capacidad del modelo para emular diferentes comportamientos del PDCCH. Con tal fin, se utiliza un simulador dinámico del PDCCH programado en Matlab c para emular el comportamiento del PDCCH en una celda, según se define en la especificación técnica del 3GPP [44]. El simulador comprende las siguientes características: a) uso de trazas realistas de tráfico de usuario simultáneo de UL y DL, b) uso de distribución estadística de CQI de una celda real, para modelar las condiciones de canal de los usuarios de una celda y, con ello, el efecto del LA en el PDCCH, c) mecanismos de retransmisión HARQ en el PDCCH, PDSCH y PUSCH, y d) una configuración realista del canal de control (p.ej., CFI, número de CCE disponibles,...). Los parámetros de simulación más importantes se resumen en la Tabla 3.2. Sobre el simulador se efectúan varias pruebas con diferentes escenarios, cambiando las condiciones de propagación radio y los niveles de tráfico. Por un lado, se consideran 2 escenarios teóricos, denominados S1 y S2, con condiciones de propagación distintas, que se reflejan en sendos vectores de probabilidades de uso de formatos del PDCCH. El escenario S1 pretende modelar a una celda con problemas de propagación, donde existe una mayor probabilidad de utilizar los formatos más robustos (pero menos eficientes) del PDCCH. Para ello, se fija P(tf)S1=[0.1 0.2 0.3 0.4]. Por el contrario, el escenario S2 modela una celda con mejores condiciones de propagación, donde existe mayor probabilidad de utilizar los formatos
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 76 menos robustos del PDCCH. Para ello, se fija P(tf)S2=[0.4 0.3 0.2 0.1]. Los vectores de probabilidades se usan después como parámetro tanto en el simulador, como en el modelo de colas que se somete a evaluación. Por otro lado, se prueban 2 situaciones de intensidad de tráfico de señalización, baja y alta intensidad. Para ello, se configura la tasa global de peticiones del PDCCH, λT, entre 2 valores, λT,low yλT,high. Como resultado, se tienen 4 casos donde evaluar el rendimiento del modelo analítico frente al simulador, denominados S1H (S1 alta carga), S1L (S1 baja carga), S2H (S2 alta carga) y S2L (S2 baja carga). En una segunda etapa del análisis, el rendimiento del modelo de PDCCH se compara con medidas de rendimiento reales extraídas de una red LTE en funcionamiento. El objetivo de esta segunda etapa es evaluar la capacidad del modelo de sistema para reproducir el comportamiento del PDCCH en una red real. Para realizar una comparación justa, en el modelo de sistema se configuran las mismas condiciones de tráfico y de propagación radio que en dos celdas reales. Aunque λTse puede obtener directamente del NMS por celda y hora, las probabilidades de uso de formato del PDCCH, P(tf), no se monitorizan por la red y, por tanto, no pueden obtenerse directamente del NMS. Aun así, es posible obtener una estima razonable de dichas probabilidades por celda a partir del histograma de frecuencia relativa del CQI en esa celda, fCQI , que sí está disponible en el NMS. El proceso de cálculo de P(tf)sigue un proceso similar al que se describe en [52]. Para modelar el proceso de LA, se establecen tres valores CQIth=[CQIth,1CQIth,2 CQIth,3] que describen los umbrales de conmutación entre los distintos formatos de transporte. De esta forma, se delimitan cuatro zonas en fCQI, cuyas áreas son las probabilidades de que una petición de tráfico PDCCH sea encapsulada con Parámetro Configuración Indicador de formato de control, CFI 3 Ancho de banda del sistema 10 MHz Esquema MIMO DL 2x2 Factor de grupo en PHICH, Ng1 Capacidad del PDCCH, NCCE 41 TTI 1 ms Intervalo entre peticiones de recursos UL 10 ms Tiempo de simulación 3600 s LA en PDCCH Habilitado Tabla 3.2: Parámetros de la herramienta de simulación del PDCCH.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 77 formato tf, es decir, P(tf) = bCQIth, 1 P b=1 fCQI(b)si tf= 3 , bCQIth, (4−tf) P b=bCQIth, (3−tf) fCQI(b)si tf= 2 , 1 , NbCQI P b=bCQIth, 3 fCQI(b)si tf= 0 , (3.7) donde fCQI(b)se refiere al valor de fCQI para el intervalo b. Las áreas con peor CQI corresponden a mensajes con un formato de PDCCH que ocupa mayor número de CCE (es decir, el área bajo la fCQI(b)con peores valores de CQI se asocia con CCEf= 8, y así sucesivamente). En los equipos a los que se ha tenido acceso, fCQI se construye con 16 intervalos en el NMS, que corresponden a los 16 posibles valores enteros de CQI (b∈ {0,1, . . . , 15},NbCQI = 16). Por desgracia, la configuración exacta de los umbrales de conmutación no se conoce, por lo que es necesario estimarlos a partir de las medidas de red. Para realizar dicha estimación, se lleva a cabo un proceso de ajuste, cuyo objetivo es minimizar el error absoluto entre el histograma de frecuencia relativa de ocupación de CCE, fCCE, de la celda real y el resultante del modelo de colas implementado, expresado como e= NbCCE X bCCE=1 |fR CCE(bCCE)−fM CCE(bCCE)|,(3.8) donde bCCE es el índice del intervalo en la fCCE de la red (superíndice R, de red) o del modelo (superíndice M, de modelo). La función fM CCE se calcula directamente a partir del vector de probabilidades en régimen estacionario, Π. En los cálculos, los intervalos del histograma se definen equiespaciados con un incremento de 0.05 al igual que en los equipos reales a los que se ha tenido acceso (es decir, NbCCE =1/0.05=20). En la Tabla 3.3 se muestran estadísticas de las condiciones de propagación radio y de tráfico de las dos celdas reales utilizadas en las pruebas. En concreto, se representan el valor mínimo, máximo, medio y la desviación estándar del CQI de celda, la tasa de ocupación media del PDCCH y la tasa de llegadas de peticiones de tráfico al PDCCH (medida en llamadas por TTI), separada en asignaciones
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 84 50% de su fCCE en la red real, representando a la izquierda de la figura los valores más bajos. No se muestra en las figuras el resultado del proceso de ajuste de los umbrales de CQI en cada una de las redes, que resulta en CQIRedA th =[9.59 11.34 11.86] y CQIRedB th =[10.28 10.84 11.87]. En la Figura 3.7, que corresponde a la Red A, se identifican tres zonas con facilidad. En una primera zona, de la celda 1 a la celda 40, formada por las celdas con baja intensidad de tráfico del PDCCH, el modelo falla al predecir los valores del percentil del 20 % de uso de CCE. Este error en la estimación se debe fundamentalmente a la baja resolución de los histogramas de uso de CCE extraídos de la red real. En una segunda zona, de la celda 40 hasta la celda 140, constituida por celdas con intensidad de tráfico media del PDCCH, la estimación realizada por el modelo se ajusta a las medidas reales en todos los percentiles de uso de CCE. Por último, en una tercera zona, desde la celda 141 a la celda 180, que comprende las celdas con alta intensidad de tráfico del PDCCH, el modelo propuesto sobreestima los valores del percentil del 80 %. Esta limitación del modelo puede deberse a la suposición de que el tiempo de servicio en el PDCCH es exponencial, cuando en realidad es constante (1 TTI). Esta simplificación, que facilita la formulación del modelo, funciona razonablemente bien para el resto de percentiles de uso. En la Figura 3.8 se muestran los resultados de aplicar el modelo en la Red B. En la Red B, las celdas son más pequeñas y las condiciones de propagación radio mejores, lo que hace que los valores de carga en el PDCCH sean menores con respecto al número de peticiones cursadas. En estas condiciones, la falta de resolución de los histogramas de uso de CCE impide calcular el percentil del 20 % (y en algunos casos, del 50%) del histograma de frecuencia relativa de uso de CCE en las celdas con poco tráfico. Aun así, en la figura se muestra que, en las celdas donde se pueden calcular, los percentiles del 50%y 80 %estimados se ajustan bien a los medidos. No obstante, de forma similar a lo que ocurre en la Red A, el modelo sobreestima los valores medidos en las celdas con mayor intensidad de tráfico en el PDCCH. Se cierra el estudio con una medida de la carga computacional del método. En este sentido, puede decirse que el tiempo requerido para resolver el modelo en las redes A y B en un ordenador personal con 2.6 GHz de frecuencia de reloj y 8 GB de memoria RAM es de 54 s y 14.7 s, respectivamente (0.3 s por celda de media). Con este tiempo de ejecución, es posible abordar el estudio del PDCCH en grandes áreas geográficas.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 85 0 20 40 60 80 100 120 140 160 180 0 10 20 30 40 50 60 70 80 90 100 Celda Carga del sistema [%] Percentil del 20% (real) Percentil del 50% (real) Percentil del 80% (real) Percentil del 20% (modelo) Percentil del 50% (modelo) Percentil del 80% (modelo) Figura 3.7: Aplicación del modelo sobre grupo de celdas en Red A. 3.2.5. Conclusiones En este estudio se ha desarrollado un modelo de tráfico basado en teoría de colas para el PDCCH. El modelo desarrollado considera características propias del PDCCH, como la adaptación de enlace y los distintos formatos de transporte en el PDCCH. Asimismo, el modelo incluye parámetros que permiten su ajuste con medidas extraídas de una red real. Con dicho modelo, es posible obtener estimas de los principales indicadores de rendimiento del PDCCH celda por celda. El modelo del PDCCH propuesto se ha validado primero comparando sus estimas con las obtenidas con un simulador dinámico del PDCCH. Los resultados han demostrado la capacidad del modelo de reflejar el histograma de frecuencia relativa de carga del PDCCH con diferentes condiciones de propagación y tráfico en la red, si se conocen los porcentajes de uso de cada uno de los formatos de transporte del PDCCH. En este caso, el error en la estima de la carga del PDCCH ha sido siempre inferior al 3 % en términos absolutos y 5 % en términos relativos, lo que demuestra el buen comportamiento del modelo.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 86 0 5 10 15 20 25 30 35 40 45 50 0 10 20 30 40 50 60 70 80 90 100 Celda Carga del sistema [%] Percentil del 20% (real) Percentil del 50% (real) Percentil del 80% (real) Percentil del 20% (modelo) Percentil del 50% (modelo) Percentil del 80% (modelo) Figura 3.8: Aplicación del modelo sobre grupo de celdas en Red B. Posteriormente, el modelo propuesto se ha comparado con medidas de dos celdas operativas. Para ello, se ha ajustado el modelo con medidas reales tomadas en horas del día con distintas intensidades de tráfico en el PDCCH. En este proceso, ha sido necesario ajustar los umbrales del modelo del proceso de adaptación del enlace en el PDCCH, que sirven para determinar el porcentaje de uso de cada uno de los formatos del PDCCH. Una vez ajustados los umbrales, los resultados obtenidos muestran que las estimas de los indicadores de rendimiento del PDCCH más relevantes en ambas celdas con distintas condiciones de tráfico se ajustan de forma precisa a las medidas de red. En concreto, el error máximo en la estima de la carga del PDCCH ha sido de un 5% en términos absolutos. Finalmente, se ha extendido la comparación a dos agrupaciones de celdas provenientes de dos redes diferentes, con características topológicas dispares. En este caso, se ha demostrado que el modelo de colas propuesto para el PDCCH predice con precisión los percentiles del histograma de frecuencia relativa acumulada de carga del PDCCH, aunque sobreestima los percentiles altos de carga del PDCCH. En cualquier caso, el error medio en la estima de la mediana de la carga del
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 87 PDCCH en los 2 escenarios está por debajo del 2 %, lo que demuestra la validez del modelo. A la luz de estos resultados, puede concluirse que el modelo analítico del PDCCH propuesto puede usarse para predecir de forma conservadora el histograma de frecuencia relativa de carga del PDCCH. Por su baja carga computacional, este modelo puede integrarse en una herramienta de dimensionado de los recursos de una celda a partir de medidas de la red real. 3.3. Estimación de capacidad de celda en redes LTE multiservicio En esta sección se aborda el problema de la estimación de la capacidad de celda a partir de medidas reales de rendimiento de red. La sección se inicia formulando el problema y revisando los trabajos anteriores relacionados con la estimación de capacidad de sistemas celulares. Seguidamente se describe la metodología para estimar la capacidad de celda en una red LTE multiservicio con estadísticas de red, que es la principal contribución en este punto. A continuación se presentan los resultados de la metodología sobre un juego de datos tomados de una red real. Finalmente, se exponen las conclusiones más relevantes de esta parte del trabajo. 3.3.1. Formulación del problema y trabajo relacionado La capacidad de una celda se define como la máxima demanda de tráfico que una celda puede servir de forma que se garanticen unos umbrales mínimos de QoS. Cuando la demanda de tráfico supera el límite de capacidad de una celda, la QoS baja a niveles inaceptables para el operador. Como la demanda de tráfico en una red celular no es fija, sino que varía en el espacio y en el tiempo, es imprescindible realizar una estimación precisa de la capacidad de cada celda del sistema, para así garantizar una adecuada QoS con la mínima inversión posible [14]. Estimar la capacidad de celda es relativamente simple cuando la red ofrece un único servicio (p.ej., llamadas de voz). Sin embargo, estimar la capacidad de celda en un entorno multiservicio es una tarea complicada, ya que no todos los servicios requieren los mismos recursos para funcionar (p.ej., una llamada de voz frente a
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 88 QCI Tipo de servicio Prioridad Retardo máximo Tasa de error de paquete Ejemplo de servicio 1 GBR 2 100ms 10−2Voz conversacional 2 4 150ms 10−3Vídeo en tiempo real 3 3 50ms 10−3Juegos en tiempo real 4 5 300ms 10−6Vídeo en diferido .................................................................................................... 5 Non-GBR 1 100ms 10−6Señalización IMS 6 6 300ms 10−6Vídeo en diferido, servicios TCP 7 7 100ms 10−3Voz, vídeo en tiempo real, juegos interactivos 8 8 300ms 10−6Vídeo en diferido, servicios TCP 9 9 Tabla 3.7: Características de QCI estandarizados. una sesión de descarga de vídeo en tiempo real), ni exigen los mismos niveles de QoS (p.ej., transmisión de ficheros de datos en contraposición con llamadas de voz). Cualquier metodología que se proponga estimar la capacidad de celda en un escenario con múltiples servicios debe garantizar que todos los servicios cumplan sus requerimientos de QoS de forma simultánea. Para facilitar la gestión de la QoS, en LTE se define una clasificación de los servicios según sus requisitos de QoS [73]. En la Tabla 3.7 se muestran las características de cada uno de los identificadores de clase de QoS (QoS Class Identifier, QCI) estandarizados [73]. En la tabla, los QCI se clasifican según requieran una tasa de datos garantizada (Guaranteed Bit Rate, GBR) o no garantizada (non-GBR). En la última columna, se muestran servicios típicos asociados a cada QCI. En la literatura, se han propuesto diversos métodos teóricos para determinar la capacidad de celda en diferentes tecnologías de acceso radio, como GSM [4], UMTS [4] o LTE [74]. Estos enfoques analíticos se basan en simplificaciones que facilitan el tratamiento matemático del problema. Sin embargo, la capacidad de una celda real depende de muchos factores que son difícilmente predecibles, y que son cambiantes en el espacio y en el tiempo. Ejemplos de estos factores son la mezcla de servicios demandados, las prestaciones de los terminales, la funcionalidad avanzada de la red o las condiciones de propagación y movilidad de usuario. La mezcla de servicios condiciona la capacidad de la celda porque no todos los usuarios demandan la misma cantidad de servicios o tienen los mismos requisitos de QoS. La capacidad de celda también depende de la funcionalidad de los terminales y equipamiento de red. Las prestaciones de los terminales difieren dependiendo del tipo de terminal (p.ej., teléfono convencional, teléfono inteligente, tableta, ordenador personal, ...), cuya distribución entre tipos puede variar dependiendo de la zona geográfica en donde se sitúa la celda (p.ej., negocios, ocio, transporte, rural, ...) y puede cambiar
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 89 con el tiempo. Por su parte, la funcionalidad de red depende de la versión del equipamiento de red desplegada en la celda, que difiere de unas celdas a otras, y que también se actualiza con el tiempo. Por último, las condiciones de propagación y movilidad en una celda LTE afectan a su eficiencia espectral por el proceso de adaptación del enlace, lo que se traduce en una capacidad de celda diferente dependiendo del entorno radio. Todos estos factores hacen que la capacidad de cada celda de una red LTE sea distinta. Por consiguiente, la estimación de capacidad solo se puede hacer correctamente si todas esas particularidades se tienen en cuenta. Para hacer frente a esta diversidad, algunos estudios estiman la capacidad de celda por medio de simulaciones. En cualquier caso, es virtualmente imposible realizar simulaciones de todas las posibles combinaciones de los factores comentados anteriormente. Como alternativa, en algunos trabajos se usan medidas de indicadores de rendimiento de la red para mejorar la precisión del proceso de estimación de capacidad. El beneficio de estos enfoques basados en medidas de red es su inherente capacidad para tener en cuenta las peculiaridades de cada celda, que se extraen de su comportamiento medido, y, por tanto, real. En [75], se propone una metodología de dimensionado basada en medidas de rendimiento recogidas de cada elemento de la red para una red de acceso múltiple por división de código de banda ancha (Wideband Code Division Multiple Access, WCDMA). De igual manera, en [76] se propone un modelo de regresión multivariable para estimar la capacidad máxima de una celda con tecnología de acceso de paquetes de alta velocidad en el canal descendente (High Speed Downlink Packet Access, HSDPA) a partir de medidas estadísticas de red. Sin embargo, ninguno de estos estudios abarca la estimación de capacidad de celda en una red multiservicio LTE. En este trabajo, se propone una metodología novedosa para estimar la capacidad de celda en cada una de las celdas de un sistema LTE multiservicio a partir de medidas de rendimiento de una red LTE real. La metodología propuesta aprovecha la clasificación de los servicios realizada en LTE según su QCI [73]. Tal división se utiliza para definir diferentes requerimientos de QoS para cada servicio. De forma similar a [76], el núcleo del método es un modelo de regresión lineal multivariable construido con medidas estadísticas del rendimiento de la red. Dicho enfoque se extiende aquí considerando diferentes restricciones de QoS para cada QCI (esto es, para servicios de distinta naturaleza). De esta manera, el foco se pone en la experiencia de usuario más que en el rendimiento de la red. A diferencia de [76], la
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 90 Restricciones deQoS Estimaciónde Capacidad Ecuacionesde Regresión Filtradode datosdered PM’ CM’ PM’’ CM’’ Coef. Reg. PM CM Capacidad deCelda ETAPA 1 (Construccióndelmodelo) ETAPA 2 (Estimación) Figura 3.9: Diagrama de flujo para la estimación de capacidad de celda. metodología propuesta maneja tanto servicios cuya QoS depende de la tasa media de transferencia de datos, como servicios sensibles al retardo. 3.3.2. Método de estimación de la capacidad de una celda LTE con múltiples servicios La metodología desarrollada pretende estimar la capacidad de cada celda en un sistema celular LTE sometido a una serie de restricciones específicas para cada flujo de tráfico o QCI. Para ello, se construye un modelo de regresión a partir de medidas de indicadores de rendimiento tomadas directamente de la red real. Este modelo de regresión refleja la relación que existe entre las variables de tráfico que definen la capacidad de celda y los indicadores de rendimiento donde se establecen las restricciones de QoS. La Figura 3.9 ilustra el diagrama de flujo del proceso de estimación. Como se aprecia en la figura, las entradas al método son las estadísticas de rendimiento (Performance Management settings, PM) y los datos de configuración (Configuration Management settings, CM) de la red. Ambas informaciones se obtienen del NMS con una cierta resolución temporal (típicamente, 1 hora). A partir de ahí, el proceso de estimación consta de dos etapas. En la primera etapa, se construye el modelo de rendimiento de una celda LTE que relacione las medidas estadísticas de calidad (QoS) con los valores de los PM y CM en toda la red LTE. Este modelo se deriva por medio de un método de regresión clásico. Como en todo proceso de regresión, primero se filtran los datos de entrada (PM y CM). El proceso de filtrado trata de seleccionar aquellas muestras que son significativas para la estimación de la capacidad. Con este propósito, se seleccionan tan sólo las medidas de hora cargada en cada día, eliminando el resto de horas.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 91 Con los datos filtrados (PM’ y CM’), se derivan las ecuaciones de regresión que describen de forma matemática el modelo de rendimiento. La salida principal de esta primera etapa son los coeficientes de regresión que relacionan de forma lineal las variables del modelo. En la segunda etapa, se utiliza el juego de ecuaciones de regresión de la etapa anterior para estimar la capacidad celda a celda con una serie de restricciones provistas por el operador con anterioridad. Dichas restricciones pueden ser diferentes para cada tipo de servicio. Por ejemplo, se puede imponer como restricción de QoS el retardo máximo en servicios de voz y una tasa de transferencia de datos mínima para el servicio de descarga de datos de propósito general. El proceso de estima puede realizarse a partir de datos de configuración y rendimiento distintos de los utilizados para construir el modelo de regresión (PM” y CM”). El resultado de esta etapa es la estima de la capacidad de celda, expresada como la magnitud máxima de algunos de los indicadores que sirven para cuantificar la demanda de tráfico. 3.3.2.1. Ecuaciones de regresión El núcleo del método es un Modelo de Regresión Lineal Multivariable MultiServicio (Multi-Service Multiple Linear Regression, MS-MLR), construido a partir de las estadísticas disponibles en el NMS. Este modelo está formado por Neq ecuaciones, cada una de las cuales sirve para estimar uno de los indicadores de QoS del conjunto de servicios ofrecidos en la red. En esas ecuaciones, debe existir al menos una ecuación por cada clase de servicio o QCI que tenga alguna restricción de QoS. Cada ecuación del modelo MS-MLR se formula de la siguiente manera: p(j,l) QoS(c, h) = β(j,l) 0+ k X i=1 β(j,l) i·pi(c, h) + ǫ(j,l)(c, h),(3.9) donde p(j,l) QoS(c, h)es el valor del l-ésimo indicador de QoS del servicio con QCI j en la celda cy la hora h,ise usa para indexar variables, pi(c, h)son los valores de PM y CM seleccionados como variables independientes candidatas a formar parte de la ecuación de regresión final en la celda cy la hora h,β(j,l) ies el coeficiente de regresión para cada pi,kes el número de variables independientes candidatas en el modelo MS-MLR y ǫ(j,l)(c, h)es el término de error. En el caso general, se consideran todas las clases de QCI disponibles (es decir, j∈ {1,2, . . . , 9}[73]).
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 92 Los objetivos del análisis de regresión son: 1) encontrar la combinación con el menor número de variables independientes para cada clase de QCI jy restricción de QoS lque pueda explicar las variaciones de p(j,l) QoS, y 2) calcular una estima precisa, ˆ β(j,l) i, de los coeficientes de regresión, β(j,l) i. Un primer paso en la construcción del modelo es seleccionar kvariables independientes candidatas de entre aquéllas de las que se disponen datos. Como punto de partida, se necesita disponer de una amplia cantidad de variables candidatas, ya que es difícil definir, a priori, cuáles son las más relevantes. Las variables seleccionadas pueden clasificarse en parámetros de configuración del sistema e indicadores de rendimiento, y estas últimas a su vez en variables de tráfico, variables de calidad de conexión y variables de calidad de servicio. El juego de variables candidatas depende de la funcionalidad de red suministrada por el fabricante y el conjunto de servicios ofrecidos en cada momento por el operador. Tras un análisis exhaustivo de los datos disponibles en el NMS de diversas redes LTE reales, en este estudio se considera el siguiente juego de variables iniciales: a) Parámetros de configuración del sistema: •BW: Ancho de banda del sistema en MHz. •CFI_mode: Configuración del indicador de formato de control (CFI) [fijo/automático]. •PUCCH_SR_users: Número máximo de usuarios a los que se permite enviar petición de asignación de recursos (Scheduling Request, SR) en el PUCCH. •PUCCH_CQI_users: Número máximo de usuarios a los que se permite reportar medidas de CQI en el PUCCH. b) Variables de tráfico: •ActiveUE_DL: Número medio de usuarios simultáneos con datos que transmitir en DL por TTI.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 93 •TrPerc(1) QCI, ..., TrPerc(9) QCI: Porcentaje de tráfico sobre el total para las clases de QCI 1 a 9 (es decir, PiTrPerc(i) QCI = 100 %). c) Variables de calidad de conexión: •Avg_CQI: CQI medio. •σCQI: Desviación estándar de la distribución de CQI. •CQI_percent_5 %: Percentil del 5 % de la distribución de CQI. •CQI_percent_10 %: Percentil del 10 %de la distribución de CQI. •HARQ_fail_ratio_DL: Tasa de fallos por retransmisiones HARQ en DL. •RLC_retx_ratio_DL: Tasa de retransmisiones en la capa de control del enlace radio (Radio Link Control, RLC) en modo con confirmación de recepción (Acknowledged Mode, AM) en el enlace descendente. •PDCCH_ack_ratio: Tasa de asignaciones de recursos confirmadas en el PDCCH. d) Variables de QoS: •TH(1) QCI, ... , TH(9) QCI: Tasa de datos de usuario en DL a nivel de capa del protocolo de convergencia de paquetes de datos (Packet Data Convergence Protocol, PDCP) para las clases de QCI 1 a 9. •V oLTESatisfUsRatio: Porcentaje de llamadas de voz sobre LTE cuyo retardo en el 99 % de los paquetes en el UL está por debajo del retardo objetivo definido por el operador para este servicio (típico, 80 ms). El siguiente paso es la construcción de las ecuaciones de regresión, para lo cual se obtiene del NMS un juego de datos compuesto por datos de configuración y medidas de rendimiento por celda y hora. A partir de estos datos, se construyen las Neq ecuaciones de regresión. Cada una de ellas tiene la estructura de la ecuación (3.9), que relaciona todas las variables independientes candidatas, pi(c, h), con una de las variables de QoS, p(j,l) QoS(c, h). Partiendo del modelo de regresión completo, que incluye todas las variables, se sigue un proceso de eliminación similar al descrito en [76]. De esta manera, se identifican cuáles son las variables más relevantes para predecir el valor de cada indicador de QoS, p(j,l) QoS. El proceso se describe a continuación.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 100 11 10 9 8 7 6 5 4 3 2 1 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 N´umero de variables R2 Figura 3.10: Variación del coeficiente de determinación durante el proceso de eliminación de variables. descritas en la Tabla 3.9, que se eliminan progresivamente basándose en su pvalor. Como ejemplo, en la Figura 3.10 se muestra cómo varía el coeficiente de determinación para el modelo de QCI 8 conforme se eliminan variables. De la figura, se deduce que el modelo simplificado necesita al menos 3 variables para cumplir la condición R2>0.7. La Tabla 3.10 muestra los parámetros resultantes para SM. Para el QCI 1, SM tiene solo cuatro variables independientes como un compromiso entre complejidad y precisión en la predicción. Se observa nuevamente cómo la predicción que SM hace de V oLTESatisfUsRatio es pobre (R2=0.08). Por el contrario, la estimación de TH(8) QCI se realiza con un R2similar al de FM (R2=0.73, comparado con 0.755 en FM). En SM, todas las variables independientes tienen su p-valor cercano a cero, lo que evidencia que es necesario considerarlas todas para realizar la predicción. Una inspección más detallada de los signos de los coeficientes de regresión mostrados en la Tabla 3.10 muestra que TH(8) QCI decrece con ActiveUE_DL yHARQ_fail_ratio_DL, y se incrementa con Avg_CQI yBW.V oLTESatisfUsRatio, en cambio, decrece cuando sube ActiveUE_DL, y se incrementa cuando crece Avg_CQI,PDCCH_ack_ratio yTrPerc(1) QCI.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 101 Estadísticos de regresión Coeficiente de determinación R2(1)=0.08 R2(8)=0.73 Análisis del modelo ˆ β(1) iP(1) ˆ β(8) iP(8) Constant (β0) -68.81 5e-8 -18.82 1.2e-51 BW [MHz] – – 1.5e-3 1e-236 ActiveUE_DL -2.62 4.4e-3 -2.43 2e-107 TrPerc(1) QCI [ %] 0.105 0.22 – – Avg_CQI 1.045 0.004 2.92 6e-273 HARQ_fail_ratio_DL [ %] – – -1.26 7e-67 PDCCH_ack_ratio [ %] 1.57 7e-33 – – Tabla 3.10: Resultados para el modelo simplificado. Las dos variables más relevantes para el SM de QCI 8 son el CQI promedio, Avg_CQI, y el ancho de banda, BW. Con el fin de realzar la validez del modelo, en la Figura 3.11 se representa la dependencia de las medidas de TH(8) QCI con las medidas de Avg_CQI yBW. En dicha figura se diferencian claramente las muestras según BW. Además, se observa una clara dependencia de TH(8) QCI con ambas variables, lo que evidencia la capacidad del modelo para identificar las variables relevantes. Estimación de la capacidad de celda Una vez construido SM, se utiliza este modelo para estimar la capacidad de cada celda de la red. Como indicador de capacidad de celda, se selecciona la variable ActiveUE_DL, que permanece en las dos ecuaciones de regresión que forman SM (es decir, p(j) i0=ActiveUE_DL(j)). Esta variable ActiveUE_DL cuantifica el número medio de usuarios activos en DL por TTI en una celda, agregando todos los servicios. A continuación se definen las restricciones de QoS de cada uno de los QCI. Siguiendo las recomendaciones del operador, se fijan los valores objetivo para los indicadores de QoS p(1) QoS,target ≡V oLTESatisfUsRatio = 90 % yp(8) QoS,target ≡ TH(8) QCI = 5 Mbps. Estos valores se utilizan después para estimar la capacidad de celda para cada QCI jy cada celda c,ActiveUE_DL(j)(c), sustituyendo en (3.10) los valores de los coeficientes de regresión de SM presentados en la Tabla 3.10 y los valores medios de los PM en cada celda.
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 102 5 6 7 8 9 10 11 12 13 14 15 0 5 10 15 20 25 30 35 40 45 50 Avg CQI TH(8) QCI [Mbps] BW = 10 MHz BW = 5 MHz Figura 3.11: T H(8) QCI en función del CQI y el BW. En la Figura 3.12 se compara la función de distribución de la capacidad de celda para el QCI 1 y 8, ActiveUE_DL(1)(c)yActiveUE_DL(8)(c). Se observa que, en general, ActiveUE_DL(1)(c)es menor que ActiveUE_DL(8)(c). Por tanto, el criterio de QoS para el tráfico de QCI 1 es más restrictivo que el usado para el tráfico de QCI 8. Específicamente, la capacidad de celda media para asegurar el criterio de QoS para el QCI 8 en la red estudiada es de 3.02 usuarios activos en el enlace descendente por TTI, mientras que sólo es posible tener un total de 1.13 usuarios simultáneos en el enlace descendente por TTI para el QCI 1. Un nivel tan bajo es consistente con las estadísticas de rendimiento mostradas en la columna tercera de la Tabla 3.8, donde se observa que V oLTESatisfUsRatio = 91,77 % para 0.47 usuarios simultáneos en el canal descendente por TTI en media. Ese valor de V oLTESatisfUsRatio está próximo al valor impuesto como restricción de QoS para el QCI 1 (= 90%). De nuevo, se recuerda que las estimaciones de capacidad de celda para la clase de QCI 1 son poco robustas, por el poco tráfico de VoLTE en la red considerada. Repitiendo el análisis sobre otros juegos de datos provenientes de otras redes, se ha constatado que este mismo problema existe en todas las redes LTE actuales, donde VoLTE se encuentra todavía en su fase de
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 103 0 2 4 6 8 10 12 14 0 10 20 30 40 50 60 70 80 90 100 ActiveUE DL CDF [%] QCI 1 QCI 8 Figura 3.12: Función de distribución del número medio máximo de usuarios activos en el DL por celda. despliegue inicial. Es previsible que la estimación de capacidad de este servicio mejore conforme crezca el tráfico de este servicio. Se completa el análisis con una medida del tiempo de ejecución del método en un ordenador personal con 2.6GHz de frecuencia de reloj y 8GB de memoria RAM. El tiempo requerido para construir el modelo de regresión completo (FM) con las 2222 medidas de hora cargada es de 0.031 s. Por su parte, la construcción del modelo de regresión simplificado (SM) conlleva 0.468 s (2E-4 s por muestra de celda y hora). En cuanto a las estimas de capacidad, el tiempo de ejecución para las 656 celdas de la red es inferior a 0.1 s. Con esos tiempos de ejecución tan pequeños, es posible realizar estudios de capacidad en grandes áreas geográficas. 3.3.4. Conclusiones En esta sección, se ha presentado una metodología de estimación de la capacidad de celda basada en medidas de rendimiento para redes LTE multiservicio. La
Capítulo 3. Estimación de capacidad en redes LTE multiservicio 104 metodología propuesta permite estimar la capacidad de cada celda del sistema de forma independiente y bajo múltiples restricciones de QoS para cada servicio configurado en la red. El núcleo de la metodología es la construcción de varias ecuaciones de regresión lineal multivariable con los parámetros de configuración y estadísticas de rendimiento recogidas por celda y hora en el sistema de gestión de una red real. A diferencia de los enfoques analíticos, la metodología estadística propuesta tiene una baja carga computacional, lo que la hace ideal para su inclusión en herramientas de planificación automática de redes LTE comerciales. El análisis de datos de una red LTE real ha demostrado la gran dispersión de las condiciones radio, que justifica la necesidad de estimar la capacidad del sistema celda a celda. El análisis de regresión posterior ha demostrado que existe una fuerte correlación entre los indicadores de QoS de la red y el número de usuarios activos simultáneamente en el canal de datos descendente, el CQI medio, el ancho de banda del sistema y la tasa de asignaciones exitosas de recursos en el PDCCH. Con los datos disponibles, los modelos de regresión aplicados han demostrado ser razonablemente precisos para servicios de transmisión de datos sobre TCP (QCI 8), pero poco fiables para el servicio de VoLTE (QCI 1). Con los modelos construidos, las estimas de capacidad sugieren que el número medio de usuarios activos por TTI en el canal de datos descendente que puede soportar una celda LTE varía entre 1 y 3, dependiendo de la restricción de calidad de servicio considerada. Se espera que, en el futuro cercano, la precisión de las estimas para el servicio de QCI 1 mejore con el incremento de tráfico de VoLTE en las redes LTE.
Capítulo 4 Conclusiones Finales En este último capítulo se resumen las principales conclusiones del trabajo. Primero se destacan las contribuciones originales de esta Tesis. Después se describen posibles líneas de continuación. Finalmente, se presenta la lista de publicaciones resultantes del trabajo realizado. 4.1. Contribuciones En esta Tesis Doctoral se han presentado diversos algoritmos de planificación automática diseñados para redes LTE. Todos los métodos descritos son lo suficientemente eficientes como para ser integrados en una herramienta de planificación comercial sin comprometer su eficiencia computacional. Con ellos, se pretende mejorar el rendimiento de la red y reducir el esfuerzo que suponen las tareas de dimensionado y planificación de parámetros de una red LTE. Como se ha expuesto a lo largo del documento, el trabajo se ha dividido en dos grandes bloques, que son la planificación del control de potencia del enlace ascendente en LTE y la estimación de la capacidad de los canales de control y de datos de una celda LTE. La descripción de las principales contribuciones mantiene esta misma división. 105
Capítulo 4. Conclusiones Finales 106 4.1.1. Planificación automática del control de potencia en el enlace ascendente de LTE En esta Tesis se ha abordado el problema de la planificación automática de parámetros en el algoritmo de control de potencia del PUSCH en el enlace ascendente estandarizado para LTE por el 3GPP. Las principales contribuciones en esta parte se describen a continuación: 1) Como punto de partida, se ha presentado un detallado análisis de sensibilidad de los parámetros del control de potencia del canal de datos ascendente de LTE en lazo cerrado sobre un escenario regular. A partir de este análisis, se han diseñado dos algoritmos heurísticos de configuración automática de parámetros en el control de potencia del enlace ascendente. Un primer algoritmo, concebido para la fase de dimensionado de la red, ajusta los parámetros de potencia nominal, P0, y carga del enlace ascendente, UUL, celda a celda. Un segundo algoritmo, concebido para la fase despliegue de la red, ajusta los parámetros de potencia nominal, P0, y factor de compensación de pérdidas, α, para cada celda. Ambos algoritmos comparten la misma aproximación en la que la geometría irregular del escenario se regulariza para reducir la carga computacional. Gracias a la regularización de los escenarios, los métodos propuestos presentan un tiempo de ejecución mucho menor que la búsqueda exhaustiva de la mejor configuración uniforme con el simulador. De esta forma, los algoritmos propuestos son capaces de manejar escenarios irregulares y considerar el rendimiento del control de potencia en lazo cerrado, con un bajo coste computacional. Igualmente, la posibilidad de ejecutar el método para una sola celda asegura que el método sea escalable, no siendo necesaria la planificación de la red completa cada vez que se añade una celda en el escenario. Además, los métodos diseñados obtienen un compromiso entre capacidad y cobertura mejor que las configuraciones uniformes de parámetros, solución habitualmente empleada por los operadores. Este resultado demuestra la necesidad de configurar los parámetros del control de potencia de forma distinta en cada celda. 2) Para realizar las pruebas, se ha desarrollado un simulador estático de nivel de sistema para el enlace ascendente de LTE que puede ajustarse con datos de configuración y rendimiento de una red real. El simulador presentado es capaz de considerar el funcionamiento en lazo abierto y cerrado del control de potencia sin la complejidad de los simuladores dinámicos. Con esta herramienta,
Capítulo 4. Conclusiones Finales 107 se ha realizado un análisis de sensibilidad que permite identificar las configuraciones óptimas uniformes de parámetros en un escenario real. Con la misma herramienta, se ha evaluado el rendimiento de los algoritmos diseñados de planificación de parámetros del control de potencia en lazo abierto y cerrado. 4.1.2. Estimación de la capacidad de celda en redes LTE En esta Tesis también se ha abordado el problema de la estimación de capacidad en redes LTE. Por un lado, se ha estudiado la estimación de capacidad del canal de control descendente en LTE. Este canal es el principal cuello de botella de servicios sensibles al retardo con una gran carga de señalización, como el servicio de voz sobre LTE. Por otro lado, se ha estudiado la estimación de capacidad de celda en redes LTE multiservicio. Con ello, se pretende detectar con antelación la existencia de cuellos de botella en la interfaz radio que impidan cumplir las restricciones de calidad de servicio impuestas por el operador. Las principales contribuciones en esta parte se describen a continuación: 1) Se ha propuesto un modelo analítico del PDCCH, basado en teoría de colas, que permite estimar la ocupación del PDCCH en función de las condiciones de tráfico, propagación e interferencia propias de cada celda. El modelo propuesto considera el proceso de adaptación de enlace, que da lugar a múltiples flujos de entrada en función de la codificación de cada petición de servicio en el PDCCH. Para ajustar el modelo, se utilizan estadísticas de rendimiento disponibles en el sistema de gestión de red, como la intensidad de tráfico de señalización y la distribución de CQI. Con el modelo, es posible estimar tanto la tasa de ocupación media del PDCCH como cualquier percentil de la distribución de uso del PDCCH. Los resultados han mostrado que el modelo propuesto es capaz de reproducir de forma precisa las distribuciones de carga del PDCCH en las condiciones extremas consideradas en las simulaciones u otras condiciones observadas en determinadas celdas de la red real. Igualmente, el modelo es capaz de reproducir los niveles de carga del PDCCH a gran escala en redes de dos operadores distintos. 2) Durante las pruebas se han presentado estadísticas de rendimiento del PDCCH de dos redes reales con diferentes características. Las medidas de rendimiento han puesto de manifiesto que en LTE, a diferencia de lo que ocurre en otros
Capítulo 4. Conclusiones Finales 108 sistemas celulares, la señalización puede comprometer el buen funcionamiento del sistema. 3) También se ha propuesto una metodología novedosa para estimar la capacidad de cada celda en una red LTE con múltiples servicios, con diferentes restricciones de QoS cada uno, a partir de datos de configuración y rendimiento en el sistema de gestión de red. El método empírico propuesto realiza un análisis de regresión multivariable que permite considerar, de forma simple, las condiciones de tráfico, propagación e interferencia de cada celda de la red. Las estimas de capacidad obtenidas con el modelo son el punto de partida para el proceso de dimensionado de la red. 4) Se ha validado el método de estimación de la capacidad de celda propuesto, sobre un juego de datos real. Analizando el proceso de construcción del modelo ha sido posible identificar las variables más importantes que determinan la capacidad de celda en una red LTE real. Esta información es extremadamente útil si se desea construir un método de estimación aún más simple reduciendo el número de variables a considerar. Estos métodos simplificados facilitan la definición de una metodología de dimensionado que no requiera del uso de herramientas de cálculo sofisticadas. Al mismo tiempo, las ecuaciones de regresión construidas para la red concreta analizada pueden aplicarse a otras redes con similares funcionalidades. De esta manera, cualquier operador podría estimar la capacidad de su red sin necesidad de realizar el análisis de regresión. 4.2. Líneas Futuras En esta sección se esbozan las posibles líneas de investigación que se derivan del trabajo realizado en esta Tesis. 4.2.1. Planificación automática del control de potencia en el enlace ascendente de LTE Los algoritmos de planificación automática de parámetros del control de potencia propuestos en esta Tesis resuelven de forma independiente el problema de ajuste de P0yUUL, por un lado, y de P0yα, por otro lado. La mayor parte de
Capítulo 4. Conclusiones Finales 109 la bibliografía relacionada se dedica al estudio del control de potencia fraccional, para unos valores de UUL determinados. Esto es, se estudia conjuntamente el problema de planificación de P0yα[34,35,38]. No obstante, en ninguno de los casos estudiados se tiene en cuenta una planificación conjunta de los parámetros de control de potencia y el control de carga. Una posible línea de trabajo futuro sería realizar una planificación de los parámetros P0,αyUUL de forma conjunta, para aprovechar al máximo las posibilidades de configuración del control de potencia y el control de carga. Para dicha tarea, debería realizarse un análisis de sensibilidad conjunto de todos los parámetros involucrados en el proceso de planificación. Con los resultados del análisis, habría que diseñar un algoritmo simple de ajuste de parámetros, con el fin de mantener el tiempo de ejecución tan bajo como sea posible. Otra posible línea de ampliación del trabajo sería comparar los resultados obtenidos con el algoritmo de planificación para el funcionamiento en lazo abierto respecto al obtenido con lazo cerrado. En las actuales redes celulares, gran parte de la demanda de tráfico proviene de aplicaciones en las que se transmiten pequeñas ráfagas de datos durante conexiones cortas [77]. En estas condiciones, el funcionamiento en lazo abierto es tan importante como el funcionamiento en lazo cerrado. Finalmente, el método de regularización de escenarios propuesto sólo se ha probado en la planificación de parámetros del control de potencia del enlace ascendente. Otra línea de extensión del trabajo futuro sería la extensión del método de regularización de escenarios a la planificación de otros parámetros de la interfaz radio que afecten al compromiso entre cobertura y capacidad, como son las potencias de transmisión de las estaciones base o los ángulos de orientación de las antenas [29]. La búsqueda del mejor ajuste inicial de estos parámetros en un escenario es un problema de optimización multivariable, que actualmente se resuelve con metaheurísticas de gran complejidad computacional (p.ej., Taguchi, algoritmos genéticos, búsqueda tabú, ...). Sería interesante comprobar si regularizando el escenario se pueden encontrar soluciones de calidad parecida a las obtenidas con los métodos clásicos.
Apéndice A. Herramienta de simulación para el canal ascendente de datos 116 Parámetro Valor Número de celdas 165 eNBs, 55 emplazamientos Dirección de enlace UL Frecuencia de portadora 734 MHz Ancho de banda 10 MHz, 50PRB Reuso de frecuencias 1 Modelo de propagación COST-231 (A.1) Potencia DL de eNB 46 dBm Directividad trisectorial Tilt de antena de eNB 5◦ Ancho de haz de antena de eNB 65◦ Ganancia de antena de eNB 15 dB Potencia de transmisión del UE 23 dBm Densidad espectral de potencia de ruido -174 dBm/Hz Modelo de tráfico Full buffer Parámetros ULPC P0= -110 dBm, α= 1 Generación de tráfico Distribución uniforme Tabla A.1: Parámetros de simulación. estas realizaciones, lo que aumenta el tiempo de simulación. En el simulador desarrollado en esta Tesis se evita la generación de múltiples realizaciones del sistema (y, con ello, la ejecución de múltiples iteraciones del simulador) manejando todas las ubicaciones de manera simultánea por medio de una función de probabilidad. Para ello, se divide el escenario en una rejilla uniforme de puntos que representan las posibles ubicaciones de los usuarios. Cada ubicación tiene una probabilidad de existir de acuerdo con una distribución espacial de tráfico. En estas ubicaciones, se calculan todos los parámetros de rendimiento del sistema en una sola iteración. Para la estima del rendimiento, se calculan primero las pérdidas de propagación (Propagation Losses, PL) en el escenario. En este proceso, se asigna un valor de PL entre cada posible localización de un UE y cada eNB en el escenario. Esta información se organiza en una matriz de valores de PL, donde el índice zidentifica al eNB y los índices xeyestablecen la posición de UE. Después se realiza la identificación de celdas adyacentes. Una vez se ha calculado la matriz de PL, se debe definir una lista de celdas adyacentes para cada celda. Estas celdas adyacentes se ordenan por valor medio de PL (es decir, distancia en términos eléctricos entre celdas). Los siguientes pasos realizan los cálculos de SINR y la ejecución de funciones RRM, respectivamente. Por último, se calculan los principales indicadores de rendimiento y se presentan resultados de forma ordenada. Los siguientes apartados describen con mayor detalle estos procesos.
Apéndice A. Herramienta de simulación para el canal ascendente de datos 117 A.2.1. Nivel físico Para facilitar el tratamiento matemático del problema se asume que: a) la reutilización de frecuencias es 1 (es decir, todas las celdas usan todo el ancho de banda del sistema), b) la asignación de PRB se hace por celda (es decir, no hay coordinación entre celdas), y c) a la hora de estimar la asignación de recursos hay un usuario activo por celda en cada momento, que tiene infinitos datos que transmitir (modelo de servicio full buffer). La última asunción implica que todo el ancho de banda de UL puede asignarse por completo a ese único usuario, y, por tanto, se puede alcanzar la tasa de datos máxima de usuario. Generación de tráfico La generación de tráfico se configura a través de la definición del área global de servicio, la ocupación media de PRB por celda y la distribución espacial de usuarios dentro de cada celda. El área global de servicio considera la topografía del terreno definiendo zonas que nunca van a ser ocupadas por ningún usuario (p. ej., mar, lago, ...). Para ello, se construye un polígono que define el área global de servicio a partir de datos geográficos del escenario. La Figura A.3 muestra un ejemplo de cómo las zonas de costa pueden delimitarse por esta funcionalidad. Por eficiencia de computación, la herramienta excluye de los cálculos de propagación las zonas no utilizadas. La probabilidad de cada punto del escenario viene determinada por la ocupación media de PRB por celda y la distribución espacial de usuarios dentro de cada celda. En este trabajo se asume una distribución regular de usuarios dentro de cada celda, mientras que la tasa de ocupación media de PRB puede prefijarse como un parámetro o extraerse de medidas de la red real. Modelo de propagación radio El simulador usa la extensión COST-231 del modelo Okumura-Hata [81], en el que las pérdidas de trayecto (en dB) vienen determinadas por la ecuación a=69.55 + 26.16·log10(fc)−13.82·log10(hb)+[44.9 - 6.55·log10(hb)]·log10(d),(A.1)
Apéndice A. Herramienta de simulación para el canal ascendente de datos 118 Figura A.3: Escenario real con límites costeros determinados por el simulador. donde fces la frecuencia central del ancho de banda de transmisión (o frecuencia de portadora) del enlace ascendente, hbes la altura de la estación base y des la distancia en km. También se incluyen las funciones necesarias para ajustar las constantes del modelo con medidas de nivel recibido de señales piloto recopiladas por los usuarios de una red real. A estas pérdidas de trayecto se suman las pérdidas por desvanecimiento lento, que toman un valor aleatorio siguiendo una distribución lognormal de media nula y desviación estándar 8 dB. El modelo de antena incluye un diagrama de captación en el plano horizontal y vertical [41]. La ganancia relativa de la antena a cada punto del escenario se calcula teniendo en cuenta las alturas de la estación base y la estación móvil y la posición relativa entre ambas. Con estos términos, se calcula una matriz de propagación, que refleja las PL de cada eNB a cada punto del escenario, agregando la pérdida de trayecto, la directividad de antena y el desvanecimiento lento en cada punto del escenario. A.2.2. Nivel de enlace A continuación se describen los modelos del algoritmo de control de potencia y el proceso de adaptación del enlace incluidos en el simulador. Posteriormente, se describe el proceso de asignación de recursos, que condiciona los cálculos de la calidad de conexión realizados en el simulador.
Apéndice A. Herramienta de simulación para el canal ascendente de datos 119 Adaptación de enlace (Link Adaptation, LA) En este apartado se describen las características modeladas de la capa de LA. Fundamentalmente se hablará del algoritmo de control de potencia en UL y de la forma en que se trata la modulación adaptativa en el UL de LTE. •Algoritmo de control de potencia en PUSCH El esquema de control de potencia en el PUSCH de LTE es resultado de la combinación de un algoritmo en lazo abierto (Open-Loop Power Control, OLPC) y un algoritmo en lazo cerrado (Closed-Loop Power Control, CLPC). El OLPC está pensado para compensar las variaciones lentas del canal, mientras que el CLPC se adapta a cambios en las condiciones de interferencia o errores de estimación de PL. En el algoritmo estandarizado por el 3GPP para el PUSCH [13], la potencia transmitida por el UE en dBm viene dada por: PTX = m´ın Ptxm´ax , P0+α·P L | {z } punto básico de operación + ∆TF +f(∆T P C ) | {z } término dinámico + 10 ·log10MPUSCH | {z } factor ancho de banda ,(A.2) donde Ptxm´ax es la máxima potencia de transmisión del UE, αes el factor de compensación de pérdidas de propagación en el canal, PL se refiere a las pérdidas por propagación, MP USCH es el número de PRB asignados al UE, y ∆T F +f(∆T P C) es un término dinámico que depende del esquema de modulación seleccionado y de los comandos de control de potencia (o comandos TPC) enviados por el eNB. La ecuación (A.2) puede dividirse en tres partes: el punto de operación básico en lazo abierto, una compensación dinámica controlada por la operación en lazo cerrado y un factor de corrección por ancho de banda utilizado. El término de lazo abierto consiste de un nivel semiestático determinado por el parámetro P0 (conocido como potencia nominal), definiendo así el umbral de potencia media de señal recibida de todos los UE en una celda, y un término de compensación por pérdidas de propagación, controlado por el factor de compensación por pérdidas de propagación, α. En este trabajo, se considera que la potencia nominal, P0, es igual para todos los UE servidos por el mismo eNB.
Apéndice A. Herramienta de simulación para el canal ascendente de datos 120 •Modulación y codificación adaptativa El proceso de adaptación del enlace que lleva a cabo la estación base selecciona el esquema de modulación y codificación que mejor se adapta a las condiciones instantáneas del canal. Para ello, el eNB debe estimar la SINR del enlace ascendente. En este trabajo, se modela el esquema de modulación adaptativa mediante la fórmula truncada de Shannon [40], al igual que en la Sección 2.2.2. Así, la tasa de datos máxima alcanzable por PRB se obtiene directamente de los valores de SINR calculada para cada usuario (posición) según T HperP RB(k) = 0SINR(k)< SINRm´ın, β·log2(1 + SINR(k)) SINRm´ın ≤SINR(k)≤SINRm´ax, T HperP RBm´ax SINRm´ax < SINR(k), (A.3) donde THperPRBm´ax es la máxima tasa de datos por PRB que se puede obtener, SINRm´ax ySINRm´ın son los valores de SINR con los que se alcanzan los valores de THperPRBm´ax yTHperPRBm´ın, respectivamente, y βes una constante de corrección. En esta Tesis se han ajustado de forma empírica los valores de la ecuación tal que THperPRBm´ax = 514 kbps, SINRm´ax = 14 dB, SINRm´ın = −9dB y β=0.6. Para calcular la tasa de datos alcanzada por un usuario k, basta multiplicar la tasa de datos por PRB, obtenida según la SINR que experimenta el usuario k, por el número de PRB asignados al usuario k,M(k), según THus(k) = THperPRB(k)·M(k).(A.4) Esquema de asignación de PRB El proceso de asignación se realiza mediante un planificador dinámico de recursos en el eNB, que asigna recursos a los usuarios de forma que se maximice el rendimiento del sistema en términos de QoS y tasa de datos. Cada fabricante diseña e implementa su propio planificador de recursos. En la herramienta de simulación se implementa un planificador simplificado basado en dos etapas. En una primera etapa se realiza una asignación preliminar de PRB, denominada esquema de asignación inicial, basándose en el algoritmo de control de potencia en UL en lazo abierto. En este primer paso se tiene una estimación inicial del número de
Apéndice A. Herramienta de simulación para el canal ascendente de datos 121 PRB usados por cada usuario. A partir de esta estimación se puede hacer una predicción de los niveles medios de interferencia UL. En una segunda etapa, otro esquema, denominado esquema de asignación refinado, modela el funcionamiento de planificador de recursos en lazo cerrado, calculando la asignación final de PRB para cada usuario de forma que se garantice una SINR objetivo basándose en la estimación de interferencia realizada con el esquema de asignación inicial. •Esquema de asignación inicial - Estimación de interferencia Este primer esquema teórico de asignación de PRB se basa en el control de potencia UL en lazo abierto. El número de usuarios asignados a un usuario k, M(k), es el número máximo de PRB que se pueden asignar a un UE de forma que éste sea capaz de garantizar P0en la estación base servidora. M(k)se calcula como M(k) = m´ax nMm´ın,m´ın 10(PT Xm´ax −α·P L(k)−P0(k))/10, Mm´axo ,(A.5) donde Mm´ın yMm´ax son el número mínimo y máximo que pueden asignarse a un UE (definido por el ancho de banda del sistema), PL(k)son las pérdidas de propagación para el usuario k(incluyendo ganancias de antena, atenuación y desvanecimientos lentos) y P0(k)es el valor de potencia nominal para la celda servidora del usuario k. En LTE, Mm´ın=2 y Mm´ax varía entre 6 y 100 dependiendo del ancho de banda disponible [3]. El valor M(k)obtenido por (A.5) se usa para estimar la potencia transmitida por cada usuario en (A.2). Como en la mayoría de simuladores utilizados en tareas de planificación, se trabaja con niveles medios de interferencia. Así, la interferencia media en unidades naturales en el UL de la celda ise calcula como IUL(i) = X ∀j∈N(i) UUL(j)·1 Nu(j)·X ∀k∈A(j) PTX(k) PL(k, j) ,(A.6) donde N(i)es el grupo de celdas adyacentes a la celda bajo estudio i,UUL(j)es el factor de ocupación de PRB en la celda j,Nu(j)es el número de usuarios en el área de servicio de j,A(j)es el conjunto de puntos (posiciones de usuario) de la celda j,PTX(k)es la potencia de transmisión del punto (usuario) kyPL(k, i) son las pérdidas propagación del punto ka la estación base i.
Apéndice A. Herramienta de simulación para el canal ascendente de datos 122 •Esquema de asignación refinado - Estimación de SINR Basándose en los valores de interferencia estimados, un segundo esquema de asignación de PRB distribuye los recursos tal como se realizaría en lazo cerrado. Así, un usuario obtiene el máximo número posible de PRB siempre y cuando sea capaz de garantizar un nivel de SINR mínimo. El cálculo se expresaría como M(k) = m´ax nMm´ın,m´ın 10(PT Xm´ax −α·P L(k)−IUL(S(k))−SINRth)/10, Mm´axo ,(A.7) donde IUL(S(k)) es la interferencia más ruido en la celda S(k)ySINRth es el umbral de SINR que se quiere cumplir (normalmente, -2.8 dB [3]). En (A.7) el número de PRB asignado al usuario se reduce para incrementar la densidad espectral de potencia si el umbral de SINR mínimo no se satisface (ya sea por un bajo nivel de señal recibida o por un alto nivel de interferencia). A.2.3. Nivel de red La capa de nivel de red implementa diferentes procedimientos de gestión de recursos radio que garantizan la continuidad de la conexión cuando el usuario se desplaza, como son el traspaso, el control de admisión y el control de congestión. Dada la naturaleza estática del simulador, en este apartado solo se describen los dos procedimientos implementados a nivel de red: el control de admisión (AC) y la detección automática de vecinas (Automatic Neighbor Relation, ANR). Control de admisión El primer paso para iniciar una conexión por parte de un UE es decidir cuál es la celda servidora del usuario. En la herramienta de simulación, esta decisión se realiza exclusivamente en función del nivel de potencia de señal de referencia recibido (Reference Signal Received Power, RSRP). Para cada usuario, la conexión se realiza con aquella celda de la que recibe mayor nivel de RSRP. Aquellos usuarios que reciben un valor de RSRP máximo por debajo del umbral establecido para el traspaso a otra tecnología (inter-Radio Access Technology, iRAT, handover threshold), no se conectan a ninguna celda LTE. La celda servidora seleccionada debe, por tanto, cumplir que RSRP(i)≥RSRPth ,(A.8)
Apéndice A. Herramienta de simulación para el canal ascendente de datos 123 donde RSRP(i)es el nivel de RSRP de la celda irecibido en el UE y RSRPth denota el umbral de iRAT. Dicho umbral de iRAT se suele definir por parte del operador a nivel de un conjunto de celdas. Definición de vecinas En una red LTE real, la función ANR [78] libera al operador de la costosa tarea de definir manualmente las relaciones entre celdas adyacentes. En el simulador, se ha incluido una función ANR básica que define de forma automática la lista de celdas vecinas de cada celda del escenario. Esta funcionalidad se basa en el cálculo de la pérdida de propagación media desde cualquier celda vecina ja la celda bajo estudio i, expresada como PL(j, i) = 1 Nu(j)X k∈A(j) PL(k, i)) ,(A.9) donde Nu(j)es el número de usuarios en la celda j,PL(k, j)son las pérdidas de propagación del punto ka la estación base j,A(j)son los puntos (usuarios) servidos por la celda j. Una vez calculado el valor de PL(j, i)para todas las celdas j6=i, se seleccionan como vecinas de ilas Nrsim primeras celdas adyacentes jcon menor valor de PL(j, i). En este trabajo, Nrsim = 20. Indicadores de Rendimiento Los indicadores utilizados en este trabajo para evaluar las distintas configuraciones de parámetros se describen a continuación. •Histograma de RSRP Aunque el RSRP es una medida de DL, los valores de RSRP se utilizan en la función de AC para determinar las áreas de dominancia (o servicio) de cada celda. Dichas áreas de dominancia se tienen en cuenta en la definición de los usuarios servidos por cada celda y los usuarios interferentes, y, por ello, condicionan los resultados de los experimentos.
Apéndice A. Herramienta de simulación para el canal ascendente de datos 124 Además, los histogramas de frecuencia relativa de RSRP, fRSRP , sirven para mostrar las condiciones de propagación de cada una de las celdas. Esta información se puede utilizar para ajustar las constantes del modelo de propagación con medidas reales de RSRP, como se explica más adelante. •Estadísticas de tasa de transferencia de datos El indicador más usado para medir el rendimiento de un sistema de comunicaciones celulares es la tasa de datos de usuario. En el simulador se definen dos indicadores de tasa de datos: a) la tasa de datos media de usuario, THavg, calculada como la media de tasa de datos de usuario en todos los puntos de una celda, que se usa como medida de capacidad, y b) la tasa de datos de usuario de borde de celda, THce, definida como el percentil del 5 % de la función de probabilidad de la tasa de datos de usuario en la celda, como medida de cobertura de la celda. Expresados matemáticamente, THavg(i) = UUL(i)·PTHus(k, i) Nu(i),(A.10) THce(i) = PT Hus,5 %(i),(A.11) donde UUL(i)es la carga de la celda, THus(k, i)es la tasa de datos obtenida por el usuario kservido por la celda i,Nu(i)es el número de usuarios de la celda iy PTHus,5 %(i)es el percentil del 5 % de la tasa de transferencia de datos en la celda i. A.3. Análisis de sensibilidad de parámetros del ULPC Como ejemplo práctico de aplicación del simulador, se presenta a continuación un análisis de sensibilidad de los parámetros del control de potencia en el PUSCH en un escenario ajustado con datos de una red real. La Tabla A.2 presenta la configuración de parámetros tomada de la red real. En el escenario considerado se dispone de estadísticas de RSRP que permiten ajustar las constantes del modelo de propagación. El modelo de propagación ajustable se describe según la ecuación a=K1−13.82 ·log10(hb) + [K2−6.55 ·log10(hb)] ·log10(d),(A.12)
Apéndice A. Herramienta de simulación para el canal ascendente de datos 125 Parámetro Valor Número de celdas 165 eNBs, 55 emplazamientos Dirección de enlace UL Frecuencia de portadora 734 MHz Ancho de banda 10 MHz, 50 PRB Reuso de frecuencias 1 Modelo de propagación COST-231, ajustado con estadísticas de RSRP Potencia DL de eNB Realistas, de 44.4 dBm a 47.4 dBm Directividad trisectorial Tilt de antena de eNB Realista, de 0◦a14◦ Ancho de haz de antena de eNB 65◦ Ganancia de antena de eNB 15 dB Potencia de transmisión del UE 23 dBm Densidad espectral de potencia de ruido -174 dBm/Hz Modelo de tráfico Full buffer Parámetros ULPC P0= -110 dBm, α= 1 (por defecto) Generación de tráfico Distribución uniforme dentro de celda Tasa de ocupación de PRB por celda Realista, de 5 % a 17.43 % Tabla A.2: Parámetros de simulación. donde K1yK2son las variables de ajuste, compartidas por todas las celdas del escenario. El algoritmo de ajuste busca minimizar el error cuadrático medio entre los valores del histograma de frecuencia relativa de RSRP del simulador, fRSRP,sim, y los obtenidos de la red real, fRSRP,real. Para ello, para generar el histograma del simulador se utilizan los mismos límites de los intervalos que en la red real. Tras el proceso de ajuste, los valores que resultan son K1=152.72 y K2=64.38. La Figura muestra el histograma de frecuencia relativa y la función de distribución de los valores de RSRP obtenidos de la red real (línea continua) y los obtenidos con el simulador (línea discontinua). Una vez ajustado el modelo de propagación, se realiza un análisis similar al del Capítulo 2, donde se evalúa el impacto de los cambios de P0yαen el rendimiento del sistema. Como principal novedad, aquí se muestra también el impacto sobre el nivel de interferencia media, IUL, que no se mostró entonces por simplicidad. Todos los indicadores de rendimiento que se muestran a continuación corresponden a los valores promedio obtenidos en todas las celdas del escenario. Experimento 1: Sensibilidad a cambios de P0 La Figura A.5 muestra en el eje de ordenadas principal el indicador THce (medida de cobertura) frente a THavg (medida de capacidad) cuando P0varía desde