服務的 HeNB 與隨機位置的干擾源 HeNB

由前一小節的模擬分析可以發現在 femtocell 環境中當 HeNB 數量增加 時的干擾情形，若是設置的 HeNB 變多，則環境中干擾的情況會急遽的上 升。接著我們將模擬隨機設置 HeNB 的情境下使用 ILR 演算法是否能夠有 效地提升整個系統的效能表現。

圖 4-3 為隨機設置 HeNB 之環境示意圖，我們會將 20*20(m²)的區域分 為 4 個 10*10(m²)的子區域，分別為 A、B、C 和 D，A 區設置主要服務的 HeNB 的區域，B、C、D 則為其他干擾源 HeNB 所設置的區域，分別在每 個區塊也配置一個用戶，且所有的用戶及 HeNB 都在各自區塊內隨機擺 放。

A

C D B

20m

20m

Serving HeNB

Interferencing HeNB

UE

Interferenced UE

圖 4-3、隨機設置 HeNB 之模擬環境示意圖

54

在本模擬中我們模擬了多次，去測試 ILR 演算法在此環境中的表現。

而圖 4-4 為使用 ILR 演算法之移動路徑圖，此圖為模擬中的一個例子。圖中有

一個 HeNB 和三個干擾源 HeNB，每個 HeNB 都服務一個 user，可從圖中 紅色的 UE 發現其所在的位置非常接近干擾源同時也離服務的 eNB 較遠，

其位置的 SINR 過低，無法使用 QPSK 傳輸，必須透過移動位置尋找到好 SINR 才能進行傳輸。透過 ILR 演算法的計算，搜尋 QoS Map 上離目前用 戶距離最近且能夠使用 QPSK 的位置，便搜尋到紫色點，而此點則為 ILR 演算法推薦用戶使用 QPSK 的最近距離。

用戶移動至位置使用紫色 QPSK 的位置，便能夠達到使用 QPSK 的最 低門檻限制並滿足方程式(10)和(11)，則能夠使用 SCC 進行傳輸。若用戶 需要使用更多 SCC 或是使用更高的調變方式，同樣透過 ILR 演算法的計 算與搜尋 QoS Map，可進一步找到離用戶距離最近且可使用 16QAM 和 64QAM 的青色與藍色的推薦位置，前往這兩個推薦位置則能夠使用 16QAM 和 64QAM 的調變方式進行調變也能夠使用更多的 SCC 進行傳 輸。

55 與 64QAM 的位置，其吞吐量則可分別達到 76.56Mbps 與 180.92Mbps。由 此圖所知，用戶的通道狀況與使用的調變方式會大大的影響整個系統的吞

X Coordinate (m)

Y Coordinate (m)

0 2 4 6 8 10 12 14 16 18 20

56

圖 4-5、使用 ILR 演算法的吞吐量變化圖

表 4-2、在 SINR Map 中不同調變方式的機率

Modulation BIM[9] Proposed

QPSK 99.8% 100%

16QAM 73.9% 99.4%

64QAM 49.4% 98.6%

不同 modulation 的 SINR 限制下的傳輸成功率表呈現在表 4-2，在表 4-2 裡可以看到我們將調變方式分成三種 QPSK、16QAM 和 64QAM 三種，

在使用 QPSK 的最低限制下，我們的方法能夠 100%的確保用戶能夠使用 到 SCC，若用戶需要更多載波傳輸則必須獲得更好的 SINR 使用更好的調 變，在用戶要求 16-QAM 及 64-QAM 的情形下，我們必須符合使用這兩種 調變最低限制 SINR，而結果呈現在 16QAM 和 64QAM 中分別有 99.4%和 98.6%的機率推薦用戶到更好的位置取得更好的 SINR 進行傳輸，比起原本 在當前位置傳輸的成功率來說 16QAM 提高了 25.5%，而 64QAM 更是提 高了 39.7%的成功率。

QPSK 16QAM 64QAM

0 20 40 60 80 100 120 140 160 180 200

DL 2CCs 40MHz

Throughput (Mbps)

57

圖 4-6、ILR 演算法在不同限制條件下之平均吞吐量

圖 4-7、BIMs 與 ILR 總平均吞吐量比較圖

圖 4-6 中為下鏈使用兩個 CC 的平均吞吐量圖，我們比較了文獻[8-9]的

QPSK 16QAM 64QAM

0 20 40 60 80 100 120 140 160

Modulation

Average throughput (Mbps)

DL Two CCs 40MHz

BIMs Proposed

BIMs Proposed

0 20 40 60 80 100 120 140

Modulation

Average throughput (Mbps)

DL Two CCs 40MHz

58

方法與我們所提出的方案，並且設定三種不同的限制條件，主要考量到用 戶對於 QoS 的需求不同，所需要的調變方式也會有所改變。由圖 4-6 所示，

在使用 QPSK 調變所需的最低 SINR 限制下兩者的吞吐量差距並不大，其 原因為 Femtocell 的環境下大多都能夠滿足使用 QPSK 的最低限制，因此 其差距在於我們所提出的演算法，能將少數原本無法使用 QPSK 的用戶移 動到可以使用 QPSK 的位置上，將原本方案不足的地方給補足。而在使用 16QAM 所需的最低 SINR 限制的部分，因為限制的 SINR 提高，造成成功 率下降，因此造成原本方案的吞吐量下降，在我們提出的方法修正後所得 到的新的位置，能使用戶移動到訊號較好的位置，使得吞吐量上升，在 64QAM 限制的部分更是有顯著的差距。由圖 4-7 所示，我們將圖 4-6 使用 不同的調變限制下所得到的吞吐量做總和平均，可得知 ILR 演算法能夠在 整體吞吐量上的表現是優於 BIMs，也能明顯地看出整體吞吐量的提升。

概念上來說，藉由 ILR 演算法的位置推薦，應該都能夠讓用戶們找到 適合的調變方式與使用 SCC 的數量，但為何還會有失敗的例子產生，我們 將藉由圖 4-8 的例子說明其原因。

圖 4-8 為在 64QAM 限制下的失敗例子。由上面所述，我們提出的方 法在 16QAM 和 64QAM 經過移動位置後還是有些微的失敗率，其發生的 原因為 HeNB 太接近其他干擾源。若原本服務的 HeNB 本來就在其他干擾 源 HeNB 附近，且剛好其他區域的用戶正好也都有使用在這些頻段上便容 易使受到干擾源嚴重的干擾。可以發現整個區域內的 SINR 比起先前所模 擬的情境下，其數值大幅的下降許多，則表示這樣的區域內一旦受到干擾 其 SINR 便無法達到 64QAM 的要求，即便使用 ILR 演算法，也無法藉由 改變位置在室內找到一個好的位置使用更高的調變方式。

59

Modulation BIMs[9] Proposed

10m*10m

47.2% 76.7%

X Coordinate (m)

Y Coordinate (m)

0 2 4 6 8 10 12 14 16 18 20

60

X Coordinate (m)

Y Coordinate (m)

0 2 4 6 8 10 12 14 16 18 20

61

表 4-4、各 UE 的 PCC 與 SCC 選擇表

UE1 UE2 Interferenced UE

CC1

P

CC2 S

S

CC3

P

CC4

P

CC5 S

S

綜合圖 4-9 與表 4-4，可以發現 UE1 與 UE2 的狀態極好，但卻無法使 用 SCC，其原因在於方程式(11)的限制，要在不干擾到其他人的情形下才 能使用 SCC，而目前狀況則是一旦選擇了其他 CC 必定會與干擾源用戶入 前使用的 CC 相碰，則一定會干擾到干擾源的用戶。我們假設干擾源的用 戶同樣也使用 ILR 演算法，便能夠解決這樣的問題，所以當圖 4-9 的 Interferenced UE 能夠移動到 New location 的位置，使得用戶 UE1 與 UE2 能夠滿足方程式(11)，使 UE 們能夠使用 SCC，同時不影響干擾源 UE 的使 用。

62

在文檔中 載波聚合於LTE-A系統之室內位置推薦演算法 (頁 64-73)