5.3 动态资源分配

5.3 动态资源分配

本节摘要：SOURCE 5.3/INTRO：基站按 CQI/Buffer/QoS 毫秒级分配 RB；比例公平（PF）调度平衡吞吐与公平；Wi-Fi 6 OFDMA 支持 UL 多用户并发。

调度要素

Release 19+ 探索 AI 预测 CSI 与业务类型，在线优化 numerology/MCS——智能增强 OFDM 第四演化阶段。

⚠️ 常见坑：纯 max-C/I 饿死边缘用户——PF 更常用。

💡 关键直觉：调度器是频谱 OS 上的「进程管理器」。

调度问题的形式化

动态资源分配在数学上是一个在线优化问题：每个时隙，调度器把资源块与调制编码方案分配给各用户，目标是在吞吐、公平、时延约束下最大化效用函数。设用户集合 U、资源块集合 R，分配指示 a_{u,r} \in \{0,1\}，典型优化目标为：

其中 r_{u,r} 是用户 u 在 RB r 上的瞬时速率（由 CQI 映射的 MCS 决定），U_u 是效用函数。效用函数的不同选择对应不同调度策略：U(x)=x 退化为最大吞吐调度，U(x)=\log x 对应比例公平，U(x) 带权重则引入 QoS 优先级。由于问题规模大、信道随机变化，实际系统采用贪心与启发式算法在毫秒级完成近似求解。

调度器还需考虑物理约束：用户被分配的 RB 是否要求连续（影响 DFT-s-OFDM 上行）、MCS 只能取离散档位、功率受限时的功率分配与 RB 分配耦合。这些约束使调度问题从"纯选择"变成"约束优化"，也解释了为什么调度器是 4G/5G 系统中复杂度最高的软件模块之一。

链路自适应与 AMC 的闭环

动态资源分配与链路自适应（AMC）是一枚硬币的两面。用户上报 CQI（信道质量指示）与 PMI（预编码矩阵指示），调度器据此选择 MCS——信道好就升调制阶数与码率，信道差就降档。整个闭环是：测量信道 → 上报 → 调度决策 → 传输 → 反馈确认（HARQ），一个周期通常 1-8 ms。AMC 的目标是让每用户的实际速率贴近其信道容量，既不因过度乐观导致高误块率，也不因过度保守浪费频谱。

CQI 的准确性与时效性是闭环性能的关键。CQI 粒度太粗，AMC 无法精确匹配；上报间隔太长，调度决策基于过时信息。5G NR 引入更细的 CQI 表（最高支持 256-QAM 各码率档）与周期/非周期上报结合，并支持 MCS 微调偏移量补偿测量误差。误块率目标（通常 10%）作为 AMC 外环反馈，持续校准内环的 MCS 选择——这是工程中"内外双环"的经典设计。

比例公平与公平性指标

调度器必须在吞吐与公平之间折中。最大载干比（Max-C/I）调度每时隙把 RB 给信道最好的用户，系统吞吐最高，但边缘用户长期得不到服务；轮询调度绝对公平，但浪费了频选增益。比例公平（PF）调度在两者之间取均衡：

分子是当前瞬时速率，分母是用户的历史平均速率。信道刚变好的用户分子大、历史上服务不足的用户分母小，二者共同抬升调度优先级。PF 的数学性质是：在长时标上最大化所有用户对数速率之和，天然兼顾吞吐与公平。工程上的公平性常用 Gini 系数或 5% 边缘用户吞吐衡量。

下面仿真对比三种调度策略的吞吐分布。

import numpy as np
rng = np.random.default_rng(6)
users, rbs, slots = 6, 20, 200
# 用户信道：位置不同的平均信噪比与起伏
snr_db = rng.normal([4, 8, 12, 16, 20, 24], 4, (users,))
H = snr_db[:, None] + rng.normal(0, 6, (users, rbs, slots))

def run(strategy):
    rate = np.log2(1 + 10 ** (H / 10))          # 香农速率近似
    cum = np.ones(users)                         # 历史平均（起始为 1）
    total = np.zeros(users)
    for t in range(slots):
        if strategy == 'maxc':
            alloc = np.argmax(rate[:, :, t], axis=0)
        elif strategy == 'rr':
            alloc = np.tile(np.arange(users), rbs // users + 1)[:rbs]
        else:  # pf
            score = rate[:, :, t] / cum[:, None]
            alloc = np.argmax(score, axis=0)
        for u in range(users):
            total[u] += np.sum(rate[u, alloc == u, t])
            cum[u] = 0.8 * cum[u] + 0.2 * total[u] / (t + 1)
    return total / slots

for s in ['maxc', 'rr', 'pf']:
    t = run(s)
    print(f"{s:5s}  总吞吐={t.sum():6.1f}  最小用户={t.min():5.1f}  最大用户={t.max():5.1f}")
​

结果通常呈现：Max-C/I 总吞吐最高但最小用户极低（公平性差），RR 公平但总吞吐低，PF 在两者之间取得平衡——这正是工程上 PF 成为默认选择的依据。

QoS、切片与 AI 前沿

动态资源分配还要满足多样化的 QoS 需求。URLLC 业务要求极低时延，调度器需预留资源或采用免调度传输；视频流要求持续速率，需保证最小吞吐；实时语音对抖动敏感。调度器通过队列管理、时延上限约束与权重调整实现差异化服务。网络切片则把这种差异化制度化：不同切片（eMBB/uRLLC/mMTC）配置独立的资源池、调度器实例与 QoS 策略，实现隔离与共享的平衡。

Release 19+ 的研究正把 AI 引入调度：用神经网络预测信道状态与业务流量，替代"测量-上报-决策"的延迟闭环；用强化学习在线优化 numerology、MCS 与功率分配；用大模型理解业务意图，把调度从规则驱动推向数据驱动。这一方向的潜力与风险并存——预测错误的代价、可解释性、训练数据分布漂移，都是落地前必须解决的问题。但无论如何，调度器作为"频谱操作系统"的核心，其演化方向已经明确：从静态规则，走向智能自适应。

核心回顾

• CQI 驱动 AMC 与 RB
• PF 调度兼顾公平与吞吐
• AI 调度是演化前沿
• QoS/切片使资源分配差异化