大数据、云时代的到来,带来了数千倍数据量的增长,海量规模的移动互联设备接入,跨越了传统通信意义的“泛在通信”,现有通信网络已经不能满足当下人们的通信需求。随着智能移动终端的普及,移动流量呈指数增长。为了满足对无线通信服务质量和数量日益增长的需求,基于更大的基础设施节点密集度和空间频率复用的超密集网络(Ultra-Dense Network,UDN)被研究与应用,超密集异构蜂窝网络应运而生,它是增强未来无线系统容量的关键技术之一。超密集异构蜂窝网络是在现有宏基站的覆盖区域内,密集部署低功率小基站,对有限的频谱资源进行高度复用,从而大幅提升单位面积内的频谱效率,增加网络容量。密集化部署小基站,可以有效增强覆盖程度,提高系统容量,但是也导致无线资源的分配和管理困难。随之而来,高密度的部署会带来小区边缘干扰,还会影响用户的移动性管理,这就会造成每个小区覆盖范围的不规则变化。此外,网格模型的可扩展性和不准确性都会导致UDN的干扰更加集中。因此,UDN中的干扰消除是一个引起世界普遍关注的关键问题。而超密集组网技术中基于图论的动态分簇原理则是解决这个挑战的技术途径之一。目前干扰对齐(Interference alignment,IA)被认为是用于实现最佳容量缩放的有效技术。但通过IA减轻所有干扰需要大量信令开销和高迭代复杂度。1.在本文中,我们提出了一种基于低复杂度图分区的动态分簇算法。算法将整个网络划分为大小约束下的多个集群,基于数学随机几何原理,根据两个独立的泊松过程来定义一定范围内的基站和用户模型,结合图论,提出基于图分区的低复杂度动态分簇算法,来实现最大的簇内干扰和最小的簇间干扰解决方案。同时,在所提算法中采用基于相邻干扰比的选择方案可以在随机空间网络模型中得到合适的分簇结果。本文将所提出的算法在复杂度和性能上与其他传统算法进行了比较。仿真结果表明,该算法显著降低了分簇过程的复杂度,并且比现有的分簇算法在用户分流和优化通信质量方面提高了系统性能。2.对于用户接入部分,本文围绕超密集异构蜂窝网络下的用户接入策略展开研究,先对三层超密集异构蜂窝网络进行建模,在此模型下采用基于多属性决策的接入策略实现用户接入。在针对宏蜂窝建模过程中,以泰森多边形代替传统的蜂窝六边形,更真切的反映网络节点部署的高度不规则性。在用户接入控制算法部分,综合考虑用户接入时损耗、接收功率、信干比、基站负载情况,求取用户接入的最优解。为减缓乒乓效应,设置切换阈值,保证了用户在同等通信质量下的稳定接入。