龍 懇 萬(wàn) 溢 劉 暢 田 霖

(*重慶郵電大學(xué) 重慶 400065)(**移動(dòng)計(jì)算與新型終端北京市重點(diǎn)實(shí)驗(yàn)室 北京 100080)(***中國(guó)科學(xué)院計(jì)算技術(shù)研究所 北京 100190)(****中國(guó)科學(xué)院大學(xué) 北京 100049)

?

大規(guī)模組網(wǎng)的集中式基站休眠算法①

龍 懇②*萬(wàn) 溢③*劉 暢*********田 霖*****

(*重慶郵電大學(xué) 重慶 400065)(**移動(dòng)計(jì)算與新型終端北京市重點(diǎn)實(shí)驗(yàn)室 北京 100080)(***中國(guó)科學(xué)院計(jì)算技術(shù)研究所 北京 100190)(****中國(guó)科學(xué)院大學(xué) 北京 100049)

分析了通過(guò)基站休眠降低無(wú)線(xiàn)通信網(wǎng)絡(luò)能效的集中式算法和分布式算法的原理和性能，在此基礎(chǔ)上，針對(duì)集中式休眠算法隨著網(wǎng)絡(luò)規(guī)模的增大其計(jì)算復(fù)雜度將會(huì)異常巨大的問(wèn)題，提出了一種面向大規(guī)模通信網(wǎng)絡(luò)的集中式分簇算法。該算法首先在時(shí)域上運(yùn)用多目標(biāo)均衡優(yōu)化對(duì)休眠時(shí)間段進(jìn)行劃分，隨后在空域上對(duì)基站進(jìn)行合理的分簇，最后通過(guò)粒子群優(yōu)化算法進(jìn)行了休眠組合的確定。仿真結(jié)果表明，該算法的計(jì)算復(fù)雜度要低于其他集中式算法，并且性能衰減可以忽略不計(jì)，整體的休眠部署更加合理。

能效， 基站休眠， 集中式， 計(jì)算復(fù)雜度， 分簇

0 引 言

近年來(lái)，隨著移動(dòng)用戶(hù)以及終端的大幅增加，移動(dòng)數(shù)據(jù)業(yè)務(wù)需求呈現(xiàn)出爆炸式的增長(zhǎng)態(tài)勢(shì)，無(wú)線(xiàn)通信網(wǎng)絡(luò)也因此得到了飛速的發(fā)展[1-3]。然而，龐大的移動(dòng)通信網(wǎng)絡(luò)在運(yùn)維時(shí)卻帶來(lái)了嚴(yán)重的能耗問(wèn)題[4]。根據(jù)世界無(wú)線(xiàn)研究論壇(Wireless World Research Forum，WWRF)預(yù)測(cè)，2017年移動(dòng)用戶(hù)數(shù)量將達(dá)到70億，無(wú)線(xiàn)設(shè)備總量將達(dá)到7萬(wàn)億，這就意味著移動(dòng)通信網(wǎng)絡(luò)的能耗壓力將越來(lái)越嚴(yán)重。文獻(xiàn)[5]的研究表明，移動(dòng)通信網(wǎng)絡(luò)中基站(base station，BS)單元上的能耗約占總能耗的80%，因此，提高基站的能效將有助于減少整個(gè)移動(dòng)通信網(wǎng)絡(luò)的能耗。針對(duì)這種情況，本文進(jìn)行了基站能耗研究，提出了一種面向大規(guī)模組網(wǎng)的集中式基站休眠算法，該算法不僅具有良好的降低網(wǎng)絡(luò)能耗的性能，而且具有較低的計(jì)算復(fù)雜度。

1 相關(guān)研究

在對(duì)基站能耗問(wèn)題的研究中，文獻(xiàn)[6]提出了“潮汐效應(yīng)”的概念。所謂潮汐效應(yīng)，就是用戶(hù)呈現(xiàn)出有規(guī)律的遷徙行為。例如，在工作時(shí)間段，大量用戶(hù)會(huì)從住宅區(qū)域遷徙至商務(wù)區(qū)域，而在休息時(shí)間段，用戶(hù)會(huì)從商務(wù)區(qū)域遷徙至住宅區(qū)域，這樣就會(huì)導(dǎo)致用戶(hù)在空域中的不均衡性。同時(shí)，文獻(xiàn)[7]也表明，即使在負(fù)載的高峰期，移動(dòng)通信網(wǎng)絡(luò)中90%的數(shù)據(jù)業(yè)務(wù)是由40%的小區(qū)來(lái)承載，基站的任務(wù)分配極不均衡。

目前，基站休眠技術(shù)被認(rèn)為是解決上述問(wèn)題的最有效方法之一[8-11]?；拘菝呒夹g(shù)可以動(dòng)態(tài)地關(guān)閉部分低負(fù)載基站，并由其相鄰的基站進(jìn)行補(bǔ)償覆蓋，以實(shí)現(xiàn)節(jié)能減排。網(wǎng)絡(luò)將實(shí)時(shí)監(jiān)控各個(gè)基站的負(fù)載情況，并在某些特定的休眠時(shí)間點(diǎn)，動(dòng)態(tài)地關(guān)閉部分負(fù)載較低的基站，并由其相鄰的一個(gè)或多個(gè)基站通過(guò)調(diào)整天線(xiàn)方向角、下傾角、發(fā)射功率對(duì)休眠基站進(jìn)行補(bǔ)償覆蓋。

概括來(lái)說(shuō)，基站休眠算法可以分為集中式算法和分布式算法兩種。分布式算法通?；陬A(yù)設(shè)的閾值進(jìn)行判斷[10]，在到達(dá)休眠時(shí)間點(diǎn)時(shí)，每個(gè)基站將根據(jù)其自身以及相鄰基站的負(fù)載等狀態(tài)信息判斷是否休眠。然而，在分布式算法中，由于每個(gè)休眠基站只關(guān)注自身以及相鄰基站的狀態(tài)信息，無(wú)法獲知整個(gè)網(wǎng)絡(luò)的狀態(tài)信息，所以只能部署局部最優(yōu)的基站休眠方案。另一方面，集中式算法將由集中式管控模塊收集網(wǎng)絡(luò)中所有基站的負(fù)載信息，從網(wǎng)絡(luò)全局的角度出發(fā)，通過(guò)集中式算法得到全局最優(yōu)(或次優(yōu))的基站休眠部署方案，然后通知所有基站執(zhí)行休眠、補(bǔ)償或正常覆蓋的命令?？傮w來(lái)說(shuō)，集中式算法往往能夠得到全局最優(yōu)(或次優(yōu))解，因此，其性能要優(yōu)于分布式算法[9，12]。

然而，算法的計(jì)算復(fù)雜度是進(jìn)行休眠部署時(shí)需要考慮的另一個(gè)問(wèn)題。本文定義計(jì)算復(fù)雜度為運(yùn)行一個(gè)算法所需進(jìn)行迭代的總次數(shù)。例如分布式休眠算法中，每個(gè)基站只需要考慮自身以及相鄰基站，復(fù)雜度比較低；而集中式算法需要整體考慮網(wǎng)絡(luò)中所有基站的可能組合方式，復(fù)雜度比較高。目前，集中式接入網(wǎng)架構(gòu)成為了學(xué)術(shù)界以及產(chǎn)業(yè)界的研究熱點(diǎn)，比如C-RAN[6]，以及我們提出的超級(jí)基站[13]，它主要包括三部分：由遠(yuǎn)端無(wú)線(xiàn)射頻單元和天線(xiàn)組成的分布式無(wú)線(xiàn)網(wǎng)絡(luò)；由高帶寬低延遲的光傳輸網(wǎng)絡(luò)連接遠(yuǎn)端無(wú)線(xiàn)射頻單元；由高性能處理器和實(shí)時(shí)虛擬技術(shù)組成的集中式基帶處理池。在超級(jí)基站中，幾個(gè)基站為小規(guī)模基站，25個(gè)左右的基站稱(chēng)為中規(guī)?；?，40～100個(gè)左右的基站成為大規(guī)?；?。由于集中式架構(gòu)將所有信息都集中到一起來(lái)進(jìn)行處理，因此，集中式接入網(wǎng)架構(gòu)為集中式算法提供了良好的平臺(tái)，集中式算法成為主要的發(fā)展趨勢(shì)。

在針對(duì)集中式休眠算法的研究中，文獻(xiàn)[9]就提出了一種集中式的算法，該算法要求遍歷每個(gè)用戶(hù)能夠接入的基站，并且找尋到最優(yōu)的接入基站，這樣能夠得到比較好的結(jié)果，但是用戶(hù)如果比較多，那么該算法計(jì)算復(fù)雜度就會(huì)變得特別大。文獻(xiàn)[11]結(jié)合能耗和服務(wù)質(zhì)量(quality of service，QoS)，提出了一種自適應(yīng)的集中式算法，但是該算法在基站比較少時(shí)性能較好，復(fù)雜度也較低，但是隨著基站的增多，性能卻將大大降低。在我們以前的研究中[12]，我們對(duì)于能耗效率與穩(wěn)定性的均衡問(wèn)題進(jìn)行了研究，并且運(yùn)用了快速窮舉算法以及粒子群優(yōu)化(particle swarm optimization，PSO)算法進(jìn)行了仿真實(shí)驗(yàn)。但是我們發(fā)現(xiàn)，快速窮舉算法以及粒子群算法等最優(yōu)化算法在網(wǎng)絡(luò)中基站規(guī)模比較小(14個(gè)基站以下)時(shí)能夠得到很好的運(yùn)用，然而在基站規(guī)模比較大(40個(gè)以上)時(shí)則會(huì)因?yàn)槠涮叩膹?fù)雜度而很難得到理想的結(jié)果甚至難以計(jì)算。文獻(xiàn)[14]也表明，將全部基站進(jìn)行協(xié)作可以得到最佳的休眠決策，但是由于其高復(fù)雜度而不能在實(shí)際中實(shí)現(xiàn)。

針對(duì)上述問(wèn)題，本文進(jìn)行了面向大規(guī)模組網(wǎng)的集中式分簇休眠算法的研究，具體的研究?jī)?nèi)容包括：首先在時(shí)域上根據(jù)各個(gè)基站的負(fù)載趨勢(shì)與負(fù)載趨勢(shì)門(mén)限值，設(shè)計(jì)了一種通過(guò)復(fù)雜度和能耗的多目標(biāo)優(yōu)化尋找最優(yōu)門(mén)限值的方法，運(yùn)用此方法合理地將一天劃分為多個(gè)時(shí)間段，讓網(wǎng)絡(luò)在每個(gè)時(shí)間段內(nèi)分簇方式相同；其次在空域上根據(jù)每個(gè)基站的負(fù)載以及其鄰區(qū)數(shù)量，設(shè)計(jì)了一個(gè)集中式架構(gòu)下的分簇算法，在每個(gè)時(shí)間段起始時(shí)刻對(duì)無(wú)線(xiàn)網(wǎng)絡(luò)進(jìn)行分簇處理；最后對(duì)于每個(gè)簇，運(yùn)用PSO算法得出其中最優(yōu)的基站休眠組合方式。

2 系統(tǒng)模型

2.1 網(wǎng)絡(luò)架構(gòu)

如圖1所示，若要在現(xiàn)有的分布式網(wǎng)絡(luò)架構(gòu)中實(shí)現(xiàn)集中式休眠算法，則必須在網(wǎng)絡(luò)架構(gòu)中添加集中式的管理模塊。該模塊必須具備收集所有基站信息(負(fù)載、功率、頻譜等)，并且可以對(duì)這些信息進(jìn)行計(jì)算處理的能力。此外，還需要具備對(duì)所有基站進(jìn)行狀態(tài)(休眠或開(kāi)啟)改變的決策能力。而在集中式架構(gòu)中，集中式休眠方式可以得到更方便的實(shí)現(xiàn)。集中式架構(gòu)本身就擁有集中管理模塊，它可以將無(wú)線(xiàn)資源(如頻譜、時(shí)隙等)和硬件資源(如遠(yuǎn)端無(wú)線(xiàn)射頻單元(remote radio head, RRH)、基帶單元(base band unit, BBU)等)分配給各個(gè)虛擬基站。與此同時(shí)，集中管理模塊還能收集各類(lèi)信息并進(jìn)行集中管理。

圖1 集中式休眠機(jī)制的實(shí)現(xiàn)方法

2.2 能耗模型

(1)

其中，Pouti表示滿(mǎn)足UEi需求的功率。P0表示在非休眠情況下每根天線(xiàn)的最小輸出功率，△P表示負(fù)載相關(guān)能耗的斜率。Psleep表示RRH休眠狀態(tài)下的能耗。

2.3 接入模型和優(yōu)化模型

(2)

RRHm發(fā)送給UEn的傳輸速率為

Rm,n=Bm,n·log2(1+SINRm,n)

(3)

為了得到集中式架構(gòu)下最優(yōu)的能耗所對(duì)應(yīng)的休眠組合方式，建立如下優(yōu)化模型：

(4)

s.t.xn,m={0,1}

(5)

∑mxm,n=1

(6)

Rm,n≥εn

(7)

dm,n≤3×r

(8)

式(7)表示RRHm發(fā)送給UEn的傳輸數(shù)據(jù)的速率Rm,n必須滿(mǎn)足UEn最低的傳輸數(shù)據(jù)的速率要求εn。式(8)表示RRHm休眠以后，原來(lái)接入RRHm的UE只能接入RRHm相鄰的RRH中，dm,n為RRHm到UEn的距離，r為RRH的半徑。

3 集中式休眠算法

3.1 窮舉算法

為了解決上述優(yōu)化問(wèn)題，通過(guò)窮舉法可以得到最優(yōu)解，但是隨著RRH數(shù)量的增多，窮舉法的復(fù)雜度會(huì)非常高甚至難以計(jì)算。

假設(shè)整個(gè)網(wǎng)絡(luò)中有M個(gè)RRH，每個(gè)RRH有兩個(gè)狀態(tài)：開(kāi)啟和關(guān)閉。UEn可以接入的RRH數(shù)量為VN，則此時(shí)窮舉法的復(fù)雜度為2M·∏nVN，這個(gè)復(fù)雜度是相當(dāng)高的。由于用戶(hù)接入離其最近的RRH可以得到最大的接收功率，我們可以讓每個(gè)用戶(hù)只接入離其最近的RRH。但是會(huì)有一種情況，如果對(duì)于某個(gè)用戶(hù)，離其較遠(yuǎn)的RRH比離其最近的RRH提供了更大的帶寬，這時(shí)對(duì)該用戶(hù)可能會(huì)有很小的損失。但是由于這種情況幾乎不會(huì)發(fā)生，因?yàn)槲覀儗?duì)整個(gè)網(wǎng)絡(luò)進(jìn)行的集中規(guī)劃，會(huì)使開(kāi)啟的RRH得到充分的利用，這樣每個(gè)RRH提供的帶寬不會(huì)有太大的區(qū)別。在上述用戶(hù)接入情況下，窮舉算法的復(fù)雜度可以降到2M。這個(gè)數(shù)量在M比較小時(shí)，復(fù)雜度并不高，但是由于復(fù)雜度呈指數(shù)增加，所以當(dāng)M增大，復(fù)雜度會(huì)變得非常高甚至導(dǎo)致沒(méi)辦法計(jì)算,比如M=21時(shí)RRH的組合方式就有200多萬(wàn)種。

由于窮舉算法的復(fù)雜度過(guò)高，所以本文提出了一種結(jié)合粒子群優(yōu)化算法的分簇算法，應(yīng)用于RRH數(shù)量比較多的情況。

3.2 PSO分簇算法

3.2.1 時(shí)間段劃分方法

假設(shè)一天有S個(gè)切換觸發(fā)時(shí)間點(diǎn)(switching point, SP)，在不同的SP時(shí)刻，RRH的負(fù)載情況都不相同，相應(yīng)地，休眠簇的數(shù)量和每個(gè)簇的大小也不相同。如果在每個(gè)SP都對(duì)RRH進(jìn)行分簇，這樣分簇操作就會(huì)過(guò)于頻繁，而且可能會(huì)進(jìn)行沒(méi)有必要的分簇操作。所以我們根據(jù)每個(gè)SP的負(fù)載和負(fù)載趨勢(shì)門(mén)限值，設(shè)計(jì)了一種通過(guò)能耗和復(fù)雜度的多目標(biāo)優(yōu)化的方法尋找最優(yōu)負(fù)載趨勢(shì)門(mén)限值，根據(jù)門(mén)限值來(lái)對(duì)全天24個(gè)小時(shí)進(jìn)行時(shí)間段(time divide , TD)的劃分。在時(shí)間段TDi中，只是在TDi開(kāi)始的SP對(duì)RRH運(yùn)用分簇算法進(jìn)行分簇，在整個(gè)TDi的SP保持RRH的分簇方式不變。

對(duì)于TD的劃分根據(jù)以下兩個(gè)條件進(jìn)行：(1)對(duì)于TDi中每個(gè)SP，其負(fù)載與TDi中的其他每個(gè)SP的負(fù)載的差值都必須小于負(fù)載趨勢(shì)門(mén)限值G，G=φ×Loadmax,其中Loadmax為網(wǎng)絡(luò)滿(mǎn)載時(shí)的負(fù)載值，φ為[0～1]的小數(shù)，表示G所占滿(mǎn)載的比例。(2)對(duì)于TDi中的所有SP，必須保證所有SPi是連續(xù)的，比如SP1、SP3不能單獨(dú)分到一個(gè)TD中，SP1、SP2、SP3就可以分到一個(gè)TD中。

由于門(mén)限值G的不同，就會(huì)導(dǎo)致時(shí)間段的劃分不同，從而得到的能耗和復(fù)雜度也不會(huì)相同。所以必須選擇出最佳的門(mén)限G。在選擇最佳的門(mén)限G時(shí)，還存在這樣一個(gè)問(wèn)題：對(duì)于分簇來(lái)說(shuō)，對(duì)于同樣一個(gè)集中式網(wǎng)絡(luò)，分簇得到的簇越多，就可能會(huì)導(dǎo)致能耗增加，這是由于分簇會(huì)導(dǎo)致一部分RRH的鄰站減少(只有位于同一個(gè)簇且位置上相鄰的RRH才能稱(chēng)為鄰站)，那么能夠?qū)ζ溲a(bǔ)償?shù)腞RH減少，這樣就可能導(dǎo)致本可休眠的RRH無(wú)法休眠，最后能耗會(huì)增加。這也是為什么窮舉算法可以得到最優(yōu)解，因?yàn)樗喈?dāng)于將整個(gè)網(wǎng)絡(luò)劃分為一個(gè)簇來(lái)進(jìn)行計(jì)算。但是如果分簇越多，那么平均下來(lái)每個(gè)簇中的RRH數(shù)量就會(huì)減少，從而會(huì)使得每個(gè)簇進(jìn)行集中式休眠算法的復(fù)雜度變低，這樣也是窮舉算法在RRH數(shù)量比較大的時(shí)候復(fù)雜度如此之大的原因。而對(duì)于不同的門(mén)限G，TD的劃分是不同的，那么就會(huì)有這樣的情況：假設(shè)SP1時(shí)網(wǎng)絡(luò)分為3個(gè)簇，SP2分為4個(gè)簇，SP3分為2個(gè)簇。如果SP1和SP2分為一個(gè)TD，那么SP2就為3個(gè)簇，比原來(lái)少了，這樣就可能會(huì)使能耗變低，但是復(fù)雜度變高了。如果SP2和SP3分為一個(gè)TD，這樣SP3就為4個(gè)簇，簇變多了，這樣能耗可能變高，但是復(fù)雜度低了。這樣在選擇最佳的門(mén)限G，能耗與復(fù)雜度就會(huì)存在一個(gè)均衡。

針對(duì)上述均衡問(wèn)題，可以建立如下模型：

(9)

s.t. xn,m={0,1}

(10)

∑mxm,n=1

(11)

Rm,n≥εn

(12)

dm,n≤3×r

(13)

其中式(10)～(13)均與2.3節(jié)中的優(yōu)化模型相同。優(yōu)化目標(biāo)(或式(9))中α、 β為[0,1]范圍內(nèi)的數(shù)，分別代表A、B的權(quán)重因子，且α+β=1。A為全網(wǎng)絡(luò)的歸一化能耗，表示為

(14)

其中Pin為當(dāng)前門(mén)限G的能耗，maxPin為所有門(mén)限G中最大的能耗。

B為全網(wǎng)絡(luò)的歸一化復(fù)雜度(Complexity)，表示為

(15)

其中a為簇的個(gè)數(shù)，bi、ki為第i個(gè)簇的PSO粒子群數(shù)量和迭代次數(shù)。Complexity為當(dāng)前門(mén)限G的復(fù)雜度，maxComplexity為所有門(mén)限G中最大的復(fù)雜度。我們通過(guò)式(9)得到的最小的C所對(duì)應(yīng)的門(mén)限G就為最優(yōu)的門(mén)限。對(duì)于不同的RRH數(shù)量以及分布，最優(yōu)門(mén)限G都是不同的，但是均可以用此方法得到。

3.2.2 分簇算法

在每個(gè)時(shí)間段的起始TP，網(wǎng)絡(luò)是根據(jù)以下分簇算法進(jìn)行RRH的分簇處理的。

分簇算法是根據(jù)每個(gè)RRH相鄰的RRH數(shù)量Nei和負(fù)載Load來(lái)進(jìn)行分簇的。算法流程圖見(jiàn)圖2。具體步驟如下：

(1) 初始化簇CLu的下標(biāo)k=0。

(2) 判斷是否存在RRHs滿(mǎn)足Neis>0并且RRHs?Clu(處于不同簇的RRH即使相鄰也不能稱(chēng)為鄰站)，如果有則進(jìn)行步驟(3)，如果沒(méi)有則進(jìn)行步驟(5)。

(3) 判斷所有滿(mǎn)足步驟(2)條件的RRHs中是否有RRH滿(mǎn)足Neis=1，如果沒(méi)有則進(jìn)行步驟(4)，如果有則假設(shè)該RRHs的唯一鄰站為RRHi并加入簇CLuk中。遍歷RRHi的鄰站，每次選出鄰站中Load最小的RRH假設(shè)為RRHj，判斷簇k中的負(fù)載總和Loadk與RRHj的負(fù)載Loadj之和是否大于門(mén)限T，如果大于則不能將RRHj加入簇k中，如果小于門(mén)限T，則將RRHj加入簇CLuk中。遍歷完成后k=k+1。返回步驟(2)。

圖2 分簇算法流程圖

(4) 選出所有滿(mǎn)足步驟(2)條件的RRHs中Nei最大的RRH并且假設(shè)為RRHm(如果鄰站數(shù)目最多的RRH包含多個(gè)，則優(yōu)先對(duì)其鄰站分布于無(wú)線(xiàn)網(wǎng)絡(luò)邊緣的RRH進(jìn)行分簇處理)并加入簇CLuk中。遍歷RRHm的鄰站，每次選出鄰站中Load最小的RRH假設(shè)為RRHn，判斷簇CLuk的負(fù)載總和Loadk與RRHn的負(fù)載Loadn之和是否大于門(mén)限T，如果大于則不能將RRHn加入簇k中，如果小于則將RRHn加入簇CLuk中。完成遍歷后k=k+1。然后返回步驟(2)。

(5) 判斷是否有RRHa滿(mǎn)足Neis=0并且RRHa?Clu。如果有進(jìn)行步驟(6)，如果沒(méi)有則輸出分簇集合CLu，算法結(jié)束。

(6) 選出滿(mǎn)足步驟(5)條件的RRHa，遍歷其相鄰的簇，選出其中包含RRH數(shù)目最少的簇假設(shè)為CLub，將RRHa加入簇CLub中。返回步驟(5)。

3.2.3 PSO算法

PSO首先將解空間初始化為一群粒子，每個(gè)粒子都有一個(gè)根據(jù)被優(yōu)化的函數(shù)而確定的適應(yīng)值，都有自己的速度和位置以決定它的飛行距離和方向；然后粒子根據(jù)自己迄今找到過(guò)的最好的位置和整個(gè)種群目前找到的最好位置來(lái)更新自己的速度和位置，經(jīng)過(guò)不斷的迭代過(guò)程最終找到最優(yōu)解[16]。

在本文中，我們根據(jù)本文中的優(yōu)化問(wèn)題對(duì)PSO算法進(jìn)行了如下定義。我們定義每個(gè)RRH的開(kāi)啟關(guān)閉狀態(tài)的組合為一個(gè)粒子，并組成一個(gè)數(shù)組H=[hi]，其中hi={0,1}分別表示RRHi的關(guān)閉和開(kāi)啟狀態(tài)。在初始化時(shí)，我們對(duì)RRHi進(jìn)行[0,1]的隨機(jī)初始化，得到值Gi，如果Gi>0.5,則hi=0，反之hi=1。在速度方面，對(duì)RRHi進(jìn)行[0,1]的隨機(jī)初始化，得到的值Vi就為RRHi的初始速度。則PSO的位置更新模型就為

Gi(t+1)=Gi(t)+Vi(t+1)

(16)

Vi(t+1)=ω·Vi(t)+c1r1[Gipbest-Gi(t)]

+c2r2[Ggbest-Gi(t)]

(17)

其中，Gi(t+1)和Gi(t)分別為一個(gè)粒子中RRHi的t+1次和t次迭代的位置。Vi(t+1)和Vi(t)分別為一個(gè)粒子中RRHi的t+1次和t次迭代的速度。Gipbest為RRHi是到目前為止搜索到的最好的位置，Ggbest為整個(gè)種群到目前為止搜索到的最好的位置。c1、r1、c2、r2是PSO中的參數(shù)，具體數(shù)值參照文獻(xiàn)[17]。ω是權(quán)重因子，在改進(jìn)的PSO算法中，為了增大算法的搜索能力，我們將其設(shè)為隨機(jī)從{-1,0,1}中選取。

在算法迭代循環(huán)中，迭代停止的標(biāo)志為達(dá)到了最大迭代次數(shù)Smax或者在連續(xù)的Sa次迭代都得到相同的最好解。Sa是經(jīng)過(guò)多次仿真實(shí)驗(yàn)得出的數(shù)值。

PSO的算法流程圖如圖3所示。

圖3 PSO算法流程圖

4 實(shí) 驗(yàn)

本文的仿真是建立在LTE系統(tǒng)的基礎(chǔ)之上，能耗模型的參數(shù)參照文獻(xiàn)[15]，更詳細(xì)的參數(shù)見(jiàn)表1。

表1 仿真參數(shù)

首先，我們先研究了時(shí)間劃分門(mén)限G所占滿(mǎn)載的比例因子φ與劃分最優(yōu)目標(biāo)C之間的關(guān)系，以此來(lái)尋找最優(yōu)的時(shí)間劃分門(mén)限值G。在這次仿真中假設(shè)有14個(gè)RRH，其中包含6個(gè)商務(wù)區(qū)和8個(gè)住宅區(qū)，α和β的取值均為0.5，表示在此仿真中，能耗和復(fù)雜度是同等看重的，但是如果更看重能耗性能，可以適當(dāng)加大α的值，減小β，反之更看重復(fù)雜度性能，則加大β，減小α。我們可以從圖4看出，φ的取值從0到1，并且間隔是0.05，可以表示G所占滿(mǎn)載的比例是從0到100%，并且以5%增長(zhǎng)。隨著φ的增大，表示門(mén)限G增大，這樣就會(huì)使得時(shí)間區(qū)間變長(zhǎng)以及時(shí)間區(qū)間數(shù)量的變小，直到將一天劃分為一個(gè)時(shí)間段。在φ比較小時(shí)，由于時(shí)間區(qū)間段區(qū)間數(shù)量多，同一區(qū)間之間的負(fù)載都相差不大，可以得到的分簇比較適用于此時(shí)間段，所以C整體比較小。在φ比較大時(shí)，時(shí)間區(qū)間劃分比較長(zhǎng)，這樣可能會(huì)使得負(fù)載相差比較大的時(shí)間點(diǎn)劃分到了同一個(gè)時(shí)間段內(nèi)，從而使得此時(shí)間段開(kāi)始時(shí)進(jìn)行的分簇不一定能適合整個(gè)時(shí)間段，導(dǎo)致C會(huì)比前面有很大的差別，比如φ=0.5前后。我們可以看出，曲線(xiàn)在φ=0.1時(shí)得到了最小的C，這說(shuō)明在同等看重能耗和復(fù)雜度的情況下，選擇滿(mǎn)載的10%作為時(shí)間劃分門(mén)限可以得到最優(yōu)的結(jié)果。

圖4 時(shí)間劃分均衡函數(shù)C與φ的關(guān)系

圖5表示文獻(xiàn)[12]中運(yùn)用的PSO算法、快速窮舉算法和本文提出的分簇算法的能耗性能對(duì)比。在此仿真中假設(shè)有14個(gè)RRH，其中包括6個(gè)商務(wù)區(qū)和8個(gè)住宅區(qū)，φ=0.1?？梢詮膱D中看出，在1～9點(diǎn)的低負(fù)載區(qū)域，3種算法在能耗性能上一樣，在10～23點(diǎn)的高負(fù)載區(qū)域，本文提出的分簇算法與PSO算法相差最大的值也僅占3%左右，一般相差1%到2%左右。而與最優(yōu)的快速窮舉算法最大相差也僅6%，一般相差1%到4%。可以說(shuō)本文提出的分簇算法與PSO算法和最優(yōu)結(jié)果的快速窮舉算法在能耗性能上差別不大，這就說(shuō)明隨著RRH的增多，分簇算法也能得到跟最優(yōu)的結(jié)果相差不大的能耗性能，滿(mǎn)足能耗性能的需求。

圖5 快速窮舉算法、分簇算法和PSO算法的能耗性能

圖6給出了分簇算法與PSO算法和快速窮舉算法在每個(gè)時(shí)間點(diǎn)上的復(fù)雜度對(duì)比，圖7給出了分簇算法與PSO算法和快速窮舉算法每個(gè)時(shí)間點(diǎn)的平均復(fù)雜度的對(duì)比。假設(shè)也是14個(gè)RRH，6個(gè)商務(wù)區(qū)和8個(gè)住宅區(qū)，φ=0.1。我們可以看出，在上述能耗性能相差并不是很大的情況下，分簇算法大大降低了復(fù)雜度，比PSO降低了80%，比快速窮舉算法降低了90%以上，而且隨著RRH數(shù)量的增多，這個(gè)差距會(huì)更加的大。并且在RRH數(shù)量很大使得最優(yōu)的窮舉算法不能進(jìn)行運(yùn)用時(shí)，我們也可以運(yùn)用復(fù)雜度很低的分簇算法來(lái)進(jìn)行計(jì)算。

圖6 分簇算法、快速窮舉算法和PSO算法的復(fù)雜度

圖7 分簇算法、快速窮舉算法和PSO算法的平均復(fù)雜度

5 結(jié) 論

本文研究了一種面向大規(guī)模通信網(wǎng)絡(luò)的集中式休眠算法。首先，在時(shí)域上構(gòu)建了一個(gè)均衡的優(yōu)化目標(biāo)來(lái)進(jìn)行時(shí)間段的劃分，通過(guò)調(diào)整時(shí)間劃分門(mén)限所占比例因子的值來(lái)得到最優(yōu)的時(shí)間劃分門(mén)限值。隨后，基于時(shí)間段的劃分，在每個(gè)時(shí)間段起始時(shí)刻設(shè)計(jì)了一種分簇休眠算法從空域上進(jìn)行RRH的分簇。最后，對(duì)每個(gè)簇運(yùn)用PSO算法來(lái)得到最優(yōu)的RRH開(kāi)關(guān)組合方案。本文對(duì)該分簇算法與PSO算法和快速窮舉算法進(jìn)行了仿真對(duì)比。仿真結(jié)果表明，本文提出的時(shí)間段劃分方法以及分簇算法，在能耗性能上與PSO算法和最優(yōu)的快速窮舉算法相差不大，而復(fù)雜度比PSO算法和快速窮舉算法得到了很大的降低。

[1] Garcia V, Zhou Y, Shi J L. Coordinated multipoint transmission in dense cellular networks with user-centric adaptive clustering.IEEETransactionsonWirelessCommunications, 2014, 13(8): 4297-4308

[2] Zhou Y, Pan Z G. Impact of LPF mismatch on I/Q imbalance in direct conversion receivers.IEEETransactionsonWirelessCommunications, 2011, 10(6): 1702-1708

[3] Zhou Y, Wang J, Sawahashi M. Downlink transmission of broadband OFCDM systems——Part I: hybrid detection.IEEETransactionsonCommunications, 2005, 53(4): 718-729

[4] Fettweis G, Zimmermann E. ICT energy consumption-trends and challenges (2008). In: Proceedings of the 11th International Symposium on Wireless Personal Multimedia Communications, Lapland, Finland, 2008. 1-6

[5] Fehske A, Fettweis G, Malmodin J, et al. The global footprint of mobile communications: The ecological and economic perspective .IEEECommunicationsMagazine, 2011, 49(8): 55-62

[6] 黃宇紅. C-RAN無(wú)線(xiàn)接入網(wǎng)綠色演進(jìn)白皮書(shū). 北京: 中國(guó)移動(dòng)通信研究院, 2010

[7] Chiaraviglio L, Ciullo D, Meo M, et al. Energy-efficient management of UMTS access networks. In: Proceedings of the 21st IEEE International Teletraffic Congress, Paris, France, 2009. 1-8

[8] LTE for UMTS-OFDMA and SC-FDMA Based Radio Access. John Wiley & Sons, 2009

[9] Niu Z S, Wu Y Q, Gong J, et al. Cell zooming for cost-efficient green cellular networks.IEEECommunicationsMagazine, 2010. 48(11): 74-79

[10] Guo W S, O’Farrell T. Dynamic cell expansion： traffic aware low energy cellular network. In: Proceedings of Vehicular Technology Conference, Quebec City, Canada, 2012. 1-5

[11] Zhu Y, Kang T, Zhang T, et al. QoS-aware user association based on cell zooming for energy efficiency in cellular networks. In: Proceedings of the IEEE 24th International Symposium on Personal, Indoor and Mobile Radio Communications, London, UK, 2013. 6-10

[12] Liu C, Wan Y, Tian L, et al. Base station sleeping control with energy-stability tradeoff in centralized radio access networks. In: Proceedings of the IEEE Global Communications Conference, San Diego, USA, 2015. 1-6

[13] Zhai G W, Tian L, Zhou Y Q, et al. Load diversity based optimal processing resource allocation for super base stations in centralized radio access networks.ScienceChinaInformationSciences, 2014, 57(4): 1-12

[14] Gong J, Zhou S, Niu Z S. A dynamic programming approach for base station sleeping in cellular networks.IeiceTransactionsonCommunications, 2012, 95(2): 551-562

[15] Auer G, Giannini V, Desset C, et al. How much energy is needed to run a wireless network?IEEEWirelessCommunications, 2011, 18(5): 40-49

[16] Kennedy J. Particle swarm optimization. In: Encyclopedia of Machine Learning. Springer US, 2011. 760-766.

[17] Shi Y, Eberhart R C. Empirical study of particle swarm optimization. In: Proceedings of the 1999 Congress on Evolutionary Computation, Waxhington, DC, USA, 1999, 3. 1945-1950

A base station sleep algorithm for large-scale centralized networks

Long Ken*， Wan Yi*， Liu Chang*********, Tian Lin*****

(*Chongqing University of Posts and Telecommunications， Chongqing 400065)(**Beijing Key Laboratory of Mobile Computing and Pervasive Device， Beijing 100080)(***Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190)(****University of Chinese Academy of Sciences, Beijing 100049)

The principle and performance of the centralized base station (BS) sleeping algorithm and the distributed BS sleeping algorithm for reducing the energy consumption of wireless communication networks were analyzed, and then, a centralized clusting algorithm (CCA) for BS sleeping was proposed for large scale wireless communication networks to solve the problem that the computational complexity of the centralized algorithm will become very large when the number of BSs increases. The CCA first formulates a bi-objective problem to divide the sleep period, and then the BSs are divided in clusters to obtain the combination of BSs’states through the particle swarm optimization (PSO). The simulation results show that the CCA significant outperforms the PSO and fast exhaustive algorithms in the computational complexity while keeping the same performance in energy saving as these algorithms’.

energy efficiency, BS sleep, centralized, computational complexity, cluster

10.3772/j.issn.1002-0470.2016.03.005

①863計(jì)劃(2015AA01A705)，國(guó)家自然科學(xué)基金(61201231)和國(guó)家科技重大專(zhuān)項(xiàng)(2014ZX03003004-003)資助項(xiàng)目。

，E-mail: 307777327@qq.com(

2015-10-20)

②男，1978年生，博士，講師；研究方向：5G關(guān)鍵技術(shù)；E-mail: longken@cqupt.edu.cn