密集異構網絡中基于非鄰區關系分簇的集中式基站休眠算法

曹一侃，解志斌，王亞軍，夏本琦

（江蘇科技大學，江蘇 鎮江 212000）

1 引言

在未來的5G網絡中，網絡吞吐量將提高近1 000倍，網絡密集化是解決網絡吞吐量問題的有效途徑之一[1,2]，可通過部署大量低功率基站來達到改善系統容量和實現無縫覆蓋的目的，這也意味著部署密集的基站將會帶來巨大的能源損耗[3,4]。參考文獻[5]的研究表明，移動網絡的能耗60%～80%來自基站單元的消耗，參考文獻[6]研究表明，在一天之內，網絡內30%～45%基站負載低于峰值的 10%，很大部分基站在絕大多數時間內都沒有得到充分利用。因此，如何提高基站能效成為綠色通信的研究熱點。

目前，基站休眠技術被認為是解決網絡能耗問題的最有效方法之一，主要分為分布式基站休眠和集中式基站休眠[7,8]。分布式休眠算法通常基于預設的閾值判斷基站是否需要休眠[9]。該算法僅考慮自身和相鄰基站的運行情況，算法復雜度較低，但一般只能實現網絡局部優化，無法獲得整體網絡能效的提高。集中式休眠算法通過集中式管控模塊收集網絡中全部基站的負載信息，從全網絡的角度出發實施休眠算法，使整體網絡達到能效最優狀態。相對而言，集中式休眠算法網絡能效優于分布式休眠算法，但算法復雜度較高[10]。在針對集中式休眠算法的研究中，參考文獻[11]提出了一種啟發式集中休眠算法，該算法通過SON（self organization network，自組織網絡）服務器收集網絡中所有基站的運行狀態信息并計算所有基站的能效，盡量關閉能效小的基站。但該算法需要遍歷網絡所有基站，對于基站部署數量龐大的密集異構網絡而言，算法的復雜度太大。同時，參考文獻[11]中又提出了循環漸進式集中式休眠算法，該算法將開啟的基站按照能效大小分為高低能效兩組，根據測試低能效組中基站關閉的比例來判斷是否進行下一組的關閉測試，避免遍歷網絡中所有基站。但是在算法的執行過程中，用戶的轉移造成相鄰基站能效的變化，SON服務器不能及時更新基站能效的排序，從而影響分組后能效排序的準確性，使得本組關閉基站的比例降低，可能致使下一組測試無法進行，網絡的能效無法得到全面的優化。參考文獻[12]提出了分簇的集中式基站休眠算法，在算法執行過程中，關閉一個基站的前后，網絡都要進行簇的能效對比和更新，對于密集異構網絡來說，網絡信令負擔嚴重，算法效率低。參考文獻[13,14]提出了一種根據基站業務量判斷并執行關閉一定比例活動基站的休眠算法，在保證鄰近小區可以接受其業務量轉移的前提下，關閉業務量低的基站。然而，該算法并沒有考慮到用戶的實際位置對用戶成功轉移的影響，可能造成部分業務量低的基站無法休眠。

針對上述問題，本文提出了基于非鄰區關系分簇的集中式基站休眠算法。該算法首先對不具有用戶直接相互切換關系的基站進行分簇，使得簇內的基站能效變化互不影響，減少集中管理模塊統計和更新基站能效信息的頻率，降低網絡信令負擔。然后，在每個簇內建立潛在休眠基站的判決機制，減少算法執行過程中不必要基站的測試，有效降低運算復雜度；同時，根據用戶到基站的距離，設置基站運行模式的判決機制，合理轉移用戶，避免出現連續多個相鄰低能效基站間用戶相互轉移，造成低能效基站無法關閉而浪費能源的情況。最后，所有簇依次執行簇內的判決機制，經過多次準確的基站能效排序、合理用戶轉移以及基站運行模式的選擇，可以關閉更多低能效的基站，同時也降低了出現連續多個相鄰基站休眠的可能性，分散化基站休眠帶來的覆蓋漏洞，避免網絡擁塞率的提高。

2 系統模型

2.1 網絡架構

考慮有M個宏蜂窩形成基本覆蓋的異構網絡模型，其中，以每個宏基站為中心，形成理想的六邊形的覆蓋宏小區，如圖1所示。每個宏小區通過宏基站配置的定向天線劃分為3個宏扇區。在每個宏小區內，高密度地部署低功耗的小蜂窩，這些小蜂窩均配置全向天線，無扇區劃分，同時采用開放式用戶接入方式，允許覆蓋范圍內的所有用戶接入。

圖1 系統場景模型

2.2 接入模型

假設在業務強度周期性變化的網絡中，將用戶到達建模成一個強度為λ(t)的泊松隨機過程，λ(t)是一個周期T=24 h的變量[15]：

其中，A表示控制業務強度變化曲線幅度的參數，B表示控制業務強度變化曲線峰值位置的角度參數，C表示業務強度變化曲線的常數項，b∈{1,3}表示用戶調節業務強度變化曲線的梯度。設定參數A=19，B= -11/12，C=1，b=1[16]。

基于LTE下行傳輸信道模型，帶寬B被分為NRB個資源模塊，每個RB（resource block，資源塊）在某一時刻只能被一個用戶占用。宏扇區m服務用戶mk的用戶速率計算式為：

其中，IRB,mk,m表示第m個宏扇區分配給用戶mk的RB集合，BRB表示一個RB的帶寬，表示用戶mk在宏扇區m的第i個RB上接收的信干噪比。

小蜂窩覆蓋形成的第f個小小區服務用戶fk的用戶速率計算式為：

其中，表示第f個小小區分配給用戶fk的RB集合，γfk,i,f表示用戶fk在小小區的第i個 RB上接收信號的信干噪比。

2.3 能效模型

基站的輸出功率和基站的功耗之間存在線性關系，參考文獻[13]給出了其功耗模型：

其中，P0是非休眠狀態下每根天線的最小輸出功率，Pout表示滿足用戶需求的功率，ΔP是與負載相關的功耗的斜率,NTRX是基站的發射天線數,Psleep表示基站休眠狀態下的功率。

定義第k個小蜂窩的能效為該基站的吞吐量和基站的功耗的比值，具體計算式為：

其中，Mk表示第k個小蜂窩服務用戶的集合，表示第k個小蜂窩服務的第m個用戶的速率表示第k個小蜂窩的功耗。

3 基于非鄰區關系分簇的集中式基站休眠算法

在解決網絡能耗優化問題的過程中，貪婪算法能夠得到網絡能效的最優解，但隨著基站數量的增加，貪婪算法的復雜度會非常高甚至無法計算。在采用鄰區關系分簇或者基站能效排序的算法時，由于用戶在算法執行過程中的轉移，造成基站能效排序不準確。此時，對于不能及時更新能效排序的網絡，部分低能效基站無法關閉，而對于頻繁更新能效排序的網絡，無疑增加了網絡信令負擔。因此，本文提出了一種適用于密集異構網絡的基于非鄰區關系分簇的集中式基站休眠算法。該算法首先基于非鄰區關系準則，將不存在用戶直接相互切換關系的低功率基站分為一簇，然后根據每簇內基站能效均值以及用戶和基站的位置關系，分別建立潛在休眠基站判決機制和基站運行模式判決機制，最后所有簇依次執行簇內判決機制。

3.1 基于非鄰區關系的分簇算法

為將不具有鄰區關系的小蜂窩分為一簇，首先需要對所有小蜂窩做不同的標記，區分相互關系屬性。在標記過程中可以根據網絡的規模選擇多種標記方式，由于過多種類的標記會影響算法的復雜度及運算時間，因此，在小范圍的網絡中，可以根據小蜂窩鄰區個數的奇偶性，選擇至多4種編號標記的方式，將所有存在鄰區關系的小蜂窩做不同的標記，然后將相同標記的小蜂窩分為一簇，達到非鄰區關系分簇的目的。

根據小蜂窩鄰區的個數，首先將鄰區個數最多的小蜂窩和獨立的小蜂窩標記為1，然后根據鄰區個數的奇偶性，加以區分標記。當鄰區個數為偶數時，只需要兩種數字即可將它們分開，即2、3；當鄰區個數為奇數，等于或者大于3時，則需要3種數字標記，即2、3、4；對于只存在一個鄰區的基站，一種數字標記即可，如圖2所示。

圖2 小蜂窩鄰區關系的標記情況

所有小蜂窩標記完成后，將相同標記編號的小蜂窩分為一簇。具體的分簇步驟如下。

步驟1 初始化。集合A表示所有的小蜂窩組成的集合，集合Bn表示第n個小蜂窩相鄰基站組成的集合，初始化為空集，|Bn|表示第n個小蜂窩相鄰的基站的個數。

步驟2 集合A中每個小蜂窩根據收集到的信息計算與其他小蜂窩之間的距離，若距離小于給定的閾值d（d=2D，D表示小蜂窩的覆蓋半徑），則認為兩個小蜂窩相鄰，并更新集合Bn。

步驟3 集合A中，每個小蜂窩計算自己鄰區的個數，更新|Bn|，將|Bn|按照遞減順序排列，形成列表集合L。

步驟4 從列表集合L中選取鄰區基站數最大值對應的小蜂窩標記為 1，獨立的小蜂窩也標記為1。標記后將該基站在列表集合L中的排序刪除。

步驟5 對標記為1的小蜂窩對應的Bn中的基站進行標記，相鄰的小蜂窩大致成環狀分布。依次對相鄰基站每隔一個小蜂窩做相同的標記：當鄰區個數為偶數時，做232323標記；當為奇數時，做234234標記。

步驟 6 將已標記小蜂窩對應的排序從列表集合L中刪除。

步驟7 若列表集合L不為空集，返回步驟4；若為空集，轉入步驟8。

步驟8 集合A中的基站全部標記完成后，按照基站的標記編號進行分簇。相同標記編號的分為一簇，即簇1、簇2、簇3、簇4。

3.2 基于簇內判決機制的休眠算法

小蜂窩分簇后，為進一步降低算法的復雜度，減少不必要的基站測試，本節建立了一個潛在休眠基站判決機制。考慮到網絡整體能效主要受部分低能效基站的影響，因此，可把每個簇內基站能效的均值作為閾值，集中測試能效值小于的小蜂窩。根據式（6）、式（7）判斷潛在休眠基站。

在潛在休眠基站嘗試休眠的過程中，用戶在基站覆蓋范圍內的分布位置對基站能否順利休眠起到決定性作用，因此，需要根據用戶的實際位置合理地選擇基站運行模式。對于靠近周邊鄰區基站的用戶，可以根據實際情況轉移到周邊鄰區基站，但對于集中在基站中心附近的用戶，成功轉移到周邊鄰區基站的可能性較低，參考文獻[12]中算法是繼續保持該基站的工作狀態，這樣就產生了能源的浪費。參考文獻[13]算法是將這些用戶轉移到室外的宏基站服務，由于存在墻壁遮擋和距離宏基站較遠等問題，一般宏基站的信號質量在室內不太理想，用戶轉移成功率和基站關閉率都不高，即使轉移成功，由于信道質量較低，用戶占用較多的信道資源，提高了網絡擁塞率。因此，給出了基站運行模式的判決機制，根據用戶在小蜂窩覆蓋范圍內的位置來判定基站是休眠還是進行功率收縮，合理地安排和轉移用戶。由于小蜂窩為低功率基站，不適合采用多級調節發射功率情況，因此，在基站選擇收縮功率模式時，發射功率降為原來的一半。

基站分成4個簇后，在每個簇內執行判決機制的具體步驟如下。

步驟1 根據SON收集簇內基站服務狀態信息，計算簇內所有基站的能效值ηk并得到能效均值。

步驟 2 集合T表示簇內能效值小于能效均值（ηk≤）的所有小蜂窩的集合，將集合T內基站按照能效值遞減序列排序。將集合T內能效值最大的基站表示為tmax，統計tmax內所有用戶到基站的距離并求出距離均值，D為tmax的最大覆蓋半徑。

步驟 3 若≤D/2，則判定tmax內的用戶主要集中在基站附近，基站選擇收縮功率模式。同時，嘗試將距離tmax較遠的用戶轉移到鄰近的小蜂窩或宏蜂窩。若成功轉移，基站可以進入收縮功率模式，更新集合T，T=T-{tmax}，若不成功，則基站保持原先的運行模式，更新集合元素，T=T-{tmax}。

步驟4 若＞D/2，則判定tmax內的用戶主要集中在基站外圍，基站選擇休眠模式，同時，嘗試將距離tmax較近的用戶轉移到宏蜂窩，較遠的用戶轉移到鄰近小蜂窩，若成功轉移，基站可以進入休眠模式，更新集合元素，T=T-{tmax}，若不成功，則基站保持原先的運行模式，更新集合元素，T=T-{tmax}。

步驟5 若集合T不是空集，則返回步驟2。

步驟 6 若集合T為空集，則轉入任意一個簇執行步驟1～步驟5。

直到所有簇依次執行完上述判決機制，算法結束，并等待下一次執行算法的時間到來。在每個簇內的判決機制的流程如圖3所示。

4 仿真結果和分析

為了更好地評估基于非鄰區關系分簇的集中式基站休眠算法的性能，本節將與貪婪休眠算法和鄰區關系的休眠算法進行比較，參與對比的性能包括：基站的平均開啟數、網絡能效、網絡的擁塞率以及算法的運行時間。

本節搭建的密集異構網絡中含有7個宏蜂窩，每個宏扇區內均勻隨機分布著100個小蜂窩，仿真過程中采用 Wrap-around技術[17]，克服異構網絡中的邊界效應。同時采用郊區路徑損耗模型[18]，并假設小蜂窩均位于一層的建筑物內，具體仿真參數見表1。

3種算法的基站平均開啟數隨時間變化情況如圖4所示。由圖4可知，3種算法的基站平均開啟數很好地反映了網絡負載的變化情況。即在23點至次日7點時間段，由于大部分用戶處于休息狀態，業務需求量較低，基站開啟數較少；后續時間段，隨著日常繁忙生活的開始，基站開啟數逐漸增加直至趨于穩定。在采用非鄰區關系分簇休眠算法時，基站的平均開啟數較低，這是因為采用非鄰區關系分簇，避免了鄰區基站能效變化相互影響，準確排序基站能效，提高休眠算法準確性。同時，簇內潛在休眠基站判決機制，使算法針對性優化低能效基站；簇內基站運行模式判決機制使得用戶轉移更加合理，避免轉移到距離較遠的低能效基站，占用較多網絡資源而無法關閉低能效基站。貪婪算法和鄰區關系分簇休眠算法均未考慮鄰區基站能效變化的相互影響以及連續多個相鄰低能效基站執行算法的情況。因此，兩者的基站平均開啟數均較高。

圖3 簇內判決機制流程

表1 部分仿真參數

圖4 不同算法基站平均開啟數隨時間的變化情況

3種算法的網絡擁塞率隨時間變化如圖 5所示。在業務低谷期，用戶數量以及服務需求變化量較低，開啟的基站足以滿足用戶的服務需求，擁塞概率較低。隨著網絡業務量的增加，基站開啟數增加，但由于網絡中存在較多的覆蓋空洞，網絡擁塞概率不斷增加。在業務高峰期，基站開啟數較多，3種算法的網絡擁塞率均低于1%且處于一個較穩定的狀態，滿足一般通信服務網絡擁塞概率的要求。鄰區關系分簇算法由于簇頭時刻保開啟狀態，監測新用戶的出現，擁塞率較低。非鄰區關系分簇休眠算法由于基于非鄰區關系分簇和所有簇依次執行簇內判決，在經過多次準確的基站能效排序、合理的用戶轉移以及基站運行模式的選擇后，降低了出現連續多個相鄰基站休眠的可能性，分散化基站休眠帶來的覆蓋漏洞，避免出現大面積覆蓋漏洞的情況，同時，簇內的基站運行模式判決機制也降低了用戶轉移到較遠基站通信的可能性，減少了通信過程中因信道質量較差而占用較多網絡資源的情況。因此，在關閉更多基站的情況下，非鄰區關系分簇休眠算法并沒有明顯地提高網絡擁塞率。

圖5 不同算法網絡阻塞率隨時間的變化情況

圖6給出了在保證網絡具有良好的擁塞概率的情況下，3種算法的網絡能效以及未執行任何休眠算法網絡能效隨時間變化的情況。由圖6可知，3種休眠算法的網絡能效變化隨著網絡業務量和基站開啟數變化而變化，變化趨勢基本相同。鄰區關系分簇休眠算法由于要時刻保持簇頭的開啟，基站開啟數略多于貪婪休眠算法，因此網絡能效要低于貪婪休眠算法。非鄰區關系分簇休眠算法具有較高的算法準確性、更加合理的用戶轉移方式和基站的運行模式，便于優化更多低能效基站。因此，網絡整體能效要優于其他兩種方法。

圖6 未執行休眠算法網絡能效以及不同算法網絡能效隨時間的變化情況

圖7顯示了不同算法在運行時間上隨時間變化的差異性。由圖7可知，3種算法運行時間的變化趨勢與業務量和基站開啟數的變化趨勢基本相同。貪婪算法需要遍歷網絡中所有的基站，因此耗時較長，雖然鄰區分簇休眠算法采取分簇的方式降低算法的復雜度，但在每個簇內算法仍需遍歷簇內所有基站，所以從整體網絡來說，兩種算法的運行時間基本相同。非鄰區關系分簇休眠算法通過非鄰區關系分簇提高基站能效排序的準確性，降低執行休眠算法過程中 SON頻繁收集基站能效和更新能效排序消耗的時間，同時簇內設置潛在休眠基站判決機制，減少不必要基站的測試。因此，非鄰區關系分簇休眠算法的執行時間要明顯少于其他兩種算法。

圖7 不同算法運行時間隨時間的變化情況

5 結束語

為了避免傳統集中式休眠算法執行過程中，因用戶相互轉移而造成鄰區基站能效排序準確性受到影響的情況，提出了一種非鄰區關系分簇的集中式休眠算法，該算法提高基站能效排序準確性，減少不必要基站測試以及合理安排用戶轉移方式和基站運行模式，實現了網絡能效的提高。仿真結果表明，非鄰區關系分簇休眠算法在網絡擁塞率略高的情況下，基站平均關閉數、網絡能效和算法執行時間上都要優于其他兩種算法。考慮到在分簇較多的情況下，由于所有簇需依次執行休眠算法，算法的運行時間及復雜度會受到影響，因此，在更大范圍的網絡中建議多級混合分簇，縮小休眠算法運行時間，提高網絡優化的效率。

參考文獻：

[1]陳山枝.發展 5G 的分析與建議[J].電信科學, 2016, 32(7)：1-10.CHEN S Z.Analysis and suggestion of future 5G directions[J].Telecommunications Science, 2016, 32(7)： 1-10.

[2]韓東升, 鄭冰, 陳智雄.基于能量損耗與能源代價均衡的基站休眠機制[J].電信科學, 2017, 33(7)： 9-18.HAN D S, ZHENG B, CHEN Z X.Base station sleep mechanism based on power consumption and energy cost balance[J].Telecommunications Science, 2017, 33(7)： 9-18.

[3]BOUSIA A, KARTSAKLI E, ANTONOPOULOS A, et al.Multi objective auction-based switching off scheme in heterogeneous networks to bid or not to bid [J].IEEE Transactions on Vehicular Technology, 2016, 65(11)： 9168-9180.

[4]周朋光, 黃俊偉, 張仁遲, 等.超密集網絡中一種基于人工蜂群的節能分簇算法[J].電信科學, 2017, 33(2)： 90-97.ZHOU P G, HUANG J W, ZHANG R C, et al.An energy saving clustering algorithm based on artificial bee colony in ultra dense network[J].Telecommunications Science, 2017, 33(2)： 90-97.

[5]BJORNSON E, SANGUINETTI L, KOUNTOURIS M.Deploying dense networks for maximal energy efficiency： small cells meet massive MIMO[J].IEEE Journal on Selected Areass in Communications, 2016, 32(4)： 832-847.

[6]李渝舟, 江濤, 曹洋, 等.5G 綠色超密集無線異構網絡：理念、技術及挑戰[J].電信科學, 2017, 33(6)： 34-40.LI Y Z, JIANG T, CAO Y, et al.Green 5G ultra-dense wireless heterogeneous networks： guidelines, techniques and challenges[J].Telecommunications Science, 2017, 33(6)： 34-40.

[7]陳登昭.異構蜂窩網絡下基站節能技術研究 [D].長春： 吉林大學, 2016.CHEN D Z.Study on the energy-saving technology of base station of heterogeneous cellular network [D].Changchun： Jilin University, 2016.

[8]CHIARAVIGLIO L, CIULLO D, MEO M, et al.Energy-efficient management of UMTS access networks[C]//The 21st IEEE International Teletraffic Congress, Sept 15-17, 2009,Paris, France.[S.l.： s.n.], 2009： 1-8.

[9]GUO W S, O’FARRELL T.Dynamic cell expansion： traffic aware low energy cellular network[C]//2012 Vehicular Technology Conference, Sept 1, 2012, Quebec City, Canada.Piscataway： IEEE Press, 2012： 1-5.

[10]LIU C, WAN Y, TIAN L, et al.Base station sleeping control with energy-stability tradeoff in centralized radio access networks[C]//The 2015 IEEE Global Communications Conference, Dec 6-10,2015, San Diego, USA.Piscataway： IEEE Press, 2015： 1-6.

[11]JIE W, SHI J, LEI J, et a1.Dynamic switching off algorithms for pico base stations in heterogeneous cellular networks[J].EURASIP Journal on Wireless Communications and Networking, 2015(1)： 117.

[12]WEI Z, WEI L, XIE Y, et al.Hybrid BS-cooperative power management scheme with self-organized sleep mode in virtual cell-based femto networks[J].International Journal of Distributde Sensor Networks, 2012： 178-193.

[13]BOUSIA A, KANSAKLI E, ALONSO L, et al.Dynamic energy efficient distance-aware base station switch on/off sheme for LTE-Advanced[C]//IEEE Global Communications Conference(GLOBECOM), Dec 3-7, 2012, Anaheim, CA, USA.Piscataway： IEEE Press, 2012： 1532-1537.

[14]ABDUKLAFI A A, KIONG T S, CHIENG D, et al.Energy efficiency improvements in heterogeneous network through traffic load balancing and sleep mode mechanisms[J].Wireleess Personal Communication, 2014, 75(4)： 2151-2164.

[15]MARSAN M A, MEO M.Energy efficient management of two cellular access networks [J].ACM Sigmetrics Performance Evaluation Review, 2010： 69-73.

[16]AUE G, GIANNINI V, DESSET C.How much energy is needed to run a wireless network[J].Wireless Communications, 2011,18(5)： 40-49.

[17]3GPP.Simulation assumptions and parameters for FDD HeNB RF requirements： TSG RAN WG4 R4-092042[S].2009.

[18]BJ?RNSON E, SANGUINETTI L, KOUNTOURIS M.Deploying dense networks for maximal energy efficiency： small cells meet massive MIMO[J].IEEE Journal on Selected Areas in Communications, 2016, 34(4)： 832-847.