電力無線專網中面向安全風險的分布式資源分配方法

黃秀麗 ，黃 進，于鵬飛，繆巍巍，楊如俠，李怡靜，喻 鵬*

（1.信息網絡安全國網重點實驗室（全球能源互聯網研究院有限公司），南京 210003；2.國網江蘇省電力有限公司信息通信分公司，南京 210024；3.網絡與交換技術國家重點實驗室（北京郵電大學），北京 100876）

（?通信作者電子郵箱yupeng@bupt.edu.cn）

0 引言

無線專網在電力系統中的廣泛應用，為配電自動化、源網荷儲互動等控制類業務和用電信息采集、移動作業、視頻監控等管理類業務提供了便捷的接入手段。電力無線專網繼承了無線網絡組網靈活、建設便捷、應用成熟的優勢，同時其頻段、設備、網絡的專用避免了無線公網在帶寬、時延、業務中斷率、安全可靠性等方面的限制，能夠有效補充有線傳輸網絡并高效解決電力通信“最后一公里”接入問題，打通電力通信網“神經末梢”，具有傳統有線通信和無線公網通信不可比擬的優勢，在變電站內部等地方得到了廣泛的應用和關注［1］。然而，隨著無線專網接入終端數量的急劇增加，在源網荷儲、配變監測、移動應用等各類混合業務統一接入的場景下，當前普遍采用的通過核心網進行集中式處理的方式將無法滿足負荷控制類電力業務的實時性要求，同時電力無線專網也繼承了無線系統的信道開放、網絡共享、終端移動等特性，對于電力業務的安全性也提出了巨大挑戰［2］。針對電力無線專網“終端-基站-核心網-主站”的通信架構，為了規避強干擾、高故障風險等場景，對電力無線專網中的終端通信進行安全監測，分析潛在風險，實現有效的資源管理和干擾管理［3］，如何實現風險規避的小區間干擾抑制是其中的一個核心問題［4］。

無線資源管理是干擾抑制的首選技術，即通過采用相應的資源分配算法，為每個終端分配資源塊（Resource Block，RB）和傳輸功率，從而減輕甚至消除干擾，提高網絡吞吐量［5］。然而，隨著無線專網接入終端數量的急劇增加，當前普遍采用的通過核心網進行集中式處理的方式時效性低，將無法滿足電力業務的實時性要求。因此，需要采用分布式管理提高電力業務處理的效率。文獻［6］采用改進的K-means 算法對超密集網絡中的基站進行了分簇，降低了資源分配的復雜度，且提出的聚類方法可以有效簡化網絡拓撲結構，在信息交換最少的情況下降低資源分配的復雜性。文獻［7］提出了基于K-means算法的以用戶為中心的自適應基站聚類方法，為干擾管理和資源分配降低計算復雜度。文獻［8］中通過將機器類型通信設備能效（Energy Efficiency，EE）最大化問題轉換為功率分配子問題和聚類子問題解決了非線性分數規劃問題。

同時，由于無線系統的信道開放、網絡共享和終端移動等特性，針對電力無線專網面臨的安全性挑戰，如何有效地減少干擾風險同時提高能效成為一個重要的研究方向。本文采用基站睡眠的方法將高風險基站進行關閉，從而減少網絡干擾，同時降低網絡能耗。文獻［9］提出了一種節能的基站開/關方法來停用未充分利用的基站，并通過仿真驗證了能源消耗最多可以減少72%。文獻［10］提出了基于基站休眠的干擾感知的用戶接入方案，仿真結果表明該方法相較于次優算法將吞吐量提高了56.8%。文獻［11］中，仿真結果表明當信噪比設置為20 dB 時，通過采用基站休眠方法，異構網絡的能效提高了近20%。然而已有的研究中基站休眠大多應用于減少網絡能耗，面對電力無線專網中的安全性問題，本文將該方法應用于規避高風險基站，通過對基站的風險值進行排序，關閉這些強干擾、高故障風險基站，從而保障終端的通信服務質量（Quality of Service，QoS）和實時接入。

另外，在資源分配方面，文獻［12］提出了一種基于Stackelberg 博弈的高能效資源分配方法，將優化問題分解為子信道分配和功率分配兩個子優化問題，并在功率分配過程中使用非合作博弈使每個基站的能效最大化。文獻［13］提出了一種基于比例公平的功率分配方案，從而提高了系統的性能效益。文獻［14］為解決電力無線專網中少數終端由于弱覆蓋而無法接入網絡的問題，提出了基于業務特性的中繼頻率分配方法，提高了頻率資源的利用率。然而，這些研究均采用通過核心網進行集中式處理的資源分配方法，將網絡整體的時頻資源迭代分配給每個基站，計算復雜度較大，時效性低。

綜上所述，針對電力業務的實時性接入要求和面向強干擾、高故障風險場景的安全性要求，目前的無線資源管理方法普遍采用核心網集中式處理，且沒有考慮到網絡能效。為此，本文提出了一種面向安全風險的高能效分布式資源分配方法。該方法采用K-means++算法將網絡劃分成多個獨立的基站簇，在每個簇內單獨處理高風險基站，采用基站休眠和傳輸功率優化同時提高網絡能效。

本文的主要工作如下：

1）分析了電力無線專網中基站的資源分配需求，建立基站的能耗模型，并構建網絡能效最大化的資源分配模型。

2）提出了網絡基站分簇方法，在每個簇內單獨處理高風險基站，根據風險值對基站進行休眠，并優化基站的傳輸功率。

3）通過仿真驗證面向安全風險的分布式資源分配方法在保障終端QoS的有效性和提高電力無線專網能效方面的可行性，并通過與其他算法進行對比，驗證了算法的有效性。

1 高能效資源分配優化模型的建立

1.1 基于自組織的分布式網絡管理模型

本文所研究的電力無線專網的網絡場景如圖1 所示，建立的網絡模型由負責基礎覆蓋的宏基站和部署在宏基站覆蓋范圍下的微型基站組成。圖1 中，網絡中的終端隨機分布，并按照離基站的最近距離各自接入宏基站或微型基站。

圖1 電力無線網絡覆蓋模型Fig.1 Power wireless network coverage model

網絡中宏基站的數目為N1，微型基站的數目為N2，宏基站和微型基站的集合分別表示為BH={Bh，i，i∈N+}，i={1，2，…，N1}和BW={Bw，j，j∈N+}，j={1，2，…，N2}，其中Bh，i表示網絡中的第i個宏基站，Bw，j則表示第j個微型基站。網路中 終 端 的 總 數 目 為M，構 成 終 端 集 合U={um，m∈N+}，m={1，2，…，M}，其中um表示網絡中的第m個終端。

設終端um在每個RB 上接收到的來自宏基站Bh，i的信噪比（Signal-to-Noise Ratio，SNR）為：

其中：ph，i為宏基站Bh，i在每個RB 上的發射功率，構成功率分配矩陣Ph={ph，i}；G是天線增益；PLh，i，m表示終端um與宏基站Bh，i之間的路徑損耗，PLh，i，m=f(dh，i，m)，dh，i，m表示宏基站Bh，i與終端um之間的距離；FL表示慢衰落；N和NF分別表示熱噪聲和噪聲因數。

相應地，終端um在每個RB 上接收到的來自微型基站Bw，j的信噪比為：

其中：pw，j為微型基站Bw，j在每個RB 上的發射功率，構成功率分配矩陣Pw={pw，j}，且P=Ph∪Pw；PLw，j，m表示終端um與微型基站Bw，j之間的路徑損耗，PLw，j，m=f(dw，j，m)，dw，j，m表示微型基站Bw，j與終端um之間的距離。

接下來可以得出，當um分別由Bh，i和Bw，j服務時，在每個RB上的數據速率位表示如下：

其中W表示每個RB上的帶寬（單位為Hz）。

進一步可以得到，當um分別由Bh，i和Bw，j服務時，所需基站分配的資源數目表示如下：

其中Vm為um所需的業務速率。則宏基站Bh，i和微型基站Bw，j分配的RB總數目可以分別表示如下：

1.2 基站能耗模型

在1.1 節中建立了分布式網絡管理模型，并分析了基站的資源分配需求，接下來將建立網絡中基站的能耗模型。在無線網絡中，通信基站的能耗主要由兩部分構成：一部分為基站的動態能耗，另一部分為基站的靜態能耗。基站的靜態能耗主要和通信基站的設備本身有關，如儲能模塊、空調等，可以用定值表示。基站的動態能耗則主要和基站的通信業務量有關，而基站的業務量可以由基站分配給終端的RB總數目來反映。通過前面分析基站的資源分配需求，計算出基站分配的RB 數目，可以得出基站的實際動態能耗值，并結合靜態能耗最終建立通信基站的能耗模型。

本文首先建立宏基站的能耗模型。由于基站在處于活躍狀態時，基站的動態能耗值由其分配給終端的RB 數目所決定，因此Bh，i在活躍狀態下的動態功耗可以表示為：

而Bh，i在活躍狀態下的靜態功耗表示如下：

其中：表示宏基站的額定最大運行功率；δh表示在活躍狀態下宏基站的靜態功率占其最大運行功率的比例。

則在活躍狀態下宏基站Bh，i的總功耗為：

當基站處于休眠狀態時，由于基站沒有用戶接入，因此業務量為0，相應的動態能耗值也就為0。休眠狀態下的Bh，i的靜態功耗表示為：

其中，ε表示處于休眠狀態的基站維持其正常管理功能所需消耗的能量比例。

則在休眠狀態下宏基站Bh，i的總功耗為：

最終建立的宏基站Bh，i的能耗模型如下所示：

通過式（14）和式（15）可以有效量化不同狀態下的宏基站的功率。

同樣地，微型基站Bw，j的能耗模型可以表示如下：

1.3 優化模型構建

本文的研究目標為通過設計資源分配方法，在最終達到網絡能效的最大化。能效（EE）指標定義為網絡總吞吐量與網絡總消耗功率的比值（單位為b/J）［15］，其意義為使單位能量的數據傳輸效率最大化，即在同樣多的能源消耗下傳輸更多的數據。ηEE代表能效，計算式如下：

基于前面建立的基站資源分配模型和基站能耗模型，可以得出宏基站和微型基站的總吞吐量分別為：

則網絡的總吞吐量為：

而宏基站和微型基站的總消耗功率分別為：

則網絡的總消耗功率為：

本文的優化目標為：針對網絡中的所有終端和規避后的活躍基站集合，在保證覆蓋、基站的發射功率、資源數目以及終端QoS 要求等約束的條件下，使得網絡的能效最大化。構建的高能效資源分配優化模型如下所示：

在上述數學優化模型中，優化對象為終端與基站的連接關系矩陣X和基站的分配功率集合P。

實現優化目標時需要滿足的條件具體如下：第一項約束是對基站發射功率的約束，其中和分別表示宏基站和微型基站的額定發射功率，約束保證基站分配給接入終端RB 上的總傳輸功率不超過基站的發射功率上限。第二項是對基站分配的RB總數目的約束，其中和分別表示宏基站和微型基站擁有的RB 數目，β是分配約束因子，保證基站的業務量不達到飽和。第三項約束是終端接收的信號強度需求，其中第一個PRm是宏基站的終端接收的信號功率強度，可以表示為PRm=ph，iRBh，i，m-PLh，i，m；第二個PRm是微型基站的終端接收的信號功率強度，可以表示為PRm=pw，jRBw，j，m-PLw，j，m，表示終端接收到的信號強度的最小允許值。第四項是為了保證區域的干擾約束，即終端接收到的來自服務基站的信噪比應該在允許的范圍內，第三項和第四項約束保證滿足終端的QoS要求。第五項約束表示終端與基站的連接關系xh，i，m和xw，j，m是一個二值變量。第六項約束則保證一個終端同時只能最多被一個基站服務。

該優化問題的優化對象一個是離散矩陣，另一個是連續矩陣，且約束為不等式、非線性約束，分析得知該優化問題是一個混合整數非凸組合優化問題，應用普通的數學方法很難進行求解，且過程復雜。因此，接下來對模型進行求解首先采用分簇算法對網絡中基站進行聚類，把整個網絡的資源分配轉化為分布式的每個簇內的資源分配；再通過改變并確定終端與基站之間的連接關系，消除離散對象，并對部分基站進行休眠，從而降低網絡的功耗；最后，為了降低功率分配的復雜度，以每個基站能效最大化為優化目標，通過分布式迭代得到每個基站的最優發射功率。

2 分布式資源分配算法的設計

本章針對電力無線專網的資源分配問題，提出了分布式的資源分配算法，包括基于聚類算法的網絡基站分簇、簇內高風險基站的休眠和每個簇內基站的功率優化分配。

2.1 基于K-means++的網絡基站分簇

本文的分簇算法選用的是基于經典K-means 算法的K-means++算法。K-means 算法易于實現，在簡化網絡拓撲結構方面得到了有效的應用［6-7］。但K-means 算法存在以下缺點：1）算法中的初始聚類中心為隨機選取，而初始聚類中心的位置選擇對最后的聚類結果和運行時間都有很大的影響，有可能導致算法收斂很慢；2）算法中聚類中心的個數k需要事先指定，而這個k值的選定非常難以估計。而K-means++算法則優化了k個初始聚類中心的選取方式，其基本原則是初始的聚類中心之間的相互距離要盡可能地遠。通過選擇較優的聚類中心，該聚類算法能夠獲得更好的聚類效果。本文基于文獻［16］中采用的K-means++算法，基于基站間的距離對網絡中基站進行分簇，為各個簇內單獨處理高風險基站，使簇間互相不關聯，從而降低終端-基站關聯和基站功率優化分配算法的復雜度。具體的基站分簇算法為：

1）在宏基站的集合中隨機選取一個宏基站作為第一個初始聚類中心；

2）計算宏基站集合中每個宏基站與當前已有聚類中心中與該基站最近的聚類中心的距離；

3）根據輪盤法以概率選出下一個新的初始聚類中心；4）重復步驟2）、3），得出k個初始聚類中心；

5）基于選取的k個初始聚類中心，執行K-means 算法，對網絡中的宏基站進行分簇；

6）基于宏基站的分簇結果，對于宏基站覆蓋范圍下的微基站，將其分配到與其最近的宏基站所屬的簇中。

接下來在分簇的基礎上，提出簇內高風險基站的休眠算法和高風險基站下終端的轉移連接方法，以此降低網絡中的終端和業務風險。然后，設計簇內每個基站的功率優化分配方法，實現網絡能效的最大化。

2.2 簇內高風險基站休眠和用戶轉移連接

本文設計有效的基站選擇算法，基于基站的風險，對高風險基站進行虛擬休眠操作，同時在不影響終端的網絡服務質量要求的情況下將這些高風險基站服務的終端轉移到其他基站，從而充分利用部分運行基站的剩余RB，實現風險規避和高能效處理。具體的休眠算法如算法1所示。

設同一簇內基站的集合為B，M是終端的集合，RBS為同一簇內基站的分配RB 集合，D為基站與終端之間的距離矩陣，X表示基站與終端之間的連接關系。另外，各個基站的狀態用集合{Sj}進行表示，{Sj}的初始化值均為1，表示所有的基站都處于正常狀態。

算法過程中，首先考慮高風險的基站，通過對基站的風險值進行排序，找到風險最大的基站Bj，其連接的終端集合為Mj。考慮該集合中的每一個終端，例如對于終端ui，通過距離矩陣D對除去已連接基站之外的同一個簇內的其他所有基站從近到遠進行排序，得到基站集合B*，接下來按照該集合順序，針對集合中的每個基站進行終端的接入判斷。判斷集合序列B*中的基站Bk與終端之間的距離是否小于Bk的覆蓋半徑Rk，如果超出基站的覆蓋范圍，則對下一個基站進行接入判斷，若終端ui在基站Bk的覆蓋范圍以內，則進行下一步的判斷。即判斷終端ui連接到基站Bk時，是否滿足終端的QoS 要求，包括終端的接收功率Pik是否大于信號強度下限、終端接收的信噪比是否大于γmin。如果能夠滿足以上條件，并且判斷基站Bj沒有風險，則將終端ui轉移連接到基站Bj上；如果不滿足上述條件，則考慮集合序列B*中的下一個基站。如果B*中的所有基站均不滿足，則終端ui沒有辦法進行轉移連接，繼續判斷基站Bj的活躍終端集合Mj中的下一個終端。重復進行上述操作，直到終端集合Mj中的每一個終端都檢查一遍。最后，若高風險基站的所有服務終端都能夠轉移連接到同一簇內的其他基站，則該基站能夠進行休眠。

該算法在對網絡基站進行分簇的基礎上，分析每個簇內所有基站的風險度，并對高風險基站的接入終端進行轉移連接，從而降低網絡中的終端和業務風險。通過休眠高風險基站，降低基站實際能耗來減少網絡能耗，幫助實現能效最大化的優化目標。

2.3 簇內基站功率優化分配

2.3.1 分布式功率優化分配機制

通過前面的基站休眠與終端-基站關聯機制，獲得了終端與基站的連接關系變量xh，i，m，xw，j，m的值，從而將原有的混合整數非線性組合優化問題P0轉換成了非線性優化問題P1：

而問題P1是帶有不等式約束的非凸優化問題，求解復雜度依然很大。考慮到超密集組網中基站數量眾多，因此，針對實現能效最優的優化目標，為了降低功率分配的復雜度，本文采用分布式的方法，在每個簇內進行休眠操作的基礎上，進行使每個基站簇的能效最大化的基站發射功率的優化分配，從而提高超密集組網的能效。

將問題P1 轉化為實現每個基站簇的能效最優的子優化問題P2：

其中：Ck表示屬于第k個基站簇的基站構成的集合。

隨著簇內基站在RB上的分配功率不同，基站簇的能效取值不同。因此，本文將通過程序迭代來獲得使每個基站簇的能效最大化的基站的最優發射功率，從而實現網絡能效的最大化。

2.3.2 分布式功率優化分配算法

首先，通過分析目標函數的約束條件，粗略確定算法中基站發射功率的迭代范圍小于30 dBm，并針對每一個簇，判斷屬于該簇的基站的每一個接入終端的迭代發射功率是否滿足終端的QoS 要求，即終端接收的信號功率強度要大于最低值，且終端的信噪比要大于最低下限γmin。如果待迭代判斷的發射功率滿足基站的每一個終端的業務需求，則在以該發射功率重新計算基站分配的RB數目的基礎上，判斷基站的最大發射功率和資源總數目是否滿足約束條件，即基站的總發射功率不能大于最大發射功率值，且基站分配給終端的RB 總數目不能大于上限值。若不滿足，則進行下一個分配功率的判斷；若滿足，則以該發射功率計算基站簇的能效，并根據迭代得出使基站簇能效最大化的基站發射功率值，網絡中所有基站的最優發射功率構成集合OP。

2.4 算法時間復雜度分析

該分布式算法的時間復雜度為O(NKt1)+O(S2)+O(SMc)+O(N(S-1)t2)。其中：O(NKt1)為聚類時間復雜度，O(S2)+O(SMc)為終端-基站關聯的時間復雜度，O(N(S-1)t2)為功率優化的時間復雜度。N表示網絡中基站的總數量，K表示基站簇的個數，t1表示K-means++的迭代次數，S表示每個簇中基站的平均個數，Mc為基站服務的平均終端數，t2為功率優化的迭代次數。集中式算法的時間復雜度為O(N2)+O(NMc)+O(N(N-1)t2)。因N?S，所以本文的分布式算法性能更優。

3 仿真實現與效果分析

本章通過仿真來驗證本文所提出的面向風險的分布式資源分配算法在提高電力無線專網能效方面的可行性，并通過與其他算法的對比，分析算法的性能。實驗在Matlab 仿真平臺下完成。

3.1 仿真環境設置

所設計的仿真場景中，網絡面積為1 000 m×1 000 m，其中包含11 個宏基站和21 個微型基站，以及80 個終端，宏基站的覆蓋范圍為250 m，微型基站的覆蓋范圍為50 m。一個黑點代表一個終端，終端隨機部署在網絡中。仿真過程中使用的參數值如表1中所示。

表1 仿真參數Tab.1 Simulation parameters

不同基站相關的參數分別用符號“h（宏基站）”和“w（微基站）”進行標識，但兩種基站的變量計算方式相同，因此在仿真時可進行統一，減少參數的定義。基于上述給出的各仿真參數，下面給出分布式求解算法的仿真結果。

3.2 仿真結果分析

本文提出的分布式資源分配方法，首先采用K-means++算法對網絡中的基站進行了分簇，對宏基站的分簇結果如圖2所示。網絡中的宏基站根據距離遠近共分為3個聚類，其中三角形代表每個聚類的聚類中心。

圖2 宏基站分簇示意圖Fig.2 Schematic diagram of macro base station clustering

基于宏基站的分簇結果，對其覆蓋范圍下的微型基站進行分簇，每一個微型基站將歸于與其距離最近的宏基站所屬的基站簇中。整個網絡的基站分簇仿真結果如圖3所示。

圖3 網絡基站分簇示意圖Fig.3 Schematic diagram of network base station clustering

下面將驗證高風險基站的休眠操作對保障終端QoS的有效性。如圖4 所示，相較初始的網絡狀態，在各個簇內關閉高風險基站之后，整體用戶的SNR 均值有了一定的提升。在網絡的初始狀態下，SNR 值為13 dB 以下的用戶占整體用戶的80%以上，但經過風險規避后，SNR 值為13 dB 以下的用戶占整體用戶的75%，有效提升了終端通信的QoS。

下面將驗證分布式功率優化分配算法的可行性和有效性。首先，通過該算法獲得了不同基站簇所分配的RB總數目隨基站在RB 上的傳輸功率不同而變化的示意圖，如圖5 所示。而圖6 反映的是隨基站的分配功率不同，每個基站簇的能效變化情況。通過分析可以發現，各個基站簇的最優分配功率值取的是使其基站簇分配的RB 總數目最大的基站傳輸功率值。

圖7 給出了不同資源資源分配方法下各基站功耗的變化情況，分別是：1）采用傳統的集中式資源分配，即每個基站發射功率相同（無策略）；2）對網絡中的基站以簇為單位進行分布式的風險基站關閉操作（簇內休眠）；3）在各個簇內進行遷移（休眠）的基礎上，進行最優功率分配（簇內休眠+功率優化分配）。可以看出，在每個簇內進行高風險基站的休眠操作后，由于風險基站的終端轉移連接到了同一簇內的其他宏基站或微型基站，因此終端新接入的基站其功耗會有所增加，但風險基站的關閉在提升用戶QoS 的同時，有效降低了網絡中的基站功耗。在此基礎上，在每個簇內進行的基站功率優化分配操作使每個活躍基站的功耗都有了一定的降低。

圖4 高風險基站休眠操作下用戶SNR的變化Fig.4 Changes of users’SNR under operation of high-risk base stations’sleeping

圖5 不同發射功率下基站簇分配的RB總數目變化Fig.5 Changes of total number of RB allocated by base station clustering under different transmission powers

圖6 簇內基站的分配功率與簇的能效之間關系Fig.6 Relationship between allocated power of base stations in cluster and energy efficiency of cluster

圖8 則給出了不同資源分配方法下各個基站簇以及整個網絡能效的變化情況。首先，對于傳統的集中式資源分配方法，網絡中所有基站的發射功率均相同，本文設定其值為26 dBm，并得出網絡的初始能效值為0.158 9 Mb/J。然后，對網絡中的基站進行分簇之后得出各個基站簇的能效值分別為0.156 5 Mb/J、0.153 0 Mb/J、0.165 9 Mb/J。接下來，在每個簇內進行了高風險基站的休眠與關閉基站下用戶的轉移連接操作。從圖8 可以看出，在關閉了高風險基站之后，每個基站簇的能效都有了明顯的提升。最后，在每個簇內對活躍基站的傳輸功率進行優化分配。可以看出，基站功率的優化分配使能效值有了進一步的提高。總體上看，采用本文提出的分布式資源分配方法后，整體網絡的能效從0.158 9 Mb/J 提升至0.195 4 Mb/J，對電力無線專網的綠色高能效運行有一定的幫助。

圖7 不同資源分配方法下各基站功耗的變化情況Fig.7 Power consumption changes of base stations under different resource allocation methods

圖8 不同資源分配方法下各個基站簇以及整個網絡能效的變化情況Fig.8 Energy efficiency changes of base station clusters and whole network under different resource allocation methods

4 結語

針對電力無線專網中強干擾、高故障風險等場景帶來的安全性挑戰，以及接入終端數量急劇增加時集中式資源分配時效性低的問題，本文提出了規避高風險基站的高能效分布式資源分配方法。仿真結果表明，該方法在降低資源分配復雜度的基礎上，通過關閉高風險基站，在保障用戶QoS的同時將網絡能效提高了約23%。未來的工作可以著眼于基站風險的空時預測，依據基于時間動態性的預測結果，按照空時域上的風險特征分布劃分區域，得到更為有效的基站簇，然后進行簇內高風險基站的休眠與基站功率優化分配，從而進一步提高網絡時空的安全性。