AI使能的5G節能技術

徐丹，曾宇，孟維業，李力卡

（中國電信股份有限公司研究院AI研發中心，北京 102209）

1 引言

5G時代的到來將為海量設備提供網絡服務，以滿足泛在的連接及海量數據傳輸需求。根據《5G時代運營商數據和存儲架構白皮書》[1]的預測，到2025年，5G網絡中每月數據量將達到17.75 ZB，5G網絡容量需求顯著提升。為了滿足5G網絡的容量需求，在當前的5G架構下，網絡使用了更寬的頻譜資源[2]，同時引入了大規模多輸入多輸出（massive multiple input multiple output，massive MIMO）技術，使得5G網絡的能耗大幅增加[3]。未來5G全面普及之后，預計到2030年，我國5G基站數量將達到1 500萬個[4]，而單個5G基站的功耗是4G基站的3～4倍[5]，這會帶來巨大的能源開銷。依靠現有網絡范式和體系結構來實現該目標將不可避免地導致能源緊縮，并帶來嚴重的經濟和環境問題。為應對全球能源短缺和環境保護面臨的挑戰，5G系統的節能技術成為當前學術界和運營商研究的重點[6]。

近年來，學術界已經開展了一系列研究，從理論上探索5G網絡潛在的節能范式和體系架構。傳統的網絡節能主要通過合理的網絡規劃和多層關閉實現[7]，合理的網絡規劃意味著通過網絡規劃和優化，減少站點部署數量，以滿足網絡容量和節電的要求，提高覆蓋效率，同時也可以減少無效的系統開銷。然而5G網絡的復雜性使得傳統依賴于人工的運維手段無法滿足節能需求，具體表現在：第一，解決方案不靈活。為了簡化部署的復雜性，將在一個區域甚至整個網絡中配置統一參數，而無須進行場景識別，這可能無法與實際流量變化相匹配；第二，該解決方案不支持可持續發展。一旦網絡架構發生變化（例如小區數量的增加或減少、相鄰小區關系的變化或流量的變化），先前的節能策略可能會完全無效；第三，該解決方案的適應性較差，需要大量的現場或遠程支持人員。隨著人工智能（artificial intelligence，AI）技術的蓬勃發展，基于AI的智能化節能方案成為未來新的技術研究熱點，通過網絡預測、策略調整和優化以及實時KPI監視，基于AI設計閉環省電解決方案，在省電和網絡性能之間找到平衡[8]。

同時，運營商及產業界對5G節能也展開了一系列的實踐探索，利用AI技術對網絡歷史數據進行學習，構建業務的模型，同時引入實時數據不斷訓練修正模型，實現對業務場景的精準預測，進而在當前環境下進行節能場景的識別、負荷的智能預測、節能策略的智能推薦，提高節能觸發的靈活性，達到智慧節能的效果[9]。

隨著5G的增長，預計到2025年，無線接入網能耗占網絡總能耗的 50.6%，數據中心占23.3%，邊緣和核心網占2.2%[10]。因此，在5G各個單元（如基站、核心網元、數據中心機房等）應用智慧節能技術勢在必行，并將期待實現5G端到端能效提高。

2 能效模型

2.1 接入網絡能效

在不考慮部署場景的情況下，能源效率可以表示為[11]：

其中，i表示第i個載荷，Vi表示網絡每秒的流負載（byte），Ei表示處理流量負載所消耗的能量（J），iα為流量負載級別的權重。

根據式（1），能效的提升可以分為兩個方面：第一，利用更寬的頻譜資源、更多的天線、更高的調制階數等來增加流負載；第二，降低處理有效負載所消耗的能量。

2.2 核心網絡能效

參考文獻[12]中提出一種潛在的5G核心網絡能效KPI，可表示為：

其中，DV表示5G核心網絡測量的數據量，EC表示核心網絡消耗的能量。DV測量包括5G核心網絡僅用戶面測量，或者用戶面和控制面測量。

根據式（2），能效的提升可以分為兩個方面：第一，通過提高單位時間有效流量負載；第二，降低處理有效負載所消耗的能量。

2.3 數據中心能效

在數據中心中，將常用的電源使用效率（PUE）作為能效衡量指標[13]：

其中，總用電量包括IT負載能耗、冷卻系統的能耗、場地和核心房間的照明、電力與配電損耗等。由于冷卻和設備散熱、設備配置、設備機房環境和大氣條件之間的關聯，在運維達到一定的成熟度后，人力或專家經驗無法滿足進一步降低能耗的要求。降低數據中心總能耗，可以通過動態負載調節優化服務器能耗[14]，以及降低水冷主機、冷卻塔、熱交換器和水泵等能耗調節優化服務器能耗。

3 AI使能的節能技術

3.1 基站節能

5G基站是5G網絡的核心設備，提供無線覆蓋功能，實現有線通信網絡與無線終端之間的無線信號傳輸。基站的架構、形態直接影響5G網絡如何部署。由于頻率越高，信號傳播過程中的衰減也越大，與4G網絡相比，5G網絡需要更高的基站數量和密度，隨著覆蓋范圍、容量和站點數量的增加，基站的功耗占移動網絡的一半以上，甚至高達80%。因此，5G基站的節能迫在眉睫。

基站的能量消耗可以定義為：

其中，NC是組件的載波數，Nse表示每個站點的扇區數，PΔ表示負荷與功耗的斜率關系，χ為傳輸資源元素（RE）的數量與總RE的數量之比，0P為基站最小輸出功率，Pmax為射頻模塊每個載波上的最大輸出功率，Psleep為基站睡眠模式下的功率。從式（4）可以看出，χ=0狀態下的基站能耗更小[15]。

在LTE網絡中，基站節能技術應用主要通過人工設定的門限來決定是否需要開關。這種方法參數設置保守，節能效果有限，且所有的參數都是由基站統一設置的，無法在復雜多變的環境下做到對網絡環境自適應。

在5G網絡中，靈活的參考信號設計使基站的睡眠模式更加高效。通過設計靈活的參考信號，在不需要基站組件時將其關閉，使得基站在更長的時間內處于χ=0的狀態，從而降低了能耗Ei。例如，基站的大多數組件都不使用時，可以通過關閉其大部分組件的能量來使其進入睡眠模式。尤其在小區多層覆蓋時，通過流量預測和決定微基站的睡眠狀態，并將流量遷移到宏基站，實現非常低的覆蓋損耗，在保障區域QoS的同時提供可能的最佳能源效率[16]。

（1）AI使能的5G基站節能技術

人工智能技術可以令基站節能技術更加智能化，實現全網運行效率最優、綜合節能效率最優的節能目標[17]。通過數據預測和實時監控，基于AI的基站節能可以分為以下3個方向。

· 基于時間的節能：網絡負載和用戶行為可以通過歷史數據分析來預測，如自回歸綜合移動平均（autoregressive integrated moving average，ARIMA）模型、長短期記憶（long short-term memory，LSTM）和Facebook的Prophet用于時間序列預測[18]。基于單元的時間窗口無須設置統一的參數，而是可以確保更長的激活時間以節省功耗。

· 基于閾值的節能：通過預測RRC連接的用戶和PRB的使用情況，將不同的觸發閾值用于不同的情況[19]。將預測值與基于15 min粒度的實時流量進行比較，預測準確性超過90%，這意味著逐個單元的策略和方案識別可提高可執行性。

· 基于KPI的節能：實時監控網絡KPI（例如呼叫建立成功率、掉線率、切換成功率和吞吐量、平均功耗和用戶體驗）以優化策略，在AI省電中允許實時策略回滾[20]。

AI使能的基站節能方案需要采集無線端負載、感知數據等[21]，使用AI技術識別業務場景[22]，如商業區、居民區、高鐵線路等。基于歷史業務負荷數據訓練預測模型，在預測未來業務量增大時，適當關閉一些節能手段，或在預測的節能小區和節能時段觸發該小區的負荷轉移到其鄰區，負荷轉移完成后立即觸發該小區的節能[23]。業務流量預測模型主要根據歷史小區信息以及環境因素的特征，利用神經網絡找到這些特征值和模型的對應關系，確定權重矩陣和梯度后構造，表1給出一些網絡流量預測模型。根據預測結果進行節能策略最優選擇、實時調整、自動更新和執行，實行差異化的閾值調整門限，滿足預設的KPI和節能目標[24]。多基站協同節能的方法是將相鄰基站的歷史信息加入上述的模型進行聯合模型的預測，使預測結果更精確[25]。同時也可以自動識別多層覆蓋小區、基礎覆蓋小區和補熱小區，熱點覆蓋小區可根據業務量變化、多網覆蓋狀態等進入節能模式，實現節能效果。

（2）AI使能的基站節能試點應用

某試點區域5G站點采用AI節能技術，首先進行數據（包括OMC數據、DPI數據、MR/工參、話單數據等）采集，然后對數據進行融合處理包括清洗（去噪、填充）、關聯、稽核。通過試點小區的歷史數據構建無監督學習分析潮汐結構、模式，挖掘試點小區在不同周期（月內、周內）的無線資源、業務負荷等特征，為其建立不同周期級別的潮汐檔案。基于試點小區的潮汐結構和業務指標的時序預測結果，結合場景識別、共覆蓋分析情況，生成試點小區的安全節能建議（包含小區最佳節能時段、節能功能（符號關斷、載波關斷、通道關斷等）的推薦），然后配置OMC及指令集，并自動完成執行策略實施后的網絡性能、節能情況分析，利用強化學習（Q-learning）與操作交互結果獲得最大獎賞/懲罰（預先設定）優化參數調整。

5G基站應用AI節能策略的同時亦評估對網絡業務的影響，支持突發事件早期感知智能剎車/喚醒。基于AI的預見性基站節能能夠實現節能時段的精細選擇，延長節能時長，同時保障用戶感知。

表1 網絡流量預測模型

3.2 5G核心網絡節能

核心網作為“管理中樞”，負責管理數據，對數據進行處理和路由交換。由于數據密集型應用程序不斷普及，連接到互聯網的設備數量不斷增加，互聯網流量已經呈指數級增長。在經濟、環境和社會影響的驅動下，學術界和工業界對核心網的能耗開展了一系列研究，目標為有效提高能源效率。

隨著軟件定義網絡（software defined network，SDN）和網絡功能虛擬化（network functions virtualization，NFV）的出現，核心網元的功能實現可以通過SDN進行定義，進而通過網絡云中的虛擬網絡功能（virtualized network functions，VNF）來實現。虛擬化可能成為一種非常有用的降低能源消耗的方法，硬件充當同時運行多個應用程序的承載，可節省額外部署專用硬件和軟件組件[32]的成本。參考文獻[33]提出了在接入網絡和核心網絡中使用虛擬網元節點，相比于使用物理網元節點執行單一功能的結構，虛擬網元有顯著節能優勢（如資源分配的靈活性、單個節點運行多個虛擬化接入/核心網功能）。虛擬化網元在不工作時休眠，根據工作負載隨時準備激活這些功能。

在3GPP框架下，3GPP SA5正在針對5G核心網以及切片的能效 KPI 進行標準化研究，利用3GPP R17的管理服務框架有可能實現利用管理服務對網元的能效KPI進行標準化測量和收集[25]。

5G核心網中應用AI技術，可以根據網絡流量的變化趨勢，調節虛擬網元資源占用情況，在不影響網絡提供服務關鍵性能指標的前提下，降低能量消耗，提高網絡的能量效率，從而達到節能的目的。

針對核心網控制面和用戶面的資源使用和流量變化趨勢調整資源分配，需要采集相關數據，包括但不限于：各網元實例的業務量、最大服務用戶數、能耗數據、資源使用數據、NF級性能測量數據和網絡級KPI數據等。

基于網絡流量的歷史數據，需要對網絡流量變化趨勢進行預測。網元實例流量的精準預測可以幫助推動節能的網絡決策，然而網絡流量在時間和空間上具有不均勻性、用戶在一天的不同時刻和不同的地方有不同的QoS要求以及用戶的移動性等使網絡流量預測面臨挑戰，所以模型算法需要根據監測數據不斷更新迭代。

基于網絡流量的預測數據，可以智能地調整VNF的資源分配，例如根據VNF實例上的負載統計及預測情況，將資源利用率低的VNF實例上的負載遷移到特定的少數專用VNF實例上，從而產生更多的空負載的VNF實例，對這些VNF實例占用的資源進行重分配（或回收），提高核心網的能量效率KPI。參考文獻[34]提出一種基于半監督機器學習的資源需求新模型，參考文獻[35]使用深度學習實現NFV中的資源分配。

以節能為目的，同時考慮用戶的QoS（QoE）需求，在滿足用戶需求的前提下，降低VNF的資源占用，從而在節能和網絡需求層面達到均衡。參考文獻[36]使用了Facebook數據中心的真實生活數據，在已經建立的包括移動管理實體、服務網關、分組數據網網關和策略、收費功能等基礎設施之上進行了真實的估算，在工作隊列下通過改變不同的因素（包括VNF的總數、可用的服務器總數以及傳入的速度、整個系統容量和虛擬機的設置時間等不同參數），比較了消耗功率和服務器的響應時間，旨在基于動態自動縮放算法（dynamic auto scaling algorithm，DASA），為運營商提供一種更好地理解其成本與性能之間的權衡的方法。

3.3 數據中心節能

隨著5G時代的到來，各類數據的需求增長，數據中心大量能耗帶來的問題也引起了廣泛的關注。

影響數據中心能耗主要由3個部分組成，分別是IT設備、制冷系統和配供電系統。其中，IT設備和制冷系統能耗占數據中心總能耗的80%以上，因此對IT設備和制冷系統的運行模式和控制方式進行優化對數據中心節能具有重要意義。

（1）AI使能的數據中心節能技術

服務器主要進行數據傳輸和路由交換，服務器設計通常會提供對數據的最大處理和路由交換能力，但是在使用的數據量較少時，服務所提供流量會產生冗余，并且傳輸大部分時間遠高于實際的使用流量，也就是說即使服務器空閑也會發生大量的能耗。

通過使用人工智能技術，可以基于歷史數據訓練學習得到業務模式變化和服務器運轉對能耗的影響規律，對未來業務負載進行預測并迭代更新，當業務負載較少時進行業務遷移，將一部分服務器轉到休眠狀態。此外，當預測業務負載顯著增加時，可以將必要數量的服務器喚醒并重新進行業務負載的引導和分配。通過分析數據中心不同業務的負載特征，發掘節能潛質，實現設備休眠和喚醒，達到綠色節能的效果[37]。

數據中心通常采用過度冷卻的方法，將溫度設定為較低的溫度以確保服務器穩定運行不出現較熱的問題，這會導致極大的能源浪費。傳統的溫度控制方法依靠定時采集溫度數據作為判定依據，具有很大的時延。同時溫度特性及環境的復雜性導致傳統控制難以達到需求。

利用AI的機房節能策略可以以機房冷卻系統為監控對象，進行機房溫度信息采集、溫度數據采集、溫度的預測和機房溫度的控制[38]。

數據采集除了機房溫度信息，還包括但不限于IT負載耗電量、末端空調耗電量、風機輸出、溫度設置、水冷機組各部件耗電量（此為水冷數據中心需要）等。

基于AI的智能控制通過對知識信息的學習和推理，并通過啟發式的方法求解，神經網絡控制是指在控制系統中應用神經網絡技術，對難以精確建模的復雜非線性對象進行神經網絡模型辨識。神經網絡控制的基本思想：假設被控對象輸入u與輸出y滿足非線性關系y=g(u), 控制的作用就是確定最佳的輸入，從而使系統輸出達到期望值。參考文獻[39]利用BP算法作為控制器用于車站溫度的控制；參考文獻[40]將徑向神經網絡和常規的PID結合，達到控制室內溫度的目的；參考文獻[41]將機房溫度值和設備負載輸入神經網絡，輸出空調的節能控制參數，使環境溫度維持在正常范圍。

數據中心利用AI技術對機房溫度進行預測可以有效地解決利用經驗對溫度的預測和估計帶來的可靠性低的問題[42]。

參考文獻[43]提出一種基于強化學習算法的數據中心機房控制方法，獲取當前時刻來自環境的狀態量（包括機房各個通道中傳感器的數值），基于預先訓練的強化學習模型得到當前時刻的控制參數，控制數據中心機房的溫度調節設備的工作狀態，直至數據中心機房的溫度穩定，達到節能的目的。

除了對末端機房制冷設備控制，水冷數據中心的水冷機組的能效控制尤為重要。參考文獻[44]利用神經網絡模型建立PUE預測模型，實施制冷系統參數設定，優化了PUE指標。通過分析不同數據中心的PUE差異，水冷機組可以采用控制制冷主機運行臺數、降低冷卻塔出水溫度和提升冷凍水水溫等措施實現能效優化[45]。

（2）AI使能的制冷設備節能試點應用

某試點數據中心采用冰蓄冷技術，即可在用電低谷期使用電制冷機制冰，將冷量儲存在冰池中，在用電高峰期將儲存的冷量釋放，在不同季節不同負載的情況下可選擇不同的工況運行模式。

在該試點數據中心的末端機房部署有機柜級溫/濕度傳感器，采集IT設備和空調設備能耗的智能電表。通過采集4個月的歷史數據，采集頻率為每小時1條，數據包括機柜溫度、末端空調運行參數、機柜功率、末端空調功率、主機功率、主機運行參數等，訓練機器學習模型，輸出制冷設備的參數設置包括末端空調參數設置（空調啟停、空調溫濕度設置等）以及主機參數設置（主機運行模式、泵頻率設定、冷凝溫度設定值等），從而制定該試點數據中心制冷設備的節能調整策略并實施。通過應用AI技術建模分析制冷冗余，降低了試點機房的制冷能耗。

4 未來方向

雖然AI使能的節能技術在學術界引起了廣泛的研究，并在產業界獲得一些應用基礎，然而在系統級建模、綜合能效評估等方面仍存在一些挑戰，基于此提出以下未來的研究和發展方向。

4.1 基于數字孿生的系統建模

數字孿生是虛擬世界與真實世界的動態連接，通過建立數字孿生模型，可實現物理系統與虛擬模型結合，具有可見性、預測性、假設分析支持和多系統互聯的特征。

通過數字孿生建模接入網絡，模型能夠擬合和反映物理網絡的環境和特點，可模擬虛擬系統在覆蓋小區的用戶移動，業務流量的增加、減小，以及不同節能功能使用時的響應，在復雜動態空間通過智能分析決策找到不同環境下最適宜的節能方式，既能夠提高無線系統能效又不影響用戶體驗。

通過數字孿生建模數據中心，是一種實現數據中心精密空調節能運行的潛在方案。在虛擬模型中，可模擬IT負載、外部環境溫度以及空調控制設定值等變更即時響應機房內的熱環境變化，通過調試可以彌補經驗數據的不足，輸出空調控制的優化設定值，既能滿足機房內的制冷需求，又能降低機房PUE指標。

數字孿生和人工智能結合應用在系統節能時，可模擬環境狀態動態變化以及節能策略執行對系統的影響，有效保障在應用節能策略時避免影響系統性能。

4.2 系統級能效設計

綠色通信的研究必須從整體上考慮，這涵蓋了通信生態系統的方方面面，有必要從系統的角度考慮能效解決方案。首先，除了系統使用階段所消耗的能量外，用于制造電信設備的隱含能量在任何能效解決方案的評估中也起著重要的作用。任何用于能效改進的新體系結構和設備的引入都應該考慮系統生命周期中消耗的總能量[46]。此外，系統某一點的能效優化可能導致其他點的次優結果，需采用端到端的視角來評估網絡能源效率和能源消耗[47]。

各類節能技術的有效集成有望優化系統能源消耗，但是整個系統的能源消耗建模、能效指標的使用和系統級能效設計面臨挑戰。系統級能效設計的目標是改善整個系統/網絡的能效，同時不影響QoS。

4.3 基于AI應用的數據約減

現有的機器學習（ML）算法能識別大型數據集的分析規律性，但是當在應用程序級關聯時，其功效性和外部有效性不足[48]。

當前AI算法應用在系統節能時，依賴于大量數據。在存量數據中心中，數據條件具備情況差異很大，按照具備較好數據的數據中心訓練的AI模型可能在其他機房完全不具備部署條件，因為很多數據中心在設計建設之初未考慮各類機房狀態和參數監控。數據中心應用AI技術需要基礎的訓練數據集，但是對于已投入使用的數據中心，各類數據采集涉及的改造是一個很大的挑戰。

為了使AI算法具備更好的部署性和外部適用性，需要研究訓練數據縮減方法以開發完全自主的系統。

4.4 綠色人工智能

專用硬件平臺不斷增長的計算能力為ML解決方案提供了基礎，然而不斷提高模型精度所需的計算資源和產生的能源消耗不容忽視。利用分布式、計算高效和能量高效的方式訓練ML將成為一種研究方向，如聯邦學習[49]，可緩解傳統的、集中的ML方法造成的低能效問題。此外，當找到接近最優的解決方案時，也可以使用定制的及時停止來終止訓練過程，從而減少訓練ML模型所需的迭代次數和相關的能量消耗[50]。

ML的綠色應用還需要在優化算法的設計階段評估計算和能源消耗，即在評估ML模型時除了準確性和優化指標外，還必須考慮計算效率和能源消耗。使用這些指標，可以設計得到收斂速度更快和消耗計算資源和能耗更少的ML模型。

5 結束語

對5G接入網絡、核心網絡和數據中心的能源效率評估方法進行了調研，基于降低系統能耗及提高能效，介紹了AI使能的基站節能技術，包括無線網絡數據采集、場景識別、業務流量預測、節能策略推薦、基站協同節能控制及試點應用；其次介紹了AI應用于5G核心網的節能方式，包括核心網控制面和用戶面的數據采集、網絡流量預測以及VNF的資源分配；并介紹了AI用于降低數據中心制冷設備能耗的技術和試點應用；最后提出了節能技術的未來研究和發展方向，提供了端到端AI節能技術的全景。“能效管理、綠色發展”是未來網絡發展的目標，端到端AI智能化節能手段的應用能夠緩解運營商的能耗壓力，并提升運維效率，將促進企業轉型升級及可持續發展，從而實現經濟、社會、生態效益的多贏局面。