工程科学学报，第41卷，第8期：968-980,2019年8月 Chinese Journal of Engineering,Vol.41,No.8:968-980,August 2019 DOI:10.13374/j.issn2095-9389.2019.08.002;http://journals.ustb.edu.cn 5G超密集网络的能量效率研究综述 马忠贵⑧，宋佳倩 北京科技大学计算机与通信工程学院，北京100083 区通信作者，E-mail:zhongguima@usth.cdu.cn 摘要首先从绿色通信人手，对网络能量效率的国内外研究现状进行了分析.在此基础上，对超密集网络的关键性能指标， 即能量效率的各种定义进行了梳理，为建模莫定了基础。其次，讨论了网络能量效率建模和优化过程中经常使用的4种理论 模型：随机几何、博弈论、最优化理论和分数阶规划.并综述了能效提升的技术，包括高能效部署与规划、高能效基站休眠、高 能效用户关联、高能效资源管理、高能效传输方式.最后，指出未来的可能的技术挑战：网络能效理论与超密集网络体系架构、 超密集小基站高能效覆盖机理、超密集网络的柔性资源匹配机理，移动用户群体行为建模与高能效服务方法.通过研究超密 集网络高能效覆盖机理和柔性资源匹配机理，为未来无线通信网络建模和分析提供设计依据与技术支撑. 关键词能量效率；5G;超密集网络：用户关联；无线资源分配 分类号TN929.5 Survey of energy efficiency for 5G ultra-dense networks MA Zhong-gui,SONG Jia-qian School of Computer and Communication Engineering,University of Science and Technology Beijing,Beijing 100083,China XCorresponding author,E-mail:zhongguima@ustb.edu.cn ABSTRACT Fifth generation (5G)cellular networks are expected to achieve high data rates,reduced latency,increased spectrum efficiency,and energy efficiency.Ultra-dense networks (UDNs),a key enabling technology in 5G cellular networks,are envisioned to support the deluge of data traffic located in hotspots and at cell edges,and to enhance quality of experience of mobile users.UDNs can significantly improve the spectrum efficiency and energy efficiency to achieve sustainability of 5G.However,the deployment of a large number of small cells poses new challenges for energy efficiency.Recently,the energy efficiency of UDNs has become a prime concern in the operation and architecture design owing to environmental and economic effects.Therefore,it is significant to study the energy ef- ficiency of UDNs.This survey provided an overview of energy-efficient wireless communications,and reviewed seminal and recent con- tribution to the state-of-the-art.Therefore,the definitions of energy efficiency,a key performance indicator of the UDNs,are analyzed, which is a foundation for modeling.Four theoretical models,which were often used in the modeling and optimization of energy efficien- cy,were discussed.These models include stochastic geometry,game theory,optimization theory,and fractional programming theory. Energy-efficient techniques of UDNs were also reviewed.These technologies include energy-efficient deployment and planning,a base station sleeping mode,user association,radio resource management,and transmission.Finally,the most relevant research challenges were addressed,including the theory of energy efficiency of UDNs,architecture of UDNs,the high energy efficiency coverage mecha- nism of ultra-dense small base stations,the flexible radio resource matching mechanism of UDNs,group behavior modeling of mobile users,and high energy efficiency service methods.This review of the energy-efficient coverage mechanism and flexible radio resource matching mechanism in UDNs provides design guidelines and potential solutions for analytical modeling of future wireless networks. KEY WORDS energy efficiency;5G;ultra-dense networks;user association;radio resource allocation 收稿日期：2018-07-31 基金项目：国家自然科学基金资助项目(61572074)：中央高校基本科研业务费专项资金资助项目(FRF-GF-18-017B)
工程科学学报,第 41 卷,第 8 期:968鄄鄄980,2019 年 8 月 Chinese Journal of Engineering, Vol. 41, No. 8: 968鄄鄄980, August 2019 DOI: 10. 13374 / j. issn2095鄄鄄9389. 2019. 08. 002; http: / / journals. ustb. edu. cn 5G 超密集网络的能量效率研究综述 马忠贵苣 , 宋佳倩 北京科技大学计算机与通信工程学院, 北京 100083 苣通信作者, E鄄mail: zhongguima@ ustb. edu. cn 摘 要 首先从绿色通信入手,对网络能量效率的国内外研究现状进行了分析. 在此基础上,对超密集网络的关键性能指标, 即能量效率的各种定义进行了梳理,为建模奠定了基础. 其次,讨论了网络能量效率建模和优化过程中经常使用的 4 种理论 模型:随机几何、博弈论、最优化理论和分数阶规划. 并综述了能效提升的技术,包括高能效部署与规划、高能效基站休眠、高 能效用户关联、高能效资源管理、高能效传输方式. 最后,指出未来的可能的技术挑战:网络能效理论与超密集网络体系架构、 超密集小基站高能效覆盖机理、超密集网络的柔性资源匹配机理、移动用户群体行为建模与高能效服务方法. 通过研究超密 集网络高能效覆盖机理和柔性资源匹配机理,为未来无线通信网络建模和分析提供设计依据与技术支撑. 关键词 能量效率; 5G; 超密集网络; 用户关联; 无线资源分配 分类号 TN929郾 5 收稿日期: 2018鄄鄄07鄄鄄31 基金项目: 国家自然科学基金资助项目(61572074);中央高校基本科研业务费专项资金资助项目(FRF鄄鄄GF鄄鄄18鄄鄄017B) Survey of energy efficiency for 5G ultra鄄dense networks MA Zhong鄄gui 苣 , SONG Jia鄄qian School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China 苣Corresponding author, E鄄mail: zhongguima@ ustb. edu. cn ABSTRACT Fifth generation (5G) cellular networks are expected to achieve high data rates, reduced latency, increased spectrum efficiency, and energy efficiency. Ultra鄄dense networks (UDNs), a key enabling technology in 5G cellular networks, are envisioned to support the deluge of data traffic located in hotspots and at cell edges, and to enhance quality of experience of mobile users. UDNs can significantly improve the spectrum efficiency and energy efficiency to achieve sustainability of 5G. However, the deployment of a large number of small cells poses new challenges for energy efficiency. Recently, the energy efficiency of UDNs has become a prime concern in the operation and architecture design owing to environmental and economic effects. Therefore, it is significant to study the energy ef鄄 ficiency of UDNs. This survey provided an overview of energy鄄efficient wireless communications, and reviewed seminal and recent con鄄 tribution to the state鄄of鄄the鄄art. Therefore, the definitions of energy efficiency, a key performance indicator of the UDNs, are analyzed, which is a foundation for modeling. Four theoretical models, which were often used in the modeling and optimization of energy efficien鄄 cy, were discussed. These models include stochastic geometry, game theory, optimization theory, and fractional programming theory. Energy鄄efficient techniques of UDNs were also reviewed. These technologies include energy鄄efficient deployment and planning, a base station sleeping mode, user association, radio resource management, and transmission. Finally, the most relevant research challenges were addressed, including the theory of energy efficiency of UDNs, architecture of UDNs, the high energy efficiency coverage mecha鄄 nism of ultra鄄dense small base stations, the flexible radio resource matching mechanism of UDNs, group behavior modeling of mobile users, and high energy efficiency service methods. This review of the energy鄄efficient coverage mechanism and flexible radio resource matching mechanism in UDNs provides design guidelines and potential solutions for analytical modeling of future wireless networks. KEY WORDS energy efficiency; 5G; ultra鄄dense networks; user association; radio resource allocation
马忠贵等：5G超密集网络的能量效率研究综述 ·969· 随着信息与通信技术的飞速发展，用户终端与 (device to device)等多种无线关键技术.为了解决 应用的多样性带来了移动通信网中业务量的指数增 5G网络数据流量和用户体验速率提升千倍的需求， 长.智能机的普及、移动互联网和物联网的热潮，不 最有效的办法就是在原有异构网络(heterogeneous 仅造成了无线蜂窝网络的大量流量需求、更严格时 networks,HetNets)的基础上，更加密集地部署小蜂 延需求，更将会带来巨大的能量消耗.现有的网络 窝(piocell、femtocell、中继等)，一般称这种网络为超 部署方案已不能很好地支撑移动通信网中数据的井 密集网络[).超密集网络(ulra-dense networks, 喷式发展，因此，能为具有空时动态特性的高业务量 UDNs)是在分层HetNets的基础上，密集部署低功 提供高效服务的演进网络架构成为了一个新的问 耗的家庭基站(femto access point,.FAP)、微微基站 题.目前，5G网络正被各大运营商考虑作为新型网 (pico base station,PBS)、中继站(relay node,RN)、分 络部署架构，2020年将正式投入运营.据悉，欧盟已 布式天线系统(distributed antenna system,DAS)、远 于2017年布局6G网络技术研发，中国工信部已于 端无线射频单元(remote radio head,RRH)等小基站 2018年年初开始着手研究6G的发展，可见信息网 来实现5G系统1000倍数据速率的提升6.同时， 络发展之迅猛.本文仍旧把目光放到5G网络上， 超密集网络通过使用大量的低功耗小基站从而实现 5G网络具有高宽带、低时延和广覆盖的特点，能带 节能的目的.与传统的宏基站相比，这些低功耗小 给用户更好的用户体验.虽然已经开启了5G试点 基站与移动用户的距离更近，从而极大地降低传输 工作，但研究5G网络仍然具有巨大的现实意义. 功耗，不但提高了系统容量，而且降低了系统功耗， 5G移动通信与人们日常的居住、工作、交通等 符合绿色通信的思想.现今，单位比特的能耗，即 领域息息相关，特别是密集住宅小区、办公场所、体 能量效率(energy efficiency,EE)已成为衡量超密集 育场、地铁、城铁等广域覆盖场景.这些场景具有超 网络的一个关键性能指标(key performance indica- 高流量密度、超高连接数密度、超高移动性、低时延 tor,KPI)I8] 等特征，将对5G系统形成挑战).考虑增强现实、 1能量效率的国内外研究现状 超高清视频、云存储、车联网等5G典型业务，必须 面对移动数据流量的爆炸式增长、干扰加重2)以及 为了有效地降低超密集网络的能耗，需要先分 如何实现移动通信网络的可持续发展等问题.5G 析系统的能耗分布情况.从整个移动通信网络的能 带给人们高质量用户体验的同时，面临着两个大问 耗分布来看，接入网的能耗约为70%，核心网的传 题：频谱资源遗乏和网络能耗过高.根据思科发布 输能耗约为20%，移动终端的能耗约为10%[.无 的移动数据流量预测和趋势，2021年智能移动设备 线接入网的能耗基本上是由基站的能耗所组成，并 和连接数量预计将会比2016年增长40%以上，全 且随着超密集网络中小基站的密集化部署，基站的 球移动数据流量将达到每月49EB,是2016年的7 能耗将会更大[0]，因此，基站的能耗成为整个移动 倍，而智能设备将会消耗98%的移动数据流量[3). 通信网络能耗的主要部分.目前，接入网中基站的 然而，网络能量消耗作为一个日益严重的问题，逐渐 节能技术包括3个层面，即器件级、链路级和网 成为运营商关注的焦点.沃达丰、中国移动等世界 络级 著名运营商的统计数据表明，随着移动通信中业务 超密集网络能够有效地提升系统容量，但网络 量的指数增长，网络中部署的基站密度不断增大，由 的能量消耗也不可忽视).由于小基站的覆盖范 基站主导的网络能量消耗也不断提高，各大运营商 围远小于宏基站，小基站覆盖下的负载具有更大的 每年需要支付高额的能源费用.此外，正如SMART 随机性，则小基站会周期性地处于空闲状态「2].在 2020研究报告[4)所述，基于信息通信技术的二氧化 负载较低的情况下，利用宏基站提供系统基本的覆 碳排放量每年以6%的速度增长，预计到2020年， 盖，而让小基站处于休眠模式町.但在小基站休眠 信息通信技术引起的二氧化碳排放量将达到全球排 策略设计时，需要重点考虑体验质量(quality of ex~ 放量的12%.面对如此庞大的能耗需求和可持续发 perience,QoE)的损失与节能的折中关系[).可见， 展战略要求，如何提高网络能量效率成为一项极其 在大尺度时间上的基站休眠方面，超密集网络提供 重要的任务， 了许多新的挑战. 为了应对将要面临的以上种种挑战，5G包含了 传统蜂窝网络的小区位置分布是固定的，而超 多输入/多输出(multi-.input multi-output,MIMO)技 密集网络由于用户的行为活动、信道质量的动态波 术、超密集网络、新型多址、先进调制编码以及D2D 动、各种新型业务的不断出现，其拓扑结构是动态
马忠贵等: 5G 超密集网络的能量效率研究综述 随着信息与通信技术的飞速发展,用户终端与 应用的多样性带来了移动通信网中业务量的指数增 长. 智能机的普及、移动互联网和物联网的热潮,不 仅造成了无线蜂窝网络的大量流量需求、更严格时 延需求,更将会带来巨大的能量消耗. 现有的网络 部署方案已不能很好地支撑移动通信网中数据的井 喷式发展,因此,能为具有空时动态特性的高业务量 提供高效服务的演进网络架构成为了一个新的问 题. 目前,5G 网络正被各大运营商考虑作为新型网 络部署架构,2020 年将正式投入运营. 据悉,欧盟已 于 2017 年布局 6G 网络技术研发,中国工信部已于 2018 年年初开始着手研究 6G 的发展,可见信息网 络发展之迅猛. 本文仍旧把目光放到 5G 网络上, 5G 网络具有高宽带、低时延和广覆盖的特点,能带 给用户更好的用户体验. 虽然已经开启了 5G 试点 工作,但研究 5G 网络仍然具有巨大的现实意义. 5G 移动通信与人们日常的居住、工作、交通等 领域息息相关,特别是密集住宅小区、办公场所、体 育场、地铁、城铁等广域覆盖场景. 这些场景具有超 高流量密度、超高连接数密度、超高移动性、低时延 等特征,将对 5G 系统形成挑战[1] . 考虑增强现实、 超高清视频、云存储、车联网等 5G 典型业务,必须 面对移动数据流量的爆炸式增长、干扰加重[2] 以及 如何实现移动通信网络的可持续发展等问题. 5G 带给人们高质量用户体验的同时,面临着两个大问 题:频谱资源匮乏和网络能耗过高. 根据思科发布 的移动数据流量预测和趋势,2021 年智能移动设备 和连接数量预计将会比 2016 年增长 40% 以上,全 球移动数据流量将达到每月 49 EB,是 2016 年的 7 倍,而智能设备将会消耗 98% 的移动数据流量[3] . 然而,网络能量消耗作为一个日益严重的问题,逐渐 成为运营商关注的焦点. 沃达丰、中国移动等世界 著名运营商的统计数据表明,随着移动通信中业务 量的指数增长,网络中部署的基站密度不断增大,由 基站主导的网络能量消耗也不断提高,各大运营商 每年需要支付高额的能源费用. 此外,正如 SMART 2020 研究报告[4]所述,基于信息通信技术的二氧化 碳排放量每年以 6% 的速度增长,预计到 2020 年, 信息通信技术引起的二氧化碳排放量将达到全球排 放量的 12% . 面对如此庞大的能耗需求和可持续发 展战略要求,如何提高网络能量效率成为一项极其 重要的任务. 为了应对将要面临的以上种种挑战,5G 包含了 多输入/ 多输出( multi鄄input multi鄄output,MIMO) 技 术、超密集网络、新型多址、先进调制编码以及 D2D (device to device)等多种无线关键技术. 为了解决 5G 网络数据流量和用户体验速率提升千倍的需求, 最有效的办法就是在原有异构网络( heterogeneous networks, HetNets)的基础上,更加密集地部署小蜂 窝(piocell、femtocell、中继等),一般称这种网络为超 密集 网 络[5] . 超 密 集 网 络 ( ultra鄄dense networks, UDNs)是在分层 HetNets 的基础上,密集部署低功 耗的家庭基站( femto access point,FAP)、微微基站 (pico base station,PBS)、中继站(relay node,RN)、分 布式天线系统( distributed antenna system,DAS)、远 端无线射频单元(remote radio head,RRH)等小基站 来实现 5G 系统 1000 倍数据速率的提升[6] . 同时, 超密集网络通过使用大量的低功耗小基站从而实现 节能的目的. 与传统的宏基站相比,这些低功耗小 基站与移动用户的距离更近,从而极大地降低传输 功耗,不但提高了系统容量,而且降低了系统功耗, 符合绿色通信的思想[7] . 现今,单位比特的能耗,即 能量效率(energy efficiency,EE)已成为衡量超密集 网络的一个关键性能指标( key performance indica鄄 tor,KPI) [8] . 1 能量效率的国内外研究现状 为了有效地降低超密集网络的能耗,需要先分 析系统的能耗分布情况. 从整个移动通信网络的能 耗分布来看,接入网的能耗约为 70% ,核心网的传 输能耗约为 20% ,移动终端的能耗约为 10% [9] . 无 线接入网的能耗基本上是由基站的能耗所组成,并 且随着超密集网络中小基站的密集化部署,基站的 能耗将会更大[10] . 因此,基站的能耗成为整个移动 通信网络能耗的主要部分. 目前,接入网中基站的 节能技术包括 3 个层面,即器件级、链路级和网 络级. 超密集网络能够有效地提升系统容量,但网络 的能量消耗也不可忽视[11] . 由于小基站的覆盖范 围远小于宏基站,小基站覆盖下的负载具有更大的 随机性,则小基站会周期性地处于空闲状态[12] . 在 负载较低的情况下,利用宏基站提供系统基本的覆 盖,而让小基站处于休眠模式[13] . 但在小基站休眠 策略设计时,需要重点考虑体验质量( quality of ex鄄 perience,QoE)的损失与节能的折中关系[14] . 可见, 在大尺度时间上的基站休眠方面,超密集网络提供 了许多新的挑战. 传统蜂窝网络的小区位置分布是固定的,而超 密集网络由于用户的行为活动、信道质量的动态波 动、各种新型业务的不断出现,其拓扑结构是动态 ·969·
·970· 工程科学学报，第41卷，第8期 的.随着小基站的密集化部署，系统的能耗也随之 一趋势也引起了学术界对“绿色蜂窝网络”这一新 增加，因此，单位面积的能量效率，即区域能量效 兴领域的兴趣.在能源有限和“绿色通信”的背景 率(area energy efficiency,AEE)将是衡量超密集网 下，节能型通信已受到越来越多的关注，能效优先成 络的更为准确的KPL.为此，文献[16]在考虑用户 为未来通信的发展趋势[2]，如图1所示.而EE和 服务质量(quality of service,QoS)需求和干扰容限的 AEE成为衡量超密集网络的KPL 情况下，建立最大化网络能效的优化问题，运用非合 当前移动通信能耗 作博弈理论，在满足最大最小公平准则的情况下，提 通业务量 出一种分布式能效最优算法，该算法比传统算法更 5G 好地兼顾了系统的能效和吞吐量性能.文献[17]是 4G Green 关于绿色通信中的能量效率权衡机制，以分层的方 绿色通信能耗 3 式讨论了能量效率权衡技术.在时分多址(time dis- 2G vision multiple access,TDMA)网络中，通过机会传 20001 2010 20201 输，用户可以获得最大的能量效率8].在多层异构 年份 覆盖优先 容量优先 能效优先 网络中，可以通过网络核心控制器来分配每个网络 图1快速增长的业务量与能耗之间的矛盾 节点所需要的能耗9).多小区联合传输的方法对 Fig.1 Contradiction between the rapid growth in traffic and energy 于提高区域能量效率非常有效，用户收到的数据信 consumption 息是从多个蜂窝小区同时传输过来的，基站利用相 互的联合协作来达到节能的效果[0).文献[10]联 对于无线网络EE的评估，主要有2种方法： 合考虑基站部署密度、发射功率、休眠策略和频谱分 (1)单位面积能耗，即无线网络的总功耗除以区域 配机制，探讨如何在满足用户Qo$前提下优化异构 总面积，单位为Wm2.该方法主要用于衡量某区 蜂窝网络的能量效率，但是此文献只是基于两层异 域内的二氧化碳排放量.(2)单位比特能耗，定义为 构网络进行推导的，并没有针对超密集网络进行研 网络的总吞吐量与总能耗的比值，单位为bit·J1. 究.文献[21]根据特定的梯形负载模型，设计了最 该方法综合考虑了网络性能与系统能耗，已被5G 优的基站休眠策略，并通过仿真验证发现通过在低 推进组采用并定义为KPI.本论文将采用这种方法 负载时关闭一些基站可以节省25%~30%的能耗. 作为EE的评估方法，如下式： 文献[22]根据阻塞率需求提出一种负载感知的基 C 1二p (1) 站模式切换算法，并提出最小模式持续时间概念用 其中，刀为能量效率，C为网络的总吞吐量（容量）， 于避免频繁的基站模式切换.文献[23]分析了负载 P为系统总能耗 均值、方差和基站密度对基站休眠策略的影响，并证 不同系统场景下网络能量效率的定义有不同的 明了随着基站密度和负载方差与均值的比例增大， 表达方式，下面分别进行说明 节省的能耗将会增多.部分基站休眠后，其负载由 (l)单载波单输入单输出(single-input single- 剩余激活基站接管，因此基站休眠策略往往和用户 output,SIS0)网络的能量效率. 关联是一个联合优化问题.为了让基站休眠变得切 Q(y) 实可行，第三代合作伙伴计划(the3 rd generation 7ss0= (2) uPt +P partnership project,3GPP)将其引入到LTE/LTE-A 其中，y表示网络信噪比(signal to noise ratio,SNR), (long term evolution/LTE-advanced)自组织和自配 Q(y)表示各个场景下的与y密切相关的网络容量 置功能模块中进行了许多标准化讨论[2].文献 函数.P,为基站的发射功率，P。为信号处理、电源、 [25]研究宏蜂窝与微微蜂窝联合部署的场景，提出 了区域能量效率的概念 备用电池和制冷器等消耗的静态功率，而以=为 PA 辐射功率相关的尺度因子，其中是功率放大器 2网络能量效率的基本概念和定义 的放大倍数.基站功耗的构成如图2所示 当前，随着蜂窝网络运营带来能量开销和二氧 对于基站，图2描述了其功耗的组成情况：由功 化碳排放量的不断增长，诸如3GPP和国际电信联 率放大器、基带和信号处理器、AD转换器、天线、 International Telecommunications Union,ITU) 电源供给和备用电池、冷却系统等功耗组成.为了 网络运营商和监管机构越来越关注高能效问题.这 量化基站的具体功耗，将其建模为：
工程科学学报,第 41 卷,第 8 期 的. 随着小基站的密集化部署,系统的能耗也随之 增加[15] ,因此,单位面积的能量效率,即区域能量效 率(area energy efficiency,AEE) 将是衡量超密集网 络的更为准确的 KPI. 为此,文献[16]在考虑用户 服务质量(quality of service,QoS)需求和干扰容限的 情况下,建立最大化网络能效的优化问题,运用非合 作博弈理论,在满足最大最小公平准则的情况下,提 出一种分布式能效最优算法,该算法比传统算法更 好地兼顾了系统的能效和吞吐量性能. 文献[17]是 关于绿色通信中的能量效率权衡机制,以分层的方 式讨论了能量效率权衡技术. 在时分多址( time di鄄 vision multiple access,TDMA) 网络中,通过机会传 输,用户可以获得最大的能量效率[18] . 在多层异构 网络中,可以通过网络核心控制器来分配每个网络 节点所需要的能耗[19] . 多小区联合传输的方法对 于提高区域能量效率非常有效,用户收到的数据信 息是从多个蜂窝小区同时传输过来的,基站利用相 互的联合协作来达到节能的效果[20] . 文献[10]联 合考虑基站部署密度、发射功率、休眠策略和频谱分 配机制,探讨如何在满足用户 QoS 前提下优化异构 蜂窝网络的能量效率,但是此文献只是基于两层异 构网络进行推导的,并没有针对超密集网络进行研 究. 文献[21]根据特定的梯形负载模型,设计了最 优的基站休眠策略,并通过仿真验证发现通过在低 负载时关闭一些基站可以节省 25% ~ 30% 的能耗. 文献[22]根据阻塞率需求提出一种负载感知的基 站模式切换算法,并提出最小模式持续时间概念用 于避免频繁的基站模式切换. 文献[23]分析了负载 均值、方差和基站密度对基站休眠策略的影响,并证 明了随着基站密度和负载方差与均值的比例增大, 节省的能耗将会增多. 部分基站休眠后,其负载由 剩余激活基站接管,因此基站休眠策略往往和用户 关联是一个联合优化问题. 为了让基站休眠变得切 实可行,第三代合作伙伴计划 ( the 3rd generation partnership project,3GPP) 将其引入到 LTE / LTE鄄鄄 A (long term evolution / LTE鄄鄄 advanced) 自组织和自配 置功能模块中进行了许多标准化讨论[24] . 文献 [25]研究宏蜂窝与微微蜂窝联合部署的场景,提出 了区域能量效率的概念. 2 网络能量效率的基本概念和定义 当前,随着蜂窝网络运营带来能量开销和二氧 化碳排放量的不断增长,诸如 3GPP 和国际电信联 盟( International Telecommunications Union, ITU) 等 网络运营商和监管机构越来越关注高能效问题. 这 一趋势也引起了学术界对“绿色蜂窝网络冶 这一新 兴领域的兴趣. 在能源有限和“绿色通信冶 的背景 下,节能型通信已受到越来越多的关注,能效优先成 为未来通信的发展趋势[26] ,如图 1 所示. 而 EE 和 AEE 成为衡量超密集网络的 KPI. 图 1 快速增长的业务量与能耗之间的矛盾 Fig. 1 Contradiction between the rapid growth in traffic and energy consumption 对于无线网络 EE 的评估,主要有 2 种方法: (1)单位面积能耗,即无线网络的总功耗除以区域 总面积,单位为 W·m - 2 . 该方法主要用于衡量某区 域内的二氧化碳排放量. (2)单位比特能耗,定义为 网络的总吞吐量与总能耗的比值,单位为 bit·J - 1 . 该方法综合考虑了网络性能与系统能耗,已被 5G 推进组采用并定义为 KPI. 本论文将采用这种方法 作为 EE 的评估方法,如下式: 浊 = C P (1) 其中,浊 为能量效率,C 为网络的总吞吐量(容量), P 为系统总能耗. 不同系统场景下网络能量效率的定义有不同的 表达方式,下面分别进行说明. (1) 单载波单输入单输出( single鄄input single鄄 output,SISO)网络的能量效率. 浊SISO = Q(酌) 滋PT + Pc (2) 其中,酌 表示网络信噪比(signal to noise ratio,SNR), Q(酌)表示各个场景下的与 酌 密切相关的网络容量 函数. PT 为基站的发射功率,Pc 为信号处理、电源、 备用电池和制冷器等消耗的静态功率,而 滋 = 1 滋PA 为 辐射功率相关的尺度因子,其中 滋PA是功率放大器 的放大倍数. 基站功耗的构成如图 2 所示. 对于基站,图 2 描述了其功耗的组成情况:由功 率放大器、基带和信号处理器、A/ D 转换器、天线、 电源供给和备用电池、冷却系统等功耗组成. 为了 量化基站的具体功耗,将其建模为: ·970·
马忠贵等：5G超密集网络的能量效率研究综述 ·971· P P 0) AD/DC 基带处理/ 功率 2=1 (7) 电源供给 信号处理 放大器 TGEE =N2 (hnPn+P) 2=1 (5)多链路网络的加权和能量效率(weighted 冷却 备用电池 电路损耗) sum energy efficiency,WSEE). 图2基站功耗构成示意图 GEE是通信网络中单位时间内可靠传输的数 Fig.2 Schematic of energy consumption of base stations 据总量与消耗功率总量之间的比率，换句话说，GEE 正是网络产生的总收益除以总的发生成本，它十分 +Pn）小-1+Pa)(1+Ps） 吻合能量的传统定义方式.然而，GEE不允许调整 (3) 不同链路的各个能量效率，不具有灵活性.异构网 其中，P为基站总功耗，Na为扇区数，NpA为每扇 络有一个特点，就是具有不同特征和规格的终端共 区的功率放大器数目，P,为基站发射功率，Pp为信 存并且可能具有不同能量需求的.为此，给出 WSEE[28-29]的表达式. 号处理功耗，山pA是功率放大器的效率，Ps为电源 供给和备用电池损耗，Pc为散热器的功耗。以上参 Q(Y） (8) 数取值由具体系统配置和基站类型共同决定[).进 n=之4P+P 一步地，可将上式简化为： 在这里引入一个权重系数入，通过改变系数大 小优化整个通信网络的能效.与GEE类似，WSEE P=uFr+P。 (4) (2)多输入多输出(multi-input multi-output,Ml- 是基于总和的权衡，因此仍倾向于具有更好传播信 MO)网络的能量效率 道的链路.然而，WSEE可以通过权重入，的选择来 赋予不同的优先权来抵消这种影响.相比GEE, W log:Iy +HPH WSEE更具灵活性 TMIMO utr(P)+P (5) (6)多链路网络的加权积能量效率(weighted 系统中假定有N个正交副载波，P是一个N维 product energy efficiency,WPEE)[] 矩阵，表示该系统中的传输协方差矩阵，用H表示 Π Q(ya2） 52 MIMO信道矩阵，tr(P)表示矩阵P的秩.矩阵P可 Pe+p (9) 转化为其对角矢量p={P.},P表示第n个天线 与WSEE相似，引入一个指数权重系数。，同 的功率损耗.W表示系统使用的总带宽. 样改变系数大小能影响到整个通信网络的能效大 (3)多载波网络的能量效率[1]. 小.正如WSEE一样，WPEE也可以通过权重的选 w∑log2(1+Y） 择为各个能量效率指定优先级，WPEE允许更均衡 刀Mc=1 的资源分配，但它不能保证实现最大最小公平分配. (6) u∑P+P 最大最小公平策略是一种有效性和公平性折中的自 n1=1 由分配策略，在无线通信网络应用广泛.为此，给出 其中，y。,表示第n,个子载波的信千噪比(signal to 以下加权最低能效的概念 interference plus noise ratio,SlNR),Pn,表示第n,个 (7)多链路网络的加权最小能量效率(weighted 子载波的功率损耗 minimum energy efficiency,WMEE)[31] (4)多链路网络的全局能量效率(global energy Q(y） efficiency,GEE). erP.. (10) ,n2 接下来考虑多链路网络中的能效表达，假设通 最大最小公平(max-min fairness,MMF)准则的 信网络中共有N2条链路，此处Y,和P分别表示第 基本含义是使得资源分配向量的最小分量的值最 n,条链路对应的SNR和功率放大器功率损耗，“ 大.相比WPEE,WEE很好地保障了实现网络资 =1/常，其中是第n2条链路的功率放大器放大 源最大最小公平分配.如果权重完全相等，那么使 倍数.P。表示第n,条链路的电路模块的功率损 WMEE最大化可以使所有能源效率相等 耗.通信网络中的GEE92表达式如下： (8)基于频谱效率的网络能量效率
马忠贵等: 5G 超密集网络的能量效率研究综述 图 2 基站功耗构成示意图 Fig. 2 Schematic of energy consumption of base stations Pout =Nsector·NPA·( PT 滋PA + PSP )·(1 + PCR)·(1 + PPSBB) (3) 其中,Pout为基站总功耗,Nsector为扇区数,NPA为每扇 区的功率放大器数目,PT 为基站发射功率,PSP为信 号处理功耗,滋PA是功率放大器的效率,PPSBB为电源 供给和备用电池损耗,PCR为散热器的功耗. 以上参 数取值由具体系统配置和基站类型共同决定[9] . 进 一步地,可将上式简化为: Pout = 滋PT + Pc (4) (2)多输入多输出(multi鄄input multi鄄output,MI鄄 MO)网络的能量效率. 浊MIMO = W log2 IN + 1 滓 2HPH T 滋tr(P) + Pc (5) 系统中假定有 N 个正交副载波,P 是一个 N 维 矩阵,表示该系统中的传输协方差矩阵,用 H 表示 MIMO 信道矩阵,tr(P)表示矩阵 P 的秩. 矩阵 P 可 转化为其对角矢量 p = {Pn } N n = 1 ,Pn表示第 n 个天线 的功率损耗. W 表示系统使用的总带宽. (3)多载波网络的能量效率[19] . 浊MC = W移 N n1 = 1 log2 (1 + 酌n1 ) 滋移 N n1 = 1 Pn1 + Pc (6) 其中,酌n1 表示第 n1 个子载波的信干噪比( signal to interference plus noise ratio,SINR),Pn1 表示第 n1 个 子载波的功率损耗. (4)多链路网络的全局能量效率( global energy efficiency,GEE). 接下来考虑多链路网络中的能效表达,假设通 信网络中共有 N2条链路,此处 酌n2和 Pn2分别表示第 n2条链路对应的 SINR 和功率放大器功率损耗,滋n2 = 1 / 滋 n2 PA,其中 滋 n2 PA是第 n2条链路的功率放大器放大 倍数. Pc,n2 表示第 n2 条链路的电路模块的功率损 耗. 通信网络中的 GEE [19,27]表达式如下: 浊GEE = 移 N2 n2 = 1 Q(酌n2 ) 移 N2 n2 = 1 (滋n2 Pn2 + Pc,n2 ) (7) (5) 多链路网络的加权和能量效率( weighted sum energy efficiency,WSEE). GEE 是通信网络中单位时间内可靠传输的数 据总量与消耗功率总量之间的比率,换句话说,GEE 正是网络产生的总收益除以总的发生成本,它十分 吻合能量的传统定义方式. 然而,GEE 不允许调整 不同链路的各个能量效率,不具有灵活性. 异构网 络有一个特点,就是具有不同特征和规格的终端共 存并且 可 能 具 有 不 同 能 量 需 求 的. 为 此, 给 出 WSEE [28鄄鄄29]的表达式. 浊WSEE = 移 N2 n2 = 1 姿n2 Q(酌n2 ) 滋n2 Pn2 + Pc,n2 (8) 在这里引入一个权重系数 姿n2 ,通过改变系数大 小优化整个通信网络的能效. 与 GEE 类似,WSEE 是基于总和的权衡,因此仍倾向于具有更好传播信 道的链路. 然而,WSEE 可以通过权重 姿n2的选择来 赋予不同的优先权来抵消这种影响. 相比 GEE, WSEE 更具灵活性. (6) 多链路网络的加权积能量效率( weighted product energy efficiency,WPEE) [30] . 浊WPEE = 仪 N2 n2 = ( 1 Q(酌n2 ) 滋n2 Pn2 + Pc,n ) 2 孜n2 (9) 与 WSEE 相似,引入一个指数权重系数 孜n2 ,同 样改变系数大小能影响到整个通信网络的能效大 小. 正如 WSEE 一样,WPEE 也可以通过权重的选 择为各个能量效率指定优先级,WPEE 允许更均衡 的资源分配,但它不能保证实现最大最小公平分配. 最大最小公平策略是一种有效性和公平性折中的自 由分配策略,在无线通信网络应用广泛. 为此,给出 以下加权最低能效的概念. (7)多链路网络的加权最小能量效率(weighted minimum energy efficiency,WMEE) [31] . 浊WMEE = min n2沂{1,2,…N2 ( } 姿n2 Q(酌n2 ) 滋n2 Pn2 + Pc,n ) 2 (10) 最大最小公平(max鄄min fairness,MMF)准则的 基本含义是使得资源分配向量的最小分量的值最 大. 相比 WPEE,WMEE 很好地保障了实现网络资 源最大最小公平分配. 如果权重完全相等,那么使 WMEE 最大化可以使所有能源效率相等. (8)基于频谱效率的网络能量效率. ·971·
·972· 工程科学学报，第41卷，第8期 7SE C 础.博弈论是研究相互依存的理性参与者之间复杂 刀EE=P=WP (11) 的相互作用的一种形式化框架，对多个参与者的互 式中，刀座表示基于频谱效率的能量效率，)s表示频 动研究具有明显的优势.所有参与者的最佳策略组 谱效率(spectrum efficiency,SE). 合起来就构成一个均衡).特别地，如果没有一个 (9)区域能量效率 参与者可以通过改变自己的策略而不降低其他参与 在超密集网络中，由于各个小区的吞吐量非常 者的效用来增加其效用，那么该博弈的解就是纳什 巨大，传统的能量效率不能很好地表征系统性能，所 均衡[3].博弈论最大的特点是能够为相应的博弈 以引入区域能量效率(AEE)作为度量超密集网络 过程找到纳什均衡点，有时纳什均衡点也正是这些 性能的一个重要指标】.将区域能量效率定义为 问题的最优策略解，这样，博弈论就可以指导和分析 区域频谱效率每瓦特，就是单位面积内、单位频谱下 众多算法设计，并且易于找到最优策略.博弈论可 每焦耳能量所能提供的用户吞吐量总和3]，即把区 用于解决无线通信网络中的许多协议设计问题，诸 域能量效率定义为区域频谱效率与能耗之比 如资源分配、功率控制、用户关联、协作中继通信和 TASE C 波束形成等，从而为确保最优化资源、成本和性能的 7AE=P=W,S·P (12) 折中提供了明确的理论指导[39o] 式中，门AE表示区域能量效率，ηAs表示区域频谱效 3.3最优化理论 率(area spectrum efficiency,ASE).C为系统容量， 最优化理论最早可以追溯到十八世纪欧拉和拉 可以由香农公式求得，W代表系统使用的总带宽， 格朗日等对相关力学的极值问题的分析和研究.最 区域覆盖面积用S表示，系统总能耗记为P. 优化理论经过两个世纪的发展，目前已经积累了大 3提高超密集网络能效的理论模型 量的研究成果.特别是凸优化理论[]的系统化研 究，更是为最优化问题的对偶性、最优性等基本性质 在对网络能量效率优化的过程中，经常使用的 的研究提供了一定的理论基础，得到了多种推广，并 理论模型包括：随机几何、博弈论、最优化理论和分 可成功应用于无线通信网络的分析与优化中 数阶规划 目标函数、约束条件和求解方法是最优化问题 3.1随机几何 的三要素[2].最优化问题可以分为两类：一类是求 最近几年，基于随机几何3]的理论分析工具越 函数的极值：另一类是求泛函（函数的自变量是函 来越多地被运用到无线网络建模当中，并且取得了 数)的极值.求函数极值的数值方法或试验最优化 不错的效果.使用随机几何的原因如下：(1)随机几 方法称为数学规划，包括线性规划和非线性规划. 何可以方便地分析SINR:(2)干扰依赖于路径损耗 数学规划所处理的问题一般是静态问题，因此求函 和衰减特性，而路径损耗和衰减又是网络几何的函 数极值问题又被称为静态最优化问题.静态问题的 数；(3)在超密集网络中，基站和用户出现的不确定 数学模型是代数方程，通过选择系统的最优参数使 性非常大，对于每个基站和用户而言，不可能知道或 目标函数取极值.求泛函的极值问题需要应用变分 预测所有节点的空间位置和信道.随机几何是一种 法、最大值原理或动态规划来处理，所处理的问题一 在数学上十分易处理的理论分析工具[35-6]，使用这 般是动态问题，这一类问题就称为动态最优化问题， 种方法可以得到干扰、覆盖概率和系统容量的解析 其数学模型是微分方程或差分方程.动态最优化问 解，为超密集网络的参数优化及算法设计提供理论 题的目标函数的自变量中含有动态系统的状态变 上的指导.这样就可以很容易地进行理论分析与仿 量，状态变量一般是时间的函数，通过选择系统最优 真实验，提高仿真速率与效率.目前，部分随机几何 的运动轨线，使目标函数取极值.静态最优化和动 理论的研究成果已经在无线通信网络中得到了广泛 态最优化问题并无截然的界限，它们都有度量处理 应用，为超密集网络的建模、分析和设计奠定了坚实 结果优劣的目标函数、描述问题的数学模型，处理方 的理论基础，具体细节见4.1节. 法有分析算法和直接算法. 3.2博弈论 基于最优化理论的模型具体求解流程如图3所 博弈论是研究具有竞争或合作性质现象的理论 示.从图3可以看出，对超密集网络中相关模型和 和方法，它既是现代数学的一个新分支，也是运筹学 算法进行求解，主要按图中所示分析过程完成4个 的一个重要学科.博弈论的发展为无线通信网络中 主要步骤（稳态的存在性、稳态的唯一性、最优解与 资源的竞争与协作使用问题提供了可靠的理论基 满意解、收敛条件)即可
工程科学学报,第 41 卷,第 8 期 浊EE = 浊SE P = C WP (11) 式中,浊EE表示基于频谱效率的能量效率,浊SE表示频 谱效率(spectrum efficiency, SE). (9)区域能量效率. 在超密集网络中,由于各个小区的吞吐量非常 巨大,传统的能量效率不能很好地表征系统性能,所 以引入区域能量效率(AEE) 作为度量超密集网络 性能的一个重要指标[32] . 将区域能量效率定义为 区域频谱效率每瓦特,就是单位面积内、单位频谱下 每焦耳能量所能提供的用户吞吐量总和[33] ,即把区 域能量效率定义为区域频谱效率与能耗之比. 浊AEE = 浊ASE P = C W·S·P (12) 式中,浊AEE表示区域能量效率,浊ASE表示区域频谱效 率(area spectrum efficiency, ASE). C 为系统容量, 可以由香农公式求得,W 代表系统使用的总带宽, 区域覆盖面积用 S 表示,系统总能耗记为 P. 3 提高超密集网络能效的理论模型 在对网络能量效率优化的过程中,经常使用的 理论模型包括:随机几何、博弈论、最优化理论和分 数阶规划. 3郾 1 随机几何 最近几年,基于随机几何[34]的理论分析工具越 来越多地被运用到无线网络建模当中,并且取得了 不错的效果. 使用随机几何的原因如下:(1)随机几 何可以方便地分析 SINR;(2)干扰依赖于路径损耗 和衰减特性,而路径损耗和衰减又是网络几何的函 数;(3)在超密集网络中,基站和用户出现的不确定 性非常大,对于每个基站和用户而言,不可能知道或 预测所有节点的空间位置和信道. 随机几何是一种 在数学上十分易处理的理论分析工具[35鄄鄄36] ,使用这 种方法可以得到干扰、覆盖概率和系统容量的解析 解,为超密集网络的参数优化及算法设计提供理论 上的指导. 这样就可以很容易地进行理论分析与仿 真实验,提高仿真速率与效率. 目前,部分随机几何 理论的研究成果已经在无线通信网络中得到了广泛 应用,为超密集网络的建模、分析和设计奠定了坚实 的理论基础,具体细节见 4郾 1 节. 3郾 2 博弈论 博弈论是研究具有竞争或合作性质现象的理论 和方法,它既是现代数学的一个新分支,也是运筹学 的一个重要学科. 博弈论的发展为无线通信网络中 资源的竞争与协作使用问题提供了可靠的理论基 础. 博弈论是研究相互依存的理性参与者之间复杂 的相互作用的一种形式化框架,对多个参与者的互 动研究具有明显的优势. 所有参与者的最佳策略组 合起来就构成一个均衡[37] . 特别地,如果没有一个 参与者可以通过改变自己的策略而不降低其他参与 者的效用来增加其效用,那么该博弈的解就是纳什 均衡[38] . 博弈论最大的特点是能够为相应的博弈 过程找到纳什均衡点,有时纳什均衡点也正是这些 问题的最优策略解,这样,博弈论就可以指导和分析 众多算法设计,并且易于找到最优策略. 博弈论可 用于解决无线通信网络中的许多协议设计问题,诸 如资源分配、功率控制、用户关联、协作中继通信和 波束形成等,从而为确保最优化资源、成本和性能的 折中提供了明确的理论指导[39鄄鄄40] . 3郾 3 最优化理论 最优化理论最早可以追溯到十八世纪欧拉和拉 格朗日等对相关力学的极值问题的分析和研究. 最 优化理论经过两个世纪的发展,目前已经积累了大 量的研究成果. 特别是凸优化理论[41] 的系统化研 究,更是为最优化问题的对偶性、最优性等基本性质 的研究提供了一定的理论基础,得到了多种推广,并 可成功应用于无线通信网络的分析与优化中. 目标函数、约束条件和求解方法是最优化问题 的三要素[42] . 最优化问题可以分为两类:一类是求 函数的极值;另一类是求泛函(函数的自变量是函 数)的极值. 求函数极值的数值方法或试验最优化 方法称为数学规划,包括线性规划和非线性规划. 数学规划所处理的问题一般是静态问题,因此求函 数极值问题又被称为静态最优化问题. 静态问题的 数学模型是代数方程,通过选择系统的最优参数使 目标函数取极值. 求泛函的极值问题需要应用变分 法、最大值原理或动态规划来处理,所处理的问题一 般是动态问题,这一类问题就称为动态最优化问题, 其数学模型是微分方程或差分方程. 动态最优化问 题的目标函数的自变量中含有动态系统的状态变 量,状态变量一般是时间的函数,通过选择系统最优 的运动轨线,使目标函数取极值. 静态最优化和动 态最优化问题并无截然的界限,它们都有度量处理 结果优劣的目标函数、描述问题的数学模型,处理方 法有分析算法和直接算法. 基于最优化理论的模型具体求解流程如图 3 所 示. 从图 3 可以看出,对超密集网络中相关模型和 算法进行求解,主要按图中所示分析过程完成 4 个 主要步骤(稳态的存在性、稳态的唯一性、最优解与 满意解、收敛条件)即可. ·972·
马忠贵等：5G超密集网络的能量效率研究综述 ·973· 、模型求解开始 的基本工具 是 4提高超密集网络能效的方法与技术 否 稳态是否存在？ 增加约束条件 近年来随着网络异构化的不断深入，网络中部 是↓ 署基站的数目也将迅速增加，超密集网络中基站的 稳态是否唯一？ 否 定量分析，去除 不需要的最优解 部署将达到和用户数一个量级，甚至可能超过用户 是长 数量].超密集网络常常部署在人群流量密集区 否 重新修正模型 域，保证该地区流量最高时候的需求，可以提高网络 是满意解吗？ 吞吐量、覆盖率和速率.然而，密集的小基站部署造 是 成能耗的急剧增加，超密集网络的能量开销也成为 是最优解吗？ 否 重新修正模型 不容忽视的一个因素.目前，学术界主要从以下4 个方面研究超密集网络的能效提升：高能效部署与 模型求解结束 规划、高能效基站休眠、高能效用户关联、高能效资 图3基于最优化理论的模型求解与分析过程 源管理 Fig.3 Flow chart of the model solution and analysis based on optimi- 4.1超密集网络的高能效部署与规划 zation theory 图4给出一种超密集网络的部署模型.从图4 3.4分数阶规划 可以看出，超密集网络在同一区域内同时部署许多 分数阶规划]理论是最优化理论的一个分支， 不同类型的基站，从而形成一个小蜂窝与宏蜂窝共 涉及分数函数的属性和优化.从前面能量效率的表 存的多层异构网络[6].超密集网络将主要利用宏 达式可以看出，不管是单一的链路还是网络，无论采 基站提供大范围基础覆盖，同时利用微微基站和家 用哪种表达方式，通信系统的能量效率总是通过分 庭基站增强特殊场景（热点、盲区、弱覆盖场景）的 数函数来表达，因而可以将能效问题当作一个分数 深度覆盖，形成广域覆盖和深度覆盖的系统内异构 阶规划问题来解决.可以将具体的能量效率优化问 体系 题转换为线性分数阶规划问题、凹线性分数阶规划 近年来，超密集网络部署逐渐引起学术界和工 问题、凹-凸分数阶规划问题、最大最小分数阶规划 业界的重视，合理的网络部署可以有效提升系统容 问题、比率和问题、比率积问题[4]等.因此，分数阶 量及网络覆盖：同时，该项研究还可以节省通信系统 规划是无线网络以及通信系统的能效建模和设计中 的资源开销，实现低碳环保的绿色通信理念.然而， 互联网 微微蜂窝 (Picocell) ○用户宽带连接 宏蜂赛 (MacroCell) MUE 封闭接入(CSG) 毫微微蜂窝 (Femtocell) 开放接人 MUE 毫微微蜂窝 MUE (Femtocell) 互联网 移动核心网路 微微蜂窝 ·无线链路 回程连接 图4密集网络的多层重叠覆盖部署模型 Fig.4 Deployment model of ultra-dense networks
马忠贵等: 5G 超密集网络的能量效率研究综述 图 3 基于最优化理论的模型求解与分析过程 Fig. 3 Flow chart of the model solution and analysis based on optimi鄄 zation theory 3郾 4 分数阶规划 分数阶规划[43]理论是最优化理论的一个分支, 涉及分数函数的属性和优化. 从前面能量效率的表 图 4 密集网络的多层重叠覆盖部署模型 Fig. 4 Deployment model of ultra鄄dense networks 达式可以看出,不管是单一的链路还是网络,无论采 用哪种表达方式,通信系统的能量效率总是通过分 数函数来表达,因而可以将能效问题当作一个分数 阶规划问题来解决. 可以将具体的能量效率优化问 题转换为线性分数阶规划问题、凹线性分数阶规划 问题、凹鄄鄄凸分数阶规划问题、最大最小分数阶规划 问题、比率和问题、比率积问题[44] 等. 因此,分数阶 规划是无线网络以及通信系统的能效建模和设计中 的基本工具. 4 提高超密集网络能效的方法与技术 近年来随着网络异构化的不断深入,网络中部 署基站的数目也将迅速增加,超密集网络中基站的 部署将达到和用户数一个量级,甚至可能超过用户 数量[45] . 超密集网络常常部署在人群流量密集区 域,保证该地区流量最高时候的需求,可以提高网络 吞吐量、覆盖率和速率. 然而,密集的小基站部署造 成能耗的急剧增加,超密集网络的能量开销也成为 不容忽视的一个因素. 目前,学术界主要从以下 4 个方面研究超密集网络的能效提升:高能效部署与 规划、高能效基站休眠、高能效用户关联、高能效资 源管理. 4郾 1 超密集网络的高能效部署与规划 图 4 给出一种超密集网络的部署模型. 从图 4 可以看出,超密集网络在同一区域内同时部署许多 不同类型的基站,从而形成一个小蜂窝与宏蜂窝共 存的多层异构网络[46] . 超密集网络将主要利用宏 基站提供大范围基础覆盖,同时利用微微基站和家 庭基站增强特殊场景(热点、盲区、弱覆盖场景) 的 深度覆盖,形成广域覆盖和深度覆盖的系统内异构 体系. 近年来,超密集网络部署逐渐引起学术界和工 业界的重视,合理的网络部署可以有效提升系统容 量及网络覆盖;同时,该项研究还可以节省通信系统 的资源开销,实现低碳环保的绿色通信理念. 然而, ·973·
·974· 工程科学学报，第41卷，第8期 在超密集网络当中，由于网络的异构性使得网络的 文献[54]使用Neyman--Scott簇过程研究了包 拓扑结构变得非常复杂，网络层数以及小基站数量 括宏蜂窝和毫微微蜂窝的两层异构网络，分析了平 的增多使得干扰加剧)，仿真复杂度急剧增大.传 均可实现速率.文献[55]假设服务基站位于所在层 统的六边形网格模型是一种十分理想化的模型，为 的原点，分别使用PPP和PCP对两层异构蜂窝网络 了获得这个模型的干扰分析就必须使用计算十分复 的覆盖概率的上界和下界进行了分析.文献[56]指 杂的蒙特卡洛仿真来分析，且得出的结论与实际并 出使用PPP对城市或乡村的基站进行建模，都与基 不很相符[4]，无法体现超密集网络拓扑结构的随机 站的实际部署情况相差较远.建议在城市采用以容 性.同时，随着小基站的密集部署，使用六边形网格 量为中心的基站部署方法，使用Matern簇过程比较 模型仿真所需的时间和空间复杂度较高，需要进行 好.而在乡村以覆盖为中心的基站部署方法，使用 大量的仿真实验 Strauss硬核点过程比较好.文献[57]首先对异构网 随机几何理论为研究具有随机拓扑结构的超密 络的干扰进行了推导，然后使用一种渐进收敛的估 集网络的建模、分析和设计提供了坚实的理论基础. 计算法，对层间干扰分布函数的均值和方差进行了 随机几何不仅捕获了蜂窝无线网络几何拓扑的空间 推导.文献[58]将PCP应用到了异构蜂窝网络，假 随机性，也使得问题分析易于处理[].随机几何模 设服务基站位于原点，在讨论聚集干扰的基础上，基 型利于数学计算与理论分析，能够求得SNR的概 于平均功率的小区选择机制推导了加入功率偏置时 率分布、系统容量和覆盖概率等表达式，可以为基站 的中断概率模型.文献[59]首次指出两层异构网络 部署密度、发射功率等超密集网络的参数优化及算 的层间和层内的基站存在相互依赖，并不是完全独 法设计提供坚实的理论基础，故随机几何模型广泛 立的，再次论证了PPP模型的独立性假设是不准确 应用于异构蜂窝网络的性能分析 的.同时，提出宏基站采用PPP模型部署，微微基站 在随机几何的分析中，网络通常被抽象为一个 分别采用泊松孔过程(Poisson hole process,PHP)和 方便的点过程来捕获网络的特性，常用的点过程包 Matern簇过程进行部署，并推导了中断概率、每用户 括泊松点过程(Poisson point process,PPP)、二项式 的平均容量、ASE[0]等.通过对比分析发现使用 点过程(binomial point process,BPP)、硬核点过程 Matern簇过程建模微微基站是更加准确的模型. (hard core point process,HCPP)、泊松簇过程(Pois- 4.2高能效基站休眠 son cluster process,PCP)[o).泊松点过程s1-是一 随着超密集网络数据需求的井喷式发展，为保 种最易处理也最常见的点过程，学术界对此的研究 证其QE,运营商将会在宏蜂窝覆盖范围内重叠部 已有很多，所有点都是随机分布.二项式点过程服 署更多的小基站.然而，网络中的用户和业务到达 从二项式分布.实际的蜂窝网络中，各个基站的位 量存在潮汐效应，当某小区中业务量较低时，只需较 置不可能完全独立，为了避免相互干扰，基站之间需 少的小基站即可保证超密集网络的QoE,因此，可考 要保持一定的距离限制.近些年来，PPP模型逐渐 虑使一部分小基站进人休眠状态，从而降低系统的 演变为Matém硬核点过程模型[s3],使得随机产生 能耗.同时，进行相应的用户切换，但需要考虑基站 的相邻基站位置必须满足一定的最小距离限制，但 如何进入休眠以及如何唤醒的问题.而基站的重新 理论分析难度大.在不同地区不同环境下，用户对 开启也需要消耗功率，那么对于小基站的休眠，是关 容量的需求也是不同的，在一些人口密集地区（如 闭所有模块还是只关闭不必要的模块，以及当有用 住宅区、办公楼、商场、体育场等)会出现用户量、数户进入时基站唤醒的时间问题都是必须考虑的问 据业务发生时段十分集中的情况，这时会对无线通 题，同样需要在节能与QoE之间做出一个权衡，找 信网络造成一定的突发压力.而在城镇郊区的公路 到最优的节能方式 上、乡村里，数据业务量一直维持在一个相对稳定的 文献[61]通过仿真，分析了家庭基站的数量与 较低水平.由于业务量的分布一般是不均匀的，小 能耗、用户QoS之间的关系，指出家庭基站不是越 基站对于解决盲区或热点区域问题具有很好的效 多越好，应该有一个合适的比例.随着大规模的小 果.在热点区域，用户都很容易出现聚簇，形成一个 基站部署，基站休眠策略就成为了可以节约网络资 个的用户簇，这就需要部署更多的小蜂窝来为用户 源的有效手段之一·文献[9]采用中断概率门限的 提供服务.针对用户的聚簇分布问题，应该使用 方法，当中断概率低于门限时，关闭一定比例的宏基 PCP来建模，这样更加接近于真实通信场景，且与超 站，从而达到最小化系统能耗的目的.文献[62]使 密集小蜂窝部署的目标相一致. 用随机几何理论研究了异构网络的系统能效优化问
工程科学学报,第 41 卷,第 8 期 在超密集网络当中,由于网络的异构性使得网络的 拓扑结构变得非常复杂,网络层数以及小基站数量 的增多使得干扰加剧[47] ,仿真复杂度急剧增大. 传 统的六边形网格模型是一种十分理想化的模型,为 了获得这个模型的干扰分析就必须使用计算十分复 杂的蒙特卡洛仿真来分析,且得出的结论与实际并 不很相符[48] ,无法体现超密集网络拓扑结构的随机 性. 同时,随着小基站的密集部署,使用六边形网格 模型仿真所需的时间和空间复杂度较高,需要进行 大量的仿真实验. 随机几何理论为研究具有随机拓扑结构的超密 集网络的建模、分析和设计提供了坚实的理论基础. 随机几何不仅捕获了蜂窝无线网络几何拓扑的空间 随机性,也使得问题分析易于处理[49] . 随机几何模 型利于数学计算与理论分析,能够求得 SINR 的概 率分布、系统容量和覆盖概率等表达式,可以为基站 部署密度、发射功率等超密集网络的参数优化及算 法设计提供坚实的理论基础,故随机几何模型广泛 应用于异构蜂窝网络的性能分析. 在随机几何的分析中,网络通常被抽象为一个 方便的点过程来捕获网络的特性,常用的点过程包 括泊松点过程( Poisson point process,PPP)、二项式 点过程( binomial point process,BPP)、硬核点过程 (hard core point process,HCPP)、泊松簇过程( Pois鄄 son cluster process,PCP) [50] . 泊松点过程[51鄄鄄52] 是一 种最易处理也最常见的点过程,学术界对此的研究 已有很多,所有点都是随机分布. 二项式点过程服 从二项式分布. 实际的蜂窝网络中,各个基站的位 置不可能完全独立,为了避免相互干扰,基站之间需 要保持一定的距离限制. 近些年来,PPP 模型逐渐 演变为 Mat佴rn 硬核点过程模型[53] ,使得随机产生 的相邻基站位置必须满足一定的最小距离限制,但 理论分析难度大. 在不同地区不同环境下,用户对 容量的需求也是不同的,在一些人口密集地区(如 住宅区、办公楼、商场、体育场等)会出现用户量、数 据业务发生时段十分集中的情况,这时会对无线通 信网络造成一定的突发压力. 而在城镇郊区的公路 上、乡村里,数据业务量一直维持在一个相对稳定的 较低水平. 由于业务量的分布一般是不均匀的,小 基站对于解决盲区或热点区域问题具有很好的效 果. 在热点区域,用户都很容易出现聚簇,形成一个 个的用户簇,这就需要部署更多的小蜂窝来为用户 提供服务. 针对用户的聚簇分布问题,应该使用 PCP 来建模,这样更加接近于真实通信场景,且与超 密集小蜂窝部署的目标相一致. 文献[54]使用 Neyman鄄鄄 Scott 簇过程研究了包 括宏蜂窝和毫微微蜂窝的两层异构网络,分析了平 均可实现速率. 文献[55]假设服务基站位于所在层 的原点,分别使用 PPP 和 PCP 对两层异构蜂窝网络 的覆盖概率的上界和下界进行了分析. 文献[56]指 出使用 PPP 对城市或乡村的基站进行建模,都与基 站的实际部署情况相差较远. 建议在城市采用以容 量为中心的基站部署方法,使用 Matern 簇过程比较 好. 而在乡村以覆盖为中心的基站部署方法,使用 Strauss 硬核点过程比较好. 文献[57]首先对异构网 络的干扰进行了推导,然后使用一种渐进收敛的估 计算法,对层间干扰分布函数的均值和方差进行了 推导. 文献[58]将 PCP 应用到了异构蜂窝网络,假 设服务基站位于原点,在讨论聚集干扰的基础上,基 于平均功率的小区选择机制推导了加入功率偏置时 的中断概率模型. 文献[59]首次指出两层异构网络 的层间和层内的基站存在相互依赖,并不是完全独 立的,再次论证了 PPP 模型的独立性假设是不准确 的. 同时,提出宏基站采用 PPP 模型部署,微微基站 分别采用泊松孔过程(Poisson hole process,PHP)和 Matern 簇过程进行部署,并推导了中断概率、每用户 的平均容量、ASE [60] 等. 通过对比分析发现使用 Matern 簇过程建模微微基站是更加准确的模型. 4郾 2 高能效基站休眠 随着超密集网络数据需求的井喷式发展,为保 证其 QoE,运营商将会在宏蜂窝覆盖范围内重叠部 署更多的小基站. 然而,网络中的用户和业务到达 量存在潮汐效应,当某小区中业务量较低时,只需较 少的小基站即可保证超密集网络的 QoE,因此,可考 虑使一部分小基站进入休眠状态,从而降低系统的 能耗. 同时,进行相应的用户切换,但需要考虑基站 如何进入休眠以及如何唤醒的问题. 而基站的重新 开启也需要消耗功率,那么对于小基站的休眠,是关 闭所有模块还是只关闭不必要的模块,以及当有用 户进入时基站唤醒的时间问题都是必须考虑的问 题,同样需要在节能与 QoE 之间做出一个权衡,找 到最优的节能方式. 文献[61]通过仿真,分析了家庭基站的数量与 能耗、用户 QoS 之间的关系,指出家庭基站不是越 多越好,应该有一个合适的比例. 随着大规模的小 基站部署,基站休眠策略就成为了可以节约网络资 源的有效手段之一. 文献[9]采用中断概率门限的 方法,当中断概率低于门限时,关闭一定比例的宏基 站,从而达到最小化系统能耗的目的. 文献[62]使 用随机几何理论研究了异构网络的系统能效优化问 ·974·
马忠贵等：5G超密集网络的能量效率研究综述 ·975· 题，并分别采用基站随机休眠和策略休眠2种休眠 侧看，网络负载的不均衡问题导致网络中的负载不 模式，仿真结果表明系统能效的提升取决于相应的 能有效地分流到小基站，从而限制了小区分裂增益 休眠模式.文献[63]则是在同构网络模型的基础 的提升以及资源的有效利用.从用户侧看，用户吞 上，先关闭一定的宏基站，然后调节工作中宏基站的 吐量的提升需要对信道条件及可用资源进行权衡和 发射功率来保证休眠前后宏基站系统的覆盖面积不 折中.因此，高效的用户关联技术也是实现网络负 发生改变.文献[64]研究异构蜂窝网络的小蜂窝接 载均衡、降低小区间干扰、提高通信系统资源利用率 入问题，根据流量和移动性设置休眠模式.文献 以及节约整体能耗等的有效手段[) [65]在考虑用户QoS的情况下，利用马尔可夫决策 文献[76]提出了在多用户的两层正交频分复 过程决定基站休眠与否.文献[66]则介绍了三种不 用密集异构网络中，基于非偏置关联，在最大发射功 同的小基站唤醒机制，包括基于负载的唤醒机制、基 率和最小速率的约束条件下，考虑上行用户的用户 于频谱感知的唤醒机制以及二者相结合的联合小基 关联策略和高能效的资源分配算法.文献[77]则提 站休眠唤醒机制.因此，作为节省网络资源的一部 出了一种基于基站负载和用户QS已知的情况下， 分，考虑小基站的负载休眠策略[6]，也是实现超密 既考虑基站负载，同时也考虑用户所获得的传输速 集网络能效提升的重要手段. 率并将其建模成一个最优化问题进行求解，从而得 4.3高能效用户关联 到密集异构网络中的用户关联方案.文献[78]基于 在超密集网络中，移动终端经常处于多种蜂窝 博弈论提出了一种分布式的负载均衡方案.博弈论 网络重叠覆盖的区域.由于终端设备和终端通信业 可用来分析交互式的判决过程，设计大规模分布式 务的多样性、网络信道传输质量的差异性以及移动 的优化算法，它是分析自组织和动态网络的有效工 终端的喜好等，需要设计一种高质量的用户关联策 具.文献[79]考虑到信道和基站的负载情况，设计 略，保障用户可以选择接入最佳的网络[].其核心 了一种分布式用户关联算法，作者将该问题建模为 是在考虑负载均衡以及干扰水平的情况下，如何为 组合优化问题并提出了一种随机判决的求解方法. 每个用户从待选基站集合中选择能耗最低且满足 文献[80]则是以提高能量效率为目标，使用增强学 QoE需求的基站.通过建立不同的目标函数，根据 习策略，提出了集中式和分布式两种求解算法.文 相应的用户与基站关联算法，选择一组最优的用户 献[81]提出一种“以用户为中心”的资源分配策略， 关联结果，以提高超密集网络的性能.为了解决这 在该网络中，以用户为服务中心分配基站，从而带来 一问题，大量的文献对异构网络选择策略的参数、指 更好的用户体验. 标进行了分析和优化，期望为用户提供一个较好的 4.4高能效资源分配 选择策略，以提高用户的QoS和网络的传输质量. 合理的资源分配能有效地提升无线网络的能量 文献[69]在考虑基站休眠与激活的条件下，建立了 效率.文献[82]综述了蜂窝网络高能效资源管理的 高能效用户关联模型，并分别通过用户关联算法和 最新研究成果.文献[83]根据业务负载和干扰情 基站休眠、激活算法降低系统的总能耗.文献[70] 况，提出了一个对网络节点和频谱进行优化分配的 对用户关联技术进行了详细的综述和分析.关于多 模型来分配载波级资源，以减少用户延迟.仿真结 层异构网络的用户关联方案包括：基于最大化参考 果表明，该方案极大地提高了QE,并提高了容量增 信号接收功率(reference signal received power, 益.文献[84]在考虑用户吞吐量和延迟需求的情况 RSRP)和基于最大化参考信号接收质量(reference 下，通过分配发射功率和传输时隙来最小化网络的 signal received quality,RsRQ)i]、基于Max- 总能耗.文献[85]研究了在保证用户业务需求情况 SINR[]、基于偏置值的蜂窝覆盖增强(cell range ex- 下如何最小化系统资源消耗的问题，提出了一种能 pansion,CRE)]的用户关联方案. 够有效协调网络干扰的预测资源分配方法，可以降 在传统的蜂窝网络中，用户直接选择接入 低系统能耗，提高资源的频谱效率.文献[86]研究 RSRP或RSRQ值最大的小区，即采用Max-RSRP 了高能效的上下文感知资源分配问题，将其建模为 或Max-RSRQ接入准则.对于超密集网络而言，如 双边偏好下的一对一匹配问题，且在预期匹配下可 果仍采取这样的接入方式，那么由于宏基站和小基 以实现最大的能量效率.提出了一种基于Gale- 站的覆盖范围、发射功率都相差较大，用户仍会选择 Shapley算法的节能匹配算法，并对算法的稳定性、 宏基站接入，这就会造成宏基站的过载和小基站资 最优性、实现问题和算法复杂度进行了详细的讨论 源的浪费，产生严重的负载不均衡问题[4.从网络 和分析.文献[87]通过有效的资源分配算法，最大
马忠贵等: 5G 超密集网络的能量效率研究综述 题,并分别采用基站随机休眠和策略休眠 2 种休眠 模式,仿真结果表明系统能效的提升取决于相应的 休眠模式. 文献[63] 则是在同构网络模型的基础 上,先关闭一定的宏基站,然后调节工作中宏基站的 发射功率来保证休眠前后宏基站系统的覆盖面积不 发生改变. 文献[64]研究异构蜂窝网络的小蜂窝接 入问题,根据流量和移动性设置休眠模式. 文献 [65]在考虑用户 QoS 的情况下,利用马尔可夫决策 过程决定基站休眠与否. 文献[66]则介绍了三种不 同的小基站唤醒机制,包括基于负载的唤醒机制、基 于频谱感知的唤醒机制以及二者相结合的联合小基 站休眠唤醒机制. 因此,作为节省网络资源的一部 分,考虑小基站的负载休眠策略[67] ,也是实现超密 集网络能效提升的重要手段. 4郾 3 高能效用户关联 在超密集网络中,移动终端经常处于多种蜂窝 网络重叠覆盖的区域. 由于终端设备和终端通信业 务的多样性、网络信道传输质量的差异性以及移动 终端的喜好等,需要设计一种高质量的用户关联策 略,保障用户可以选择接入最佳的网络[68] . 其核心 是在考虑负载均衡以及干扰水平的情况下,如何为 每个用户从待选基站集合中选择能耗最低且满足 QoE 需求的基站. 通过建立不同的目标函数,根据 相应的用户与基站关联算法,选择一组最优的用户 关联结果,以提高超密集网络的性能. 为了解决这 一问题,大量的文献对异构网络选择策略的参数、指 标进行了分析和优化,期望为用户提供一个较好的 选择策略,以提高用户的 QoS 和网络的传输质量. 文献[69]在考虑基站休眠与激活的条件下,建立了 高能效用户关联模型,并分别通过用户关联算法和 基站休眠、激活算法降低系统的总能耗. 文献[70] 对用户关联技术进行了详细的综述和分析. 关于多 层异构网络的用户关联方案包括:基于最大化参考 信号 接 收 功 率 ( reference signal received power, RSRP)和基于最大化参考信号接收质量( reference signal received quality, RSRQ ) [71] 、 基 于 Max鄄鄄 SINR [72] 、基于偏置值的蜂窝覆盖增强(cell range ex鄄 pansion,CRE) [73]的用户关联方案. 在传统 的 蜂 窝 网 络 中, 用 户 直 接 选 择 接 入 RSRP 或 RSRQ 值最大的小区,即采用 Max鄄鄄 RSRP 或 Max鄄鄄RSRQ 接入准则. 对于超密集网络而言,如 果仍采取这样的接入方式,那么由于宏基站和小基 站的覆盖范围、发射功率都相差较大,用户仍会选择 宏基站接入,这就会造成宏基站的过载和小基站资 源的浪费,产生严重的负载不均衡问题[74] . 从网络 侧看,网络负载的不均衡问题导致网络中的负载不 能有效地分流到小基站,从而限制了小区分裂增益 的提升以及资源的有效利用. 从用户侧看,用户吞 吐量的提升需要对信道条件及可用资源进行权衡和 折中. 因此,高效的用户关联技术也是实现网络负 载均衡、降低小区间干扰、提高通信系统资源利用率 以及节约整体能耗等的有效手段[75] . 文献[76]提出了在多用户的两层正交频分复 用密集异构网络中,基于非偏置关联,在最大发射功 率和最小速率的约束条件下,考虑上行用户的用户 关联策略和高能效的资源分配算法. 文献[77]则提 出了一种基于基站负载和用户 QoS 已知的情况下, 既考虑基站负载,同时也考虑用户所获得的传输速 率并将其建模成一个最优化问题进行求解,从而得 到密集异构网络中的用户关联方案. 文献[78]基于 博弈论提出了一种分布式的负载均衡方案. 博弈论 可用来分析交互式的判决过程,设计大规模分布式 的优化算法,它是分析自组织和动态网络的有效工 具. 文献[79]考虑到信道和基站的负载情况,设计 了一种分布式用户关联算法,作者将该问题建模为 组合优化问题并提出了一种随机判决的求解方法. 文献[80]则是以提高能量效率为目标,使用增强学 习策略,提出了集中式和分布式两种求解算法. 文 献[81]提出一种“以用户为中心冶的资源分配策略, 在该网络中,以用户为服务中心分配基站,从而带来 更好的用户体验. 4郾 4 高能效资源分配 合理的资源分配能有效地提升无线网络的能量 效率. 文献[82]综述了蜂窝网络高能效资源管理的 最新研究成果. 文献[83] 根据业务负载和干扰情 况,提出了一个对网络节点和频谱进行优化分配的 模型来分配载波级资源,以减少用户延迟. 仿真结 果表明,该方案极大地提高了 QoE,并提高了容量增 益. 文献[84]在考虑用户吞吐量和延迟需求的情况 下,通过分配发射功率和传输时隙来最小化网络的 总能耗. 文献[85]研究了在保证用户业务需求情况 下如何最小化系统资源消耗的问题,提出了一种能 够有效协调网络干扰的预测资源分配方法,可以降 低系统能耗,提高资源的频谱效率. 文献[86]研究 了高能效的上下文感知资源分配问题,将其建模为 双边偏好下的一对一匹配问题,且在预期匹配下可 以实现最大的能量效率. 提出了一种基于 Gale鄄鄄 Shapley 算法的节能匹配算法,并对算法的稳定性、 最优性、实现问题和算法复杂度进行了详细的讨论 和分析. 文献[87]通过有效的资源分配算法,最大 ·975·
.976· 工程科学学报，第41卷，第8期 限度地提高超密集网络的下行链路的能量效率.首 能效的定义，研究超密集网络的信息处理和信令开 先，提出一个带约束的能量效率最大化问题，并使用 销能耗的理论模型，分析网络能效与网络覆盖能力、 分数阶规划理论将其转化为凸问题：然后采用集中 频谱效率、用户群体行为、业务特征及其服务质量要 式算法求解该优化问题，得到全局最优的能量效率. 求之间的成因关系，探索超密集网络的能效极限，研 为了降低算法的复杂度，提出了一种高效的基于交 究网络能效与系统容量的协同优化方法， 替方向乘子法的分布式算法.仿真结果表明，集中 (2)超密集网络架构及其理论基础：探索超密 式算法和分布式算法都收敛于相同的能量效率，而 集网络的架构，建立超密集网络柔性覆盖、弹性资源 后者的计算复杂度较低.为了减轻密集和随机部署 匹配的理论基础. 的家庭基站的干扰和有效地分配网络资源，同时保 5.2.2超密集小基站高能效覆盖机理 证用户的QoS,文献[88]提出了一种基于簇的超密 超密集网络将主要利用宏基站提供大范围基础 集网络资源分配方案.该方案涉及聚类和资源分配 覆盖，同时利用小基站增强特殊场景（如热点、盲 两个阶段.在聚类阶段，提出了一种改进的k-均值 点、弱覆盖场景)的深度覆盖，形成广域覆盖和深度 聚类算法，根据家庭基站的密度动态地将其划分为 覆盖的系统内异构体系.由于宏基站与各种小基站 不同的不相交聚类.因此，可以灵活地调整簇的数 的发射功率、覆盖半径、用户Q$、业务支持能力、部 目以适应动态网络拓扑变化.在资源分配阶段，进 署难易程度、网络建设成本、运维成本、可控性等各 一步提出基于贪婪的补偿资源分配算法，以最大化 不相同，因此，需要综合考虑以上各种因素，以用户 超密集网络的吞吐量.仿真结果表明，所提出的资 为中心从网络综合能耗的角度探索高能效覆盖模 源分配方案能够有效地减轻超密集网络的干扰，提 型，研究低能耗控制覆盖及能效与资源联合优化的 高系统吞吐量，同时保证用户的QS 业务柔性覆盖的设计准则，并进行仿真验证 (1)以用户为中心的超密集网络部署模型.可 5结论与展望 以以用户为中心，兼顾高能效、高谱效和柔性覆盖的 5.1结论 网络部署为出发点，根据网络的部署参数，如用户与 超密集网络部署的复杂性、终端设备的差异性 基站的相关性、网络的层数、每层网络中基站的密 以及用户行为的多样性，导致业务在时域、空域上呈 度、发射功率和覆盖半径、以及各种小基站之间的最 现出较大范围的动态性和非均衡性.同时，业务类 小距离的限制等，围绕用户的分布，使用PCP对超 型的多样性以及业务需求差异性，使得网络中的业 密集网络进行建模和分析，体现用户与基站的相关 务呈现出高动态分布特性.针对该特性，深入探索 性，从而提高用户的体验质量，这也是将来的研究方 超密集网络中不同设备的高能效部署与规划、高能 向之一·在此基础上，对超密集网络的参数进行优 效基站休眠、高能效用户关联、高能效资源管理、高 化，寻找最优的基站部署密度、最优的发射功率、最 能效传输方式等，可有效地提高系统的能量效率、频 优覆盖半径以及最优的路径损耗系数等参数.由于 谱效率以及降低网络时延等.通过综述超密集网络 超密集网络各个小区的吞吐量非常巨大，传统的频 高能效覆盖机理和柔性资源匹配机理，为未来无线 谱效率不能很好地表征系统性能，所以需要进一步 通信网络建模和分析提供设计依据与技术支撑 研究和分析区域频谱效率. 5.2展望 (2)超密集小基站部署下的能效优化.超密集 如何在频谱与能源有限的情况下极大地提高超 网络在空间上的重叠覆盖特征和无线业务在时间上 密集网络的系统覆盖和容量是一个巨大的挑战.为 的潮汐效应为超密集小基站部署下的能效优化提供 此需要从网络能效理论、部署模型、能效优化、用户 了新的空间.为此，根据宏基站与小基站所承受的 服务机制的角度探索提高频谱效率和能量效率的机 负载量将基站的运行模式分为“忙时”与“闲时”状 理与方法，并解决以下关键科学问题. 态分别研究，并引入休眠机制来降低能耗，提高能 5.2.1网络能效理论与5G超密集网络体系架构 效.从空间和时间上研究超密集网络的高能效小基 按照能效优先的原则，从树络整体能效的角度 站动态部署方案，从而为超密集网络的实际部署以 研究网络能量效率的成因关系，并在此基础上建立 及算法设计提供理论和设计上的指导 能效与资源优化的5G超密集网络体系架构与理论 5.2.3超密集网络的柔性资源匹配机理 体系 超密集网络有限的频谱和能源被独立地分配到 (1)网络能效建模与成因关系分析：明确网络 多级异构的蜂窝网络中，但每个网络中业务量的时
工程科学学报,第 41 卷,第 8 期 限度地提高超密集网络的下行链路的能量效率. 首 先,提出一个带约束的能量效率最大化问题,并使用 分数阶规划理论将其转化为凸问题;然后采用集中 式算法求解该优化问题,得到全局最优的能量效率. 为了降低算法的复杂度,提出了一种高效的基于交 替方向乘子法的分布式算法. 仿真结果表明,集中 式算法和分布式算法都收敛于相同的能量效率,而 后者的计算复杂度较低. 为了减轻密集和随机部署 的家庭基站的干扰和有效地分配网络资源,同时保 证用户的 QoS,文献[88]提出了一种基于簇的超密 集网络资源分配方案. 该方案涉及聚类和资源分配 两个阶段. 在聚类阶段,提出了一种改进的 k鄄均值 聚类算法,根据家庭基站的密度动态地将其划分为 不同的不相交聚类. 因此,可以灵活地调整簇的数 目以适应动态网络拓扑变化. 在资源分配阶段,进 一步提出基于贪婪的补偿资源分配算法,以最大化 超密集网络的吞吐量. 仿真结果表明,所提出的资 源分配方案能够有效地减轻超密集网络的干扰,提 高系统吞吐量,同时保证用户的 QoS. 5 结论与展望 5郾 1 结论 超密集网络部署的复杂性、终端设备的差异性 以及用户行为的多样性,导致业务在时域、空域上呈 现出较大范围的动态性和非均衡性. 同时,业务类 型的多样性以及业务需求差异性,使得网络中的业 务呈现出高动态分布特性. 针对该特性,深入探索 超密集网络中不同设备的高能效部署与规划、高能 效基站休眠、高能效用户关联、高能效资源管理、高 能效传输方式等,可有效地提高系统的能量效率、频 谱效率以及降低网络时延等. 通过综述超密集网络 高能效覆盖机理和柔性资源匹配机理,为未来无线 通信网络建模和分析提供设计依据与技术支撑. 5郾 2 展望 如何在频谱与能源有限的情况下极大地提高超 密集网络的系统覆盖和容量是一个巨大的挑战. 为 此需要从网络能效理论、部署模型、能效优化、用户 服务机制的角度探索提高频谱效率和能量效率的机 理与方法,并解决以下关键科学问题. 5郾 2郾 1 网络能效理论与 5G 超密集网络体系架构 按照能效优先的原则,从网络整体能效的角度 研究网络能量效率的成因关系,并在此基础上建立 能效与资源优化的 5G 超密集网络体系架构与理论 体系. (1)网络能效建模与成因关系分析:明确网络 能效的定义,研究超密集网络的信息处理和信令开 销能耗的理论模型,分析网络能效与网络覆盖能力、 频谱效率、用户群体行为、业务特征及其服务质量要 求之间的成因关系,探索超密集网络的能效极限,研 究网络能效与系统容量的协同优化方法. (2)超密集网络架构及其理论基础:探索超密 集网络的架构,建立超密集网络柔性覆盖、弹性资源 匹配的理论基础. 5郾 2郾 2 超密集小基站高能效覆盖机理 超密集网络将主要利用宏基站提供大范围基础 覆盖,同时利用小基站增强特殊场景(如热点、盲 点、弱覆盖场景)的深度覆盖,形成广域覆盖和深度 覆盖的系统内异构体系. 由于宏基站与各种小基站 的发射功率、覆盖半径、用户 QoS、业务支持能力、部 署难易程度、网络建设成本、运维成本、可控性等各 不相同,因此,需要综合考虑以上各种因素,以用户 为中心从网络综合能耗的角度探索高能效覆盖模 型,研究低能耗控制覆盖及能效与资源联合优化的 业务柔性覆盖的设计准则,并进行仿真验证. (1)以用户为中心的超密集网络部署模型. 可 以以用户为中心,兼顾高能效、高谱效和柔性覆盖的 网络部署为出发点,根据网络的部署参数,如用户与 基站的相关性、网络的层数、每层网络中基站的密 度、发射功率和覆盖半径、以及各种小基站之间的最 小距离的限制等,围绕用户的分布,使用 PCP 对超 密集网络进行建模和分析,体现用户与基站的相关 性,从而提高用户的体验质量,这也是将来的研究方 向之一. 在此基础上,对超密集网络的参数进行优 化,寻找最优的基站部署密度、最优的发射功率、最 优覆盖半径以及最优的路径损耗系数等参数. 由于 超密集网络各个小区的吞吐量非常巨大,传统的频 谱效率不能很好地表征系统性能,所以需要进一步 研究和分析区域频谱效率. (2)超密集小基站部署下的能效优化. 超密集 网络在空间上的重叠覆盖特征和无线业务在时间上 的潮汐效应为超密集小基站部署下的能效优化提供 了新的空间. 为此,根据宏基站与小基站所承受的 负载量将基站的运行模式分为“忙时冶与“闲时冶状 态分别研究,并引入休眠机制来降低能耗,提高能 效. 从空间和时间上研究超密集网络的高能效小基 站动态部署方案,从而为超密集网络的实际部署以 及算法设计提供理论和设计上的指导. 5郾 2郾 3 超密集网络的柔性资源匹配机理 超密集网络有限的频谱和能源被独立地分配到 多级异构的蜂窝网络中,但每个网络中业务量的时 ·976·
马忠贵等：5G超密集网络的能量效率研究综述 ·977· 空分布却呈现出越来越大的动态特性和不均衡性， entia Sinica Informationis),2014,44(5):551 使得每个网络中的频谱与能源都无法得到充分利 (尤肖虎，潘志文，高西奇，等.5G移动通信发展趋势与若干 用.为此需要针对超密集网络环境建立高能效的柔 关键技术。中国科学：信息科学，2014,44(5)：551) [2]Yang CG,Li J D.Ni Q,et al.Interference-aware energy effi- 性资源匹配机理，避免不必要地切换.同时，需要对 ciency maximization in 5G ultra-dense networks.IEEE Trans Com- 用户关联、移动性管理等进行建模，建立从参数空 mun,2017,65(2):728 间、资源配置空间到目标函数空间的映射，是需要解 [3]Cisco.Ciscovisual networking index:global mobile data traffic 决的核心问题 forecast update,2017-2022 white paper [J/OL].Cisco Mobile (1)用户关联模型.尽管已有的用户关联技术 VW7(2019-02-18)[2018-07-20].htps://www.cisco.com/ c/en/us/solutions/collateral/service-provider/visual-networking- 能够实现蜂窝网络的最优或次优解，但它们很难直 index-vni/mobile-white-paper-cl1-520862.html 接应用于超密集网络中.在超密集网络中，层间干 [4]The Climate Group.Smart2020:enabling the low carbon economy 扰受多种因素影响，所以需要考虑每种干扰的特点 in the information age [R/OL].Global e-Sustainability Initiative 和用户QoS需求，研究基于负载均衡的用户关联和 (2008-06-19)[2018-07-20].https://www.theclimategroup. 基于Qo$的高能效用户关联模型.通过用户关联， org/sites/default/files/archive/files/Smart2020Report.pdf 实现蜂窝间负载的有效控制. [5]Zhang J M,Xie WL,Yang F Y.Architecture and solutions of 5G ultra dense network.Telecommun Sci,2016,32(6):36 (2)移动性管理模型.针对超密集异构网络中 (张建敏，谢伟良，杨峰义.5G超密集组网网络架构及实现 切换策略准确性不足、信令开销大、切换失败率与不 电信科学，2016,32(6)：36) 必要切换率较高的问题，自适应小蜂窝聚簇是一种 [6]Kamel M,Hamouda W,Youssef A.Ultra-dense networks:a sur- 提高系统性能的有效手段.在此基础上，研究和设 vey.IEEE Commun Surveys Tutorials,2016,18(4):2522 计切换流程和本地移动性管理方案. [7]Han T,Ansari N.Powering mobile networks with green energy. IEEE Wireless Commun,2014,21(1):90 5.2.4移动用户群体行为建模与高能效服务方法 [8]Greening L A,Greene D L,Difiglio C.Energy efficiency and con- 通过对实际运营的无线通信系统中常见业务的 sumption-the rebound effect-a survey.Energy Policy,2000,28 大数据分析，分析移动网络中多种类型业务在时域 (6-7):389 和空域分布的动态特征以及内容属性等方面的变化 [9]Soh Y S,Quek TQ S,Kountouris M,et al.Energy efficient het- 规律，挖掘移动用户群体的行为模式，建立多维度用 erogeneous cellular networks.IEEE Sel Areas Commun,2013, 31(5):840 户群体行为模型，并针对不同的群体行为特征给出 [10]Samarakoon S,Bennis M,Saad W,et al.Ultra dense small cell 高能效服务方法 networks:turning density into energy efficiency.IEEE J Sel Areas (1)多维度用户群体行为分析与建模.通过业 Commun,2016,34(5):1267 务特征的大数据分析，研究用户以群体为单位在活 [11]Bai L,Liu TT,Yang C Y.Interference coordination method and 动规律、业务需求、接入频率、用户关联关系、聚类特 performance analysis in ultra-dense network UDN )J Signal 性等多维度下的行为模式和特征规律，对业务内容 Process,2015,31(10):1263 (白璐，刘婷婷，杨晨阳.超密集网络中干扰协调方法及性 上的相关性及用户群体行为的趋同性等进行分析， 能分析.信号处理，2015,31(10)：1263) 通过概率统计和数据挖掘等手段对用户群体行为进 [12]Zhang T K,Zhao J J,An L,et al.Energy efficiency of base sta- 行认知与数学建模，指导超密集网络的资源配置. tion deployment in ultra dense HetNets:a stochastic geometry (2)面向用户群体行为的高能效服务机理.建 analysis.IEEE Wireless Commun Lett,2016,5(2):184 立用户群体行为与网络高能效的内在联系，研究面 [13]Liu Y P,Fang X M.Joint user association and resource alloca- tion for self-backhaul ultra-dense networks.China Commun, 向用户群体行为的高能效服务机理与智能动态适配 2016,13(2):1 技术，构建面向用户群体行为的高能效服务体系. [14]Zheng C,Fan J C,Luo X M.Spectrum and energy efficiency 因此，综合考虑基站部署密度、发射功率、休眠 analysis of ultra dense network with sleep /2016 8th /EEE In- 机制以及频谱分配机制，探讨如何在满足用户QoS ternational Conference on Communication Software and Networks 前提下优化超密集网络系统的区域能量效率，具有 (ICCSN).Beijing,2016:392 重要的现实意义. [15]Yang C G,Li J D,Ni Q,et al.Interference-aware energy effi- ciency maximization in 5G ultra-dense networks.IEEE Trans Commun,2017,65(2):728 参考文献 [16]Zhang Y Y,Xia WW,Zhu Y P.et al.An optimal energy-effi- [1]You X H,Pan Z W,Gao X Q,et al.The 5G mobile communica- cient resource allocation algorithm in ultra-dense network.Tele. tion:the development trends and its emerging key techniques.Sci- commun Sci,2017,33(10):26
马忠贵等: 5G 超密集网络的能量效率研究综述 空分布却呈现出越来越大的动态特性和不均衡性, 使得每个网络中的频谱与能源都无法得到充分利 用. 为此需要针对超密集网络环境建立高能效的柔 性资源匹配机理,避免不必要地切换. 同时,需要对 用户关联、移动性管理等进行建模,建立从参数空 间、资源配置空间到目标函数空间的映射,是需要解 决的核心问题. (1)用户关联模型. 尽管已有的用户关联技术 能够实现蜂窝网络的最优或次优解,但它们很难直 接应用于超密集网络中. 在超密集网络中,层间干 扰受多种因素影响,所以需要考虑每种干扰的特点 和用户 QoS 需求,研究基于负载均衡的用户关联和 基于 QoS 的高能效用户关联模型. 通过用户关联, 实现蜂窝间负载的有效控制. (2)移动性管理模型. 针对超密集异构网络中 切换策略准确性不足、信令开销大、切换失败率与不 必要切换率较高的问题,自适应小蜂窝聚簇是一种 提高系统性能的有效手段. 在此基础上,研究和设 计切换流程和本地移动性管理方案. 5郾 2郾 4 移动用户群体行为建模与高能效服务方法 通过对实际运营的无线通信系统中常见业务的 大数据分析,分析移动网络中多种类型业务在时域 和空域分布的动态特征以及内容属性等方面的变化 规律,挖掘移动用户群体的行为模式,建立多维度用 户群体行为模型,并针对不同的群体行为特征给出 高能效服务方法. (1)多维度用户群体行为分析与建模. 通过业 务特征的大数据分析,研究用户以群体为单位在活 动规律、业务需求、接入频率、用户关联关系、聚类特 性等多维度下的行为模式和特征规律,对业务内容 上的相关性及用户群体行为的趋同性等进行分析, 通过概率统计和数据挖掘等手段对用户群体行为进 行认知与数学建模,指导超密集网络的资源配置. (2)面向用户群体行为的高能效服务机理. 建 立用户群体行为与网络高能效的内在联系,研究面 向用户群体行为的高能效服务机理与智能动态适配 技术,构建面向用户群体行为的高能效服务体系. 因此,综合考虑基站部署密度、发射功率、休眠 机制以及频谱分配机制,探讨如何在满足用户 QoS 前提下优化超密集网络系统的区域能量效率,具有 重要的现实意义. 参 考 文 献 [1] You X H, Pan Z W, Gao X Q, et al. The 5G mobile communica鄄 tion: the development trends and its emerging key techniques. Sci鄄 entia Sinica (Informationis), 2014, 44(5): 551 (尤肖虎, 潘志文, 高西奇, 等. 5G 移动通信发展趋势与若干 关键技术. 中国科学: 信息科学, 2014, 44(5): 551) [2] Yang C G, Li J D, Ni Q, et al. Interference鄄aware energy effi鄄 ciency maximization in 5G ultra鄄dense networks. IEEE Trans Com鄄 mun, 2017, 65(2): 728 [3] Cisco. Ciscovisual networking index: global mobile data traffic forecast update, 2017—2022 white paper [ J/ OL]. Cisco Mobile VNI (2019鄄鄄02鄄鄄18) [2018鄄鄄07鄄鄄20]. https: / / www. cisco. com/ c / en / us/ solutions/ collateral / service鄄provider/ visual鄄networking鄄 index鄄vni / mobile鄄white鄄paper鄄c11鄄520862. html [4] The Climate Group. Smart2020:enabling the low carbon economy in the information age [R/ OL]. Global e鄄Sustainability Initiative (2008鄄鄄06鄄鄄19) [2018鄄鄄07鄄鄄20]. https: / / www. theclimategroup. org / sites/ default / files/ archive / files/ Smart2020Report. pdf [5] Zhang J M, Xie W L, Yang F Y. Architecture and solutions of 5G ultra dense network. Telecommun Sci, 2016, 32(6): 36 (张建敏, 谢伟良, 杨峰义. 5G 超密集组网网络架构及实现. 电信科学, 2016, 32(6): 36) [6] Kamel M, Hamouda W, Youssef A. Ultra鄄dense networks:a sur鄄 vey. IEEE Commun Surveys Tutorials, 2016, 18(4): 2522 [7] Han T, Ansari N. Powering mobile networks with green energy. IEEE Wireless Commun, 2014, 21(1): 90 [8] Greening L A, Greene D L, Difiglio C. Energy efficiency and con鄄 sumption鄄the rebound effect鄄a survey. Energy Policy, 2000, 28 (6鄄7): 389 [9] Soh Y S, Quek T Q S, Kountouris M, et al. Energy efficient het鄄 erogeneous cellular networks. IEEE J Sel Areas Commun, 2013, 31(5): 840 [10] Samarakoon S, Bennis M, Saad W, et al. Ultra dense small cell networks: turning density into energy efficiency. IEEE J Sel Areas Commun, 2016, 34(5): 1267 [11] Bai L, Liu T T, Yang C Y. Interference coordination method and performance analysis in ultra鄄dense network ( UDN). J Signal Process, 2015, 31(10): 1263 (白璐, 刘婷婷, 杨晨阳. 超密集网络中干扰协调方法及性 能分析. 信号处理, 2015, 31(10): 1263) [12] Zhang T K, Zhao J J, An L, et al. Energy efficiency of base sta鄄 tion deployment in ultra dense HetNets: a stochastic geometry analysis. IEEE Wireless Commun Lett, 2016, 5(2): 184 [13] Liu Y P, Fang X M. Joint user association and resource alloca鄄 tion for self鄄backhaul ultra鄄dense networks. China Commun, 2016, 13(2): 1 [14] Zheng C, Fan J C, Luo X M. Spectrum and energy efficiency analysis of ultra dense network with sleep / / 2016 8th IEEE In鄄 ternational Conference on Communication Software and Networks (ICCSN). Beijing, 2016: 392 [15] Yang C G, Li J D, Ni Q, et al. Interference鄄aware energy effi鄄 ciency maximization in 5G ultra鄄dense networks. IEEE Trans Commun, 2017, 65(2): 728 [16] Zhang Y Y, Xia W W, Zhu Y P, et al. An optimal energy鄄effi鄄 cient resource allocation algorithm in ultra鄄dense network. Tele鄄 commun Sci, 2017, 33(10): 26 ·977·