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·