密集異構(gòu)網(wǎng)絡(luò)中基于非鄰區(qū)關(guān)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(xué)，江蘇 鎮(zhèn)江 212000）

1 引言

在未來的5G網(wǎng)絡(luò)中，網(wǎng)絡(luò)吞吐量將提高近1 000倍，網(wǎng)絡(luò)密集化是解決網(wǎng)絡(luò)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(dá)到改善系統(tǒng)容量和實(shí)現(xiàn)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(xiàn)[5]的研究表明，移動(dòng)網(wǎng)絡(luò)的能耗60%～80%來自基站單元的消耗，參考文獻(xiàn)[6]研究表明，在一天之內(nèi)，網(wǎng)絡(luò)內(nèi)30%～45%基站負(fù)載低于峰值的 10%，很大部分基站在絕大多數(shù)時(shí)間內(nèi)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(diǎn)。

目前，基站休眠技術(shù)被認(rèn)為是解決網(wǎng)絡(luò)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?；陬A(yù)設(shè)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(yùn)行情況，算法復(fù)雜度較低，但一般只能實(shí)現(xiàn)網(wǎng)絡(luò)局部優(yōu)化，無法獲得整體網(wǎng)絡(luò)能效的提高。集中式休眠算法通過集中式管控模塊收集網(wǎng)絡(luò)中全部基站的負(fù)載信息，從全網(wǎng)絡(luò)的角度出發(fā)實(shí)施休眠算法，使整體網(wǎng)絡(luò)達(dá)到能效最優(yōu)狀態(tài)。相對而言，集中式休眠算法網(wǎng)絡(luò)能效優(yōu)于分布式休眠算法，但算法復(fù)雜度較高[10]。在針對集中式休眠算法的研究中，參考文獻(xiàn)[11]提出了一種啟發(fā)式集中休眠算法，該算法通過SON（self organization network，自組織網(wǎng)絡(luò)）服務(wù)器收集網(wǎng)絡(luò)中所有基站的運(yùn)行狀態(tài)信息并計(jì)算所有基站的能效，盡量關(guān)閉能效小的基站。但該算法需要遍歷網(wǎng)絡(luò)所有基站，對于基站部署數(shù)量龐大的密集異構(gòu)網(wǎng)絡(luò)而言，算法的復(fù)雜度太大。同時(shí)，參考文獻(xiàn)[11]中又提出了循環(huán)漸進(jìn)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(jù)測試低能效組中基站關(guān)閉的比例來判斷是否進(jìn)行下一組的關(guān)閉測試，避免遍歷網(wǎng)絡(luò)中所有基站。但是在算法的執(zhí)行過程中，用戶的轉(zhuǎn)移造成相鄰基站能效的變化，SON服務(wù)器不能及時(shí)更新基站能效的排序，從而影響分組后能效排序的準(zhǔn)確性，使得本組關(guān)閉基站的比例降低，可能致使下一組測試無法進(jìn)行，網(wǎng)絡(luò)的能效無法得到全面的優(yōu)化。參考文獻(xiàn)[12]提出了分簇的集中式基站休眠算法，在算法執(zhí)行過程中，關(guān)閉一個(gè)基站的前后，網(wǎng)絡(luò)都要進(jìn)行簇的能效對比和更新，對于密集異構(gòu)網(wǎng)絡(luò)來說，網(wǎng)絡(luò)信令負(fù)擔(dān)嚴(yán)重，算法效率低。參考文獻(xiàn)[13,14]提出了一種根據(jù)基站業(yè)務(wù)量判斷并執(zhí)行關(guān)閉一定比例活動(dòng)基站的休眠算法，在保證鄰近小區(qū)可以接受其業(yè)務(wù)量轉(zhuǎn)移的前提下，關(guān)閉業(yè)務(wù)量低的基站。然而，該算法并沒有考慮到用戶的實(shí)際位置對用戶成功轉(zhuǎn)移的影響，可能造成部分業(yè)務(wù)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(qū)關(guān)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(guān)系的基站進(jìn)行分簇，使得簇內(nèi)的基站能效變化互不影響，減少集中管理模塊統(tǒng)計(jì)和更新基站能效信息的頻率，降低網(wǎng)絡(luò)信令負(fù)擔(dān)。然后，在每個(gè)簇內(nèi)建立潛在休眠基站的判決機(jī)制，減少算法執(zhí)行過程中不必要基站的測試，有效降低運(yùn)算復(fù)雜度；同時(shí)，根據(jù)用戶到基站的距離，設(shè)置基站運(yùn)行模式的判決機(jī)制，合理轉(zhuǎn)移用戶，避免出現(xiàn)連續(xù)多個(gè)相鄰低能效基站間用戶相互轉(zhuǎn)移，造成低能效基站無法關(guān)閉而浪費(fèi)能源的情況。最后，所有簇依次執(zhí)行簇內(nèi)的判決機(jī)制，經(jīng)過多次準(zhǔn)確的基站能效排序、合理用戶轉(zhuǎn)移以及基站運(yùn)行模式的選擇，可以關(guān)閉更多低能效的基站，同時(shí)也降低了出現(xiàn)連續(xù)多個(gè)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(wǎng)絡(luò)擁塞率的提高。

2 系統(tǒng)模型

2.1 網(wǎng)絡(luò)架構(gòu)

考慮有M個(gè)宏蜂窩形成基本覆蓋的異構(gòu)網(wǎng)絡(luò)模型，其中，以每個(gè)宏基站為中心，形成理想的六邊形的覆蓋宏小區(qū)，如圖1所示。每個(gè)宏小區(qū)通過宏基站配置的定向天線劃分為3個(gè)宏扇區(qū)。在每個(gè)宏小區(qū)內(nèi)，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(qū)劃分，同時(shí)采用開放式用戶接入方式，允許覆蓋范圍內(nèi)的所有用戶接入。

圖1 系統(tǒng)場景模型

2.2 接入模型

假設(shè)在業(yè)務(wù)強(qiáng)度周期性變化的網(wǎng)絡(luò)中，將用戶到達(dá)建模成一個(gè)強(qiáng)度為λ(t)的泊松隨機(jī)過程，λ(t)是一個(gè)周期T=24 h的變量[15]：

其中，A表示控制業(yè)務(wù)強(qiáng)度變化曲線幅度的參數(shù)，B表示控制業(yè)務(wù)強(qiáng)度變化曲線峰值位置的角度參數(shù)，C表示業(yè)務(wù)強(qiáng)度變化曲線的常數(shù)項(xiàng)，b∈{1,3}表示用戶調(diào)節(jié)業(yè)務(wù)強(qiáng)度變化曲線的梯度。設(shè)定參數(shù)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(gè)資源模塊，每個(gè)RB（resource block，資源塊）在某一時(shí)刻只能被一個(gè)用戶占用。宏扇區(qū)m服務(wù)用戶mk的用戶速率計(jì)算式為：

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

小蜂窩覆蓋形成的第f個(gè)小小區(qū)服務(wù)用戶fk的用戶速率計(jì)算式為：

其中，表示第f個(gè)小小區(qū)分配給用戶fk的RB集合，γfk,i,f表示用戶fk在小小區(qū)的第i個(gè) 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(guān)系，參考文獻(xiàn)[13]給出了其功耗模型：

其中，P0是非休眠狀態(tài)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(fù)載相關(guān)的功耗的斜率,NTRX是基站的發(fā)射天線數(shù),Psleep表示基站休眠狀態(tài)下的功率。

定義第k個(gè)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(jì)算式為：

其中，Mk表示第k個(gè)小蜂窩服務(wù)用戶的集合，表示第k個(gè)小蜂窩服務(wù)的第m個(gè)用戶的速率表示第k個(gè)小蜂窩的功耗。

3 基于非鄰區(qū)關(guān)系分簇的集中式基站休眠算法

在解決網(wǎng)絡(luò)能耗優(yōu)化問題的過程中，貪婪算法能夠得到網(wǎng)絡(luò)能效的最優(yōu)解，但隨著基站數(shù)量的增加，貪婪算法的復(fù)雜度會非常高甚至無法計(jì)算。在采用鄰區(qū)關(guān)系分簇或者基站能效排序的算法時(shí)，由于用戶在算法執(zhí)行過程中的轉(zhuǎn)移，造成基站能效排序不準(zhǔn)確。此時(shí)，對于不能及時(shí)更新能效排序的網(wǎng)絡(luò)，部分低能效基站無法關(guān)閉，而對于頻繁更新能效排序的網(wǎng)絡(luò)，無疑增加了網(wǎng)絡(luò)信令負(fù)擔(dān)。因此，本文提出了一種適用于密集異構(gòu)網(wǎng)絡(luò)的基于非鄰區(qū)關(guān)系分簇的集中式基站休眠算法。該算法首先基于非鄰區(qū)關(guān)系準(zhǔn)則，將不存在用戶直接相互切換關(guān)系的低功率基站分為一簇，然后根據(jù)每簇內(nèi)基站能效均值以及用戶和基站的位置關(guān)系，分別建立潛在休眠基站判決機(jī)制和基站運(yùn)行模式判決機(jī)制，最后所有簇依次執(zhí)行簇內(nèi)判決機(jī)制。

3.1 基于非鄰區(qū)關(guān)系的分簇算法

為將不具有鄰區(qū)關(guān)系的小蜂窩分為一簇，首先需要對所有小蜂窩做不同的標(biāo)記，區(qū)分相互關(guān)系屬性。在標(biāo)記過程中可以根據(jù)網(wǎng)絡(luò)的規(guī)模選擇多種標(biāo)記方式，由于過多種類的標(biāo)記會影響算法的復(fù)雜度及運(yùn)算時(shí)間，因此，在小范圍的網(wǎng)絡(luò)中，可以根據(jù)小蜂窩鄰區(qū)個(gè)數(shù)的奇偶性，選擇至多4種編號標(biāo)記的方式，將所有存在鄰區(qū)關(guān)系的小蜂窩做不同的標(biāo)記，然后將相同標(biāo)記的小蜂窩分為一簇，達(dá)到非鄰區(qū)關(guān)系分簇的目的。

根據(jù)小蜂窩鄰區(qū)的個(gè)數(shù)，首先將鄰區(qū)個(gè)數(shù)最多的小蜂窩和獨(dú)立的小蜂窩標(biāo)記為1，然后根據(jù)鄰區(qū)個(gè)數(shù)的奇偶性，加以區(qū)分標(biāo)記。當(dāng)鄰區(qū)個(gè)數(shù)為偶數(shù)時(shí)，只需要兩種數(shù)字即可將它們分開，即2、3；當(dāng)鄰區(qū)個(gè)數(shù)為奇數(shù)，等于或者大于3時(shí)，則需要3種數(shù)字標(biāo)記，即2、3、4；對于只存在一個(gè)鄰區(qū)的基站，一種數(shù)字標(biāo)記即可，如圖2所示。

圖2 小蜂窩鄰區(qū)關(guān)系的標(biāo)記情況

所有小蜂窩標(biāo)記完成后，將相同標(biāo)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(gè)小蜂窩相鄰基站組成的集合，初始化為空集，|Bn|表示第n個(gè)小蜂窩相鄰的基站的個(gè)數(shù)。

步驟2 集合A中每個(gè)小蜂窩根據(jù)收集到的信息計(jì)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(rèn)為兩個(gè)小蜂窩相鄰，并更新集合Bn。

步驟3 集合A中，每個(gè)小蜂窩計(jì)算自己鄰區(qū)的個(gè)數(shù)，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(qū)基站數(shù)最大值對應(yīng)的小蜂窩標(biāo)記為 1，獨(dú)立的小蜂窩也標(biāo)記為1。標(biāo)記后將該基站在列表集合L中的排序刪除。

步驟5 對標(biāo)記為1的小蜂窩對應(yīng)的Bn中的基站進(jìn)行標(biāo)記，相鄰的小蜂窩大致成環(huán)狀分布。依次對相鄰基站每隔一個(gè)小蜂窩做相同的標(biāo)記：當(dāng)鄰區(qū)個(gè)數(shù)為偶數(shù)時(shí)，做232323標(biāo)記；當(dāng)為奇數(shù)時(shí)，做234234標(biāo)記。

步驟 6 將已標(biāo)記小蜂窩對應(yīng)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(zhuǎn)入步驟8。

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

3.2 基于簇內(nèi)判決機(jī)制的休眠算法

小蜂窩分簇后，為進(jìn)一步降低算法的復(fù)雜度，減少不必要的基站測試，本節(jié)建立了一個(gè)潛在休眠基站判決機(jī)制?？紤]到網(wǎng)絡(luò)整體能效主要受部分低能效基站的影響，因此，可把每個(gè)簇內(nèi)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(jù)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(nèi)的分布位置對基站能否順利休眠起到?jīng)Q定性作用，因此，需要根據(jù)用戶的實(shí)際位置合理地選擇基站運(yùn)行模式。對于靠近周邊鄰區(qū)基站的用戶，可以根據(jù)實(shí)際情況轉(zhuǎn)移到周邊鄰區(qū)基站，但對于集中在基站中心附近的用戶，成功轉(zhuǎn)移到周邊鄰區(qū)基站的可能性較低，參考文獻(xiàn)[12]中算法是繼續(xù)保持該基站的工作狀態(tài)，這樣就產(chǎn)生了能源的浪費(fèi)。參考文獻(xiàn)[13]算法是將這些用戶轉(zhuǎn)移到室外的宏基站服務(wù)，由于存在墻壁遮擋和距離宏基站較遠(yuǎn)等問題，一般宏基站的信號質(zhì)量在室內(nèi)不太理想，用戶轉(zhuǎn)移成功率和基站關(guān)閉率都不高，即使轉(zhuǎn)移成功，由于信道質(zhì)量較低，用戶占用較多的信道資源，提高了網(wǎng)絡(luò)擁塞率。因此，給出了基站運(yùn)行模式的判決機(jī)制，根據(jù)用戶在小蜂窩覆蓋范圍內(nèi)的位置來判定基站是休眠還是進(jìn)行功率收縮，合理地安排和轉(zhuǎn)移用戶。由于小蜂窩為低功率基站，不適合采用多級調(diào)節(jié)發(fā)射功率情況，因此，在基站選擇收縮功率模式時(shí)，發(fā)射功率降為原來的一半。

基站分成4個(gè)簇后，在每個(gè)簇內(nèi)執(zhí)行判決機(jī)制的具體步驟如下。

步驟1 根據(jù)SON收集簇內(nèi)基站服務(wù)狀態(tài)信息，計(jì)算簇內(nèi)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(nèi)能效值小于能效均值（ηk≤）的所有小蜂窩的集合，將集合T內(nèi)基站按照能效值遞減序列排序。將集合T內(nèi)能效值最大的基站表示為tmax，統(tǒng)計(jì)tmax內(nèi)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(nèi)的用戶主要集中在基站附近，基站選擇收縮功率模式。同時(shí)，嘗試將距離tmax較遠(yuǎn)的用戶轉(zhuǎn)移到鄰近的小蜂窩或宏蜂窩。若成功轉(zhuǎn)移，基站可以進(jìn)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(yùn)行模式，更新集合元素，T=T-{tmax}。

步驟4 若＞D/2，則判定tmax內(nèi)的用戶主要集中在基站外圍，基站選擇休眠模式，同時(shí)，嘗試將距離tmax較近的用戶轉(zhuǎn)移到宏蜂窩，較遠(yuǎn)的用戶轉(zhuǎn)移到鄰近小蜂窩，若成功轉(zhuǎn)移，基站可以進(jìn)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(yùn)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(zhuǎn)入任意一個(gè)簇執(zhí)行步驟1～步驟5。

直到所有簇依次執(zhí)行完上述判決機(jī)制，算法結(jié)束，并等待下一次執(zhí)行算法的時(shí)間到來。在每個(gè)簇內(nèi)的判決機(jī)制的流程如圖3所示。

4 仿真結(jié)果和分析

為了更好地評估基于非鄰區(qū)關(guān)系分簇的集中式基站休眠算法的性能，本節(jié)將與貪婪休眠算法和鄰區(qū)關(guān)系的休眠算法進(jìn)行比較，參與對比的性能包括：基站的平均開啟數(shù)、網(wǎng)絡(luò)能效、網(wǎng)絡(luò)的擁塞率以及算法的運(yùn)行時(shí)間。

本節(jié)搭建的密集異構(gòu)網(wǎng)絡(luò)中含有7個(gè)宏蜂窩，每個(gè)宏扇區(qū)內(nèi)均勻隨機(jī)分布著100個(gè)小蜂窩，仿真過程中采用 Wrap-around技術(shù)[17]，克服異構(gòu)網(wǎng)絡(luò)中的邊界效應(yīng)。同時(shí)采用郊區(qū)路徑損耗模型[18]，并假設(shè)小蜂窩均位于一層的建筑物內(nèi)，具體仿真參數(shù)見表1。

3種算法的基站平均開啟數(shù)隨時(shí)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(shù)很好地反映了網(wǎng)絡(luò)負(fù)載的變化情況。即在23點(diǎn)至次日7點(diǎn)時(shí)間段，由于大部分用戶處于休息狀態(tài)，業(yè)務(wù)需求量較低，基站開啟數(shù)較少；后續(xù)時(shí)間段，隨著日常繁忙生活的開始，基站開啟數(shù)逐漸增加直至趨于穩(wěn)定。在采用非鄰區(qū)關(guān)系分簇休眠算法時(shí)，基站的平均開啟數(shù)較低，這是因?yàn)椴捎梅青弲^(qū)關(guān)系分簇，避免了鄰區(qū)基站能效變化相互影響，準(zhǔn)確排序基站能效，提高休眠算法準(zhǔn)確性。同時(shí)，簇內(nèi)潛在休眠基站判決機(jī)制，使算法針對性優(yōu)化低能效基站；簇內(nèi)基站運(yùn)行模式判決機(jī)制使得用戶轉(zhuǎn)移更加合理，避免轉(zhuǎn)移到距離較遠(yuǎn)的低能效基站，占用較多網(wǎng)絡(luò)資源而無法關(guān)閉低能效基站。貪婪算法和鄰區(qū)關(guān)系分簇休眠算法均未考慮鄰區(qū)基站能效變化的相互影響以及連續(xù)多個(gè)相鄰低能效基站執(zhí)行算法的情況。因此，兩者的基站平均開啟數(shù)均較高。

圖3 簇內(nèi)判決機(jī)制流程

表1 部分仿真參數(shù)

圖4 不同算法基站平均開啟數(shù)隨時(shí)間的變化情況

3種算法的網(wǎng)絡(luò)擁塞率隨時(shí)間變化如圖 5所示。在業(yè)務(wù)低谷期，用戶數(shù)量以及服務(wù)需求變化量較低，開啟的基站足以滿足用戶的服務(wù)需求，擁塞概率較低。隨著網(wǎng)絡(luò)業(yè)務(wù)量的增加，基站開啟數(shù)增加，但由于網(wǎng)絡(luò)中存在較多的覆蓋空洞，網(wǎng)絡(luò)擁塞概率不斷增加。在業(yè)務(wù)高峰期，基站開啟數(shù)較多，3種算法的網(wǎng)絡(luò)擁塞率均低于1%且處于一個(gè)較穩(wěn)定的狀態(tài)，滿足一般通信服務(wù)網(wǎng)絡(luò)擁塞概率的要求。鄰區(qū)關(guān)系分簇算法由于簇頭時(shí)刻保開啟狀態(tài)，監(jiān)測新用戶的出現(xiàn)，擁塞率較低。非鄰區(qū)關(guān)系分簇休眠算法由于基于非鄰區(qū)關(guān)系分簇和所有簇依次執(zhí)行簇內(nèi)判決，在經(jīng)過多次準(zhǔn)確的基站能效排序、合理的用戶轉(zhuǎn)移以及基站運(yùn)行模式的選擇后，降低了出現(xiàn)連續(xù)多個(gè)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(xiàn)大面積覆蓋漏洞的情況，同時(shí)，簇內(nèi)的基站運(yùn)行模式判決機(jī)制也降低了用戶轉(zhuǎn)移到較遠(yuǎn)基站通信的可能性，減少了通信過程中因信道質(zhì)量較差而占用較多網(wǎng)絡(luò)資源的情況。因此，在關(guān)閉更多基站的情況下，非鄰區(qū)關(guān)系分簇休眠算法并沒有明顯地提高網(wǎng)絡(luò)擁塞率。

圖5 不同算法網(wǎng)絡(luò)阻塞率隨時(shí)間的變化情況

圖6給出了在保證網(wǎng)絡(luò)具有良好的擁塞概率的情況下，3種算法的網(wǎng)絡(luò)能效以及未執(zhí)行任何休眠算法網(wǎng)絡(luò)能效隨時(shí)間變化的情況。由圖6可知，3種休眠算法的網(wǎng)絡(luò)能效變化隨著網(wǎng)絡(luò)業(yè)務(wù)量和基站開啟數(shù)變化而變化，變化趨勢基本相同。鄰區(qū)關(guān)系分簇休眠算法由于要時(shí)刻保持簇頭的開啟，基站開啟數(shù)略多于貪婪休眠算法，因此網(wǎng)絡(luò)能效要低于貪婪休眠算法。非鄰區(qū)關(guān)系分簇休眠算法具有較高的算法準(zhǔn)確性、更加合理的用戶轉(zhuǎn)移方式和基站的運(yùn)行模式，便于優(yōu)化更多低能效基站。因此，網(wǎng)絡(luò)整體能效要優(yōu)于其他兩種方法。

圖6 未執(zhí)行休眠算法網(wǎng)絡(luò)能效以及不同算法網(wǎng)絡(luò)能效隨時(shí)間的變化情況

圖7顯示了不同算法在運(yùn)行時(shí)間上隨時(shí)間變化的差異性。由圖7可知，3種算法運(yùn)行時(shí)間的變化趨勢與業(yè)務(wù)量和基站開啟數(shù)的變化趨勢基本相同。貪婪算法需要遍歷網(wǎng)絡(luò)中所有的基站，因此耗時(shí)較長，雖然鄰區(qū)分簇休眠算法采取分簇的方式降低算法的復(fù)雜度，但在每個(gè)簇內(nèi)算法仍需遍歷簇內(nèi)所有基站，所以從整體網(wǎng)絡(luò)來說，兩種算法的運(yùn)行時(shí)間基本相同。非鄰區(qū)關(guān)系分簇休眠算法通過非鄰區(qū)關(guān)系分簇提高基站能效排序的準(zhǔn)確性，降低執(zhí)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(shí)間，同時(shí)簇內(nèi)設(shè)置潛在休眠基站判決機(jī)制，減少不必要基站的測試。因此，非鄰區(qū)關(guān)系分簇休眠算法的執(zhí)行時(shí)間要明顯少于其他兩種算法。

圖7 不同算法運(yùn)行時(shí)間隨時(shí)間的變化情況

5 結(jié)束語

為了避免傳統(tǒng)集中式休眠算法執(zhí)行過程中，因用戶相互轉(zhuǎn)移而造成鄰區(qū)基站能效排序準(zhǔn)確性受到影響的情況，提出了一種非鄰區(qū)關(guān)系分簇的集中式休眠算法，該算法提高基站能效排序準(zhǔn)確性，減少不必要基站測試以及合理安排用戶轉(zhuǎn)移方式和基站運(yùn)行模式，實(shí)現(xiàn)了網(wǎng)絡(luò)能效的提高。仿真結(jié)果表明，非鄰區(qū)關(guān)系分簇休眠算法在網(wǎng)絡(luò)擁塞率略高的情況下，基站平均關(guān)閉數(shù)、網(wǎng)絡(luò)能效和算法執(zhí)行時(shí)間上都要優(yōu)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(zhí)行休眠算法，算法的運(yùn)行時(shí)間及復(fù)雜度會受到影響，因此，在更大范圍的網(wǎng)絡(luò)中建議多級混合分簇，縮小休眠算法運(yùn)行時(shí)間，提高網(wǎng)絡(luò)優(yōu)化的效率。

參考文獻(xiàn)：

[1]陳山枝.發(fā)展 5G 的分析與建議[J].電信科學(xué), 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(jià)均衡的基站休眠機(jī)制[J].電信科學(xué), 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(wǎng)絡(luò)中一種基于人工蜂群的節(jié)能分簇算法[J].電信科學(xué), 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(gòu)網(wǎng)絡(luò)：理念、技術(shù)及挑戰(zhàn)[J].電信科學(xué), 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(gòu)蜂窩網(wǎng)絡(luò)下基站節(jié)能技術(shù)研究 [D].長春： 吉林大學(xué), 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.