張洋洋，湯紅波，游 偉，王曉雷，趙 宇

(國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心，鄭州 450002)

(*通信作者電子郵箱169516026@qq.com)

異構(gòu)網(wǎng)中具有服務(wù)質(zhì)量約束的高能效微基站部署方法

張洋洋*，湯紅波，游 偉，王曉雷，趙 宇

(國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心，鄭州 450002)

(*通信作者電子郵箱169516026@qq.com)

針對異構(gòu)密集網(wǎng)絡(luò)中基站密度增大帶來的網(wǎng)絡(luò)能耗過高問題，提出一種異構(gòu)網(wǎng)絡(luò)中高能效的微基站部署方法。首先，考慮微基站候選位置可行性以減輕環(huán)境條件的影響；其次，在不同的用戶分布狀態(tài)下對優(yōu)化目依概率進(jìn)行加權(quán)，增強(qiáng)了對不同用戶分布場景的適應(yīng)性；最后，通過對微基站部署數(shù)目、位置和功率配置的聯(lián)合優(yōu)化來提升系統(tǒng)能效，并提出了一種高能效的微基站部署算法。仿真表明，與僅優(yōu)化微基站數(shù)量和部署位置的方法相比，所提方法提升能效最高達(dá)26%。實(shí)驗(yàn)結(jié)果表明，相對于不考慮功率的部署方法，所提出的聯(lián)合優(yōu)化方法能夠有效提升系統(tǒng)能效，同時(shí)驗(yàn)證了微基站功率對異構(gòu)網(wǎng)絡(luò)能效的影響。

異構(gòu)密集網(wǎng)絡(luò)；能效；微基站部署；用戶分布；微基站功率

0 引言

根據(jù)長期演進(jìn)(Long Term Evolution，LTE)標(biāo)準(zhǔn)和第五代移動(dòng)通信技術(shù)(5th-Generation, 5G)預(yù)期，未來的蜂窩網(wǎng)將會(huì)是異構(gòu)密集網(wǎng)絡(luò)[1]。異構(gòu)網(wǎng)絡(luò)是宏基站和微基站、微微基站、家庭基站以及中繼等組成的混合網(wǎng)絡(luò)。各類小基站可以提升頻譜復(fù)用和覆蓋性能，并提供高速率業(yè)務(wù)和無縫連接[2]。

隨著基站密度的增加，網(wǎng)絡(luò)能源消耗不斷增加，并成為溫室氣體排放過多的重要原因之一。綠色通信也因此引起關(guān)注[3]，其主要目標(biāo)是在滿足用戶需求條件下盡可能提升能效，同時(shí)也能降低成本投入并延長移動(dòng)設(shè)備待機(jī)時(shí)間。移動(dòng)蜂窩網(wǎng)中基站耗能占60%～80%[4]。由于小基站比宏基站功率低得多，因此更利于提升能效和降低網(wǎng)絡(luò)運(yùn)維支出。本文擬研究在已部署宏基站區(qū)域部署微基站的能效問題，在滿足不斷增加的業(yè)務(wù)需求同時(shí)限制增加的微基站數(shù)量。

異構(gòu)網(wǎng)絡(luò)中已有研究主要集中在功率控制和資源分配方面[5-8]，微基站部署和能效方面研究相對較少。文獻(xiàn)[9-10]考慮在宏基站覆蓋區(qū)域中部署微基站以提升區(qū)域的頻譜效率。為通過擴(kuò)大基站覆蓋范圍提升頻效，文獻(xiàn)[9]選擇小區(qū)邊界作為部署微基站的候選位置，并采用貪婪算法確定位置；文獻(xiàn)[10]則利用一種基于隨機(jī)幾何和蒙特卡洛仿真的微基站自動(dòng)部署方法來確定微基站位置；文獻(xiàn)[11]將微基站部署問題分解為簇形成子問題和資源管理子問題，以服務(wù)的用戶數(shù)最大化為目標(biāo)提出了迭代的實(shí)時(shí)微基站部署算法。但是上述幾種方案均不是從能效方面考慮，如果從能效方面考慮的話，上述方案確定的微基站部署位置可能不是優(yōu)選位置，特別是在用戶聚集在宏基站附近的場景下，文獻(xiàn)[9]提出的算法表現(xiàn)不佳。

文獻(xiàn)[12]在滿足頻效和覆蓋等約束下，通過優(yōu)化微基站數(shù)目和調(diào)整功率來提升系統(tǒng)的能效；文獻(xiàn)[4]基于能效研究了異構(gòu)網(wǎng)絡(luò)部署和資源管理問題，求解了微基站最優(yōu)密度和功率。但是這兩者均未能確定微基站的具體部署位置。文獻(xiàn)[13]首先選擇可行位置子集作為微基站候選位置，然后在這些候選位置中選擇最優(yōu)的子集來優(yōu)化網(wǎng)絡(luò)能效，但是它沒有考慮功率對優(yōu)化目標(biāo)的影響。由于微基站發(fā)射功率對網(wǎng)絡(luò)能效有較大影響，在以能效為優(yōu)化目標(biāo)并確定微基站位置的部署方案中應(yīng)當(dāng)考慮功率因素。

本文從能效方面考慮微基站的部署問題。針對邊界位置未必是最優(yōu)的問題，考慮在所有可行的位置部署微基站；針對不同用戶狀態(tài)影響系統(tǒng)能效的問題，考慮在不同的用戶分布狀態(tài)下對優(yōu)化目標(biāo)依概率進(jìn)行加權(quán)，增強(qiáng)方法對不同用戶分布狀態(tài)的適應(yīng)性；考慮功率對能效的影響，給出微基站位置、數(shù)量和功率確定的高能效異構(gòu)網(wǎng)絡(luò)部署方案。

1 系統(tǒng)模型

一般而言，移動(dòng)通信系統(tǒng)中的能效度量準(zhǔn)則可以分為三大類：元件級、設(shè)備級和網(wǎng)絡(luò)級。本文考慮的是網(wǎng)絡(luò)級能效，常用準(zhǔn)則為能量消耗比率(Energy Consumption Rating, ECR)，定義為系統(tǒng)功率損耗與系統(tǒng)有效吞吐量的比值，單位為W/(b·s-1)。為使其更直觀，選用較常用的ECR的倒數(shù)形式[13]，即系統(tǒng)有效吞吐量與系統(tǒng)功率損耗的比值，單位為b/J。下面將分別給出吞吐量分析和功耗模型，進(jìn)而表示出網(wǎng)絡(luò)能效。

1.1 用戶吞吐量模型

本文考慮圖1所示的由宏基站和微基站組成的兩層異構(gòu)無線網(wǎng)絡(luò)，用戶終端與接收信號(hào)信干噪比(Signal to Interference plus Noise Ratio, SINR)最大的基站連接進(jìn)行通信，即采用基于SINR的關(guān)聯(lián)。為了盡量提高頻譜利用率，宏基站與微基站共享同一段頻譜。因此，宏基站與微基站間存在層間干擾，而微基站間因使用相同的頻率資源而存在層內(nèi)干擾。

圖1 兩層異構(gòu)無線網(wǎng)絡(luò)模型示意圖Fig. 1 Schematic diagram of two-tier heterogeneous wireless network model

與LTE系統(tǒng)相同，基站頻率資源由若干等帶寬的子載波組成，并以包含若干子載波的資源塊為頻率資源分配的最小粒度。假設(shè)活躍的移動(dòng)用戶一直傳輸數(shù)據(jù)，因此需要分配帶寬，同時(shí)假設(shè)同類型基站使用相同的發(fā)送功率，并平均分配功率至各子載波。宏基站和微基站用各自位置集合BM和Bm表示(下標(biāo)M和m表示宏基站和微基站)。BM和Bm分別包含宏基站和微基站的位置坐標(biāo)。網(wǎng)絡(luò)中所有基站用B=BM∪Bm表示。則與宏基站子載波n相關(guān)聯(lián)的用戶k的SINR[13]可以表示為:

(1)

(2)

(3)

1.2 功耗模型及網(wǎng)絡(luò)能效

基站的功耗包括兩部分。一部分是基站沒有傳輸時(shí)也會(huì)消耗的靜態(tài)功率，另一部分是基于負(fù)載和基站的發(fā)送功率。本文采用文獻(xiàn)[14]提出的功耗模型：

P=βPt+Pc

(4)

其中：P表示基站功耗，Pt表示發(fā)送功率，β表示對基于負(fù)載的發(fā)送功率的加權(quán)系數(shù)，Pc表示基站的靜態(tài)功耗。

如前所述，假設(shè)用戶總有數(shù)據(jù)傳輸。此外基站不采用功率控制算法，即基站服務(wù)用戶時(shí)Pt為常數(shù)，那么網(wǎng)絡(luò)能效可以表示為:

(5)

其中:NB和Nb分別表示網(wǎng)絡(luò)中宏基站和微基站數(shù)目，PM和Pm分別表示網(wǎng)絡(luò)中宏基站和微基站的功耗，K表示網(wǎng)絡(luò)中的用戶集合。

網(wǎng)絡(luò)能效可以通過在功率相同時(shí)增大網(wǎng)絡(luò)吞吐量或在保持容量不變時(shí)減小消耗的功率兩種方法提升。在密集網(wǎng)絡(luò)中，由于微基站的傳輸距離短，因此傳輸功率要遠(yuǎn)低于宏基站，與其他微基站的干擾也比宏基站傳輸?shù)母蓴_低，并且通信速率也相對較高。鑒于以上原因，微基站被用來疊加在宏基站覆蓋范圍內(nèi)以滿足用戶的業(yè)務(wù)需求，并使網(wǎng)絡(luò)能效最大化。

2 微基站部署策略

本章提出了一種高能效的滿足覆蓋需求的微基站部署策略：首先，給出了宏基站和微基站的覆蓋需求并形成微基站部署的優(yōu)化問題；然后，在此基礎(chǔ)上給出微基站的具體部署算法。

2.1 宏基站和微基站的覆蓋需求

網(wǎng)絡(luò)運(yùn)營商希望通過增加微基站提高網(wǎng)絡(luò)吞吐量以滿足不斷增長的業(yè)務(wù)需求。為了使網(wǎng)絡(luò)能效最大化，降低資本支出和運(yùn)維支出，網(wǎng)絡(luò)運(yùn)營商需要將微基站部署在最優(yōu)位置以滿足用戶服務(wù)質(zhì)量(Quality of Service, QoS)需求。覆蓋性能是移動(dòng)通信一個(gè)重要的QoS指標(biāo)，通常由小區(qū)邊緣用戶SINR大于某一閾值來測定。但是，SINR并不能保證用戶的數(shù)據(jù)速率，所以本文采用速率覆蓋[15]，即用戶的速率大于某一閾值或大于需求速率。在現(xiàn)實(shí)場景中，用戶不斷移動(dòng)，不同的用戶分布以不同概率出現(xiàn)，部署的微基站需要滿足不同用戶分布狀態(tài)下的用戶速率覆蓋需求。

假設(shè)R表示用戶狀態(tài)分布的集合，r∈R指的是某種用戶狀態(tài)分布，即對應(yīng)于某種用戶分布場景，πr表示分布場景r的發(fā)生概率。用Kr表示分布場景r中用戶的集合，Cr(k,B)表示Kr中用戶k的吞吐量，C表示用戶速率的閾值。另外，在分布場景r下的網(wǎng)絡(luò)能效用EEr(B)表示，即：

(6)

因此，優(yōu)化問題可以表示為

(7)

s.t.Cr(k,B)≥C

?r∈R,?k∈Kr

其中:Ptm為微基站的發(fā)送功率;Cr(k,B)和Pm分別為Ptm對應(yīng)條件下用戶k的吞吐量和單個(gè)微基站總功耗。

2.2 微基站部署算法

本文修改文獻(xiàn)[11]中的隨機(jī)搜索算法以及文獻(xiàn)[9,13]中的貪婪算法給出新的微基站部署算法。其中文獻(xiàn)[13]方法的過程如下：首先在觀察區(qū)域劃分網(wǎng)格對微基站的可行位置集合進(jìn)行篩選產(chǎn)生候選位置集合，然后運(yùn)用貪婪算法，每次從候選位置選擇使網(wǎng)絡(luò)能效最大的位置部署微基站，下次選擇時(shí)均以之前選擇的位置已部署微基站為前提，這樣逐一增加微基站直至網(wǎng)絡(luò)吞吐量的提升倍數(shù)達(dá)到閾值要求。

篩選可行位置時(shí)，網(wǎng)絡(luò)區(qū)域分為若干相同的網(wǎng)格，從且僅從包含可行位置的每個(gè)網(wǎng)格選出一個(gè)候選位置。當(dāng)網(wǎng)格與其近鄰均至少有一個(gè)可行位置時(shí)，則選離該網(wǎng)格質(zhì)心最近的可行位置為候選位置；而當(dāng)網(wǎng)格有不含可行位置的近鄰時(shí)，則選離該網(wǎng)格和其所有不含可行位置的近鄰共同的質(zhì)心最近的可行位置作為候選位置。圖2為選擇候選位置的一個(gè)場景。

圖2 選擇候選位置過程Fig. 2 Process of selecting the candidate location

上述微基站部署方法雖然有效避免了可行位置過多和遍歷所有可能方案帶來的計(jì)算量過大問題，但是網(wǎng)絡(luò)總吞吐量提升不能保證單個(gè)用戶的QoS；同時(shí)算法在進(jìn)行增量部署時(shí)也未考慮已部署微基站的冗余問題。為保證每個(gè)用戶的QoS并解決已部署微基站冗余問題，本文首先對文獻(xiàn)[13]中的貪婪算法進(jìn)行改進(jìn)得到算法1中的固定功率部署算法(Fixed Power Deployment Algorithm, FPDA)。FPDA除將需求由網(wǎng)絡(luò)吞吐量提升改為每個(gè)用戶吞吐量均大于閾值，覆蓋約束條件更加嚴(yán)格，還在部署每個(gè)微基站時(shí)去除冗余的微基站。偽代碼中，C表示用戶吞吐量閾值，Ptm表示微基站發(fā)送功率，Bm為求解的部署微基站的位置集合，Bm_idle為部署時(shí)產(chǎn)生的冗余微基站位置集合，Nc表示候選位置數(shù)量，Bc表示候選位置的坐標(biāo)集合，argmax表示選擇式(7)中的優(yōu)化目標(biāo)改變最大的微基站，最終輸出Bm和η(Ptm,Bm)作為部署微基站位置集的優(yōu)化解和對應(yīng)的優(yōu)化目標(biāo)值。算法中能效和用戶吞吐量對應(yīng)所有部署基站位置集合，因?yàn)楹昊疚恢眉媳３植蛔?，為便于理解和敘述方便，?jì)算能效和吞吐量的參數(shù)B簡化表示成Bm。

算法1 FPDA。

1) 初始化：C,Ptm,Nc,n=0,η=0,Bc,Bm=?,BM,K,R

2) Function FPDA(C,Ptm,Nc,Bc,BM,K,R)

3) WhileCr(k,B)

5)Bm=Bm∪bBm_idle

6)Bc=Bc∪Bm_idle

7)n=n+1

8) End while

9) Returnη(Ptm,Bm),Bm

10) End function

文獻(xiàn)[13]還未考慮功率對網(wǎng)絡(luò)能效的影響，單一的功率設(shè)置限制了能效的提升?；诖耍⑿薷奈墨I(xiàn)[11]中的基于模擬退火的隨機(jī)搜索算法，本文提出了聯(lián)合優(yōu)化微基站數(shù)量、位置和功率的高能效部署算法(High Energy Efficient Deployment Algorithm, HEEDA)，優(yōu)化步驟可描述如下：

步驟1 給定微基站發(fā)射功率優(yōu)化微基站數(shù)量和位置。應(yīng)用FPDA根據(jù)輸入條件依次選擇使式(7)中的優(yōu)化目標(biāo)最大的位置部署微基站，該過程重復(fù)直至滿足所有場景的速率覆蓋需求。

步驟2 基于上述優(yōu)化的微基站數(shù)量和位置進(jìn)行功率優(yōu)化。根據(jù)輸入條件和上述優(yōu)化的微基站數(shù)量和位置，進(jìn)一步對發(fā)射功率進(jìn)行微調(diào)來最大化式(7)中的優(yōu)化目標(biāo)，從而得到新的微基站發(fā)射功率、位置和數(shù)量配置信息，由細(xì)粒度功率調(diào)整算法(FGAPA)實(shí)現(xiàn)。

步驟3 粗調(diào)上述優(yōu)化的微基站發(fā)射功率并迭代尋優(yōu)。在設(shè)定復(fù)雜度要求下利用隨機(jī)搜索算法更新當(dāng)前解，并粗粒度調(diào)整功率重復(fù)前兩步迭代搜索，既有效避免了貪婪算法陷入局部最優(yōu)，也可通過調(diào)整算法的迭代次數(shù)實(shí)現(xiàn)優(yōu)化度和復(fù)雜度之間的折中。

事實(shí)上HEEDA由算法2中的偽代碼給出，其中ΔP1和ΔP2分別表示粗粒度和細(xì)粒度調(diào)整Ptm的步長，Ptm_t和Bm_t為求解過程中的當(dāng)前解，Ptm和Bm則為近鄰解，t和θ依次表示冷卻溫度和冷卻比，I和Imax則為求解次數(shù)及其上限，最終輸出(ηapprox,Ptm_approx,Bmapprox)作為能效、微基站功率和部署位置集的近優(yōu)解。

算法2 HEEDA。

1) 初始化：C,Ptm,Ptm_t,Ptm_min,Ptm_max,ΔP1,ΔP2,t,θ,Imax,I=0,ηapprox=0,Ptm_approx=0,BM,Bc,K,R,Bm=?,Bm_t=?,Bmapprox=?

2) Function HEEDA(C,Ptm,Ptm_t,Ptm_min,Ptm_max,ΔP1,ΔP2,

t,θ,I,Imax,Bm_t,BM,Bc,K,R)

//第一步:給定微基站發(fā)射功率優(yōu)化微基站數(shù)量和位置

3) (η(Ptm,Bm),Bm)←FPDA(C,Ptm,Nc,Bc,BM,K,R)

//第二步:基于上述優(yōu)化的微基站數(shù)量和位置進(jìn)行功率

//優(yōu)化 4)

(Ptm,Bm)←FGAPA(C,Ptm,Ptm_min,Ptm_max,ΔP1,ΔP2,

Bm,BM,Bc,K,R)

//第三步:粗調(diào)上述優(yōu)化的微基站發(fā)射功率迭代尋優(yōu)

5) WhileI

6)dη=η(Ptm,Bm)-η(Ptm_t,Bm_t)

7) Ifdη>0

8) Ifη(Ptm,Bm)>η(Ptm_approx,Bmapprox)

9)ηapprox=η(Ptm,Bm),Ptm_approx=Ptm,

Bmapprox=Bm

10) End if

11)Ptm_t=Ptm,Bm_t=Bm

12) Else

13)Ptm_t=Ptm且Bm_t=Bmwith

Probability edη/t

14) End if

15)Ptm=(Ptm+ΔP1) modPtm_max

16) IfPtm

17)Ptm=(Ptm+ΔP1) modPtm_max

18) End if

19)I=I+1,t=θt

20) go to 3)

21) End while

22) returnηapprox,Ptm_approx,Bmapprox

23) End function

下面的算法3給出了中間算法FGAPA(Fine Grained Power Adjustment Algorithm)的詳細(xì)過程，其中Pul和Pll分別表示細(xì)粒度調(diào)整功率的上限和下限，兩者均由輸入微基站功率和粗調(diào)功率的步長確定，最終算法輸出微調(diào)后的微基站功率Ptm和對應(yīng)微基站位置集合Bm。

算法3 FGAPA。

1) 初始化：C,Ptm,Ptm_min,Ptm_max,ΔP1,ΔP2,Bm,BM,Bc,K,R

2) Function FGAPA(C,Ptm,Ptm_min,Ptm_max,ΔP1,ΔP2,Bm,BM,

Bc,K,R)

3)Ptm_0=Ptm_1=Ptm,Bm0=Bm1=Bm

4)Pul=min(Ptm_max,Ptm+ΔP1/2),

Pll=max(Ptm_min,Ptm-ΔP1/2)

5) WhilePtm_0+ΔP2≤Pul&Cr(k,Bm0Bm_idle)≥C,

?r∈R,?k∈Krdo

6) Ifη(Ptm,Bm)<η(Ptm_0+ΔP2,Bm0Bm_idle)

7)Ptm=Ptm_0+ΔP2,Bm=Bm0Bm_idle

8) End if

9)Ptm_0=Ptm_0+ΔP2,Bm0=Bm0Bm_idle

10) End while

11) WhilePtm_1-ΔP2≥Pll&Cr(k,Bm1Bm_idle)≥C,

?r∈R,?k∈Krdo

12) Ifη(Ptm,Bm)<η(Ptm_1-ΔP2,Bm1Bm_idle)

13)Ptm=Ptm_1+ΔP2,Bm=Bm1Bm_idle

14) End if

15)Ptm_1=Ptm_1-ΔP2,Bm1=Bm1Bm_idle

16) End while

17) returnPtm,Bm

18) End function

當(dāng)微基站功率Ptm一定時(shí)，因?yàn)榈谝徊街械腇PDA是貪婪的啟發(fā)式算法，所以不能保證獲得的解是最優(yōu)解。然而文獻(xiàn)[16]提出如果貪婪算法滿足:1)η(?)=0;2)η不單調(diào)遞減;3)η是子模的，那么算法求得的解對應(yīng)的能效ηapprox(Ptm)至少為最優(yōu)解對應(yīng)能效ηopt(Ptm)的(e-1)/e倍，記為η*(Ptm)=(e-1)/e×ηopt(Ptm)，其中e為自然常數(shù)。雖然能效函數(shù)η可能單調(diào)遞減，但是文獻(xiàn)[9]指出區(qū)域頻譜效率(Area Spectral Efficiency, ASE)滿足以上三個(gè)條件。ASE定義為某個(gè)區(qū)域的總吞吐量比帶寬，因此對于特定區(qū)域和帶寬可以說總吞吐量也滿足以上條件和關(guān)系。如果假設(shè)最優(yōu)解和所提算法求得的解對應(yīng)的部署微基站數(shù)量相等，即兩者能耗相等，那么求得的解對應(yīng)能效即總吞吐量比能耗至少為η*?？紤]功率對能效影響，在變化區(qū)間內(nèi)調(diào)整微基站功率時(shí)，對于每個(gè)功率取值，上述關(guān)系仍然存在。如果調(diào)整功率步長設(shè)置足夠小并假設(shè)迭代中調(diào)整功率時(shí)能夠取得最優(yōu)功率值Ptm_opt，那么此時(shí)求得的解對應(yīng)能效ηapprox(Ptm_opt)也能達(dá)到η*(Ptm_opt)。此外，由于算法中去除了冗余的微基站，所以求得的解較一般貪婪算法更趨近于最優(yōu)解。

3 仿真分析

以下將對本文提出的部署算法與文獻(xiàn)[13]中的方法進(jìn)行比較。

3.1 仿真場景

已部署宏基站，以及候選微基站集合和用戶分布如圖3所示，7個(gè)宏基站部署在2 km×2 km仿真區(qū)域。為避免邊界效應(yīng)，采集中央1 km×1 km區(qū)域的數(shù)據(jù)。用戶在宏基站小區(qū)內(nèi)可以為任意分布，假設(shè)5個(gè)服從隨機(jī)分布的不同用戶分布場景依相同概率出現(xiàn)，當(dāng)然其他任意分布場景本文方法仍然適用。為刻畫現(xiàn)實(shí)情況中宏基站位置的隨機(jī)性，宏基站位置由齊次泊松點(diǎn)過程(homogeneous Poisson Point Process, PPP)模型產(chǎn)生。為刻畫微基站可行位置間的不相關(guān)性，可行位置由參數(shù)λ為2 000的PPP模型生成。仿真模型和參數(shù)如表1所示[17]。假設(shè)宏基站使用三扇區(qū)天線，微基站則為全向天線。綜合考慮算法的復(fù)雜度與性能以及觀察區(qū)域面積，篩選可行位置的網(wǎng)格數(shù)選為400。優(yōu)化中，Ptm和ΔP1以及ΔP2分別設(shè)為1 W、0.3 W和0.002 W，t=1，θ=0.99，Imax=2 000。

圖3 仿真場景Fig. 3 Simulation scenario表1 仿真參數(shù)Tab. 1 Simulation parameters

基站吞吐量閾值/(Mb·s-1)路徑損耗因子α系統(tǒng)帶寬/MHz子載波數(shù)噪聲功率譜密度/(dBm·Hz-1)基站發(fā)送功率/W功率因子靜態(tài)功耗/W天線高度/m宏基站13.71106001742021.45354.4432.0微基站13.7110600174Ptm7.8471.5012.5

3.2 仿真結(jié)果

圖4比較了本文提出的FPDA和HEEDA以及作為參考算法的文獻(xiàn)[13]中算法的性能，同時(shí)還給出了參考算法僅修改約束條件為單用戶吞吐量達(dá)到閾值后的性能曲線。為增強(qiáng)可比性，參考算法的網(wǎng)絡(luò)吞吐量提升要求設(shè)為HEEDA求得解對應(yīng)的網(wǎng)絡(luò)吞吐量提升倍數(shù)。此處主要比較了能效的增益。各算法均從沒有微基站開始，隨著用戶數(shù)的增加，部署微基站數(shù)量逐漸增加。隨著微基站數(shù)量增加，網(wǎng)絡(luò)總吞吐量絕對值單調(diào)遞增，但是能效曲線卻曲折變化并升至最高點(diǎn)后呈總體下降趨勢。對于圖中任意一個(gè)用戶數(shù)位置，在能效方面，本文所提算法均明顯優(yōu)于參考算法性能，在用戶數(shù)為300附近，HEEDA相對參考算法能效提升接近26%，達(dá)到最大，網(wǎng)絡(luò)能效在峰值處提升達(dá)12%。從圖中還可以看出FPDA和增加單用戶速率約束的參考算法在能效方面普遍低于參考算法，這是因?yàn)閮烧呔黾恿怂俾矢采w要求，所以能效水平提升受到一定限制；但是由于考慮了冗余微基站問題，F(xiàn)PDA能效方面均優(yōu)于修改約束的參考算法。

圖4 幾種算法能效性能曲線比較Fig. 4 Energy efficiency performance curves of different algorithms

圖5給出了HEEDA在不同用戶數(shù)條件下部署微基站時(shí)的網(wǎng)絡(luò)吞吐量提升倍數(shù)和微基站發(fā)送功率。吞吐量提升倍數(shù)為部署微基站后的網(wǎng)絡(luò)吞吐量與部署前僅有宏基站時(shí)的吞吐量之比。對于網(wǎng)絡(luò)吞吐量，盡管其絕對值隨著用戶數(shù)和部署基站數(shù)增加會(huì)單調(diào)上升，但由圖6可知其相對值在用戶數(shù)較少時(shí)呈總體上升趨勢，達(dá)到峰值后又迅速下降。這主要是由于用戶數(shù)和微基站數(shù)量的增加使干擾不斷增強(qiáng)，繼續(xù)增加微基站帶來的吞吐量提升越來越有限。

對于微基站功率，容易看出在用戶數(shù)少于200時(shí)，其變化范圍較大；當(dāng)用戶數(shù)較大時(shí)，微基站功率大小均在0～2 W變化。又由圖4知用戶數(shù)少于300時(shí)能效提升比例較大，可見通過優(yōu)化功率提升能效作用明顯；當(dāng)用戶數(shù)較大時(shí)，能效提升相對較小，因?yàn)榍蟮玫奈⒒竟β逝c初始功率即參考方法中的微基站功率接近，所以HEEDA較參考算法的能效提升主要由迭代搜索優(yōu)化微基站的位置和數(shù)量來實(shí)現(xiàn)。因?yàn)楫?dāng)干擾成為影響能效提升的主要因素時(shí)，較低的微基站功率更利于降低干擾從而提升能效，所以用戶數(shù)較多時(shí)，微基站均取低于2 W的較小功率值。

各算法的用戶最小吞吐量隨用戶數(shù)量的變化曲線如圖6所示。容易看出，HEEDA的用戶最小吞吐量盡管大多低于修改約束后的參考方法，但是均大于閾值并在閾值曲線以上附近變化。因?yàn)闆]有單用戶吞吐量約束，當(dāng)用戶數(shù)超過100后，參考算法的最小用戶吞吐量均低于HEEDA的用戶吞吐量閾值，即不滿足速率覆蓋需求。此外，對比圖4和圖6，容易得出盡管在用戶數(shù)多于325時(shí)HEEDA與參考方法的能效相差不大，但是用戶的最低吞吐量相差較大，所以HEEDA在保證用戶QoS方面優(yōu)于參考方法。

圖5 HEEDA吞吐量提升倍數(shù)與微基站功率Fig. 5 Throughput improvement and micro base station power of HEEDA

圖6 幾種算法用戶最小吞吐量比較Fig. 6 Minimum user throughput of different algorithms

4 結(jié)語

本文提出了一種聯(lián)合優(yōu)化微基站數(shù)量、位置和功率的高能效微基站部署方法。部署方法通過對部署位置的有效篩選降低了問題復(fù)雜度，利用概率加權(quán)適應(yīng)用戶分布的動(dòng)態(tài)變化，并采用基于模擬退火的算法求解從而避免陷入局部最優(yōu)。聯(lián)合優(yōu)化方法在能效方面較僅優(yōu)化微基站數(shù)量和位置的方法有明顯提升。為進(jìn)一步提升系統(tǒng)能效，微基站部署后基于動(dòng)態(tài)業(yè)務(wù)負(fù)載的微基站休眠方法有待后續(xù)深入研究。

References)

[1] IMT- 2020(5G)推進(jìn)組. 5G無線技術(shù)架構(gòu)白皮書[EB/OL]. (2015- 05- 29) [2016- 11- 26]. http://www.imt-2020.org.cn/zh. (IMT- 2020 (5G) Promotion Group. 5G wireless technology architecture whiter paper [EB/OL]. (2015- 05- 29) [2016- 11- 26]. http://www.imt-2020.org.cn/zh.)

[2] NAEEM B, NGAH R, HASHIM S Z M. Handovers in small cell based heterogeneous networks [C]// Proceedings of the 2016 International Conference on Computing, Electronic and Electrical Engineering (ICE Cube). Piscataway, NJ: IEEE, 2016: 268-271.

[3] GHAZZAI H, KADRI A. Joint demand-side management in smart grid for green collaborative mobile operators under dynamic pricing and fairness setup [J]. IEEE Transactions on Green Communications and Networking, 2017, 1(1): 74-88.

[4] 彭金磷.基于能效的異構(gòu)蜂窩網(wǎng)絡(luò)部署和資源管理優(yōu)化[D].合肥：中國科學(xué)技術(shù)大學(xué),2015:35-39. (PENG J L. Energy-efficient network deployment and resource management in heterogeneous cellular networks [D]. Hefei: University of Science and Technology of China, 2015:35-39)

[5] TAM H H M, TUAN H D, NGO D T, et al. Joint load balancing and interference management for small-cell heterogeneous networks with limited backhaul capacity [J]. IEEE Transactions on Wireless Communications, 2017, 16(2): 872-884.

[6] KANEKO M, NAKANO T, HAYASHI K, et al. Distributed resource allocation with local CSI overhearing and scheduling prediction for OFDMA heterogeneous networks [J]. IEEE Transactions on Vehicular Technology, 2017, 66(2): 1186-1199.

[7] MLIKA Z, GOONEWARDENA M, AJIB W, et al. User-base-station association in HetSNets: complexity and efficient algorithms [J]. IEEE Transactions on Vehicular Technology, 2017, 66(2): 1484-1495.

[8] 冀保峰，楊佳，王一丹，等.基于能效最優(yōu)準(zhǔn)則的雙跳中繼網(wǎng)絡(luò)功率分配算法[J].通信學(xué)報(bào),2016,37(7):124-131. (JI B F, YANG J, WANG Y D, et al. Power allocation algorithms in two-hop relaying networks based on optimal energy efficiency [J]. Journal on Communications, 2016, 37 (7): 124-131.)

[9] SON K, OH E, KRISHNAMACHARI B. Energy-aware hierarchical cell configuration: from deployment to operation [C]// INFOCOM WKSHPS’ 11: Proceedings of the 2011 IEEE Conference on Computer Communications Workshops. Piscataway, NJ: IEEE, 2011: 289-294.

[10] GUO W, WANG S, CHU X, et al. Automated small-cell deployment for heterogeneous cellular networks [J]. IEEE Communications Magazine, 2013, 51(5): 46-53.

[11] HSIEH H-Y, WEI S-E, CHIEN C-P. Optimizing small cell deployment in arbitrary wireless networks with minimum service rate constraints [J]. IEEE Transactions on Mobile Computing, 2014, 13(8): 1801-1815.

[12] REN Q, FAN J, LUO X, et al. Energy efficient base station deployment scheme in heterogeneous cellular network [C]// VTC’15: Proceedings of the 2015 IEEE 81st Vehicular Technology Conference. Piscataway, NJ: IEEE, 2015: 1-5.

[13] COSKUN C C, AYANOGLU E. A greedy algorithm for energy-efficient base station deployment in heterogeneous networks [C]// ICC’15: Proceedings of the 2015 IEEE International Conference on Communications. Piscataway, NJ: IEEE, 2015: 7-12.

[14] ZHENG J, CAI Y, CHEN X, et al. Optimal base station sleeping in green cellular networks: a distributed cooperative framework based on game theory [J]. IEEE Transactions on Wireless Communications, 2015, 14(8): 4391-4406.

[15] SINGH S, DHILLON H S, ANDREWS J G. Offloading in heterogeneous networks: modeling, analysis, and design insights [J]. IEEE Transactions on Wireless Communications, 2013, 12(5): 2484-2497.

[16] NEMHAUSER G L, WOLSEY L A, FISHER M L. An analysis of approximations for maximizing submodular set functions — I [J]. Mathematical Programming, 1978, 14(1): 265-294.

[17] 3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA), further advancements for E-UTRA: physical layer aspects (Release 9), TR 36.814 v9.0.0 [R/OL]. (2010- 03- 20) [2016- 11- 26]. https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=2493.

This work is partially supported by the National Natural Science Foundation of China (61521003), the National Key Technology R&D Program (2014BAH30B00).

ZHANGYangyang, born in 1988, M. S. candidate. His research interests include new mobile communication network, heterogeneous network energy saving.

TANGHongbo, born in 1968, M. S., professor. His research interests include mobile communication network, new network architecture.

YOUWei, born in 1984, Ph. D., research associate. His research interests include cryptography, mobile communication network.

WANGXiaolei, born in 1982, Ph. D. candidate. His research interests include mobile communication network, software defined network.

ZHAOYu, born in 1984, Ph. D. candidate. His research interests include mobile communication network, social network.

Energy-efficientmicrobasestationdeploymentmethodinheterogeneousnetworkwithqualityofserviceconstraints

ZHANG Yangyang*, TANG Hongbo, YOU Wei, WANG Xiaolei, ZHAO Yu

(NationalDigitalSwitchingSystemEngineeringandTechnologicalR&DCenter,ZhengzhouHenan450002,China)

Aiming at the problem of high energy consumption caused by the increase of base station density in heterogeneous dense network, an energy-efficient method for micro base station deployment in heterogeneous networks was proposed. Firstly, the feasibility of micro base station positions was considered to mitigate the effects of environmental conditions. Then the optimization target value was weighed under different user distribution probability to enhance adaptability for different user distribution scenarios. Finally, an energy-efficient deployment algorithm for micro base stations was proposed by jointly optimizing the number, deployment position and power configuration of micro base stations. Simulation results show that the proposed method improves energy efficiency by up to 26% compared with the scheme which only optimizes the number and location of micro base stations. The experimental results demonstrate that the combined optimization method can improve the energy efficiency of the system compared with the deployment method without considering the power factor, and verifies the influence of the micro base station power on the energy efficiency of heterogeneous network.

heterogeneous dense network; energy efficiency; micro base station deployment; user distribution; micro base station power

TP393.02

A

2017- 02- 27;

2017- 03- 24。

國家自然科學(xué)基金資助項(xiàng)目(61521003)；國家科技支撐計(jì)劃項(xiàng)目(2014BAH30B00)。

張洋洋(1988—)，男，河南三門峽人，碩士研究生，主要研究方向：新型無線移動(dòng)通信、異構(gòu)網(wǎng)節(jié)能； 湯紅波(1968—)，男，湖北孝感人，教授，碩士，主要研究方向：移動(dòng)通信網(wǎng)絡(luò)、新型網(wǎng)絡(luò)體系結(jié)構(gòu)； 游偉(1984—)，男，江西豐城人，助理研究員，博士，主要研究方向：密碼學(xué)、移動(dòng)通信網(wǎng)絡(luò)； 王曉雷(1982—)，男，山東淄博人，博士研究生，主要研究方向：移動(dòng)通信網(wǎng)絡(luò)、軟件定義網(wǎng)絡(luò)； 趙宇(1984—)，男，吉林遼源人，博士研究生，主要研究方向：移動(dòng)通信網(wǎng)絡(luò)、社交網(wǎng)絡(luò)。

1001- 9081(2017)08- 2133- 06

10.11772/j.issn.1001- 9081.2017.08.2133