CN102917446B - 一种面向绿色节能的动态小区休眠方法 - Google Patents

Abstract

本发明公开了移动通信技术领域中的一种面向绿色节能的动态小区休眠方法。本发明将通信时间设定为指定个时间段；在每个时间段开始时刻，计算各个基站对应的小区的用户数量和用户分布状态；计算各个基站对应的小区的索引值；将得到的索引值按从小到大的顺序排列，则最大的索引值对应的基站在下一时间段开始时刻进入休眠状态。本发明根据当前时段各小区中的用户数、用户位置以及状态转移概率，为下一时段选择一个基站进入休眠，从而降低系统能量消耗。

Description

一种面向绿色节能的动态小区休眠方法

技术领域

本发明涉及移动通信技术领域，特别涉及一种面向绿色节能的动态小区休眠方法。

背景技术

随着移动网络规模的不断扩大，网络设备、基站及动力系统数量成倍增加，通信网络的能耗问题已经成为业界关注的焦点。基站是无线接入网络中主要的耗能设备，随着蜂窝移动通信系统的用户数目和通信容量日剧增，基站的数目还会以快速增加，因此降低基站的能量消耗是实现绿色通信的关键。

2008年的Sigcomm会议中有一篇题为“Greening the Internet”的论文，论文提出互联网需要设计节能的网络协议，提出了能量感知的路由策略，预先获得各种网络状态，如流量矩阵，网络拓扑、QoS约束等等，再通过最优化理论计算路由，将网络流量汇聚到部分链路上进行传输，实现使用的总链路数最少，将空闲状态的网络设备及接口置于休眠（sleep）模式的节能方案；M.A.Marsan和M.Meo发表的题为“Energy efficient wireless Internet access withcooperative cellular networks”（参见Computer Networks,Feb.2011,vol.55,no.2,pp.386-398）的文章提出通过选择性地关闭处在低业务量下的小区基站达到减少能耗的目的；牛志升等人发表的题为“Cellzooming for cost-efficient green cellular networks”（参见IEEECommunications Magazine,Nov.2010,vol.48,no.11,pp.74-79）的文章提出了一种被称为小区缩放的概念，这一概念和让小区休眠具有很大的相似性，但是更为复杂，通过小区缩放这种技术手段，基站能够根据当前小区的业务量来调整小区无线信号的覆盖范围以平衡流量负载，同时降低能源消耗。当一个小区随着用户数量增加变得拥挤时，基站可以缩小自己的覆盖范围，把一些用户迁移到邻近的小区。当小区的用户数非常少时，基站可以进入休眠模式以减少能量的消耗，邻居小区则通过增大覆盖范围或者多个邻居基站通过协作通信为移动用户继续服务。

实时动态的小区管理机制可以平衡小区间的负载流量、减少通信系统的能量消耗。然而，在前面的研究工作中，大多数方法只考虑静态条件中如何控制小区基站，没有考虑用户数、用户位置的随机时变特性。如何在随机时变网络环境下进行动态小区管理从而达到绿色节能的目的还亟待解决。

发明内容

（一）要解决的技术问题

本发明要解决的技术问题是：如何根据小区的实时状态，动态地调整小区的基站，减少通信能量的消耗。

（二）技术方案

为解决上述技术问题，本发明提供了一种面向绿色节能的动态小区休眠方法，其特征是，该休眠方法包括以下步骤：

S1：间隔设定时间计算各个基站对应的小区的用户数量和用户分布状态；

S2：根据小区的用户数量和用户分布状态计算各个基站对应的小区的索引值；

S3：将得到的索引值按从小到大的顺序排列，则最大的索引值对应的基站在下一时间段开始时刻进入休眠状态。

所述计算各个基站对应的小区的用户数量包括：

通过计算用户发送的通信请求计算各个基站对应的小区的用户数量。

所述计算各个基站对应的小区的用户分布状态包括：

通过计算用户请求信号的信噪比计算各个基站对应的小区的用户分布状态。

所述步骤S2包括：

S21：通过小区的用户数量和用户分布状态得到小区的状态；

S22：通过小区的状态得到通信系统的功耗；

S23：对通信系统的功耗进行变换，得到最优缩减成本系数；

S24：由最优缩减成本系数得到小区的索引值。

所述通信系统的功耗的计算公式为：

其中：

为通信系统的功耗

E_u为在马尔可夫策略u下，对整个过程的通信系统的功耗求期望；

为马尔可夫策略集；

为当小区i的状态为s_i(t)时，执行动作为a_i(t)的通信系统的功耗，a_i(t)=0时为关闭，a_i(t)=1时为开启；

t为时间段；

T为时间段总数。

所述最优缩减成本系数的计算公式为：

${\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^0={\stackrel{\‾}{\mathrm{\λ}}}_{{\mathrm{\ρ}}_i}-\mathrm{\χ}\underset{q_i\∈S_i}{\mathrm{\Σ}}{p}_{{\mathrm{\ρ}}_i{q}_i}^0{\stackrel{\‾}{\mathrm{\λ}}}_{q_i}-C_{{\mathrm{\ρ}}_i}^0,$

${\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^1={\stackrel{\‾}{\mathrm{\λ}}}_{{\mathrm{\ρ}}_i}-\mathrm{\χ}\underset{q_i\∈S_i}{\mathrm{\Σ}}{p}_{{\mathrm{\ρ}}_i{q}_i}^1{\stackrel{\‾}{\mathrm{\λ}}}_{q_i}+\stackrel{\‾}{\mathrm{\λ}}-C_{{\mathrm{\ρ}}_i}^1$

其中：

为小区i的状态为ρ_i时执行动作a_i(t)=0获得的最优缩减成本系数；

为小区i的状态为ρ_i时执行动作a_i(t)=1获得的最优缩减成本系数；

为小区i状态为ρ_i执行任意动作a_i(t)产生的最优成本权值；

χ为折扣因子；

为小区i的状态在t时刻执行a_i(t)=0后从状态ρ_i转移到状态q_i的概率；

为小区i的状态在t时刻执行a_i(t)=1后从状态ρ_i转移到状态q_i的概率；

为小区i状态为q_i执行任意动作a_i(t)产生的最优成本权值；

为与小区状态无关的执行动作a_i(t)=1产生的最优成本权值；

为当小区i的状态为s_i(t)时，执行动作为a_i(t)=0的通信系统的功耗；

为当小区i的状态为s_i(t)时，执行动作为a_i(t)=1的通信系统的功耗。

所述小区的索引值的计算公式为：

${\mathrm{\δ}}_{{\mathrm{\ρ}}_i}={\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^1-{\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^0$

其中：

为小区i的状态为ρ_i时的索引值。

（三）有益效果

本发明根据用户随机移动模型，对小区内的用户数建立马尔可夫模型；根据接收信号的信噪比估计用户与基站之间的距离并划分位置区域，按位置区域对用户进行分类并建立马尔可夫模型。

把随机时变网络中最优动态小区管理问题建模为马尔可夫决策过程求最优解的问题，在一个管理域内根据当前时段各小区中的用户数、用户位置以及状态转移概率，为下一时段选择一个基站进入休眠，从而降低系统能量消耗。

附图说明

图1是本发明的流程图；

图2是一个蜂窝网管理域模型；

图3是小区位置区域划分及用户分类模型；

图4显示了不同管理域大小情况下关闭选定小区节约的功耗；

图5显示了不同位置转移概率情况下关闭选定小区节约的功耗。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

本发明的流程图如图1所示，包括以下步骤：

S1：间隔设定时间通过计算用户发送的通信请求计算各个基站对应的小区的用户数量，通过计算用户请求信号的信噪比计算各个基站对应的小区的用户分布状态；

S2：计算各个基站对应的小区的索引值；

S21：通过小区的用户数量和用户分布状态得到小区的状态；

S22：通过小区的状态得到通信系统的功耗；

S23：对通信系统的功耗进行变换，得到最优缩减成本系数；

S24：由最优缩减成本系数得到小区的索引值；

S3：将得到的索引值按从小到大的顺序排列，则最大的索引值对应的基站在下一时间段开始时刻进入休眠状态。

考虑蜂窝网络中，某小区与相邻6个小区组成一个管理域，如图2所示。由于用户的移动性以及无线信道的衰落特性，每个小区中的用户数及用户与基站之间的距离时刻发生着变化。对于某一特定小区来说，随着用户与基站之间的距离发生改变，用户所需的发射功率也会做响应的调整。通信系统在一个管理域内根据当前时段各小区中的用户数、用户位置以及状态转移概率，为下一时段选择一个基站进入休眠，从而降低系统能量消耗。

随机移动模型是对用户移动特征的最简单的抽象，用户向任何方向移动的概率都是相等，该模型是一种典型的无记忆性的移动模型，往往用来描述刻画移动用户在漫游场景下简化的移动特征。小区中的用户数是随机变化的，假设一个小区中的用户数最多为N-1个，即一个小区的用户数可以为N个状态，可以用表示用户数状态空间。小区当前时刻的用户数状态可以从基站获得，下一时刻的用户数状态与当前时刻的用户数状态有关，并以一定的概率转变，因此可以建立马尔可夫模型。则小区i中的用户数状态转移概率矩阵Ф_i(t)表示为：

${\mathrm{\Φ}}_i\left(t\right)={\left[{\mathrm{\φ}}_{g_i{h}_i}\left(t\right)\right]}_{N\×N}---\left(1\right)$

其中：

表示小区i中的用户数n_i(t)在t时刻从状态g_i转移到状态h_i的概率， ${\mathrm{\φ}}_{g_i{h}_i}\left(t\right)=\mathrm{Pr}(n_i(t+1)=h_i|n_i\left(t\right)=g_i),$ n_i(t)表示t时刻小区i中的用户数。

移动通信网络中，一般依据接收信号的信噪比来估计用户与基站之间的距离，本发明实施例根据用户与基站之间的距离对小区进行位置区域划分，如图3所示划分为中心区域、覆盖区域和边缘区域，因此用户在空间分布上会属于不同的位置区域。由于用户的移动性以及无线信道的衰落特性，通过接收信号的信噪比测算的用户位置是个随机变量，因此用户所属的位置区域是随机变化的。假设小区位置区域划分为B类，即每个用户所属的区域有B个状态，可以用B={1,2,…,B}表示每个用户的状态空间。小区中的用户根据接收信号的信噪比可以划分为B类，区域b∈B中的当前时刻的用户数可以通过接收信号的信噪比测算，下一时刻的用户数与当前时刻的用户数有关并以一定的概率转变，因此可以建立马尔可夫模型。则区域b中的用户数状态转移概率矩阵Ψ_b(t)表示为：

${\mathrm{\Ψ}}_b\left(t\right)={\left[{\mathrm{\ψ}}_{u_b{v}_b}\left(t\right)\right]}_{N\×N}---\left(2\right)$

其中：

表示区域b中的用户数n_b(t)在t时刻从状态u_b转移到状态v_b的概率， ${\mathrm{\ψ}}_{u_b{v}_b}\left(t\right)=\mathrm{Pr}(n_b(t+1)=v_b|n_b\left(t\right)=u_b),$ n_b(t)表示t时刻区域b中的用户数。

由于小区i的位置区域划分为B类，区域b∈B中t时刻的用户数为n_b(t)，所以小区i的用户分布状态为l_i(t)=(n₁(t),n₂(t),…,n_B(t))。每个区域中的用户数都有N种可能（{0,1,…,N-1}），所以小区i的用户分布状态有种情况，每种可能对应马尔可夫链的一个状态，状态空间定义为L。基站通过接收用户信号的信噪比测算可以得到当前时刻小区的用户分布状态，下一时刻的状态与当前时刻所处状态有关并以马尔可夫转移概率而转变，则小区i的用户分布状态转移概率矩阵Θ_i(t)表示为：

${\mathrm{\Θ}}_i\left(t\right)={\left[{\mathrm{\θ}}_{f_i{y}_i}\left(t\right)\right]}_{H\×H}---\left(3\right)$

其中：

表示小区i的用户分布状态l_i(t)在t时刻从状态f_i转移到状态y_i的概率， ${\mathrm{\θ}}_{f_i{y}_i}\left(t\right)=\mathrm{Pr}(l_i(t+1)=y_i|l_i\left(t\right)=f_i),$ f_i,y_i∈L。

在该实施例中，不同区域中的用户为了达到同样的性能，需要设置合理的发射功率，考虑图3所示小区，不同区域需要的发射功率不同，B类区域意味着B种发射功率。一个小区中基站的总功耗主要有两部分组成：与用户无关的基站动环系统及处理电路的功耗用常量P_con表示；与用户数及用户位置区域相关的无线信号发射功耗用变量P_tr表示。在一个小区中，用户n的接收功率P_rev，与基站发射功率P_tr的关系为：

P_rev=P_trμ(d_n)^-γ          (4)

其中：

P_rev为用户n的接收功率；

P_tr为与用户数及用户位置区域相关的无线信号发射功率；

μ为常系数；

γ为衰减系数(取值范围一般为2到5)；

d_n代表用户n与基站之间的距离。

根据位置区域的划分把连续的距离值d_n划分为B个等级，用表示有限的状态空间。为了使不同区域中的用户能够获得同样的接收功率，基站的发射功率随位置变化：

$P_{\mathrm{tr}}=\frac{P_{\mathrm{rev}}}{\mathrm{\μ}}{\left(d_n\right)}^{\mathrm{\γ}}$ (5)

因此，在t时刻覆盖n_i(t)个用户的小区i的基站总功耗P_i(t)可以表示为：

$P_i\left(t\right)=P_{\mathrm{con}}\left(t\right)+\underset{n=1}{\overset{n_i\left(t\right)}{\mathrm{\Σ}}}\frac{P_{\mathrm{rev}}}{\mathrm{\μ}}{\left(d_n\right)}^{\mathrm{\γ}}$ (6)

假设一个管理域内有I个小区，则在t时刻此管理域内所有基站的总功耗P(t)为：

$P\left(t\right)=\underset{i=1}{\overset{I}{\mathrm{\Σ}}}{P}_i\left(t\right)$ (7)

在该实施例中，一个管理域内有I个小区，第i个小区在t时刻所处的状态s_i(t)由用户数状态n_i(t)和用户分布状态l_i(t)决定，即：

s_i(t)=[n_i(t),l_i(t)]                (5)

小区i的有限状态空间用表示，有状态转移概率矩阵表示为：

其中，和分别由(1)式和(3)式定义，G=N×H。矩阵的每个元素表示小区i的状态在t时刻从ρ_i转移到q_i，并且ρ_i,

本发明所提动态小区管理方案，需要在每个决策时刻根据当前时段各小区中的用户数、用户位置以及状态转移概率，为下一时段选择一个基站进入休眠，被选定休眠的小区并不是立即关闭，而是不再为用户提供新的呼叫连接，当所有正在服务的用户已经完成了他们的呼叫，也就是说通信信道空闲后，基站及周边系统会自动关闭。假设小区i中的基站被关闭用a_i(t)=0表示，不被关闭用a_i(t)=1表示，执行动作a_i(t)后，系统付出相应的代价，小区的状态按照状态转移概率矩阵以马尔可夫方式发生转移，即小区i的状态以概率从状态ρ_i转移到状态q_i。

由于本发明所提动态小区管理方案的优化目标是保障用户基本服务质量的前提下，最小化能量消耗，实现节能的目的，所以可以把随机时变网络中最优动态小区管理问题建模为马尔可夫决策过程求最优解的问题，把通信系统功耗作为马尔可夫决策过程的代价，定义为：

$C_{s_i\left(t\right)}^{a_i\left(t\right)}=a_i\left(t\right)\·(P_{\mathrm{con}}\left(t\right)+\underset{n=1}{\overset{n_i\left(t\right)}{\mathrm{\Σ}}}\frac{P_{\mathrm{rev}}}{\mathrm{\μ}}{\left(d_n\right)}^{\mathrm{\γ}})---\left(7\right)$

为当小区i的状态为s_i(t)时，执行动作为a_i(t)的通信系统节省的功耗。

将总时间划分为T个时段，每个时段的起始时刻进行一次决策，管理域中各小区的状态按照马尔可夫策略改变，表示马尔可夫策略集合。随机时变网络中最优动态小区管理策略的目标是最小化整个过程的通信系统的代价（即功耗）用下式表示：

其中：

为通信系统的功耗

E_u为在马尔可夫策略u下，对整个过程的通信系统的功耗求期望；

为马尔可夫策略集；

为当小区i的状态为s_i(t)时，执行动作为a_i(t)的通信系统的功耗，a_i(t)=0时为关闭，a_i(t)=1时为开启；

t为时间段；

T为时间段总数。

将将上式转化为线性规划（linear programming,LP）表达式如下：

其中，表示被性能向量x在所有马尔可夫策略下扩展后对应的性能区域，性能测量变量表示小区i按照马尔可夫策略u，当状态为s_i(t)时执行动作为a_i(t)的总时间的期望值；

转化所述线性规划(LP)表达式得到一阶（first-order）放宽（relaxation）表达式如下：

subject to

$\underset{i\∈I}{\mathrm{\Σ}}\underset{s_i\left(t\right)\∈S_i}{\mathrm{\Σ}}{x}_{s_i\left(t\right)}^1=\frac{1}{1-\mathrm{\χ}}$

其中，表示马尔可夫决策过程多面体在空间的投影；χ表示折扣（time-discounted）因子(0＜χ＜1)，以确保期望值有界并收敛。

通过原始双重索引探索法（primal-dual index heuristic）求解，转化所述一阶放宽线性规划（LP1）的双重（dual）表达式为：

subject to

${\mathrm{\λ}}_{{\mathrm{\ρ}}_i}-\mathrm{\χ}\underset{q_i\∈S_i}{\mathrm{\Σ}}{p}_{{\mathrm{\ρ}}_i{q}_i}^0{\mathrm{\λ}}_{q_i}\≥C_{{\mathrm{\ρ}}_i}^0,{\mathrm{\ρ}}_i\∈S_i,i\∈I---\left(11\right)$

${\mathrm{\λ}}_{{\mathrm{\ρ}}_i}-\mathrm{\χ}\underset{q_i\∈S_i}{\mathrm{\Σ}}{p}_{{\mathrm{\ρ}}_i{q}_i}^1{\mathrm{\λ}}_{q_i}+\mathrm{\λ}\≥C_{{\mathrm{\ρ}}_i}^1,{\mathrm{\ρ}}_i\∈S_i,i\∈I,$

λ≥0

其中，ρ_i, 表示小区i的状态在t时刻执行a_i(t)=0后从状态ρ_i转移到状态q_i的概率；表示小区i的状态在t时刻执行a_i(t)=1后从状态ρ_i转移到状态q_i的概率；表示小区初始状态为q_i的概率；λ表示与小区状态无关的执行动作a_i(t)=1产生的成本权值；表示小区i状态为q_i执行任意动作a_i(t)产生的成本权值；用表示所述双重（dual）表达式的最优成对解，即表示与小区状态无关的执行动作a_i(t)=1产生的最优成本权值，表示小区i状态为q_i执行任意动作a_i(t)产生的最优成本权值，表示小区i状态为ρ_i执行任意动作a_i(t)产生的最优成本权值。

得到开启和关闭时相应的最优缩减成本系数如下：

${\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^0={\stackrel{\‾}{\mathrm{\λ}}}_{{\mathrm{\ρ}}_i}-\mathrm{\χ}\underset{q_i\∈S_i}{\mathrm{\Σ}}{p}_{{\mathrm{\ρ}}_i{q}_i}^0{\stackrel{\‾}{\mathrm{\λ}}}_{q_i}-C_{{\mathrm{\ρ}}_i}^0,$ $\left(12\right)$

${\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^1={\stackrel{\‾}{\mathrm{\λ}}}_{{\mathrm{\ρ}}_i}-\mathrm{\χ}\underset{q_i\∈S_i}{\mathrm{\Σ}}{p}_{{\mathrm{\ρ}}_i{q}_i}^1{\stackrel{\‾}{\mathrm{\λ}}}_{q_i}+\stackrel{\‾}{\mathrm{\λ}}-C_{{\mathrm{\ρ}}_i}^1$

其中：表示小区i的状态为ρ_i时执行动作a_i(t)=0获得的最优缩减成本系数；表示小区i的状态为ρ_i时执行动作a_i(t)=1获得的最优缩减成本系数；为当小区i的状态为s_i(t)时，执行动作为a_i(t)=0的通信系统的功耗；为当小区i的状态为s_i(t)时，执行动作为a_i(t)=1的通信系统的功耗。

可以得到当前小区i状态为ρ_i时对应的索引值表达式如下：

${\mathrm{\δ}}_{{\mathrm{\ρ}}_i}={\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^1-{\stackrel{\‾}{\mathrm{\ϵ}}}_{{\mathrm{\ρ}}_i}^0---\left(13\right)$

其中：

为小区i的状态为ρ_i时的索引值。

优先权索引判定（priority-index rule）就是选择索引值最大的目标。

根据本发明的特点，小区的每个状态都对应一个优先权索引值，输入相关的参数（状态转移概率矩阵、代价、初始状态概率向量），就能够计算出每种状态对应的优先权索引值。因此使用本方法进行动态小区管理时，在每个时段的起始时刻，各基站观察当前时刻小区中的用户数状态，并通过信噪比测算当前时刻小区的用户分布状态，计算当前小区状态对应的索引值，各基站交互各自的索引值，索引值最小的基站将在下一时段进入休眠状态，该基站不再为用户提供新的呼叫连接，当所有正在服务的用户完成会话、信道空闲后，基站、动力系统和环境系统会自动关闭。

当一个基站处于工作模式时，动力系统和环境系统（包括通信电源、机房空调、环境监控等）以及基带处理电路的功耗大约占了总耗能的60%以上（参见J.T.Louhi发表的题为“Energy Efficiency ofModern Cellular Base Stations”（IEEE INTELEC′07,Rome,Italy,Sept.2007）的文章），因此通过减小基站和用户之间的射频传输功率节约能耗的作用并不明显，而通过控制基站动态睡眠模式能节省大量的能量。当小区的用户数非常少时，基站可以进入休眠模式以减少能量的消耗，邻居小区则通过增大覆盖范围或者多个邻居基站通过协作通信为移动用户继续服务。

下面对本实施例中所提到的方法进行仿真分析，为计算简便，假定用户数只有四种状态（空，低，正常，高），根据用户与基站之间的距离划分为四种区域（边缘，远端，中间，近端），用户数和用户位置的状态转移概率矩阵分别如下：

$\mathrm{\Φ}=\left(\begin{array}{cccc}0.60& 0.20& 0.15& 0.05\\ 0.15& 0.60& 0.15& 0.10\\ 0.10& 0.15& 0.60& 0.15\\ 0.05& 0.15& 0.20& 0.60\end{array}\right)$ $\mathrm{\Ψ}=\left(\begin{array}{cccc}0.7& 0.2& 0.1& 0.0\\ 0.2& 0.5& 0.2& 0.1\\ 0.1& 0.2& 0.5& 0.2\\ 0.0& 0.1& 0.2& 0.7\end{array}\right)$

图4显示了不同管理域大小情况下关闭选定小区节约的功耗。随着小区数量的增加，用户数最少的小区处于用户数为“空”的概率增加，功耗最低的小区被选定关闭的概率最大，也就是说流量负荷较低的小区将有较高的概率被关闭，选定的小区所消耗的能量是越来越小的。可以看到，管理域越大，关闭这个小区节约的功耗越小，但被关闭小区中的用户数更接近为“空”，拒绝服务发生的情况就少，系统服务质量越好；管理域越小，关闭一个小区节约的功耗越大，但被关闭小区中的用户数不为“空”，拒绝服务发生的情况就高，系统服务质量变差。

图5显示了不同位置转移概率情况下关闭选定小区节约的功耗。随着转移概率的增加，用户位置发生变化的概率降低，被选定关闭的小区保持低负荷的概率增大，关闭这个小区节约的功耗越小，但被关闭小区中的用户数更接近为“空”，拒绝服务发生的情况就少，系统服务质量越好；转移概率越小，用户位置发生变化的概率越大，被选定关闭的小区负荷发生变化的概率增大，关闭这个小区节约的功耗越大，但被关闭小区中的用户数不为“空”，拒绝服务发生的情况就高，系统服务质量变差。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种面向绿色节能的动态小区休眠方法，其特征是，该休眠方法包括以下步骤： 

S1：间隔设定时间计算各个基站对应的小区的用户数量和用户分布状态； 

S2：根据小区的用户数量和用户分布状态计算各个基站对应的小区的索引值； 

S3：将得到的索引值按从小到大的顺序排列，则最大的索引值对应的基站在下一时间段开始时刻进入休眠状态； 

所述步骤S2包括： 

S21：通过小区的用户数量和用户分布状态得到小区的状态； 

S22：通过小区的状态得到通信系统的功耗； 

S23：对通信系统的功耗进行变换，得到最优缩减成本系数； 

S24：由最优缩减成本系数得到小区的索引值；

所述通信系统的功耗的计算公式为： 

其中： 

C^*为通信系统的功耗 

E_u为在马尔可夫策略u下，对整个过程的通信系统的功耗求期望； 

U为马尔可夫策略集； 

为当小区i的状态为s_i(t)时，执行动作为a_i(t)的通信系统的功耗，a_i(t)＝0时为关闭，a_i(t)＝1时为开启； 

t为时间段； 

T为时间段总数。 

2.根据权利要求1所述的休眠方法，其特征是，所述计算各个基 站对应的小区的用户数量包括： 

通过计算用户发送的通信请求计算各个基站对应的小区的用户数量。 

3.根据权利要求1所述的休眠方法，其特征是，所述计算各个基站对应的小区的用户分布状态包括： 

通过计算用户请求信号的信噪比计算各个基站对应的小区的用户分布状态。 

4.根据权利要求1所述的休眠方法，其特征是，所述最优缩减成本系数的计算公式为： 

其中： 

为小区i的状态为ρ_i时执行动作a_i(t)＝0获得的最优缩减成本系数； 

为小区i的状态为ρ_i时执行动作a_i(t)＝1获得的最优缩减成本系数； 

为小区i状态为ρ_i执行任意动作a_i(t)产生的最优成本权值； 

χ为折扣因子； 

为小区i的状态在t时刻执行a_i(t)＝0后从状态ρ_i转移到状态q_i的概率； 

为小区i的状态在t时刻执行a_i(t)＝1后从状态ρ_i转移到状态q_i的概率； 

为小区i状态为q_i执行任意动作a_i(t)产生的最优成本权值； 

为与小区状态无关的执行动作a_i(t)＝1产生的最优成本权值； 

为当小区i的状态为s_i(t)时，执行动作为a_i(t)＝0的通信系统的功耗； 

为当小区i的状态为s_i(t)时，执行动作为a_i(t)＝1的通信系统的功耗。 

5.根据权利要求4所述的休眠方法，其特征是，所述小区的索引值的计算公式为： 

其中： 

δ_ρi为小区i的状态为ρ_i时的索引值。