CN104159258A - 一种通信节点状态调整方法、装置及系统 - Google Patents

Abstract

本发明公开了一种通信节点状态调整方法、装置及系统，涉及通信技术，对设定区域内的通信节点进行分簇，并在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态，由于簇头仅需要对簇内各个通信节点进行控制，所以处理复杂度较低，确定通信节点是否休眠时的准确度较高。

Description

一种通信节点状态调整方法、装置及系统

技术领域

本发明涉及通信技术，尤其涉及一种通信节点状态调整方法、装置及系统。

背景技术

随着无线通信的快速发展，移动终端以及相应业务不断普及，网络的规模与范围也成倍增加，导致全球范围内的用户数和业务量呈爆炸式增长。在此背景下，人们不再仅仅只关注无线蜂窝网络的覆盖与容量，而更多地开始考虑整个网络的能量消耗问题。通过降低无线通信的能量消耗，不仅能减小二氧化碳的排放，同时也能降低运营商的运营成本。

一般说来，基站的调度和运行都是基于峰值流量设计的，而且当流量变化时基站始终保持在开启的状态，这就使得能量的利用率很低，所以可以对基站进行休眠关断，来提高能量利用率。

基于这种节能思想，有学者提出了一种基站转换策略，假设基站(BS)在某一区域内是均匀分布的，用户设备(User Equipment，UE)在每一个基站周围是随机产生的，在时间t内到达基站b的业务量服从平均到达速率为λ_b(t)[call/sec]的泊松分布，且每一次业务到达的持续时间为h[sec/call]。假设全部系统是各向同性的，这样就可以消除BS(Base Station，基站)之间的差异，网络的流量模型为ρ(t)＝λ_b(t)·h。再假设其流量模型近似为均值是M，方差为V的正弦模型，流量的平均值为其流量模型在一个周期时间内为正弦分布，所以就可以仅在一个周期的时间内进行讨论。

由于服务区域内UE是随机产生的，基站b在时关断，此时由基站b服务的UE就转交给了其周围的N_b个BS，每一个相邻的BS近似接收到了的转交流量，这样，对于每一个关断的BS，其周围相邻的BS的流量为：

$\stackrel{\‾}{{\mathrm{\ρ}}_n}\left(t_b^{\mathrm{off}}\right)=\stackrel{\‾}{\mathrm{\ρ}}\left(t_b^{\mathrm{off}}\right)\·(1+\frac{1}{\left|N_b\right|})---\left(1\right)$

若满足，

$\stackrel{\&OverBar;}{\mathrm{\&rho;}}\left(t\right)\&CenterDot;(1+\frac{1}{\left|N_b\right|})<{\mathrm{\&rho;}}_{\mathrm{th}}---\left(2\right)$

则认为基站b可以关断，其中ρ_th是转换门限。

目反的，如果，

$\stackrel{\&OverBar;}{\mathrm{\&rho;}}\left(t\right)>{\mathrm{\&rho;}}_{\mathrm{th}}---\left(3\right)$

基站b就需要恢复，进入工作状态。

另一种普遍的做法就是采用基于负载情况的基站休眠策略，构造一个多参数的联合规划问题，可以包含如能量消耗，转换花费和阻塞率等。

考虑一个下行链路由M个全局频率复用基站组成的蜂窝网络，可以用代表基站集，基站m的最大覆盖区域是可以保证其数据传输速率的区域，小区m定义为与基站m最近的区域，基站m的相邻小区可以表示为m(1)，...，m(B)，其中B是相邻小区的个数。如图1所示，其中小区半径是R_c，BS的最大覆盖半径是R_b，说明每一个BS都可以覆盖到其他小区的一些区域，用来表示可以给小区m内的用户提供服务的基站集合。当其中一些BS休眠时，处于工作状态的BS的覆盖区域就可以延伸到这些休眠的小区中去。

假设小区m在时间t内到达的用户服从泊松分布，密度为λ_m(t)，流量在每个小区的内均匀分布，在不同小区内是不对称的。并假设系统可以统计流量信息，平均到达率是一个关于T的周期函数，记为每一用户有一个最小的速率需求r₀，且其传输周期服从均值为的指数分布。所有的用户随机到达并到传输结束时保持静止。

每个激活的基站m都有有限的资源，最大带宽为如果一个用户k想和基站m协作，相应的带宽需求为其中C_mk(t)是频谱利用效率，它随着阴影效应，多径衰落的变化而变化，忽略快衰落效应，即C_mk(t)在传输时间内是恒定的。而对于小区内部干扰，认为当一些BS进入休眠模式时干扰被削弱，近似忽略不计。基于以上的假设，C_mk仅由用户k和基站m的距离l_mk决定。

在该方法中，每一个状态的代价函数g⁽ⁱ⁾(s⁽ⁱ⁾，u⁽ⁱ⁾)由三部分组成，第一部分是BS运行的能耗：

$g_e^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)})=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}[s_m^{(i+1)}{P}_{\max }+(1-s_m^{(i+1)})P_{\min }]{\mathrm{\&tau;}}^{(i+1)}---\left(4\right)$

其中P_max是活跃状态时的能耗，P_min是基站休眠时的能耗，代表基站所处模式。

第二部分是BS开关转换消耗：

$g_s^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)})=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}{E}_s{u}_m^{\left(i\right)}---\left(5\right)$

其中E_s是基站在活跃模式和休眠模式之间转换的消耗，为转换决策。

第三部分是阻塞率，分为系统阻塞率和区域阻塞率，系统阻塞率定义为在状态s下，当用户k′到达时被阻塞的概率，即没有能为该用户提供足够带宽的BS，记为P_sys(s)，区域阻塞率为在区域A内用户k′被阻塞的概率，记为P_a(A，s)。由系统阻塞率和区域阻塞率之间的关系，可以得到总阻塞率的表达式如下，

$g_b^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)})=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}h(P_a(A_m,s^{(i+1)}),P_{\mathrm{thr}})---\left(6\right)$

其中，为了保证网络质量，h函数为惩罚函数，当P_a(A_m，s_m)＞P_thr时，h函数将得到一个很大的值。

由以上三部分的定义，就可以得出每一个状态的代价函数为，

$g^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)})=g_e^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)})+g_s^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)})+g_b^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)}),i=\mathrm{0,1},...,N-1---\left(7\right)$

此时，问题归结为主要找出N个时间间隔内所有状态下使总代价函数最小的控制策略：

$v=\underset{\{u^{\left(0\right)},...,u(N-1)\}}{\arg \min }\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}{g}^{\left(i\right)}(s^{\left(i\right)},u^{\left(i\right)})---\left(8\right)$

该算法通过引入Q因子化简状态空间，可以把Q因子分解为在各个小区内Q因子之和的形式，这样，就通过小区内部Q函数的计算来得到系统总体Q函数的值，然后通过分别优化每一个小区的能耗来优化网络整体的能量消耗，这样就可以把算法的复杂度从O(2^M)降到O(M2^B+1)，其中M为总基站数目，B为任一基站相邻小区的数目。

可见，利用休眠或关断基站端来节能的方法中，主要存在如下几个问题：

在基站和用户协作节能的方法中，通过利用时间尺度上的差异性将基站和用户协作问题分开求解，由于引入了这种差异性，大部分只考虑了传输中的大尺度衰落，而没有考虑波动性更强的小尺度衰落；

整体研究中集中式算法较多，虽然性能比较良好，但是需要掌握网络中的全部信息，不但复杂度很高，也不适合应用在实际的传输系统中；而若仅仅简单替换成分布式算法，随着基站数目的增多，总的状态数目也会变得很大，迭代算法所需时间冗长，而且不一定能够得到收敛的解。也有可能即使收敛也不一定能收敛到较优的结果；

另外，现有解决方法中有的把时间简单分为白天(业务量高)和夜晚(业务量低)两部分，在夜晚的时间内固定关闭一些基站，在保证阻塞率低于某一下限的情况下节约能耗。这种方法不能最大化的节约能量，而且在实际应用中会产生很多问题。因为基站的功耗是根据峰值流量配置的，在白天的时间内基站的业务量也不可能一直处于峰值状态(据统计，白天业务量处于峰值状态的时间仅占很小的一部分)，这样在其余非峰值流量的时间内，基站的能量利用率依然很低，浪费了大部分的资源。

比较类似的问题还有根据已定的流量变化模型，静态地关闭基站，这种方法则没有考虑到流量是随空时变化而动态变化的。

综上可知，目前确定基站是否休眠时需要引入大量算法，处理复杂度较高，若降低复杂度，则确定基站是否休眠时的准确度较低，容易对用户造成困扰。

发明内容

本发明实施例提供一种通信节点状态调整方法、装置及系统，以降低确定通信节点是否休眠时的处理复杂度和准确度。

一种通信节点状态调整方法，包括：

对设定区域内的通信节点进行分簇；

在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态。

一种通信节点状态调整方法，包括：

通信节点接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；

通信节点根据业务量分布情况调整簇内各个通信节点的状态。

一种通信节点状态调整装置，包括：

分簇单元，用于对设定区域内的通信节点进行分簇；

确定单元，用于在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态。

一种通信节点状态调整装置，包括：

接收单元，用于接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；

调整单元，用于根据业务量分布情况调整簇内各个通信节点的状态。

一种通信节点状态调整系统，包括：

控制节点，用于对设定区域内的通信节点进行分簇；在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态；

通信节点，用于接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；根据业务量分布情况调整簇内各个通信节点的状态。

本发明实施例提供一种通信节点状态调整方法、装置及系统，对设定区域内的通信节点进行分簇，并在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态，由于簇头仅需要对簇内各个通信节点进行控制，所以处理复杂度较低，确定通信节点是否休眠时的准确度较高。

附图说明

图1为现有技术中的小区拓扑示意图；

图2为本发明实施例提供的通信节点状态调整方法流程图之一；

图3a为本发明实施例提供的通信节点休眠前的场景示意图；

图3b为本发明实施例提供的通信节点m休眠后的场景示意图；

图4为本发明实施例提供的较佳的通信节点状态调整方法流程图；

图5为本发明实施例提供的异构场景拓扑图；

图6为本发明实施例提供的分簇方法示意图；

图7为本发明实施例提供的簇内与簇间信息交互示意图；

图8a为本发明实施例提供的微蜂窝通信节点状态转化示意图；

图8b为本发明实施例提供的宏蜂窝通信节点状态转化示意图；

图9为本发明实施例提供的微蜂窝时间状态模型示意图；

图10为本发明实施例提供的簇内通信节点状态调整方法流程图；

图11为本发明实施例提供的状态空间变化示意图；

图12为本发明实施例提供的状态路径选择示意图；

图13a为本发明实施例提供的业务不均匀分布场景示意图；

图13b为本发明实施例提供的业务均匀分布场景示意图；

图14为本发明实施例提供的基于图13a和图13b场景下的状态路径选择示意图；

图15为本发明实施例提供的通信节点休眠前后链路载干比仿真示意图；

图16为本发明实施例提供的不同配置下的通信节点休眠情况仿真示意图；

图17为本发明实施例提供的复杂度对比仿真示意图；

图18为本发明实施例提供的通信节点状态调整方法流程图之二；

图19为本发明实施例提供的通信节点状态调整装置结构示意图之一；

图20为本发明实施例提供的通信节点状态调整装置结构示意图之二；

图21为本发明实施例提供的通信节点状态调整系统结构示意图。

具体实施方式

本发明实施例提供一种通信节点状态调整方法、装置及系统，对设定区域内的蜂窝小区进行分簇，并在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态，由于簇头仅需要对簇内各个通信节点进行控制，所以处理复杂度较低，确定通信节点是否休眠时的准确度较高。

如图2所示，本发明实施例提供的通信节点状态调整方法，包括：

步骤S201、对设定区域内的通信节点进行分簇；

步骤S202、在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态。

其中，通信节点是指可以为用户提供业务服务的网络侧节点，例如宏基站、微基站、中继等。

调整通信节点的状态可以为降低传输带宽、减少发送天线端口、TDD系统调整上下行配置比例、开启或关闭该通信节点等操作。

由于进行通信节点状态调整时，其复杂度随着通信节点数量的增加而呈指数增长，在进行了分簇处理后，每个簇中的簇头仅需要根据业务量分布情况调整簇内各个通信节点的状态，由于簇头管理的通信节点数量不多，所以其复杂度得到了有效降低。

业务量分布情况可以具体包括：平均负载值和簇内各个通信节点的负载情况，本领域技术人员还可以参考其他参数进行通信节点状态的调整。

在该通信节点状态调整方法中，对于微蜂窝小区的通信节点，可以直接开启或关闭该通信节点，即，使得该通信节点激活或者使得该通信节点休眠，对于宏蜂窝小区的宏通信节点，通常不会完全关闭或开启，而是关闭或开启其部分控制信道。

本发明实施例提供的通信节点状态调整方法，可以仅针对微蜂窝小区的微基站，也可以仅针对宏蜂窝小区的宏基站，还可以针对微蜂窝小区的微基站和宏蜂窝小区的宏基站混合存在的情况，但在没有宏蜂窝小区参与时，其效果更佳。

实际的蜂窝网络中，业务在时间上的分布以及通信节点在空间上的分布往往都是不均匀的。而且用户一般还具有很强的迁移性。也正是因为如此，通信节点的实际覆盖范围往往都大于小区半径，以此来保证用户的业务需求。对于每一个通信节点而言，其相邻的通信节点实际中也能够覆盖到它的覆盖范围，进而可以按照业务峰值速率调整通信节点状态。

图3a为初始场景示意图，图3b为关闭微蜂窝m后链路的转移示意图，可见，当微蜂窝m转入休眠状态之后，它原本服务的用户将各自的业务转移到相邻小区，在图3b中为周围的宏蜂窝与另一个微蜂窝。此时，用户仍然能够保证业务正常进行，系统的性能没有受到很大影响，同时微蜂窝m因为转入休眠状态，与其激活状态相比，节省了很大一部分能量。图3a和图3b简单说明了通信节点进入休眠状态后，原本的业务能够转移从而达到节能的效果。

在进行分簇时，可以仅仅根据通信节点间的地理距离，将距离较近的设定个数的通信节点分为一簇，也可以既考虑地理距离，又考虑业务分布情况，将业务情况较接近的通信节点尽量分在一簇。

步骤S201中，对设定区域内的通信节点进行分簇，具体包括：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k确定新的等效聚合中心点，直至连续两次确定出的J的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k为每簇的等效聚合中心点的设定属性值，x_n为待分簇通信节点n的对应属性值，||x_n-μ_k||²为待分簇通信节点和等效聚合中心点的属性值差异。

步骤S201中，对设定区域内的通信节点进行分簇，具体包括：

根据地理距离和/或业务分布对设定区域内的通信节点进行分簇。

在根据地理距离和业务分布对设定区域内的通信节点进行分簇时，具体包括：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，dis确定新的等效聚合中心点，在满足||x_n，dis-μ_k，dis||²＜D_max时，再确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，traffic确定新的等效聚合中心点，直至连续两次确定出的J_traffic的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J_traffic最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k，dis为每簇的等效聚合中心点的地理坐标属性值，x_n，dis为待分簇通信节点n的业务分布属性值，x_n，dis为待分簇通信节点n的地理坐标属性值，μ_k，traffic为每簇的等效聚合中心点的业务分布属性值，||x_n，dis-μ_k，dis||²为待分簇通信节点和等效聚合中心点的平面欧氏距离，||x_n，traffic-μ_k，traffic||²为通信节点n所连接的用户数目在通信节点n所在小区的总的用户数目中所占的比例与平均每个通信节点所连接的用户数目在其小区总的用户数目中所占的比例的差值的平方。

步骤S202中，在每个簇中确定一个通信节点作为簇头，具体包括：

确定每个簇中，与等效聚合中心点距离最近的通信节点为该簇的簇头。

步骤S202中，根据业务量分布情况调整簇内各个通信节点的状态，具体包括：

确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案；

根据簇内各个通信节点的状态变化方案中耗能最少的方案，调整簇内各个通信节点的状态。

其中，各个通信节点可以周期性向簇头上报其负载情况，从而使得簇头根据各个通信节点的负载情况进行状态调整，也可以不进行周期上报，在簇头确定需要进行通信节点状态调整时，再触发簇内各个通信节点上报其负载情况。

进一步，由于通信节点数量增加，其复杂度呈指数增长，所以可以在调整簇内各个通信节点的状态前，进行通信节点状态空间的合并，从而较大幅度的降低复杂度，此时，在确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

将地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

进一步，由于对于负载较大的通信节点，通常不会改变该通信节点的状态，所以可以不对这些通信节点进行合并，在进行通信节点状态调整时，也不去考虑这些通信节点的状态变化，因此，在进行状态空间的缩减时，只需要对负载较轻的通信节点进行缩减即可，此时，确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

根据该簇的链路载干比与平均吞吐量确定该簇需要缩减状态空间、需要扩张状态空间或者需要保持当前状态空间；

根据簇内各个通信节点的负载情况，确定各个通信节点是否能够合并或是否需要扩张；

将能够合并的通信节点中，地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

具体的，针对于LTE(Long Term Evolution，长期演进)异构场景，其流程图如图4所示，包括：

步骤S401、在LTE宏/微蜂窝异构场景下对各项参数进行初始化，主要包括通信节点与用户的位置信息，用户业务的分布情况，同时初置系统中所有的通信节点为激活状态，此时通信节点的动态休眠表为空；

步骤S402、由总控制台(可以选择一个宏蜂窝)搜集系统全局的地理距离信息与用户分布密度情况，并以此标识出每一个通信节点；

步骤S403、对于区域内的微蜂窝进行分簇，即每个簇都是选定的特征参数(距离，业务)相近的微蜂窝的集合；

步骤S404、从每个簇中选取一个通信节点作为簇头，簇头需要进行簇内信息收集和簇间通信；

步骤S405、每一簇内的通信节点都与簇头通信，由簇头统计出本簇的平均负载信息，并周期性地进行更新并与其他簇交互；

步骤S406、簇头依据平均负载值与簇内各个通信节点的负载情况，可以有效判断出该簇的通信节点状态能否合并，是应当缩减状态空间还是恢复被缩减的状态。从而动态地调整簇内的空间状态数目，降低平均搜索状态空间的大小；

步骤S407、在完成状态空间合并后，根据簇内各个通信节点的状态变化方案中耗能最少的方案，调整簇内各个通信节点的状态。

下面具体介绍分簇、选择簇头以及簇内与簇间交互过程：

如图5所示。编号0-6的六边形(斜线填充)的中心各有一个宏蜂窝存在。考虑到下一代蜂窝网往更小的小区发展，如微蜂窝(micro-cell)、微微蜂窝(pico-cell)、毫微微蜂窝(femto-cell)，以及整个网络内业务负载的波动性更强，可以适当加大微蜂窝在中心7个小区之中的存在密度。例如，每小区达到10-20个微蜂窝。

在这种异构场景下，由于微蜂窝数目较多(实际上，就算按照3GPP36.814中配置的微蜂窝数目，其总数依然较大)，直接进行通信节点的休眠选择不但复杂度极高，难于实现，而且没有必要，往往会重复很多类似的运算。所以，可以把在地理上与业务特性一致的微蜂窝聚合成簇，简化整体问题，使之后的操作可以在每簇内分别进行。

可以确定图5所示的中心7个小区为设定区域，设定区域中假设共有M个宏蜂窝，以BS₁，BS₂，...，BS_M标示，同时有N个微蜂窝，且每个小区包含的微蜂窝数目为m_i(i＝1，2，...，M)，用户数目为a_i(i＝1，2，...，M)。将这N个微蜂窝分成K簇，则每簇内包含的微蜂窝数目为N_j(j＝1，2，...，K)。利用K-means(K平均算法，一种基于误差平方和最小的聚类方法)算法对微蜂窝完成分簇的操作，即需要保证下式中J的取值最小：

$J=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{\mathrm{nk}}{\left|\right|x_n-{\mathrm{\&mu;}}_k\left|\right|}^2---\left(9\right)$

其中，μ_k可以看为每簇的等效聚合中心点的设定属性值，x_n为待分簇通信节点的对应属性值。

具体求解时，首先随机选择出K个点作为每一簇的中心，如μ₁，μ₂，...，μ_k，先固定μ_k选择最优的r_nk序列；然后在此r_nk基础上再求最合适的μ_k位置，如此循环，进而得到合适的μ_k位置以及r_nk序列。将J对μ_k求导并令导数等于0时，可以得到J的最小值对应的μ_k应该满足式(10)：

${\mathrm{\&mu;}}_k=\frac{\underset{n}{\mathrm{\&Sigma;}}{r}_{\mathrm{nk}}{x}_n}{\underset{n}{\mathrm{\&Sigma;}}{r}_{\mathrm{nk}}}---\left(10\right)$

由于分簇是为了降解全局最优问题到每个簇上解决，所以在分簇的标准选择上需要综合考虑地理距离远近和业务连接多少这两方面情况。在此基础上，优先侧重于地理因素，这是由从合理性的角度出发，因为实际中地理相隔很远的两个微蜂窝，即使其业务连接情况再相似，也不可能将它们分在一簇。而当地理条件差不多时，为了能够更准确地合并状态，可以优先聚合业务相似的微蜂窝。所以这两个准则虽然都需要考虑，但是优先级是有差别的。

由公式(9)(10)可以推广出分别以地理距离和业务连接情况分簇的目标函数J以及相应的μ_k：

$J_{\mathrm{dis}}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{\mathrm{nk}}{\left|\right|x_{n,\mathrm{dis}}-{\mathrm{\&mu;}}_{k,\mathrm{dis}}\left|\right|}^2\left(a\right)$

$J_{\mathrm{traffic}}=\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{\mathrm{nk}}{\left|\right|x_{n,\mathrm{traffic}}-{\mathrm{\&mu;}}_{k,\mathrm{traffic}}\left|\right|}^2\left(b\right)---\left(11\right)$

${\mathrm{\&mu;}}_{k,\mathrm{dis}}=\frac{\underset{n}{\mathrm{\&Sigma;}}{r}_{\mathrm{nk}}{x}_{n,\mathrm{dis}}}{\underset{n}{\mathrm{\&Sigma;}}{r}_{\mathrm{nk}}}\left(a\right)$

${\mathrm{\&mu;}}_{k,\mathrm{traffic}}=\frac{\underset{n}{\mathrm{\&Sigma;}}{r}_{\mathrm{nk}}{x}_{n,\mathrm{traffic}}}{\underset{n}{\mathrm{\&Sigma;}}{r}_{\mathrm{nk}}}\left(b\right)---\left(12\right)$

其中r_nk的含义如(9)式中描述。公式(11)(12)的a式表示以地理属性作为分簇标准，通信节点x_n，dis以二维地理坐标形式出现，可以与中心μ_k，dis计算平面欧式距离：

${\left|\right|x_{n,\mathrm{dis}}-{\mathrm{\&mu;}}_{k,\mathrm{dis}}\left|\right|}^2=\mathrm{Dis}=\sqrt{{(x_{n,i}-{\mathrm{\&mu;}}_{k,i})}^2+{(x_{n,j}-{\mathrm{\&mu;}}_{k,j})}^2}---\left(13\right)$

公式(11)(12)的b式表示以业务连接情况作为分簇标准，这里可以近似以连接的UE数目作为衡量标准。每小区用户数目为a_i(i＝1，2，...，M)，进而用a_i，j(i＝1，2，...，M，j＝1，2，...，m_M)表示第i个小区里与第j个微蜂窝相连接的UE数目。其中通信节点x_n，traffic表征了业务承载的高低，中心μ_k，traffic可以是簇内计算的平均业务承载程度：

$x_{n,\mathrm{traffic}}=\frac{a_{i,j}}{a_i}$

${\mathrm{\&mu;}}_{k,\mathrm{traffic}}=\frac{\underset{j=1}{\overset{m_i}{\mathrm{\&Sigma;}}}{a}_{i,j}/m_i}{a_i}---\left(14\right)$

目标函数J就可以看作是使每簇内微蜂窝之间的业务连接情况差异最小：

${\left|\right|x_{n,\mathrm{traffic}}-{\mathrm{\&mu;}}_{k,\mathrm{traffic}}\left|\right|}^2={(\frac{a_{i,j}}{a_i}-\frac{\underset{j=1}{\overset{m_i}{\mathrm{\&Sigma;}}}{a}_{i,j}/m_i}{a_i})}^2---\left(15\right)$

即可定义出完整的二重分簇标准：如图6所示，先以地理位置远近进行分簇，其控制策略为：

$v_1=\underset{r_{\mathrm{nk}}}{\arg \min }{J}_{\mathrm{dis}}=\underset{r_{\mathrm{nk}}}{\arg \min }\left(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{\mathrm{nk}}{\left|\right|x_{n,\mathrm{dis}}-{\mathrm{\&mu;}}_{k,\mathrm{dis}}\left|\right|}^2\right)---\left(16\right)$

完成第一次分簇之后，如果微蜂窝之间的地理距离处在可接受范围内(比如设定距离门限D_max)，那么就从业务连接情况上进行更细致的再分簇，相应的控制策略为：

$v_2=\underset{r_{\mathrm{nk}}}{\arg \min }{J}_{\mathrm{traffic}}=\underset{r_{\mathrm{nk}}}{\arg \min }\left(\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{r}_{\mathrm{nk}}{\left|\right|x_{n,\mathrm{traffic}}-{\mathrm{\&mu;}}_{k,\mathrm{traffic}}\left|\right|}^2\right)$

当满足||x_n，dis-μ_k，dis||²＜D_max时  (17)

当所有微蜂窝都分簇完成后，由v₂得到r_nk序列，再用公式(12)计算新的簇中心点μ₁，μ₂，...，μ_K，进行循环迭代。终止条件为两次分簇结果的差值小于阈值J_th，或者达到规定迭代次数T_th：

$\left\{\begin{array}{c}|J_{t+1}-J_t|<J_{\mathrm{th}}\\ t>=T_{\mathrm{th}}\end{array}\right.---\left(18\right)$

这种设定限制条件的二重分簇方法，不但能够有效杜绝之前提到的不合理的分簇方案，保证分簇结果的实际意义与正确性；而且通过加入基于业务连接情况的第二次分簇，能够尽可能的将真正意义上情况相似的微蜂窝聚合，也提高了之后簇内的合并状态准确度。

由于最后一次迭代之后中心μ_k是已知的，为了简化运算，可以选定每簇内与μ_k距离最近的微蜂窝作为本簇的簇头，则第k簇的“簇头”c_k(k＝1，2，...，K)为：

其中表示被归于第k簇的微蜂窝集合。

由于在分簇的时候是优先保证基于地理位置的J_dis最小的，此时簇内其他微蜂窝到μ_k的通信距离和为最短。由于相比簇间通信，系统更多时间是完成各自簇内的信息交互。则按照公式(19)选择出的簇头c_k则可以近似认为也满足簇内其他微蜂窝到其通信距离和最短，所以这样选择的簇头也就相应地减小了通信节点间通信的开销。

选择好的簇头c_k不但要汇集本簇内部的局部信息，完成簇内缩减状态的休眠算法，簇与簇之间的全部通信也都通过簇头来完成，其整体信息交互的架构如图7所示。

可以选择系统地理中心的宏蜂窝为统一收集微蜂窝的地理信息和用户的业务分布情况的控制台，宏蜂窝完成微蜂窝的分簇并确定簇头后，每一个簇头都成为其簇内的通信节点，周期性地搜集相关区域内的链路信息、本簇内其他微蜂窝的负载情况等，完成簇内的信息交互；同时在簇与簇之间也由簇头相互交换平均负载，状态空间等信息，从而进行合理的通信节点休眠。

在分簇之后，采用图7中所示的信息交互方式，相比集中式的控制算法优势是比较明显的。通过动态推举簇头在降解问题的同时，减小了信息的交互次数与通信代价，易于工程实现。

下面对簇头根据业务量分布情况调整簇内各个通信节点的状态的过程，进行具体说明：

宏蜂窝与微蜂窝由于其覆盖范围有重叠，往往可以相互配合协作，以期达到较优的系统整体性能。结合现实情况，微蜂窝由于数目较多，而且覆盖范围相对较小，一般可以认为其仅在激活与休眠两状态之间转换；而宏蜂窝由于发射功率较高，覆盖范围广，如果直接进入休眠状态可能会引发系统波动，同时也更难被唤醒，所以可以考虑休眠其部分硬件设施或者关闭特定信道来节省能量。

如图8a和图8b所示，对于微蜂窝往往可以近似看作是激活与休眠的两态变化；而宏蜂窝在从激活到休眠中，相对有更多的一些过渡态(比如仅关闭控制信道，半休眠等)。

假设一共存在M个宏蜂窝，以BS₁，BS₂，...，BS_M标识，以及N个微蜂窝，且每个小区包含的微蜂窝数目为m_i(i＝1，2，...，M)，将这N个微蜂窝分成K簇，则每簇内包含的微蜂窝数目为N_j(j＝1，2，...，K)，用户数目为a_i(i＝1，2，...，K)。对于每一簇内，宏蜂窝与微蜂窝都将处于图8a和图8b中的一种状态，可以认为处在对应状态S_i的通信节点数目为

需要说明的是，本发明实施例中提供的通信节点状态调整方法适用于多状态的通信节点休眠场景，为便于描述，在该实施例中默认微蜂窝只进行激活/休眠的两态变化，同时暂且不考虑宏蜂窝的状态转移。则N个微蜂窝的休眠状态表可以做是一个N维的向量n₁n₂…n_N，其每一位都取0或1，

系统总能耗可以看作为每簇内能耗的叠加：

$P_{\mathrm{system}}=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(P_{\mathrm{ma},k}+\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{P}_{S_i,k})=\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(P_{\mathrm{ma},k}+\underset{i=\mathrm{0,1}}{\mathrm{\&Sigma;}}{P}_{S_i,k}\&CenterDot;N_{S_i,k})---\left(20\right)$

P_system表示系统的总能耗，P_ma，k为第k簇内宏蜂窝的能耗，为第k簇内处于状态S_i的微蜂窝能耗，是第k簇内处于状态S_i的微蜂窝的数目，在此处即为激活与休眠的微蜂窝数目。

$g_1(i,k)=\arg \min P_{\mathrm{system}}=\arg \min \underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}(P_{\mathrm{ma},k}+\underset{i=\mathrm{0,1}}{\mathrm{\&Sigma;}}{P}_{S_i,k}\&CenterDot;N_{S_i,k})---\left(21\right)$

进行简化处理，设定P_ma，k为固定消耗，控制策略g₁(i，k)只需考虑使微蜂窝的能耗达到最小即可。由于微蜂窝的状态只有激活与休眠(S₀，S₁)，所以又可以等效成节省功率最大策略，即使处在休眠状态S₁的微蜂窝数目最多。

$g_1(i,k)=\arg \min P_{\mathrm{system}}\&DoubleLeftRightArrow;\arg \max \underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{P}_{S_0,k}\&CenterDot;N_{S_0,k}---\left(22\right)$

其中为微蜂窝休眠时能够节省的能耗。

另外，除了通信节点本身的工作能耗之外，在进行激活与休眠的状态转换时也会带来一定的开关能耗P_on/off。所以无论是从能耗节省还是硬件使用寿命的角度都应避免太过频繁地状态切换。这种策略也可以等效为最大化通信节点保持稳定状态的持续时间，即两种状态之间的时间间隔。

$g_2(i,k)=\arg \min \underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{P}_{\mathrm{on}/\mathrm{off}}\&DoubleLeftRightArrow;\arg \max \underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{T}_{\mathrm{on}/\mathrm{off}}---\left(23\right)$

其中N_k为第k簇内的微蜂窝数目，P_on/off为微蜂窝休眠/激活转化时的能耗，T_on/off代表两次状态转化之间的持续时间。

则总控制策略可以表示为g₁(i，k)与g₂(i，k)和的形式：

$g(i,k)=\mathrm{\&alpha;}\&CenterDot;g_1(i,k)+\mathrm{\&beta;}\&CenterDot;g_2(i,k)=\arg \min (\mathrm{\&alpha;}{P}_{\mathrm{system}}+\mathrm{\&Sigma;\&beta;}{P}_{\mathrm{on}/\mathrm{off}})$

$\&DoubleLeftRightArrow;\arg \max (\mathrm{\&alpha;}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}{P}_{S_0,k}\&CenterDot;N_{S_0,k}+\mathrm{\&beta;\&Sigma;}{T}_{\mathrm{on}/\mathrm{off}})$

且满足α+β＝1        (24)

α和β的值可以根据实际需要设定，这个总代价函数综合考虑了通信节点休眠与工作状态的能耗差异，以及每次状态改变的能量损耗。在确定代价函数之后，可以给出微蜂窝的时间状态模型，如图9所示，假设同类通信节点都有相同的功耗，由于通信节点不可能每时每刻都改变其状态，所以将整个运营过程分成时间为Ti的循环：包含信息收集，状态改变以及服务三个阶段。

在信息收集阶段中，微蜂窝可以评估自身的负载信息，并通过与“簇头”交互获取其他微蜂窝或者用户的相关信息；在状态改变阶段，微蜂窝将根据之前收集到的数据，按照既定规则判断是否需要改变其工作模式，并在必要的时候进行状态切换；而服务阶段就是根据判决结果，修正其工作模式，如选择继续工作或者进入休眠。在上述过程中，可以认为信息收集阶段和状态改变阶段的时间比服务阶段的时间要小的多。

如图10所示，在进行状态调整时，首先要初始化微蜂窝的状态空间与休眠表，第k簇内微蜂窝状态空间为N_k维向量，共有个状态，微蜂窝起始休眠表为全1序列；

每个微蜂窝都要依据当时的网络情况更新自己的负载信息L_i。由于此时需要根据负载信息进行状态空间的缩减或扩张，所以不能再像分簇的时候简单衡量用户的连接情况。对于LTE场景下，可以按公式(27)定义通信节点i的负载情况：

其中表示通信节点i所服务的用户集合，表示该通信节点的RB资源集合。分子R_j的和是对于每一个用户的平均传输速率，分母为通信节点RB资源块上理论能够传输的最大速率。这样定义出的负载信息可以体现出通信节点资源的利用效率，而比仅仅从带宽上分析的负载定义更能反映实际的网络负载情况。

微蜂窝与其所在簇的簇头交互负载L_i的值，由后者计算出本簇内平均负载情况；并通过簇间信息传递，得到其他簇的平均负载；

${\stackrel{\&OverBar;}{L}}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{L}_i}{N_k}$ k＝1，2，...，K                 (26)

其中表示第k簇的平均负载，L_i为第k簇内第i个通信节点的负载信息，N_k为第k簇所包含的微蜂窝数目；

每个簇头此时都可以评估本簇在全网内的负载情况，以及簇内每一个微蜂窝的负载情况，从而根据既定的规则缩减或扩张空间内状态的数目，具体过程如下：

在第k簇内包含N_k个微蜂窝，所以原本的状态空间为N_k维的向量，共有个不同的状态。初始的状态空间可以表示为其中S_i对应第i个微蜂窝的状态变量，同时以{S_R}表示缩减了的状态空间，而{S_E}表示在{S_R}基础上扩张了的状态空间(其极限即为S_O)。

$\left\{S_O\right\}\&RightArrow;\left\{S_{R_1}\right\}\&RightArrow;\left\{S_{E_1}\right\}\&RightArrow;\left\{S_{R_2}\right\}\&RightArrow;\&CenterDot;\&CenterDot;\&CenterDot;\&RightArrow;\left\{S_{R_m}\right\}\&RightArrow;\left\{S_{E_n}\right\}\&RightArrow;\&CenterDot;\&CenterDot;\&CenterDot;---\left(27\right)$

则整个持续时间T内，簇内的状态空间就经历着如式(29)的变化，由初始状态空间在周期性地决策中缩减为或者又扩张为下面具体描述一次状态的缩减与扩张变化(实际中往往是不对应的，可能几次缩减状态或维持不变后才有一次扩张)。

如图11所示，对应于{S_O}的个状态，可以发现{S_R}中S_t，S_t+1…S_n这些状态位进行了合并，缩减后的状态向量为N_k-(n-t)维，状态数目为{S_E}中将原本合并的S_t，S_t+1…S_n状态位又重新拆分，扩张后的状态向量为N_k-(m-t)维，状态数目为 $2^{N_k-(m-t)}(m<n).$

在每次进行状态合并或者扩张时，可以考虑各个通信节点的地理距离和业务情况，将地理距离小于设定阈值且业务情况差距小于设定阈值的通信节点进行合并，作为一个状态进行考虑，从而减小状态向量的维数。

进一步，由于对于业务量较大的通信节点，通常不会进行通信节点状态的变化(即不会关闭该通信节点)，所以在进行通信节点合并时，可以不考虑业务量较大的通信节点，从而减小通信节点合并时的计算复杂度。

此时，系统在初始化时可以设定如链路载干比合格率与系统平均吞吐量要求的边界条件，在此基础上加上一个可变量作为对应项的门限值：(T_Throughput)_TH。这样选择门限的好处是，在此限定下系统绝大部分时间将维持在最低合格率之上，优先保证了网络的性能。

簇头根据簇内微蜂窝的信息，也可以计算出第k簇的链路载干比与平均吞吐量：

$\left\{\begin{array}{c}{\left(\frac{C}{I}\right)}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{(C/I)}_i}{N_k}>{\left(\frac{C}{I}\right)}_{\mathrm{TH}}\\ {\left(T_{\mathrm{Throughput}}\right)}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{\left(T_{\mathrm{Throughput}}\right)}_i}{N_k}{\left(T_{\mathrm{Throughput}}\right)}_{\mathrm{TH}}\end{array}\right.\left(a\right)$

$\left\{\begin{array}{c}{\left(\frac{C}{I}\right)}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{(C/I)}_i}{N_k}{<\left(\frac{C}{I}\right)}_{\mathrm{TH}}\\ {\left(T_{\mathrm{Throughput}}\right)}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{\left(T_{\mathrm{Throughput}}\right)}_i}{N_k}{<\left(T_{\mathrm{Throughput}}\right)}_{\mathrm{TH}}\end{array}\right.\left(b\right)---\left(28\right)$

当第k簇满足式(30-a)时，就可以认为该簇存在缩减状态空间的可能性。反之如果在周期性判断时发现不满足式(30-a)，而30-b式成立，则不能再进行状态空间的缩减，标记该簇为维持现状或者扩张。

完成式(30)的判断之后，可以依次分析簇内的各个通信节点m_i(i＝1，2...N_k)的负载情况L_k，i：

其中L_k，i为第k簇内第i个微蜂窝的负载，L_a为判定通信节点处于轻载状态的负载门限，L_b为判定通信节点处于重载状态的负载门限。有时还需要与本簇平均负载相比较，是为了处理如全部微蜂窝处于轻载时，状态数目锐减导致系统性能受影响的特殊情况。

由(31)可得k簇内能够得到标记为不同处理情况的通信节点集合，可合并的轻载通信节点集合维持不变的通信节点集合以及需扩展的通信节点集合

其中维持不变的集合可以不再做其他操作。中有m_i，k(i＝1，2，...，z)共z个通信节点可以合并，此时我们在中优先挑选地理位置相近的通信节点两两进行状态合并，直到新合并出的“通信节点”不再满足式(31)而无法选入集合。最理想的情况，应当是中的z个通信节点全部合并为一个状态，那么此时簇内总状态数目由原来的减少到了对于扩展的集合执行相反的操作，优先拆解地理位置较远的两个通信节点，且规定扩展状态时的拆解运算只能一次分离成两个等效状态位，对于高维的分解只能逐步降解。

本步骤对于所有的簇都运行完毕后，可以认为系统完成了状态空间的缩减任务。但需要周期性地判断条件是否满足，以期准确地调整状态数目与可合并的微蜂窝集合。

此时，需要在每簇新的状态空间下，寻找最优的休眠策略。基本的限定条件仍然是系统吞吐量，载干比等门限值的要求，那么问题可以表述成在满足条件下，找到每簇内的使目标函数和最优的状态路径：

$\left\{\begin{array}{c}{\left(\frac{C}{I}\right)}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{(C/I)}_i}{N_k}>{\left(\frac{C}{I}\right)}_{\mathrm{TH}}\\ {\left(T_{\mathrm{Throughput}}\right)}_k=\frac{\underset{i=1}{\overset{N_k}{\mathrm{\&Sigma;}}}{\left(T_{\mathrm{Throughput}}\right)}_i}{N_k}{\left(T_{\mathrm{Throughput}}\right)}_{\mathrm{TH}}\end{array}\right.---\left(31\right)$

$g(i,k)=\mathrm{\&alpha;}\&CenterDot;g_1(i,k)+\mathrm{\&beta;}\&CenterDot;g_2(i,k)=\arg \min (\mathrm{\&alpha;}{P}_{\mathrm{system}}+\mathrm{\&Sigma;\&beta;}{P}_{\mathrm{on}/\mathrm{off}})$

$\&DoubleLeftRightArrow;\arg \max (\mathrm{\&alpha;}{P}_{S_0,k}\&CenterDot;N_{S_0,k}+\mathrm{\&beta;\&Sigma;}{T}_{\mathrm{on}/\mathrm{off}})$

且满足α+β＝1          (32)

其中为处于休眠状态S₀时微蜂窝节省的功率，为合并状态后处于状态S₀的等效通信节点数目，T_on/off为微蜂窝两次改变状态之间处于稳定的持续时间，α，β为权重系数，满足归一化条件。则状态空间中的任一状态S_i都对应一个代价函数从整个持续时间T考虑，需要使每次状态改变后的代价函数和最优，即找到一条最优的状态变化路径。

$v=\arg \max \underset{T}{\mathrm{\&Sigma;}}{g}_{S_i}(i,k)---\left(33\right)$

由于最开始通信节点默认都处在激活状态，所以初始状态都为(11...111)。如果放宽对于系统性能抖动性的要求，只要满足(33)的基本约束，理论分析时可以认为任意状态之间能够相互转换。利用动态规划算法，从起始状态出发，找出在满足边界条件情况下，能够休眠最多通信节点数目的状态序列。需要注意每次状态的改变，都需要在系统吞吐量与链路载干比的条件限定下进行，不能以牺牲网络性能为节能的代价。

如图12所示，对于每一时刻t都包含个状态(这里说明状态选择，没有缩减状态)，其中表示该簇内微蜂窝在t时刻处于S⁽ⁱ⁾状态，r_i，j表示由状态转移到状态的分支度量，

$r_{i,j}=\arg \max (\mathrm{\&alpha;}{P}_{S_0}\&CenterDot;\mathrm{\&Delta;}{N}_{S_0}+\mathrm{\&beta;\&Sigma;}{T}_{\mathrm{on}/\mathrm{off}})$

且满足α+β＝1             (34)

其中为微蜂窝进入休眠后节省的能量，表示到多转入休眠的微蜂窝数目(可以为负值)。且由式(34)能求出处在任意时刻每一状态下的代价函数由于t时刻任意状态都可转移至t+1时刻的状态，通过式(37)求出需要保留的最优路径(图12中以实线代表)，即找到其上一时刻最有可能到达的状态

$S_t^{\left(i\right)}=\underset{\{S_t^{\left(1\right)},S_t^{\left(2\right)}...S_t^{\left(2^{N_k}\right)}\}}{\arg \max }(\underset{t_i<t}{\mathrm{\&Sigma;}}{g}_{S_i}(i,k)+r_{i,n})---\left(35\right)$

这样在任意时刻都可以选择出最优的到达每一状态的幸存路径，从而在持续时间T上找到最佳状态变化路径。

具体的，结合图13a和图13b中的业务变化情况，举例说明空间状态的缩减过程。在图13a中，左侧的一个微蜂窝处于重载状态，其他两个微蜂窝均处于轻载状态；而在图13b中，由于业务分布较均匀，三个微蜂窝之间负载没有明显差异。

以这三个通信节点为例，其状态空间S₁×S₂×S₃共有8种状态，如图14所示。在t-1时刻之前，其状态空间一直为8。接下来假设由t时刻开始，系统进入图13a中所示情况；由n+1时刻开始，系统进入图13b所示情况。

可以发现，当系统进入图13a中的负载情况时，微蜂窝m₂与m₃在地理上与业务分布情况都很类似，通过计算满足式(30)(31)的条件，同时它们的负载程度都与m₁有很大差距，不会影响到簇本身的负载特性。此时就可以将其看作一个整体，进而合并S₁×S₂×S₃的8状态到S₁×S₂S₃的4状态(即m₂与m₃保持一致性)。这样就依据系统实时的负载情况，在t-1时刻到t时刻时缩减了状态空间，降低了算法的复杂度。

显然，状态的缩减很大程度上依赖于负载情况的变化，当系统进入图13b所示的情况时，由于业务分布比较均匀，此时缩减了的状态无法合理反映系统的真实情况，所以在n到n+1时刻时，恢复原本的8状态空间，虽然提高了一定的复杂度，但是能够更好的保证系统的性能与算法的有效性。

而在每两个判定时刻之间，下一时刻(t+1)的状态都有可能由上一时刻(t)的各个状态变化得到。以图14中t到t+1时刻为例，可以看到大致的状态序列选择情况，在t+1时刻时的每一状态都会计算到达该状态的上一时刻的代价函数：

$g_{t,t+1}(i,k)=\arg \max \mathrm{\&Sigma;}(\mathrm{\&alpha;}{P}_{S_0,k}\&CenterDot;N_{S_0,k}+\mathrm{\&beta;\&Sigma;}{T}_{\mathrm{on}/\mathrm{off}})$

且满足α+β＝1                 (36)

并从中选择出节省能量最大的路径保存下来。这样每个时刻间隔都完成选择合适的路径。从0时刻到n时刻的每一条幸存路径都可以由代价函数求和表征。由于是当前状态与负载情况共同决定下一状态的决策。在总持续时间内，最后选择的决策都应当是使总代价函数达到极值的控制策略(不同的代价函数可能选择最小值或最大值，但是结果是等效的)。

$v=\underset{\{{\mathrm{\&pi;}}_1,{\mathrm{\&pi;}}_2...{\mathrm{\&pi;}}_n\}}{\arg \max }\underset{t=1}{\mathrm{\&Sigma;}}{g_{t,t+1}}^{\left(i\right)}(s^{\left(i\right)},k)---\left(37\right)$

其中π_i代表所有微蜂窝组成的状态序列，在图14所示的特例中，即从状态10到其他四个状态中挑选出在负载限定条件下，满足代价函数概率最大的那种情况。可以发现，由于m₁处于重载阶段，整个如图13a所示的过程的持续时间内，选择出的幸存路径上m₁都不容易被休眠，从而保证了系统的性能。

可以利用动态规划算法度量出每一时刻各个状态的迁移情况，并选择出每簇内的局部最优路径，得到簇内通信节点的状态随时间改变的情况，以及保存有能够进行休眠的通信节点的动态休眠表；依据每一簇的通信节点的动态休眠表可以确定所有通信节点的状态信息，并在此情况下求出系统的覆盖情况与平均吞吐量；当覆盖与吞吐量都满足门限要求，且达到规定的循环次数时，即能够得到相应的通信节点休眠策略与系统此时的节能效果。

在进行仿真时，可以由簇头进行多次通信节点状态调整，得到一个状态序列，算法终止的条件应为状态序列在预设时间τ_th内不再变化，或表示为代价函数差值小于门限值G_th；循环次数到达事先规定好的数目T_th。

$\left\{\begin{array}{c}|g_{t+1}-g_t|<=G_{\mathrm{th}}\\ t>=T_{\mathrm{th}}\end{array}\right.---\left(38\right)$

此时保存下来的就是本簇最优的状态变化路径，综合每个簇的结果可以得到系统通信节点的休眠状态表。

以表1中所示的系统参数为例进行仿真，仿真结果如图15所示，休眠前后的载干比相差较小，能够满足用户的通信要求。

表1系统仿真配置参数

仿真参数	配置
		网络拓扑	LTE网络7小区异构场景
小区间距	ISD＝800m
		用户数	30-50/cell

发射功率	46dBm/macro；30dBm/micro
		大尺度衰落频点	2017.5MHz
系统带宽	10M
		链路类型	下行链路

表1中示出了休眠前后吞吐量和状态数的变化情况，可见，通过本发明实施例提供的通信节点状态调整方法，能够较大的缩减状态空间数目，降低算法复杂度，同时，能较好的维持系统的平均吞吐量。

在不同的UE数目与微蜂窝数目配置下，通信节点的休眠情况如图16所示，随着UE数目的增加，在优先保证吞吐量的情况下，可被转入休眠状态的微蜂窝数目逐渐减少，但总体来看该节能机制均可以使一定数目的微蜂窝转入休眠状态，平均休眠数目的比例可以达到35％-40％。说明该通信节点状态调整方法适用范围广，具有很好的拓展性。

当存在M个微蜂窝时，不进行状态数缩减的复杂度为O(2^M)；现有技术中可以把算法的复杂度从O(2^M)降到O(M2^B+1)，其中B为每一个通信节点相邻的通信节点数目，一般情况下为6，所以可以写为O(M2⁷)；本发明实施例提供的通信节点状态调整方法的复杂度为O(K2^T)，其中T为合并后等效状态数，平均值为5-6，K为分簇数目，一般均比M值小一个数量级。

本发明实施例提供的通信节点状态调整方法主要有两个优势：1)引入了分簇的机制，更加适合于大规模通信节点数目级别的休眠操作，同时合理使用“簇头”完成簇内簇间通信，具有良好的工程可行性；2)采用了自适应的缩减状态动态规划，不但能够有效降低复杂度，而且能够恢复缩减掉的状态，具有很强的适应性。

设定每个微蜂窝的状态决策中每次ACS运算为一项基本操作，则可以用基本操作次数近似衡量算法的复杂度，如图17所示，其中，斜线填充的为使用本发明实施例提供的通信节点状态调整方法时的操作次数，横线填充的为使用现有技术的调整方法时的操作次数。本发明实施例提供的通信节点状态调整方法大大降低了算法的复杂度，尤其是在业务分布不均匀和微蜂窝数目增加的情况下，效果更加明显。

另外，由表格3可以看出在降低了复杂度的同时，本发明实施例提供的通信节点状态调整方法能够保证节能效果与系统吞吐量。

本发明实施例还提供一种通信节点状态调整方法，如图18所示，包括：

步骤S1801、通信节点接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；

步骤S1802、通信节点根据业务量分布情况调整簇内各个通信节点的状态。

其中，业务量分布情况具体包括：

平均负载值和簇内各个通信节点的负载情况。

通信节点根据业务量分布情况调整簇内各个通信节点的状态，具体包括：

通信节点确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案；

通信节点根据簇内各个通信节点的状态变化方案中耗能最少的方案，调整簇内各个通信节点的状态。

进一步，确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

将地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

或者，确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

根据该簇的链路载干比与平均吞吐量确定该簇需要缩减状态空间、需要扩张状态空间或者需要保持当前状态空间；

根据簇内各个通信节点的负载情况，确定各个通信节点是否能够合并或是否需要扩张；

将能够合并的通信节点中，地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

本发明实施例还提供一种通信节点状态调整装置，如图19所示，包括：

分簇单元1901，用于对设定区域内的通信节点进行分簇；

确定单元1902，用于在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态。

其中，分簇单元1901具体用于：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k确定新的等效聚合中心点，直至连续两次确定出的J的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k为每簇的等效聚合中心点的设定属性值，x_n为待分簇通信节点n的对应属性值，||x_n-μ_k||²为待分簇通信节点和等效聚合中心点的属性值差异。

进一步，分簇单元1901具体用于：

根据地理距离和/或业务分布对设定区域内的通信节点进行分簇。

分簇单元1901具体用于：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，dis确定新的等效聚合中心点，在满足||x_n，dis-μ_k，dis||²＜D_max时，再确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，traffic确定新的等效聚合中心点，直至连续两次确定出的J_traffic的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J_traffic最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k，dis为每簇的等效聚合中心点的地理坐标属性值，x_n，dis为待分簇通信节点n的业务分布属性值，x_n，dis为待分簇通信节点n的地理坐标属性值，μ_k，traffic为每簇的等效聚合中心点的业务分布属性值，||x_n，dis-μ_k，dis||²为待分簇通信节点和等效聚合中心点的平面欧氏距离，||x_n，traffic-μ_k，traffic||²为通信节点n所连接的用户数目在通信节点n所在小区的总的用户数目中所占的比例与平均每个通信节点所连接的用户数目在其小区总的用户数目中所占的比例的差值的平方。

确定单元1902在每个簇中确定一个通信节点作为簇头，具体包括：

确定每个簇中，与等效聚合中心点距离最近的通信节点为该簇的簇头。

本发明实施例还提供一种通信节点状态调整装置，如图20所示，包括：

接收单元2001，用于接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；

调整单元2002，用于根据业务量分布情况调整簇内各个通信节点的状态。

其中，调整单元2002具体用于：

确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案；

根据簇内各个通信节点的状态变化方案中耗能最少的方案，调整簇内各个通信节点的状态。

调整单元2002确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还用于：

将地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

调整单元2002确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还用于：

根据该簇的链路载干比与平均吞吐量确定该簇需要缩减状态空间、需要扩张状态空间或者需要保持当前状态空间；

根据簇内各个通信节点的负载情况，确定各个通信节点是否能够合并或是否需要扩张；

将能够合并的通信节点中，地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

本发明实施例还相应提供一种通信节点状态调整系统，如图21所示，包括：

控制节点2101，用于对设定区域内的蜂窝小区进行分簇；在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态；

通信节点2102，用于接收控制节点在对设定区域内的蜂窝小区进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；根据业务量分布情况调整簇内各个通信节点的状态。

其中，控制节点可以具体为宏通信节点，也可以具体为其它网元。

本发明实施例提供一种通信节点状态调整方法、装置及系统，对设定区域内的通信节点进行分簇，并在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态，由于簇头仅需要对簇内各个通信节点进行控制，所以处理复杂度较低，确定通信节点是否休眠时的准确度较高。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (24)

1.一种通信节点状态调整方法，其特征在于，包括：

对设定区域内的通信节点进行分簇；

在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态。

2.如权利要求1所述的方法，其特征在于，所述业务量分布情况具体包括：

平均负载值和簇内各个通信节点的负载情况。

3.如权利要求1所述的方法，其特征在于，所述对设定区域内的蜂窝小区进行分簇，具体包括：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k确定新的等效聚合中心点，直至连续两次确定出的J的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k为每簇的等效聚合中心点的设定属性值，x_n为待分簇通信节点n的对应属性值，||x_n-μ_k||²为待分簇通信节点和等效聚合中心点的属性值差异。

4.如权利要求1所述的方法，其特征在于，所述对设定区域内的通信节点进行分簇，具体包括：

根据地理距离和/或业务分布对设定区域内的通信节点进行分簇。

5.如权利要求4所述的方法，其特征在于，所述根据地理距离和业务分布对设定区域内的通信节点进行分簇，具体包括：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，dis确定新的等效聚合中心点，在满足||x_n，dis-μ_k，dis||²＜D_max时，再确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，traffic确定新的等效聚合中心点，直至连续两次确定出的J_traffic的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J_traffic最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k，dis为每簇的等效聚合中心点的地理坐标属性值，x_n，dis为待分簇通信节点n的业务分布属性值，x_n，dis为待分簇通信节点n的地理坐标属性值，μ_k，traffic为每簇的等效聚合中心点的业务分布属性值，||x_n，dis-μ_k，dis||²为待分簇通信节点和等效聚合中心点的平面欧氏距离，||x_n，traffic-μ_k，traffic||²为通信节点n所连接的用户数目在通信节点n所在小区的总的用户数目中所占的比例与平均每个通信节点所连接的用户数目在其小区总的用户数目中所占的比例的差值的平方。

6.如权利要求3或5所述的方法，其特征在于，所述在每个簇中确定一个通信节点作为簇头，具体包括：

确定每个簇中，与等效聚合中心点距离最近的通信节点为该簇的簇头。

7.如权利要求1所述的方法，其特征在于，所述根据业务量分布情况调整簇内各个通信节点的状态，具体包括：

确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案；

根据所述簇内各个通信节点的状态变化方案中耗能最少的方案，调整簇内各个通信节点的状态。

8.如权利要求7所述的方法，其特征在于，所述确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

将地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，所述被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

9.如权利要求7所述的方法，其特征在于，所述确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

根据该簇的链路载干比与平均吞吐量确定该簇需要缩减状态空间、需要扩张状态空间或者需要保持当前状态空间；

根据簇内各个通信节点的负载情况，确定各个通信节点是否能够合并或是否需要扩张；

将能够合并的通信节点中，地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，所述被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

10.一种通信节点状态调整方法，其特征在于，包括：

通信节点接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；

通信节点根据业务量分布情况调整簇内各个通信节点的状态。

11.如权利要求10所述的方法，其特征在于，所述业务量分布情况具体包括：

平均负载值和簇内各个通信节点的负载情况。

12.如权利要求10所述的方法，其特征在于，所述通信节点根据业务量分布情况调整簇内各个通信节点的状态，具体包括：

通信节点确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案；

通信节点根据所述簇内各个通信节点的状态变化方案中耗能最少的方案，调整簇内各个通信节点的状态。

13.如权利要求12所述的方法，其特征在于，所述确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

将地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，所述被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

14.如权利要求12所述的方法，其特征在于，所述确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还包括：

根据该簇的链路载干比与平均吞吐量确定该簇需要缩减状态空间、需要扩张状态空间或者需要保持当前状态空间；

根据簇内各个通信节点的负载情况，确定各个通信节点是否能够合并或是否需要扩张；

将能够合并的通信节点中，地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，所述被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

15.一种通信节点状态调整装置，其特征在于，包括：

分簇单元，用于对设定区域内的通信节点进行分簇；

确定单元，用于在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态。

16.如权利要求15所述的装置，其特征在于，所述分簇单元具体用于：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k确定新的等效聚合中心点，直至连续两次确定出的J的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k为每簇的等效聚合中心点的设定属性值，x_n为待分簇通信节点n的对应属性值，||x_n-μ_k||²为待分簇通信节点和等效聚合中心点的属性值差异。

17.如权利要求15所述的装置，其特征在于，所述分簇单元具体用于：

根据地理距离和/或业务分布对设定区域内的通信节点进行分簇。

18.如权利要求17所述的装置，其特征在于，所述分簇单元具体用于：

从待分簇区域中随机确定与分簇的数量K相同的等效聚合中心点；

确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，dis确定新的等效聚合中心点，在满足||x_n，dis-μ_k，dis||²＜D_max时，再确定最小时的r_nk序列，根据该r_nk序列重新确定并根据μ_k，traffic确定新的等效聚合中心点，直至连续两次确定出的J_traffic的最小值的差值小于设定门限或者达到设定的循环次数后，根据当前J_traffic最小时对应的r_nk序列确定分簇结果，其中，待分簇区域中包括N个通信节点，在通信节点n被归于第k个分簇时r_nk＝1，在通信节点n未被归于第k个分簇时r_nk＝0，μ_k，dis为每簇的等效聚合中心点的地理坐标属性值，x_n，dis为待分簇通信节点n的业务分布属性值，x_n，dis为待分簇通信节点n的地理坐标属性值，μ_k，traffic为每簇的等效聚合中心点的业务分布属性值，||x_n，dis-μ_k，dis||²为待分簇通信节点和等效聚合中心点的平面欧氏距离，||x_n，traffic-μ_k，traffic||²为通信节点n所连接的用户数目在通信节点n所在小区的总的用户数目中所占的比例与平均每个通信节点所连接的用户数目在其小区总的用户数目中所占的比例的差值的平方。

19.如权利要求16或18所述的装置，其特征在于，所述确定单元在每个簇中确定一个通信节点作为簇头，具体包括：

确定每个簇中，与等效聚合中心点距离最近的通信节点为该簇的簇头。

20.一种通信节点状态调整装置，其特征在于，包括：

接收单元，用于接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；

调整单元，用于根据业务量分布情况调整簇内各个通信节点的状态。

21.如权利要求20所述的装置，其特征在于，所述调整单元具体用于：

确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案；

根据所述簇内各个通信节点的状态变化方案中耗能最少的方案，调整簇内各个通信节点的状态。

22.如权利要求21所述的装置，其特征在于，所述调整单元确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还用于：

将地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，所述被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

23.如权利要求21所述的装置，其特征在于，所述调整单元确定下一时刻满足该簇的链路载干比与平均吞吐量以及各个通信节点负载状况时，所允许的簇内各个通信节点的状态变化方案前，还用于：

根据该簇的链路载干比与平均吞吐量确定该簇需要缩减状态空间、需要扩张状态空间或者需要保持当前状态空间；

根据簇内各个通信节点的负载情况，确定各个通信节点是否能够合并或是否需要扩张；

将能够合并的通信节点中，地理距离小于设定阈值且负载情况的差距小区设定阈值的至少两个通信节点，视为一个通信节点，所述被视为一个通信节点的至少两个通信节点在进行状态调整时，同时进行状态改变。

24.一种通信节点状态调整系统，其特征在于，包括：

控制节点，用于对设定区域内的通信节点进行分簇；在每个簇中确定一个通信节点作为簇头，由簇头根据业务量分布情况调整簇内各个通信节点的状态；

通信节点，用于接收控制节点在对设定区域内的通信节点进行分簇并在每个簇中确定一个通信节点作为簇头后，发送的通知其作为簇头的指令；根据业务量分布情况调整簇内各个通信节点的状态。