CN104735760B - 一种异构蜂窝无线网络节能优化方法 - Google Patents

Abstract

本发明涉及一种异构蜂窝无线网络节能优化方法，属于无线通信技术领域。该方法根据通过随机几何学中的泊松分布设计网络模型，提出最大化能效的目标函数，根据目标函数，利用高等代数多元函数求极值的方法优化宏基站和微基站的概率密度；再根据概率论知识计算宏基站和微基站的最优休眠负载阈值；进而根据此阈值设计基站的休眠策略。本方法能够在保证网络服务质量的同时，节约更多的能源。

Description

一种异构蜂窝无线网络节能优化方法

技术领域

本发明属于无线通信技术领域，涉及一种异构蜂窝无线网络节能优化方法。

背景技术

移动通信技术在人们日常生活中已经占有不可或缺的地位，并对人类社会的发展产生了极大的影响。随着此技术的蓬勃发展，带动了用户需求和用户数量的巨大攀升。在此及众多因素背景下，异构蜂窝网络登上了无线网络发展的舞台，成为众多研究者的焦点。而与此同时，由于微基站的密集部署和不同地区负载的不均衡不可避免的造成不同程度的能源浪费，而下一代网络(5G网络)对异构蜂窝网络中的节能技术有了更明确的要求。因此，采取怎样的策略或优化机制是我们亟待解决的问题。

传统的研究蜂窝能效的网络模型是假设基站服从规则的点分布过程，即基站均匀分布，且小区为相同的规则六边形。而实际中，由于不同地区，如城市中心、住宅、公园、郊区等等的网络负载不同，所需要的网络容量也不同。所以，假设基站是一个规则的点分布过程并不符合真实的场景。由于不实际的假设使得处理结果不够准确，且需要大量的蒙特卡洛仿真(参考文献：K.Gilhousen,I.Jacobs,R.Padovani,A.J.Viterbi,L.Weaver,andC.Wheatley,“On the Capacity of a Cellular CDMA System,”IEEETrans.Veh.Technol.,vol.40,no.2,pp.303–312,May 1991)，使结果不易处理。所以，以上假设太过理想化。基于此原因，对一个异构蜂窝网络，在不同的位置进行快拍，结果发现异构蜂窝网络的基站的分布具有随机性，符合一个随机模型(参考文献：Hesham ElSawy,Ekram Hossain,and Martin Haenggi,“Stochastic Geometry for Modeling,Analysis,and Design of Multi-Tier and Cognitive Cellular Wireless Networks:A Survey”,IEEE COMMUNICATIONS SURVEYS&TUTORIALS,VOL.15,NO.3,2013.)。因此，在最近的研究中，一个新的网络模型被应用到异构蜂窝无线网络中，即宏微基站均为服从一定概率密度的泊松分布。基于此网络模型，一些研究者已做出了显著的贡献。

基于该网络模型，Tony，在(参考文献：Energy Efficiency Analysis of Two-Tier Heterogeneous Networks,European Wireless Conference,Vienna,Apr.2011,pp.1-5)中将此模型应用到异构蜂窝网络能效研究的研究中，计算出了每层小区的成功传输概率和吞吐量，并分析了基站的概率密度对每层小区的成功传输概率的影响和宏微基站概率密度的比值对能效的影响。该作者在之前的研究基础上提出了休眠节能策略，在(参考文献：Yong Sheng Soh,Tony Q.S.Quek,Hyundong Shin,Energy EfficientHeterogeneous Cellular Networks[J].IEEE Journal On SelectedAreas InCommunications,2013)中对随机休眠策略和动态休眠策略针对单层宏蜂窝基站做了详细比较，研究结果表明基站根据相应小区的活跃用户多少进行休眠比随机休眠节能更明显，并对k层异构网络做了简单的分析介绍，并没有详细分析异构网络中具体的休眠策略。为了分析网络负载对能效的影响，Yu Jian，在(参考文献：Jian Yu,Yang Liu,and ChangchuanYin,“Energy-Efficient Base Station Deployment in Heterogeneous CellularNetwork with QoS Constraint,”[C].Workshop on End-to-End Green CellularNetworks,2013)中将负载引入能效目标函数中，得出基于负载的能效表达式，并根据负载情况分析了网络的阻塞率，但没有提出相应的节能策略。Jaya，在(参考文献：Jaya Rao andAbraham O.Fapojuwo,Analysis of Load Dependent Energy Efficiency of Two-TierHeterogeneous Cellular Networks[C],Mobile WirelessNetworks,2013)中指出在网络负载比较低时，使部分微基站进行休眠，将休眠微基站下的用户切换到相应的宏基站下，以达到更好的节能目的，并分析出在一定的用户到达率下需要多少比例的微基站进行休眠，能效可达到最大。

然而以上研究并没有考虑负载的实时变化情况，且只是分析出需要多大比例的微基站休眠，没有进一步考虑到底是哪些微基站休眠，采用什么样的休眠策略，更重要的是忽略了宏基站概率密度对能效的影响。

发明内容

有鉴于此，本发明的目的在于提供一种异构蜂窝无线网络节能优化方法，该方法基于负载的网络模型，得出网络成功传输概率、吞吐量，并根据负载变化情况，通过基站休眠策略，联合优化宏微基站的概率密度，使能效达到最大。

为达到上述目的，本发明提供如下技术方案：

一种异构蜂窝无线网络节能优化方法，包括以下步骤：

步骤一：建立蜂窝异构无线网络的模型，假设宏基站服从概率密度为λ_m的泊松分布，其最大传输半径为R_m；微基站服从概率密度为λ_p的泊松分布，传输半径为R_p；用户分布服从到达率为μ_t的泊松分布，μ_t表示单位时间单位面积到达的活跃用户数；

步骤二：采用宏基站和微基站联合休眠的策略，在用户数比较少即负载较小时，比如在夜间或偏远地区，可以采用宏基站和微基站联合休眠机制，宏基站和微基站根据相应的负载L_m和L_p进行休眠；

具体包括：首先微基站以概率1-x(L_p)休眠，则休眠策略后的活跃基站的概率密度为：λ'_p＝λ_px(L_p)，而休眠微基站内的用户切换到相应的宏基站下，则此时宏基站的负载变为L_mx，然后宏基站再以概率1-y(L_mx)进行休眠，休眠策略后的活跃宏基站的概率密度为λ'_m＝λ_my(L_mx)；根据休眠策略，得出休眠后的能效表达式；并根据最大化能效和网络覆盖率、网络吞吐量的约束条件下求得宏基站和微基站最优的休眠概率组合，即活跃宏微基站与总宏微基站的比例；

步骤三：通过步骤二得出的最优休眠概率，利用概率论知识计算宏微基站的休眠阈值τ_m和τ_p，即当宏基站覆盖下的用户数小于τ_m时，宏基站进入休眠状态，负载迁移到相邻宏基站下，微基站覆盖下的用户数小于τ_p时微基站进入休眠状态，负载迁移到相应的宏基站下。

本发明的有益效果在于：本发明的休眠策略是在联合优化宏基站和微基站的概率密度下进行的，通过联合优化宏基站和微基站的概率密度的最大化能效目标函数，计算出最优的宏基站和微基站联合休眠概率，然后通过最优休眠概率设计基站的最优休眠阈值，从而在保证网络服务质量的同时，能节约更多的能源。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明中两层异构蜂窝网络干扰示意图；

图2为本发明中宏基站休眠流程图；

图3为本发明中微基站休眠流程图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

本发明根据要解决的问题通过随机几何学中的泊松分布设计网络模型，提出最大化能效的目标函数，根据目标函数，利用高等代数多元函数求极值的方法优化宏基站和微基站的概率密度；再根据概率论知识计算宏基站和微基站的最优休眠负载阈值；进而根据此阈值设计基站的休眠策略。

本方法的具体步骤如下：

1、建立系统模型：

在本方法中，考虑一个包含宏基站和微基站的异构蜂窝无线网络，其中宏基站服从概率密度为λ_m的泊松分布，记为Θ_m，其最大传输半径为R_m；微基站服从概率密度为λ_p的泊松分布，记为Θ_p，其最大传输半径为R_p。且宏微基站分布相互独立。对于基站i，若是宏基站，则它的位置用表示，若是微基站则由表示。用户分布服从到达率为μ_t的泊松分布，μ_t表示单位时间单位面积到达的活跃用户数。且假设宏用户传输文件的平均大小为ε_m，微用户为ε_p，ε_m＜ε_p。为了提高频谱利用率，在本方法中采用宏微层频谱共享机制，假设总的网络频谱带宽为BHz，包含N个子信道，所有宏基站层和微基站层的基站都可接入，也就是说N个子信道平等分配给所有的用户。

为了达到更好的节能效果，采取部分功率控制策略FPC，假设宏用户和微用户需要的最小功率分别为P_a,m和P_a,p，则利用部分功率控制策略，宏基站的发射功率为微基站的发射功率为其中k∈[0,1]为功率控制因子，r_m和r_p分别为宏用户与宏基站之间、微用户和微基站之间的距离，α为路径衰落因子。为计算方便，令k＝1，假设基站覆盖范围内的所有用户接收到的功率是相同的且是最小的，即全信道逆转功率控制(FPI)，则宏基站和微基站的发射功率分别为显然通过功率控制，可以减小网络的总体功率消耗。

由于宏微小区间的频谱共享，如图1所示，宏微小区之间也存在干扰，由此得在宏基站i覆盖范围内的宏用户k的信干噪比SINR_m为：

其中，代表基站i与用户k之间的路径损耗，小区层内之间的干扰I_m为：其中为基站j与用户k之间的路径损耗，x_jk,m为基站j与用户k之间的距离。小区层之间的干扰I_p为：相应可得微用户的信干噪比。下面介绍该网络模型中的几个重要参数的意义及数学表达式。

1)网络成功传输概率：假设宏用户和微用户信噪比阈值分别为β_m和β_p，成功传输概率是指一个在基站覆盖范围内的随机用户得到的信噪比值比规定的阈值大，例如，一个距宏基站距离为r_m的宏用户的成功传输概率为：P(SINR_m(r_m)＞β_m)。同样可得微用户的成功传输概率P(SINR_p(r_p)＞β_p)。则网络的覆盖率可表示为:

2)网络吞吐量：系统网络的吞吐量，即网络可达到的最大平均速率，是假设网络在最理想的状态下网络的传输速率，传输速率约为香农限。则一个目标宏用户与其基站间最大传输速率为：T_m＝E[Bln(1+SINR_m(r_m))]，同理可得T_p＝E[Bln(1+SINR_p(r_p))]。

3)网络负载：这里定义网络的负载引用YuJian，在(参考文献：JianYu,YangLiu,and Changchuan Yin,“Energy-Efficient Base Station Deployment in HeterogeneousCellular Network with QoS Constraint,”[C].Workshop on End-to-End GreenCellular Networks,2013)中提出的负载定义，即瞬时业务流量与网络可达到的最大平均传输速率的比值，则宏小区和微小区的负载分别表示为：

其中，C_m和C_p为网络的瞬时传输速率，即宏小区和微小区的瞬时流量，T_m和T_p为分别为宏小区和微小区可达到的最大平均传输速率。

4)网络功率消耗：根据以上求得的负载，一个宏基站的总功率消耗为：

P_tm＝a_m·P′_m·L_m+b_m (5)

其中a_m为动态功率消耗系数，偏置功率b_m为基站静态功率消耗，包括功放的静态功耗和空调系统的功耗等，P′_m为宏基站向一个随机宏用户传输信号时的平均发射功率，即：

同样可得一个微基站的平均总功率消耗P_tp。

根据以上信息，最终得到网络能效的模型，这里定义为网络中的瞬时业务流量与总功率消耗的比值：

其中，分子部分表示单位带宽的瞬时业务流量；分母部分表示网络的总功率消耗，则能效单位为bps/Hz/W，即每瓦每单位带宽的传输比特量。

2、能效优化的休眠策略分析

2、1最优休眠概率分析

在用户数比较少即负载小时，比如在夜间或偏远地区，可以采用宏基站和微基站联合休眠机制，宏基站和微基站可根据相应的负载L_m和L_p进行休眠，由于宏基站要保证网络的覆盖，所以，首先考虑宏基站的休眠，其次在宏基站保证覆盖的情况下再考虑宏基站的休眠。下面详细介绍具体的休眠策略：

首先微基站以概率1-x(L_p)休眠，则休眠策略后的活跃基站的概率密度为：λ'_p＝λ_px(L_p)，而休眠微基站内的用户切换到相应的宏基站下，则此时宏基站的负载变为L_mx；然后，宏基站根据此时的负载L_mx进行休眠，休眠概率为1-y(L_mx)，休眠后的活跃宏基站的概率密度为：λ'_m＝λ_my(L_mx)，休眠宏基站下活跃宏用户转移到相邻活跃宏基站下。当完成休眠和负载转以后，宏基站和微基站的概率密度分别为λ'_p＝λ_px(L_p)，λ'_m＝λ_my(L_mx)；宏小区和微小区的平均瞬时业务流量分别表示为：C'_m，C'_p；网络可达到的最大传输速率分别为：T′_m，T′_p；小区的平均负载为：一个宏基站和微基站的平均总消耗功率为：P′_tm；P′_tp。则休眠策略后网络的系统能效目标函数为：

在采用动态休眠机制时，首先要保证网络的覆盖率，即当用户与最近基站的距离大于R_m时中断，考虑到覆盖范围下的中断概率v，则数学表达式为：

同时，为了保证网络的吞吐量，宏小区和微小区的吞吐量T_m和T_p需大于相应的阈值ε_m和ε_p。

由以上分析可得优化系统能效的目标函数为：

最终，最优的宏基站休眠概率y^*(L_mx)＝max(y₁(L_mx),y₂(L_mx),y₃(L_mx))，其中y₁(L_mx)为最大化能效的最优休眠概率值，y₂(L_mx)为满足覆盖率的最大休眠概率，y₃(L_mx)为满足吞吐量的最大休眠概率；最优的微基站休眠概率x^*(L_p)＝max(x₁(L_p),x₂(L_p))，其中x₁(L_p)为最大化能效大最优休眠概率值，x₂(L_p)为满足吞吐量的最大休眠概率。所以最优休眠基站概率密度组合为{y^*(L_mx),x^*(L_p)}。

2、2由最优休眠概率求基站的休眠阈值

下面根据2.1中求得的最优休眠概率计算宏微基站的休眠阈值τ_m和τ_p，并设计休眠策略。假设网络设计在一个总面积为A的区域，且宏基站概率密度为λ_m，微基站为λ_p。当网络负载减小，即到达率减小时，设计最优的休眠策略：

由上述内容可以算得最优休眠后活跃宏基站和总宏基站的比例y^*(L_mx)，现在根据此比例计算休眠阈值τ_m。网络中总的宏基站数为N_m＝Aλ_m，休眠后活跃基站数为n_m＝Aλ'_m，由于用户服从到达率为μ_t的泊松分布，则每个基站下用户的个数服从的泊松分布，那么基站覆盖下用户个数不大于τ_m的概率：

则由概率论知识知应满足以下式子：

由此可计算宏基站休眠阈值τ_m，即当宏基站覆盖范围内的用户个数小于该阈值时，基站进入休眠状态，相应的用户切换到临近宏基站下。

同理对于计算微基站休眠阈值τ_p，总的微基站数N_p＝Aλ_p，休眠后活跃微基站数n_p＝Aλ'_p，每个基站下用户个数服从的泊松分布。则基站覆盖下用户个数不大于τ_p的概率：

同样满足由此可计算出休眠阈值τ_p，即当微基站覆盖范围内的用户个数小于该阈值时，基站进入休眠状态，相应的用户切换到相应宏基站下。

3、休眠流程介绍

宏基站和微基站的休眠流程图如图2和图3所示。可以根据需要设定每隔一段时间执行一次休眠算法，比如每半小时执行一次，以选取最优的基站进行休眠。如图2，对于宏基站，首先对负载监控，根据当时的负载情况计算最优的宏基站休眠概率，并设计最佳宏基站休眠阈值，然后判断上一状态已休眠基站下的负载阈值是否小于最佳休眠阈值，若小于则保持休眠状态，若大于休眠阈值，则将此休眠基站唤醒；对于上一状态正在工作的基站，判断此时负载是否小于最佳休眠阈值，若小于，则将此基站关闭，进入休眠状态，若大于，则继续保持工作。对于微基站休眠流程，如图3所示，休眠步骤同宏基站相同，知识负载转移有区别。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (1)

1.一种异构蜂窝无线网络节能优化方法，其特征在于：包括以下步骤：

步骤一：建立蜂窝异构无线网络的模型，假设宏基站服从概率密度为λ_m的泊松分布，其最大传输半径为R_m；微基站服从概率密度为λ_p的泊松分布，传输半径为R_p；用户分布服从到达率为μ_t的泊松分布，μ_t表示单位时间单位面积到达的活跃用户数；

步骤二：采用宏基站和微基站联合休眠的策略，在用户数比较少即负载较小时，采用宏基站和微基站联合休眠机制，宏基站和微基站根据相应的负载L_m和L_p进行休眠；

具体包括：首先微基站以概率1-x(L_p)休眠，则休眠策略后的活跃基站的概率密度为：λ'_p＝λ_px(L_p)，而休眠微基站内的用户切换到相应的宏基站下，则此时宏基站的负载变为L_mx，然后宏基站再以概率1-y(L_mx)进行休眠，休眠策略后的活跃宏基站的概率密度为λ'_m＝λ_my(L_mx)；其中，x(L_p)为活跃微基站与总微基站的比例，y(L_mx)为活跃宏基站与总宏基站的比例；根据休眠策略，得出休眠后的能效表达式；并根据最大化能效和网络覆盖率、网络吞吐量的约束条件下求得宏基站和微基站最优的休眠概率组合，即活跃宏微基站与总宏微基站的比例；

步骤三：通过步骤二得出的最优休眠概率，利用概率论知识计算宏微基站的休眠阈值τ_m和τ_p，即当宏基站覆盖下的用户数小于τ_m时，宏基站进入休眠状态，负载迁移到相邻宏基站下，微基站覆盖下的用户数小于τ_p时微基站进入休眠状态，负载迁移到相应的宏基站下。