CN106413057A - 一种基于sdwn架构的无线接入网能耗优化方法 - Google Patents
一种基于sdwn架构的无线接入网能耗优化方法 Download PDFInfo
- Publication number
- CN106413057A CN106413057A CN201610881685.4A CN201610881685A CN106413057A CN 106413057 A CN106413057 A CN 106413057A CN 201610881685 A CN201610881685 A CN 201610881685A CN 106413057 A CN106413057 A CN 106413057A
- Authority
- CN
- China
- Prior art keywords
- base station
- quantum
- network
- user
- energy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W76/00—Connection management
- H04W76/20—Manipulation of established connections
- H04W76/28—Discontinuous transmission [DTX]; Discontinuous reception [DRX]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Algebra (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种基于SDWN架构的无线接入网能耗优化方法,在SDWN网络架构下应用基站节能策略。本发明设计了在SDWN环境下的基站节能策略的信令交互过程,将基站节能问题进行抽象,然后采用基于量子熵变异的量子禁忌算法来求解。本发明在求取最优解时,使用量子位来表示染色体,并通过量子旋转门实现量子位状态的更新,使得计算收敛速度明显加快,同时量子变异机制有效加强了对最优解周围区域的搜索,提高了搜索到最优解的概率。本发明根据所求取的最优解实现基站节能策略,从而实现基站在网络请求量较少的时段关闭以节约更多的能量的目的。
Description
技术领域
本发明涉及软件定义无线网络(Software Defined Wireless Networking,简称SDWN)技术领域,具体是一种基于SDWN架构的无线接入网能耗优化方法。
背景技术
随着互联网时代的到来,移动互联网也迎来了爆炸性的增长。网络应用的极大丰富和网络流量的急剧增加也使整个网络产生了极大的能耗。在2011年就有超过4Million的基站被部署用来服务移动用户,而在所有网络设备的能耗中有超过60%的能耗是基站引起的,据估计这种由基站引起的高水平能耗达到了大约平均每年为25MWh。在2013年全球的移动网络在用电方面的业务费用高达220亿美元,而且这个数字还在快速的增长中。为了保障网络的鲁棒性以及优质的网络服务,运营商在建设移动网络时通常会使网络的设计承载能力大大超过网络可能的最大请求量。这就造成了在网络空闲时段会有大量的网络设备处于闲置状态,包括基站。
根据网络流量的变化来调整基站的开关状态是一种有效的基站节能方法。这种动态的基站开关问题被证明为是NP-hard问题。这类问题至今未有一个有效的算法能在多项式时间复杂度内解决它,通常情况下解决该类问题需要知道系统的全局信息。现有技术中使用最多的是贪婪算法。贪婪算法拥有较快的收敛速度,但是其所得解十分容易陷入局部最优。另外限于现有网络架构无法提供实时有效的全局信息,现有的交换设备中,网络策略以软件的形式与网络设备紧密耦合,部署新的网络策略需要大范围更新网络设备中的软件。这给新策略的大范围更新和部署带来了很大的困难和极高的成本。另外,通过开关基站的方式来实现基站节能,必然会导致网络稳定性与服务质量的降低,所以如何度量QoS的损失并在算法执行过程中使其损失程度在可以接受的范围内成为策略设计过程中必须考虑的问题。
SDWN是软件定义无线网络,是软件定义网络(Software Defined Networks,简称SDN)在移动网络的发展,SDWN继承了SDN拥有的架构特点,并对原有的移动网络结构进行了SDN式的改造。与传统网络不同,它强调将原来存在于物理设备中的可编程的控制软件剥离,并将这些控制功能整合为一个控制器整体(controller entity)。这样,原来各个层级的交换设备只在控制器的控制下承担简单的数据转发任务,而控制逻辑转移到了SDWN控制器或者SDWN控制系统(network operating system,简记为NOS),它们提供网络资源分配,网络视图的抽象,为网络应用提供可以控制网络流量的软件平台。这与计算机操作系统的功能类似。这样的结构能够实现更为快速的网络策略部署和更为灵活的网络流量控制。
如图1所示,采用3GPP Evolved Packet System的网络的结构加以改进来说明SDWN结构的功能划分,其中实线代表用户层的链接,虚线代表控制层的链接。整个网络架构从下往上依次分为为数据层、控制层和管理层。在SDWN中,底层的网络转发设备不像现有网络中的设备那样具有嵌入式的控制软件,而成为单纯的转发设备,这些网络设备不仅包含核心骨干网中的各个交换机和路由器,也包括E-UTRAN、WiFi热点以及其他的无线接入网中的各种接入点和路由器,它们都通过南向接口接受控制器的控制。SDWN控制器是一个逻辑集中的流级转发控制整体,位于控制层。虚拟机管理器提供对硬件的虚拟化,以实现不同的虚拟机能共享相同的硬件资源,这使得控制器对于资源的分配更为灵活。运行在控制器上的NOS提供了网络状态和网络拓扑的信息,进行网络资源的分配,提供了网络设备的抽象以及相关的应用接口等功能。这使得开发者在进行网络流量控制时不需要了解下层的网络设备运行的细节,方便了网络策略的快速部署。由于单个控制器的处理能力有限,可以通过东西向接口将多个分布式的控制器整合为一个整体,使其具备更强大的处理能力,以应对更大规模的、更复杂的流量控制任务。与南向接口被整合在硬件中不同,北向接口更可能是一个软件生态系统。通过北向接口,网络业务的开发者,例如运营商和服务提供者能以软件编程的形式调用各种网络资源。同时上层的网络资源管理系统可以通过控制器的北向接口全局把控整个网络的资源状态,并对资源进行统一调度。在管理层,开发者们使用编程语言抽象控制器功能的内部细节以及数据层的行为。基于这一系列的软件功能,开发者使用编程语言开发基于SDWN的网络应用,制定各种流量转发策略,在NOS上运行并通过控制器下发控制命令到底层的网络设备,以实现路由、接入控制、负载均衡、移动管理等网络管理功能。
发明内容
本发明提供了一种基于SDWN架构的无线接入网能耗优化方法,在SDWN网络架构下应用基站节能策略,以实现基站能够在网络请求量较少的时段关闭以节约更多的能量。
本发明的基于SDWN架构的无线接入网能耗优化方法,在SDWN网络架构下应用基站节能策略,并采用基于量子熵变异的量子禁忌算法来求解基站节能问题。
首先,设网络中的所有基站的开关状态组合用s={x1,x2…,xn}来表示,xi表示基站i的开关状态,xi取值为0时表示基站开启,xi取值为1时表示基站关闭,将基站节能问题描述如下:
其中,Bon是网络中所有处于开启状态的基站的集合;E(Bon)是网络中所有处于开启状态的基站的总能耗;Eb是基站b的总能耗;ρb是基站b的系统负载;是基站b的系统负载上限。n为网络中所有基站的数目。
然后,采用基于量子熵变异的量子禁忌算法来求解基站节能问题,实现步骤为:
步骤一,初始化,具体是:设置迭代此时t的值为0,设置禁忌表T为空;初始化当前迭代中的量子寄存器q(t), 和的初始值均设为i=1,2,…n;初始化当前迭代最优解sb和当前迭代最差解sw,sb和sw均为元素值都是1的向量,代表所有基站均处于开启状态;初始化历史最优解M和其能耗E(M),M的初始值与sb相同。
步骤二,执行迭代过程,直到满足迭代终止条件;第t次迭代的过程是:
步骤2.1,将t自增1;
步骤2.2,对q(t-1)进行m次测量得到本次迭代的量子种群Qt;其中,m是正整数,表示在第t次迭代中第j次测量得到的基站开关组合;
步骤2.3,将种群Qt中不满足负载约束条件的基站开关组合删除;计算种群Qt中剩余的每个基站开关组合的基站总能耗,从中筛选出当前最优解sb和当前最差解sw;
步骤2.4,将sb和历史最优解M的基站总能耗进行比较,若E(sb)比E(M)更小,则用sb替换M;若M的节能效果优于sb,则保持M不变;
步骤2.5,使用量子旋转门更新q(t),如果和相同时,将对应的第i位量子位放到禁忌表中,禁忌表中量子位在接下来的步骤中不使用量子旋转门更新;其中,和分别表示对应的基站开关组合中基站i的开关状态。
步骤三,当达到迭代终止条件时,输出最终的历史最优解M,根据M设置网络中的基站开关状态。
本发明的优点与积极效果在于:本发明设计了在SDWN环境下的基站节能策略的信令交互过程,然后将基站节能问题抽象化,并对网络模型进行模拟,针对这类联合优化问题选取智能群体算法进行改进,提出了改进的基于量子熵变异的量子禁忌算法,使得能够在保证收敛速度的前提下以高概率搜索到最优解。本发明在求取最优解时,使用量子位来表示染色体,并通过量子旋转门实现量子位状态的更新,使得计算收敛速度明显加快,同时量子变异机制有效加强了对最优解周围区域的搜索,提高了搜索到最优解的概率。本发明根据所求取的最优解实现基站节能策略,实现基站在网络请求量较少的时段关闭以节约更多的能量。
附图说明
图1是软件定义无线网络的结构示意图;
图2是本发明基于SDWN的基站节能策略的整体示意图;
图3是量子旋转门的极坐标表示示意图;
图4是本发明迭代求解基站节能问题时测量生成基站开关状态的方法示意图;
图5是本发明基于量子熵变异的量子禁忌算法来求解基站节能问题的整体步骤示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
在SDWN架构下,网络的控制层和数据转发层分离,从而使得集中的控制器能够更为灵活的控制网络的流量,实现网络资源的虚拟化和最大利用。本发明提供的基站节能策略以网络编程软件的形式在控制器中运行,并通过控制器控制网络流量。基站节能策略在实施过程中需要实现基站关闭、用户迁移的功能。本发明设计了在SDWN环境下的基站节能策略的信令交互过程,然后将基站节能问题抽象化,并对网络模型进行模拟,针对这类联合优化问题选取智能群体算法进行改进,通过提出基于量子熵的量子变异机制改进量子禁忌算法,使得能够在保证收敛速度以高概率搜索到最优解。
本发明的基站节能策略涉及到的系统参数只包括用户、基站以及两者之间的无线信道,所以使用现有无线通信系统的网络模型仍然适用于SDWN。在移动网络中,网络流量大部分来自于下行通信,所以本发明方法仅对下行链路进行模型抽象。标记所有基站覆盖的区域为Ω,在二维区域Ω内的基站集合表示为B={b1,b2,…,bi,…,bn},n表示基站个数,bi表示基站i。设在位置x处的用户,x∈Ω,该用户的平均流量到达率符合发生率为λ(x)的独立泊松分布,该用户的平均请求数据包大小符合率参数为1/μ(x)的指数分布,则该用户的流量负载可表示为γ(x)=λ(x)/μ(x)。令用户接入到其所接收到的最强信号的基站。
其中,b是在位置a处的用户接入的基站;Bon是所有处于开启状态的基站的集合, 表示基站i的发射功率;g(i,a)表示基站i与a处用户的平均信道增益。基站b∈Bon与a处用户之间无线信道容量用香农公式表示为:
C(a,Bon)=W·log2(1+SINRb(a,Bon)) (2)
其中,W是信道带宽,SINRb(a,Bon)表示位于a处用户接收到来自基站b信号的信干噪比。
SINRb(a,Bon)的计算公式如下:
其中,σ2表示噪声功率。基站b的系统负载可以定义为:
其中,Ωb表示基站b的服务范围。
本发明中的基站能耗模型将基站能耗分为固定能耗和适应性能耗,数学表达如下:
其中,Eb是基站b的总能耗,Pb是基站b的最大运行功耗,其中包括了天线,功率放大器,冷却系统等等部件的能耗。hb表示基站b的固定能耗在总能耗中所占的比例,hb∈[0,1],hb=1时,基站能耗与其负载无关,并始终保持一恒定值。hb=0时,基站能耗与其负载成正比,这意味着如果基站没有用户接入,其能耗将为0。事实上负载主要影响基站中功率放大器的能耗,而功率放大器能耗仅占到基站总能耗的55%-60%。ρb为基站b的系统负载。
基站节能问题就是,在一定的约束条件下找到一个基站开关的组合使得整个网络中基站的总能耗E(Bon)最小,可以抽象为如下公式:
表示基准b的系统负载上限。
关闭部分负载水平较低的基站虽然能够节省能耗,但是同时也会带来系统鲁棒性降低以及QoS的损失。本发明设定一个小于1的系统负载上限以保证基站节能策略带来的影响在可接受范围内。如果较小,意味着系统将会有更好的服务质量以及流量承载能力,但是策略的节能效果会相应减弱。另一方面如果较大,系统会以更多QoS的损失为代价换取更多的节能量。所以应当适当地选取系统负载上限以平衡节能量和系统服务质量这两个矛盾的方面。
本发明设计了在基站节能策略执行过程中,SDWN的各个网络组成部分的信令交互流程,如图2所示。由于SDWN的具体技术方案并没有被确定下来,本发明只说明在SDWN架构下,基站通过切换到睡眠模式的节能方案是可行的,不涉及具体的信令设计和接口使用。
预处理(Pre-process)阶段:出于对服务质量的考虑,运营商会考虑在网络中服务请求比较少的时候启动基站睡眠策略。策略的触发条件可能是固定的时间段,也可能是流量门限,又或者是人工启动。当触发条件满足的时候,运营商网络(Operator ServiceNetwork)会使用北向接口向控制器(SDWN Controller)发送策略启动的指令,控制器确认当前网络状态能够使用基站节能策略后,即开始更新网络状态信息,例如基站配置信息,基站负载信息等。然后运行于控制器中的基站节能策略根据最新的网络状态信息计算策略执行带来的网络影响并输出基站开关和用户(UE)迁移的方案,方案中包括需要关闭的源基站(Source BS),源基站中的用户以及用户需要迁移到的目标基站(Target BS)。接下来控制器分别向源基站与目标基站发送用户迁移请求,收到来自两者可以迁移的反馈后,将迁移方案发送给源基站。需要指出的是,控制器通过南向接口与无线接入网中的网络设备进行通信,他们之间的信令交换采用流表的形式。
迁移(Handover)阶段:在源基站服务区域中的用户会从源基站接收到需要迁移到的目标基站编号。当源基站向所有的用户都发送了迁移的配置信息后,即开始上传被修改的用户信息以及业务信息到控制器。然后控制器将该用户配置信息以及从源基站接收的下行数据传输到目标基站,帮助目标基站与用户建立上下行链接。另一方面,一旦用户收到了迁移配置信息后,便开始持续尝试同目标基站建立链接,当目标基站中的用户配置信息更新完成后,两者即可建立上下行同步。然后目标基站向控制器发送反馈消息,该消息包含了有关该用户的最新网络配置信息以及TBS(Target BS,目标基站)最新网络状态信息。最后控制器再次更新用户、目标基站和源基站的网络状态信息,并命令源基站释放原来用于服务用户的网络资源。在本策略中,控制器始终保持着最新的全局网络信息以确保基站节能策略高效准确地执行。
睡眠(Sleeping)阶段:当存在于源基站服务区域中的用户都被迁移出去后,源基站会被关闭。如图2所示,为了保证控制器中储存信息的完备性,在控制器命令源基站关闭的部分设计了与TCP协议中的三次握手机制类似的信令交换流程。完成关闭源基站的任务后,控制器会将本次策略执行过程中的相关网络情况的变化报告给服务器网络,至此基站节能策略执行完毕。在策略执行过程中,单个用户从被关闭的基站迁移到其他基站的步骤与传统的用户迁移类似,但是高效的群体迁移需要依靠先验预测用户的迁移方向,现有的群体迁移算法同样可以和本发明基站节能策略一同使用以支持高效,迅速的用户群体迁移。
在SDWN的网络架构下,无线接入网中的各个网络设备只用来作为单纯的转发设备,而真正控制其流量变化的是控制器。本发明的节能策略运行的关键在于控制器能够定期从下层的网络设备中收取报告,维护完整的网络信息,从而完成网络的转发抽象、分配抽象以及规范抽象。由运营商或是其他网络管理者编写的第三方网络软件(本发明中是基站节能策略)提供了网络控制的策略逻辑。策略中算法的输出通过控制器指导网络的流量变化以及其他网络设备的行为。在传统的IP网络中,控制层与数据层紧密耦合,网络管理者对网络的控制与管理已经十分困难,排除网络故障的难度和成本都很高。在SDWN中这些控制与管理功能都被集成到控制器中,第三方的管理者只需要与控制器进行交互,下发策略让其执行。这集中控制的结构有利于策略的快速部署以及网络故障的排查。
本发明采用基于量子熵变异的量子禁忌算法求解基站节能问题。量子计算是在量子计算机上运行的算法,其具有量子并行性,相对于传统算法来说,其计算速率得到了大幅度的提升。与传统计算机中的比特不同,量子计算机中的量子比特(qubit)不仅能存储0和1这样的基本态,还能存储两者同时存在的叠加态。另外对量子比特的观测行为会导致其从叠加态坍缩为基本态。由于现今还未能制造出完美的量子计算机,所以一些研究者尝试将量子计算的一些特征引入到传统算法中加以改进,从而形成了一系列量子智能算法。量子禁忌算法便是其中之一。量子禁忌算法将量子进化算法和禁忌搜索算法结合。其中量子进化算法通过将量子态矢量编码引入进化算法中,用多个量子染色体模拟种群,用量子门的变换实现种群的进化,变异等操作,以实现相对于进化算法的速率提升。禁忌算法通过用禁忌表记录曾经达到过的局部最优,从而在下次搜索中回避或者有选择地搜索这些区域,使得搜索能够有效跳出局部最优。量子禁忌算法结合两者优点,不仅有效避免了早熟收敛的产生,而且大大提升了算法搜索的速度和准确性。
基于量子熵变异的量子禁忌算法(简记为QETS算法)采用量子比特编码,量子比特采用Dirac表示方法:
其中αi和βi是复数,分别表示基本态|0>和|1>的概率幅,|αi|2和|βi|2表示对进行观测之后,量子态坍缩到|0>或|1>的概率,而在本发明的基站节能优化问题中,n为基站数量,|αi|2和|βi|2则分别表示基站i关闭和打开的概率,两者满足归一化条件:
|αi|2+|βi|2=1 (8)
在QETS中用一个量子比特表示一个量子染色体,多个量子比特构成的量子寄存器表示一个染色体的集合,其数学表示为:
一个n位的量子寄存器由n个量子比特组成,它同时存储着2n种状态,在基站开关问题中表示2n种基站开关组合分别以不同的概率共存于量子寄存器中。对n位量子寄存器进行变换等同于2n次重复操作或是2n个处理器同时操作。这种量子并行特性能有效提升算法计算效率。
在QETS中对于量子染色体的更新是采用量子旋转门的变换来实现的,即使用量子旋转矩阵作用于量子染色体上。量子旋转门采用U门。其在极坐标中的表示如图3所示,其数学表达式如公式(10):
其中t表示迭代次数,Δθ表示量子旋转角。不同的Δθ对量子禁忌算法的准确度和收敛速度都有影响。分别表示在第t次迭代时基站i关闭、开启的量子幅。当Δθ较大时,收敛速度快,但是容易陷入局部最优;若Δθ较小时,虽然更容易搜索到全局最优解,可是算法收敛所需迭代次数较多,所以合理设置Δθ的大小对算法的效果有着重要的影响。
令sb和sw分别表示当前迭代中的最优解和最差解,和分别为最优解和最差解的第i个基站的开关状态,比较sb和sw这两个二进制串,当和相同时,将对应的第i位量子位qk放到禁忌表中。一旦该量子位处在禁忌表中,则不会使用量子旋转门去作用该量子位,这与通常的禁忌搜索算法中将最近的操作记录在禁忌表中不同。另外在QETS中只需要更新n次,而在传统的量子进化算法中则需要更新n乘m次,这也是QETS算法为什么比量子进化算法更高效的主要原因。令QETS中禁忌表禁忌长度都为1,旋转角度的选择如表1所示:
表1量子旋转角度表
表1中,T为禁忌表,θ表示具体设置的旋转角度绝对值。
集中性搜索和多样性搜索在量子进化算法中同时存在,但又相互矛盾,如何在合理的时机有效调配两者的关系则是算法有效的关键。QETS引入了基于量子熵的量子变异机制,动态调整算法搜索的集中性和多样性,有效地解决了这一矛盾。
定义量子位的量子熵
量子熵用来表示量子染色体的两个概率幅之间的差距。其中表示在第t次迭代中第i个量子位qi,由量子熵的定义可知,量子熵取值范围为[0,1],当|αi|2和|βi|2之间的差距变大时,量子熵的值变小,故可以通过量子熵来判别量子种群的聚集状况。基站开关的概率是由其对应量子染色体的概率幅决定的,基站的开关状态组合用s={x1,x2...,xn}来表示,xi表示某一基站的开关状态,xi取值0或1,分别表示基站处于开启和关闭的状态。在每次迭代中,通过如下算法来决定基站的状态,伪代码如下:
如图4及上面伪代码,每次迭代时,每个基站处于开启和关闭的状态的确定过程是:首先在[0,1]区间内取两个随机数c,f,然后判断是否成立;若成立,进一步判断是否成立,若成立,则第i个基站为开启状态xi=1,若不成立,则第i个基站为关闭状态xi=0。若不成立,则在时,设置xi=0,反之设置xi=1。
随着搜索的进行,量子位的概率分布逐步向历史最优解靠拢,|αi|2和|βi|2的差距越来越大,量子熵越来越小,测量产生的解有很大的几率固定在某一个状态上。QETS引入基于量子熵的量子变异机制,测量时产生一个随机数c∈[0,1],如果量子熵大于随机数c,则采用一般的基站开关决定策略,即如果量子熵小于随机数c,则采用完全相反的基站开关决定策略。当量子位处于聚集态时,其有更大几率产生变异。采取这样的机制能够有效跳出局部最优解,从而扩大搜索解的范围,增大搜索到最优解的概率。
QETS将禁忌规则有效融入到量子旋转门中,既保留了量子进化算法快速收敛的特点,又通过禁忌规则避免算法早熟,同时引入的基于量子熵的量子种群变异机制则能根据量子概率分布聚集情况自适应调整搜索范围,有效调和算法搜索的集中性和多样性的矛盾。本发明采用的基于量子熵变异的量子禁忌算法来求解基站节能问题。
下面结合上表和图5对本发明采用的改进的量子禁忌算法求解基站节能问题的过程进行说明。
步骤一,进行初始化。设置迭代次数t为0,设置禁忌表T为空。初始化第t次迭代中的量子位概率分布情况,即量子寄存器所有的α和β初始值设为这表示算法开始时选择基站开或关的概率相等。初始化当前迭代最优解sb和当前迭代最差解sw。sb和sw的初始值由一连串1组成,代表所有基站均处于开启状态。初始化历史最优解M和其能耗E(M)。M是历史最优解,其初始值与sb相同。
步骤二,执行迭代过程。在迭代终止条件不满足时,循环执行7-16行的主程序。以第t次迭代为例说明。
步骤2.1,将t自增1。
步骤2.2,多次测量q(t-1)得到量子种群Qt。
对q(t-1)进行m次测量得到本次迭代的种群Qt,产生本次循环内的量子种群:
其中,m是正整数,表示在第t次迭代中第j次测量所得基站开关组合。是二进制数,表示在第j次测量中所得的第i个基站的开关状态。Qt是一系列基站开关组合的集合。应用前述的量子状态决定算法测量量子位生成本次迭代的种群,α和β两者的差距越大,测量过程中应用量子变异机制的概率就越大。
步骤2.3,对种群进行筛选,将不满足负载约束条件的基站开关组合从Qt中删除。然后计算剩余的解的基站总能耗E(s),并根据E(s)筛选出当前最优解sb和当前最差解sw。
步骤2.4,将sb和历史最优解M的基站总能耗进行比较,若E(sb)比E(M)更小则,则用sb替换M;若M的节能效果优于sb,则保持M不变。
步骤2.5,使用量子旋转门来更新q(t),量子旋转门的角度选择通过查表得到,如果和相同时,将对应的第i位量子位qi放到禁忌表T中,这意味着将不会在接下来的步骤中使用量子旋转门来更新该量子位的概率分布。量子旋转角是决定算法收敛速度的关键参数,为了避免早熟收敛,通常这个角度会选择一个比较小的值。为当前迭代最优解中基站i的开关状态,为在当前迭代最差解中基站i的开关状态。
步骤三,当达到迭代终止条件时,输出最终的历史最优解M,就是所要求取的最优解,网络中的控制器根据该最优解实施基站节能,设置对应基站的开关。迭代终止条件可以根据情况设计,例如可设置迭代次数上限为200次。
Claims (4)
1.一种基于SDWN架构的无线接入网能耗优化方法,在SDWN网络架构下应用基站节能策略,其特征在于,首先,设网络中的所有基站的开关状态组合用s={x1,x2...,xn}来表示,xi表示基站i的开关状态,xi取值为0时表示基站开启,xi取值为1时表示基站关闭,将基站节能问题描述如下:
其中,Bon是网络中所有处于开启状态的基站的集合;E(Bon)是网络中所有处于开启状态的基站的总能耗;Eb是基站b的总能耗;ρb是基站b的系统负载;是基站b的系统负载上限;n为网络中所有基站的数量;
然后,通过如下步骤求解基站节能问题;
步骤一,初始化,具体是:设置迭代此时t的值为0,设置禁忌表T为空;初始化当前迭代中的量子寄存器q(t), 分别表示在第t次迭代时基站i开启、关闭的量子幅,和的初始值均设为i=1,2,…n;初始化当前迭代最优解sb和当前迭代最差解sw,sb和sw均为元素值都是1的n维向量,代表所有基站均处于开启状态;初始化历史最优解M和其能耗E(M),M的初始值与sb相同;
步骤二,执行迭代过程,直到满足迭代终止条件;第t次迭代的过程是:
步骤2.1,将t自增1;
步骤2.2,对q(t-1)进行m次测量得到本次迭代的量子种群Qt;其中,m是正整数,表示在第t次迭代中第j次测量得到的基站开关组合;
步骤2.3,将种群Qt中不满足负载约束条件的基站开关组合删除;计算种群Qt中剩余的每个基站开关组合的基站总能耗,从中筛选出当前最优解sb和当前最差解sw;
步骤2.4,将sb和历史最优解M的基站总能耗进行比较,若E(sb)比E(M)更小,则用sb替换M;若M的节能效果优于sb,则保持M不变;
步骤2.5,使用量子旋转门更新q(t),如果和相同时,将对应的第i位量子位放到禁忌表T中,禁忌表中量子位在接下来的步骤中不使用量子旋转门更新;其中,和分别表示对应的基站开关组合中基站i的开关状态;
步骤三,当达到迭代终止条件时,输出最终的历史最优解M,根据M设置网络中的基站开关状态。
2.根据权利要求1所述的一种基于SDWN架构的无线接入网能耗优化方法,其特征在于,所述的步骤2.2中,量子种群Qt中的每个基站开关组合中,通过下面方法确定每个基站处于开启或关闭的状态:对于第i个基站,
首先,在[0,1]区间内取两个随机数c,f;然后,判断是否成立;若成立,进一步判断是否成立,若成立,则第i个基站为开启状态,表示为xi=1,若不成立,则第i个基站为关闭状态,表示为xi=0;若不成立,则在时,设置xi=0,反之设置xi=1;
其中,为第t次迭代的第i个量子位的量子熵,表示为:
3.根据权利要求1所述的一种基于SDWN架构的无线接入网能耗优化方法,其特征在于,所述的步骤2.5中,使用量子旋转门——U门更新q(t),将U门作用于量子染色体上,对第i个量子位更新如下:
其中,Δθ表示量子旋转角,根据下面原则进行设置:
(1)当与相同,则第i个量子位放到禁忌表T中,量子旋转角Δθ为0,表示对该量子位不使用量子旋转门更新;
(2)当与不相同时,根据下表确定量子旋转角Δθ;
其中,θ表示设置的旋转角度绝对值。
4.根据权利要求1至3任一所述的一种基于SDWN架构的无线接入网能耗优化方法,其特征在于,所述的在SDWN网络架构下应用基站节能策略,信令交互分为三个阶段:
预处理阶段:当触发基站节能策略时,运营商网络使用北向接口向控制器发送策略启动的指令,控制器确认当前网络状态能够使用基站节能策略后,开始更新网络状态;运行于控制器中的基站节能策略根据最新的网络状态计算输出基站开关和用户迁移的方案,方案中包括需要关闭的源基站,源基站中的用户以及用户需要迁移到的目标基站;控制器分别向源基站与目标基站发送用户迁移请求,收到源基站与目标基站的迁移确认的反馈后,将迁移方案发送给源基站;
迁移阶段:在源基站服务区域中的用户从源基站接收到需要迁移到的目标基站编号,当源基站向所有的用户都发送了迁移的配置信息后,开始上传被修改的用户信息以及业务信息到控制器;控制器将该用户配置信息以及从源基站接收的下行数据传输到目标基站,帮助目标基站与用户建立上下行链接;另一方面,一旦用户收到迁移配置信息后,开始持续尝试同目标基站建立链接,当目标基站中的用户配置信息更新完成后,该用户与目标基站建立上下行同步;然后目标基站向控制器发送反馈消息,该消息包含了有关该用户的最新网络配置信息以及目标基站最新网络状态;最后控制器再次更新用户、目标基站和源基站的网络状态,并命令源基站释放原来用于服务用户的网络资源;
睡眠阶段:当存在于源基站服务区域中的用户都被迁移出去后,源基站被关闭;控制器与源基站通过三次握手机制关闭源基站;关闭源基站后,控制器将本次策略执行过程中的网络状态的变化情况报告给服务器网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610881685.4A CN106413057B (zh) | 2016-10-09 | 2016-10-09 | 一种基于sdwn架构的无线接入网能耗优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610881685.4A CN106413057B (zh) | 2016-10-09 | 2016-10-09 | 一种基于sdwn架构的无线接入网能耗优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106413057A true CN106413057A (zh) | 2017-02-15 |
CN106413057B CN106413057B (zh) | 2019-07-05 |
Family
ID=59228428
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610881685.4A Active CN106413057B (zh) | 2016-10-09 | 2016-10-09 | 一种基于sdwn架构的无线接入网能耗优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106413057B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572194A (zh) * | 2019-10-12 | 2019-12-13 | 东南大学 | 一种基于量子禁忌搜索算法的波束赋形码本搜索方法 |
CN111278085A (zh) * | 2020-02-24 | 2020-06-12 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN113950134A (zh) * | 2021-10-20 | 2022-01-18 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098711A (zh) * | 2008-03-21 | 2011-06-15 | 华为技术有限公司 | 一种优化切换的方法与基站设备 |
CN102917430A (zh) * | 2012-10-17 | 2013-02-06 | 上海大学 | 基于量子蚁群算法的无线传感器网络可信安全路由 |
CN103338499A (zh) * | 2013-06-21 | 2013-10-02 | 北京邮电大学 | 基于离散量子进化算法的双模终端选择网络模式的方法 |
CN104135770A (zh) * | 2014-07-02 | 2014-11-05 | 北京邮电大学 | 一种用于无线信息与能量同时传输系统中的能量分配方法 |
CN105227221A (zh) * | 2015-09-01 | 2016-01-06 | 东南大学 | 一种cran中高能效的基站开关选择方法 |
-
2016
- 2016-10-09 CN CN201610881685.4A patent/CN106413057B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102098711A (zh) * | 2008-03-21 | 2011-06-15 | 华为技术有限公司 | 一种优化切换的方法与基站设备 |
CN102917430A (zh) * | 2012-10-17 | 2013-02-06 | 上海大学 | 基于量子蚁群算法的无线传感器网络可信安全路由 |
CN103338499A (zh) * | 2013-06-21 | 2013-10-02 | 北京邮电大学 | 基于离散量子进化算法的双模终端选择网络模式的方法 |
CN104135770A (zh) * | 2014-07-02 | 2014-11-05 | 北京邮电大学 | 一种用于无线信息与能量同时传输系统中的能量分配方法 |
CN105227221A (zh) * | 2015-09-01 | 2016-01-06 | 东南大学 | 一种cran中高能效的基站开关选择方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110572194A (zh) * | 2019-10-12 | 2019-12-13 | 东南大学 | 一种基于量子禁忌搜索算法的波束赋形码本搜索方法 |
CN111278085A (zh) * | 2020-02-24 | 2020-06-12 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN111278085B (zh) * | 2020-02-24 | 2023-08-29 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN113950134A (zh) * | 2021-10-20 | 2022-01-18 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
CN113950134B (zh) * | 2021-10-20 | 2023-07-25 | 中国联合网络通信集团有限公司 | 基站的休眠预测方法、装置、设备和计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106413057B (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zeng et al. | Resource management at the network edge: A deep reinforcement learning approach | |
Yu et al. | DMPO: Dynamic mobility-aware partial offloading in mobile edge computing | |
Iacoboaiea et al. | SON coordination in heterogeneous networks: A reinforcement learning framework | |
Filali et al. | Communication and computation O-RAN resource slicing for URLLC services using deep reinforcement learning | |
Zhou et al. | Dynamic network slice scaling assisted by prediction in 5G network | |
WO2023039965A1 (zh) | 流量疏导的云边计算网络计算资源均衡调度方法及系统 | |
Ouyang et al. | Adaptive user-managed service placement for mobile edge computing via contextual multi-armed bandit learning | |
De Vita et al. | A deep reinforcement learning approach for data migration in multi-access edge computing | |
Debbabi et al. | An overview of interslice and intraslice resource allocation in B5G telecommunication networks | |
CN106413057A (zh) | 一种基于sdwn架构的无线接入网能耗优化方法 | |
Cicioğlu | Multi-criteria handover management using entropy‐based SAW method for SDN-based 5G small cells | |
Bouzidi et al. | Dynamic clustering of software defined network switches and controller placement using deep reinforcement learning | |
CN112073237B (zh) | 一种云边架构中大规模目标网络构建方法 | |
Li et al. | Deep reinforcement learning-based resource allocation and seamless handover in multi-access edge computing based on SDN | |
Murudkar et al. | User-centric approaches for next-generation self-organizing wireless communication networks using machine learning | |
Yang et al. | Delay-aware secure computation offloading mechanism in a fog-cloud framework | |
Zhao et al. | Reinforced-lstm trajectory prediction-driven dynamic service migration: A case study | |
KR101896056B1 (ko) | 멀티미디어 기반 이기종 무선 네트워크의 수직 핸드 오버 관리 장치 및 방법 | |
Aryal et al. | Open radio access network challenges for next generation mobile network | |
Donatti et al. | Survey on Machine Learning-Enabled Network Slicing: Covering the Entire Life Cycle | |
Hu et al. | A mobility-aware service function chain migration strategy based on deep reinforcement learning | |
Cicioğlu et al. | Handover management in software‐defined 5G small cell networks via long short‐term memory | |
CN115843050B (zh) | 网络切片配置方法及系统、计算机可存储介质 | |
US20220385542A1 (en) | Performance Modeling for Cloud Applications | |
Maiti et al. | Deployment of multi-tier fog computing system for IoT services in smart city |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |