大規(guī)模組網(wǎng)的集中式基站休眠算法①

龍 懇 萬 溢 劉 暢 田 霖

(*重慶郵電大學 重慶 400065)(**移動計算與新型終端北京市重點實驗室 北京 100080)(***中國科學院計算技術(shù)研究所 北京 100190)(****中國科學院大學 北京 100049)

?

大規(guī)模組網(wǎng)的集中式基站休眠算法①

龍 懇②*萬 溢③*劉 暢*********田 霖*****

(*重慶郵電大學 重慶 400065)(**移動計算與新型終端北京市重點實驗室 北京 100080)(***中國科學院計算技術(shù)研究所 北京 100190)(****中國科學院大學 北京 100049)

分析了通過基站休眠降低無線通信網(wǎng)絡能效的集中式算法和分布式算法的原理和性能，在此基礎(chǔ)上，針對集中式休眠算法隨著網(wǎng)絡規(guī)模的增大其計算復雜度將會異常巨大的問題，提出了一種面向大規(guī)模通信網(wǎng)絡的集中式分簇算法。該算法首先在時域上運用多目標均衡優(yōu)化對休眠時間段進行劃分，隨后在空域上對基站進行合理的分簇，最后通過粒子群優(yōu)化算法進行了休眠組合的確定。仿真結(jié)果表明，該算法的計算復雜度要低于其他集中式算法，并且性能衰減可以忽略不計，整體的休眠部署更加合理。

能效， 基站休眠， 集中式， 計算復雜度， 分簇

0 引 言

近年來，隨著移動用戶以及終端的大幅增加，移動數(shù)據(jù)業(yè)務需求呈現(xiàn)出爆炸式的增長態(tài)勢，無線通信網(wǎng)絡也因此得到了飛速的發(fā)展[1-3]。然而，龐大的移動通信網(wǎng)絡在運維時卻帶來了嚴重的能耗問題[4]。根據(jù)世界無線研究論壇(Wireless World Research Forum，WWRF)預測，2017年移動用戶數(shù)量將達到70億，無線設備總量將達到7萬億，這就意味著移動通信網(wǎng)絡的能耗壓力將越來越嚴重。文獻[5]的研究表明，移動通信網(wǎng)絡中基站(base station，BS)單元上的能耗約占總能耗的80%，因此，提高基站的能效將有助于減少整個移動通信網(wǎng)絡的能耗。針對這種情況，本文進行了基站能耗研究，提出了一種面向大規(guī)模組網(wǎng)的集中式基站休眠算法，該算法不僅具有良好的降低網(wǎng)絡能耗的性能，而且具有較低的計算復雜度。

1 相關(guān)研究

在對基站能耗問題的研究中，文獻[6]提出了“潮汐效應”的概念。所謂潮汐效應，就是用戶呈現(xiàn)出有規(guī)律的遷徙行為。例如，在工作時間段，大量用戶會從住宅區(qū)域遷徙至商務區(qū)域，而在休息時間段，用戶會從商務區(qū)域遷徙至住宅區(qū)域，這樣就會導致用戶在空域中的不均衡性。同時，文獻[7]也表明，即使在負載的高峰期，移動通信網(wǎng)絡中90%的數(shù)據(jù)業(yè)務是由40%的小區(qū)來承載，基站的任務分配極不均衡。

目前，基站休眠技術(shù)被認為是解決上述問題的最有效方法之一[8-11]。基站休眠技術(shù)可以動態(tài)地關(guān)閉部分低負載基站，并由其相鄰的基站進行補償覆蓋，以實現(xiàn)節(jié)能減排。網(wǎng)絡將實時監(jiān)控各個基站的負載情況，并在某些特定的休眠時間點，動態(tài)地關(guān)閉部分負載較低的基站，并由其相鄰的一個或多個基站通過調(diào)整天線方向角、下傾角、發(fā)射功率對休眠基站進行補償覆蓋。

概括來說，基站休眠算法可以分為集中式算法和分布式算法兩種。分布式算法通?；陬A設的閾值進行判斷[10]，在到達休眠時間點時，每個基站將根據(jù)其自身以及相鄰基站的負載等狀態(tài)信息判斷是否休眠。然而，在分布式算法中，由于每個休眠基站只關(guān)注自身以及相鄰基站的狀態(tài)信息，無法獲知整個網(wǎng)絡的狀態(tài)信息，所以只能部署局部最優(yōu)的基站休眠方案。另一方面，集中式算法將由集中式管控模塊收集網(wǎng)絡中所有基站的負載信息，從網(wǎng)絡全局的角度出發(fā)，通過集中式算法得到全局最優(yōu)(或次優(yōu))的基站休眠部署方案，然后通知所有基站執(zhí)行休眠、補償或正常覆蓋的命令?？傮w來說，集中式算法往往能夠得到全局最優(yōu)(或次優(yōu))解，因此，其性能要優(yōu)于分布式算法[9，12]。

然而，算法的計算復雜度是進行休眠部署時需要考慮的另一個問題。本文定義計算復雜度為運行一個算法所需進行迭代的總次數(shù)。例如分布式休眠算法中，每個基站只需要考慮自身以及相鄰基站，復雜度比較低；而集中式算法需要整體考慮網(wǎng)絡中所有基站的可能組合方式，復雜度比較高。目前，集中式接入網(wǎng)架構(gòu)成為了學術(shù)界以及產(chǎn)業(yè)界的研究熱點，比如C-RAN[6]，以及我們提出的超級基站[13]，它主要包括三部分：由遠端無線射頻單元和天線組成的分布式無線網(wǎng)絡；由高帶寬低延遲的光傳輸網(wǎng)絡連接遠端無線射頻單元；由高性能處理器和實時虛擬技術(shù)組成的集中式基帶處理池。在超級基站中，幾個基站為小規(guī)?；荆?5個左右的基站稱為中規(guī)?；?，40～100個左右的基站成為大規(guī)?；?。由于集中式架構(gòu)將所有信息都集中到一起來進行處理，因此，集中式接入網(wǎng)架構(gòu)為集中式算法提供了良好的平臺，集中式算法成為主要的發(fā)展趨勢。

在針對集中式休眠算法的研究中，文獻[9]就提出了一種集中式的算法，該算法要求遍歷每個用戶能夠接入的基站，并且找尋到最優(yōu)的接入基站，這樣能夠得到比較好的結(jié)果，但是用戶如果比較多，那么該算法計算復雜度就會變得特別大。文獻[11]結(jié)合能耗和服務質(zhì)量(quality of service，QoS)，提出了一種自適應的集中式算法，但是該算法在基站比較少時性能較好，復雜度也較低，但是隨著基站的增多，性能卻將大大降低。在我們以前的研究中[12]，我們對于能耗效率與穩(wěn)定性的均衡問題進行了研究，并且運用了快速窮舉算法以及粒子群優(yōu)化(particle swarm optimization，PSO)算法進行了仿真實驗。但是我們發(fā)現(xiàn)，快速窮舉算法以及粒子群算法等最優(yōu)化算法在網(wǎng)絡中基站規(guī)模比較小(14個基站以下)時能夠得到很好的運用，然而在基站規(guī)模比較大(40個以上)時則會因為其太高的復雜度而很難得到理想的結(jié)果甚至難以計算。文獻[14]也表明，將全部基站進行協(xié)作可以得到最佳的休眠決策，但是由于其高復雜度而不能在實際中實現(xiàn)。

針對上述問題，本文進行了面向大規(guī)模組網(wǎng)的集中式分簇休眠算法的研究，具體的研究內(nèi)容包括：首先在時域上根據(jù)各個基站的負載趨勢與負載趨勢門限值，設計了一種通過復雜度和能耗的多目標優(yōu)化尋找最優(yōu)門限值的方法，運用此方法合理地將一天劃分為多個時間段，讓網(wǎng)絡在每個時間段內(nèi)分簇方式相同；其次在空域上根據(jù)每個基站的負載以及其鄰區(qū)數(shù)量，設計了一個集中式架構(gòu)下的分簇算法，在每個時間段起始時刻對無線網(wǎng)絡進行分簇處理；最后對于每個簇，運用PSO算法得出其中最優(yōu)的基站休眠組合方式。

2 系統(tǒng)模型

2.1 網(wǎng)絡架構(gòu)

如圖1所示，若要在現(xiàn)有的分布式網(wǎng)絡架構(gòu)中實現(xiàn)集中式休眠算法，則必須在網(wǎng)絡架構(gòu)中添加集中式的管理模塊。該模塊必須具備收集所有基站信息(負載、功率、頻譜等)，并且可以對這些信息進行計算處理的能力。此外，還需要具備對所有基站進行狀態(tài)(休眠或開啟)改變的決策能力。而在集中式架構(gòu)中，集中式休眠方式可以得到更方便的實現(xiàn)。集中式架構(gòu)本身就擁有集中管理模塊，它可以將無線資源(如頻譜、時隙等)和硬件資源(如遠端無線射頻單元(remote radio head, RRH)、基帶單元(base band unit, BBU)等)分配給各個虛擬基站。與此同時，集中管理模塊還能收集各類信息并進行集中管理。

圖1 集中式休眠機制的實現(xiàn)方法

2.2 能耗模型

(1)

其中，Pouti表示滿足UEi需求的功率。P0表示在非休眠情況下每根天線的最小輸出功率，△P表示負載相關(guān)能耗的斜率。Psleep表示RRH休眠狀態(tài)下的能耗。

2.3 接入模型和優(yōu)化模型

(2)

RRHm發(fā)送給UEn的傳輸速率為

Rm,n=Bm,n·log2(1+SINRm,n)

(3)

為了得到集中式架構(gòu)下最優(yōu)的能耗所對應的休眠組合方式，建立如下優(yōu)化模型：

(4)

s.t.xn,m={0,1}

(5)

∑mxm,n=1

(6)

Rm,n≥εn

(7)

dm,n≤3×r

(8)

式(7)表示RRHm發(fā)送給UEn的傳輸數(shù)據(jù)的速率Rm,n必須滿足UEn最低的傳輸數(shù)據(jù)的速率要求εn。式(8)表示RRHm休眠以后，原來接入RRHm的UE只能接入RRHm相鄰的RRH中，dm,n為RRHm到UEn的距離，r為RRH的半徑。

3 集中式休眠算法

3.1 窮舉算法

為了解決上述優(yōu)化問題，通過窮舉法可以得到最優(yōu)解，但是隨著RRH數(shù)量的增多，窮舉法的復雜度會非常高甚至難以計算。

假設整個網(wǎng)絡中有M個RRH，每個RRH有兩個狀態(tài)：開啟和關(guān)閉。UEn可以接入的RRH數(shù)量為VN，則此時窮舉法的復雜度為2M·∏nVN，這個復雜度是相當高的。由于用戶接入離其最近的RRH可以得到最大的接收功率，我們可以讓每個用戶只接入離其最近的RRH。但是會有一種情況，如果對于某個用戶，離其較遠的RRH比離其最近的RRH提供了更大的帶寬，這時對該用戶可能會有很小的損失。但是由于這種情況幾乎不會發(fā)生，因為我們對整個網(wǎng)絡進行的集中規(guī)劃，會使開啟的RRH得到充分的利用，這樣每個RRH提供的帶寬不會有太大的區(qū)別。在上述用戶接入情況下，窮舉算法的復雜度可以降到2M。這個數(shù)量在M比較小時，復雜度并不高，但是由于復雜度呈指數(shù)增加，所以當M增大，復雜度會變得非常高甚至導致沒辦法計算,比如M=21時RRH的組合方式就有200多萬種。

由于窮舉算法的復雜度過高，所以本文提出了一種結(jié)合粒子群優(yōu)化算法的分簇算法，應用于RRH數(shù)量比較多的情況。

3.2 PSO分簇算法

3.2.1 時間段劃分方法

假設一天有S個切換觸發(fā)時間點(switching point, SP)，在不同的SP時刻，RRH的負載情況都不相同，相應地，休眠簇的數(shù)量和每個簇的大小也不相同。如果在每個SP都對RRH進行分簇，這樣分簇操作就會過于頻繁，而且可能會進行沒有必要的分簇操作。所以我們根據(jù)每個SP的負載和負載趨勢門限值，設計了一種通過能耗和復雜度的多目標優(yōu)化的方法尋找最優(yōu)負載趨勢門限值，根據(jù)門限值來對全天24個小時進行時間段(time divide , TD)的劃分。在時間段TDi中，只是在TDi開始的SP對RRH運用分簇算法進行分簇，在整個TDi的SP保持RRH的分簇方式不變。

對于TD的劃分根據(jù)以下兩個條件進行：(1)對于TDi中每個SP，其負載與TDi中的其他每個SP的負載的差值都必須小于負載趨勢門限值G，G=φ×Loadmax,其中Loadmax為網(wǎng)絡滿載時的負載值，φ為[0～1]的小數(shù)，表示G所占滿載的比例。(2)對于TDi中的所有SP，必須保證所有SPi是連續(xù)的，比如SP1、SP3不能單獨分到一個TD中，SP1、SP2、SP3就可以分到一個TD中。

由于門限值G的不同，就會導致時間段的劃分不同，從而得到的能耗和復雜度也不會相同。所以必須選擇出最佳的門限G。在選擇最佳的門限G時，還存在這樣一個問題：對于分簇來說，對于同樣一個集中式網(wǎng)絡，分簇得到的簇越多，就可能會導致能耗增加，這是由于分簇會導致一部分RRH的鄰站減少(只有位于同一個簇且位置上相鄰的RRH才能稱為鄰站)，那么能夠?qū)ζ溲a償?shù)腞RH減少，這樣就可能導致本可休眠的RRH無法休眠，最后能耗會增加。這也是為什么窮舉算法可以得到最優(yōu)解，因為它相當于將整個網(wǎng)絡劃分為一個簇來進行計算。但是如果分簇越多，那么平均下來每個簇中的RRH數(shù)量就會減少，從而會使得每個簇進行集中式休眠算法的復雜度變低，這樣也是窮舉算法在RRH數(shù)量比較大的時候復雜度如此之大的原因。而對于不同的門限G，TD的劃分是不同的，那么就會有這樣的情況：假設SP1時網(wǎng)絡分為3個簇，SP2分為4個簇，SP3分為2個簇。如果SP1和SP2分為一個TD，那么SP2就為3個簇，比原來少了，這樣就可能會使能耗變低，但是復雜度變高了。如果SP2和SP3分為一個TD，這樣SP3就為4個簇，簇變多了，這樣能耗可能變高，但是復雜度低了。這樣在選擇最佳的門限G，能耗與復雜度就會存在一個均衡。

針對上述均衡問題，可以建立如下模型：

(9)

s.t. xn,m={0,1}

(10)

∑mxm,n=1

(11)

Rm,n≥εn

(12)

dm,n≤3×r

(13)

其中式(10)～(13)均與2.3節(jié)中的優(yōu)化模型相同。優(yōu)化目標(或式(9))中α、 β為[0,1]范圍內(nèi)的數(shù)，分別代表A、B的權(quán)重因子，且α+β=1。A為全網(wǎng)絡的歸一化能耗，表示為

(14)

其中Pin為當前門限G的能耗，maxPin為所有門限G中最大的能耗。

B為全網(wǎng)絡的歸一化復雜度(Complexity)，表示為

(15)

其中a為簇的個數(shù)，bi、ki為第i個簇的PSO粒子群數(shù)量和迭代次數(shù)。Complexity為當前門限G的復雜度，maxComplexity為所有門限G中最大的復雜度。我們通過式(9)得到的最小的C所對應的門限G就為最優(yōu)的門限。對于不同的RRH數(shù)量以及分布，最優(yōu)門限G都是不同的，但是均可以用此方法得到。

3.2.2 分簇算法

在每個時間段的起始TP，網(wǎng)絡是根據(jù)以下分簇算法進行RRH的分簇處理的。

分簇算法是根據(jù)每個RRH相鄰的RRH數(shù)量Nei和負載Load來進行分簇的。算法流程圖見圖2。具體步驟如下：

(1) 初始化簇CLu的下標k=0。

(2) 判斷是否存在RRHs滿足Neis>0并且RRHs?Clu(處于不同簇的RRH即使相鄰也不能稱為鄰站)，如果有則進行步驟(3)，如果沒有則進行步驟(5)。

(3) 判斷所有滿足步驟(2)條件的RRHs中是否有RRH滿足Neis=1，如果沒有則進行步驟(4)，如果有則假設該RRHs的唯一鄰站為RRHi并加入簇CLuk中。遍歷RRHi的鄰站，每次選出鄰站中Load最小的RRH假設為RRHj，判斷簇k中的負載總和Loadk與RRHj的負載Loadj之和是否大于門限T，如果大于則不能將RRHj加入簇k中，如果小于門限T，則將RRHj加入簇CLuk中。遍歷完成后k=k+1。返回步驟(2)。

圖2 分簇算法流程圖

(4) 選出所有滿足步驟(2)條件的RRHs中Nei最大的RRH并且假設為RRHm(如果鄰站數(shù)目最多的RRH包含多個，則優(yōu)先對其鄰站分布于無線網(wǎng)絡邊緣的RRH進行分簇處理)并加入簇CLuk中。遍歷RRHm的鄰站，每次選出鄰站中Load最小的RRH假設為RRHn，判斷簇CLuk的負載總和Loadk與RRHn的負載Loadn之和是否大于門限T，如果大于則不能將RRHn加入簇k中，如果小于則將RRHn加入簇CLuk中。完成遍歷后k=k+1。然后返回步驟(2)。

(5) 判斷是否有RRHa滿足Neis=0并且RRHa?Clu。如果有進行步驟(6)，如果沒有則輸出分簇集合CLu，算法結(jié)束。

(6) 選出滿足步驟(5)條件的RRHa，遍歷其相鄰的簇，選出其中包含RRH數(shù)目最少的簇假設為CLub，將RRHa加入簇CLub中。返回步驟(5)。

3.2.3 PSO算法

PSO首先將解空間初始化為一群粒子，每個粒子都有一個根據(jù)被優(yōu)化的函數(shù)而確定的適應值，都有自己的速度和位置以決定它的飛行距離和方向；然后粒子根據(jù)自己迄今找到過的最好的位置和整個種群目前找到的最好位置來更新自己的速度和位置，經(jīng)過不斷的迭代過程最終找到最優(yōu)解[16]。

在本文中，我們根據(jù)本文中的優(yōu)化問題對PSO算法進行了如下定義。我們定義每個RRH的開啟關(guān)閉狀態(tài)的組合為一個粒子，并組成一個數(shù)組H=[hi]，其中hi={0,1}分別表示RRHi的關(guān)閉和開啟狀態(tài)。在初始化時，我們對RRHi進行[0,1]的隨機初始化，得到值Gi，如果Gi>0.5,則hi=0，反之hi=1。在速度方面，對RRHi進行[0,1]的隨機初始化，得到的值Vi就為RRHi的初始速度。則PSO的位置更新模型就為

Gi(t+1)=Gi(t)+Vi(t+1)

(16)

Vi(t+1)=ω·Vi(t)+c1r1[Gipbest-Gi(t)]

+c2r2[Ggbest-Gi(t)]

(17)

其中，Gi(t+1)和Gi(t)分別為一個粒子中RRHi的t+1次和t次迭代的位置。Vi(t+1)和Vi(t)分別為一個粒子中RRHi的t+1次和t次迭代的速度。Gipbest為RRHi是到目前為止搜索到的最好的位置，Ggbest為整個種群到目前為止搜索到的最好的位置。c1、r1、c2、r2是PSO中的參數(shù)，具體數(shù)值參照文獻[17]。ω是權(quán)重因子，在改進的PSO算法中，為了增大算法的搜索能力，我們將其設為隨機從{-1,0,1}中選取。

在算法迭代循環(huán)中，迭代停止的標志為達到了最大迭代次數(shù)Smax或者在連續(xù)的Sa次迭代都得到相同的最好解。Sa是經(jīng)過多次仿真實驗得出的數(shù)值。

PSO的算法流程圖如圖3所示。

圖3 PSO算法流程圖

4 實 驗

本文的仿真是建立在LTE系統(tǒng)的基礎(chǔ)之上，能耗模型的參數(shù)參照文獻[15]，更詳細的參數(shù)見表1。

表1 仿真參數(shù)

首先，我們先研究了時間劃分門限G所占滿載的比例因子φ與劃分最優(yōu)目標C之間的關(guān)系，以此來尋找最優(yōu)的時間劃分門限值G。在這次仿真中假設有14個RRH，其中包含6個商務區(qū)和8個住宅區(qū)，α和β的取值均為0.5，表示在此仿真中，能耗和復雜度是同等看重的，但是如果更看重能耗性能，可以適當加大α的值，減小β，反之更看重復雜度性能，則加大β，減小α。我們可以從圖4看出，φ的取值從0到1，并且間隔是0.05，可以表示G所占滿載的比例是從0到100%，并且以5%增長。隨著φ的增大，表示門限G增大，這樣就會使得時間區(qū)間變長以及時間區(qū)間數(shù)量的變小，直到將一天劃分為一個時間段。在φ比較小時，由于時間區(qū)間段區(qū)間數(shù)量多，同一區(qū)間之間的負載都相差不大，可以得到的分簇比較適用于此時間段，所以C整體比較小。在φ比較大時，時間區(qū)間劃分比較長，這樣可能會使得負載相差比較大的時間點劃分到了同一個時間段內(nèi)，從而使得此時間段開始時進行的分簇不一定能適合整個時間段，導致C會比前面有很大的差別，比如φ=0.5前后。我們可以看出，曲線在φ=0.1時得到了最小的C，這說明在同等看重能耗和復雜度的情況下，選擇滿載的10%作為時間劃分門限可以得到最優(yōu)的結(jié)果。

圖4 時間劃分均衡函數(shù)C與φ的關(guān)系

圖5表示文獻[12]中運用的PSO算法、快速窮舉算法和本文提出的分簇算法的能耗性能對比。在此仿真中假設有14個RRH，其中包括6個商務區(qū)和8個住宅區(qū)，φ=0.1?？梢詮膱D中看出，在1～9點的低負載區(qū)域，3種算法在能耗性能上一樣，在10～23點的高負載區(qū)域，本文提出的分簇算法與PSO算法相差最大的值也僅占3%左右，一般相差1%到2%左右。而與最優(yōu)的快速窮舉算法最大相差也僅6%，一般相差1%到4%?？梢哉f本文提出的分簇算法與PSO算法和最優(yōu)結(jié)果的快速窮舉算法在能耗性能上差別不大，這就說明隨著RRH的增多，分簇算法也能得到跟最優(yōu)的結(jié)果相差不大的能耗性能，滿足能耗性能的需求。

圖5 快速窮舉算法、分簇算法和PSO算法的能耗性能

圖6給出了分簇算法與PSO算法和快速窮舉算法在每個時間點上的復雜度對比，圖7給出了分簇算法與PSO算法和快速窮舉算法每個時間點的平均復雜度的對比。假設也是14個RRH，6個商務區(qū)和8個住宅區(qū)，φ=0.1。我們可以看出，在上述能耗性能相差并不是很大的情況下，分簇算法大大降低了復雜度，比PSO降低了80%，比快速窮舉算法降低了90%以上，而且隨著RRH數(shù)量的增多，這個差距會更加的大。并且在RRH數(shù)量很大使得最優(yōu)的窮舉算法不能進行運用時，我們也可以運用復雜度很低的分簇算法來進行計算。

圖6 分簇算法、快速窮舉算法和PSO算法的復雜度

圖7 分簇算法、快速窮舉算法和PSO算法的平均復雜度

5 結(jié) 論

本文研究了一種面向大規(guī)模通信網(wǎng)絡的集中式休眠算法。首先，在時域上構(gòu)建了一個均衡的優(yōu)化目標來進行時間段的劃分，通過調(diào)整時間劃分門限所占比例因子的值來得到最優(yōu)的時間劃分門限值。隨后，基于時間段的劃分，在每個時間段起始時刻設計了一種分簇休眠算法從空域上進行RRH的分簇。最后，對每個簇運用PSO算法來得到最優(yōu)的RRH開關(guān)組合方案。本文對該分簇算法與PSO算法和快速窮舉算法進行了仿真對比。仿真結(jié)果表明，本文提出的時間段劃分方法以及分簇算法，在能耗性能上與PSO算法和最優(yōu)的快速窮舉算法相差不大，而復雜度比PSO算法和快速窮舉算法得到了很大的降低。

[1] Garcia V, Zhou Y, Shi J L. Coordinated multipoint transmission in dense cellular networks with user-centric adaptive clustering.IEEETransactionsonWirelessCommunications, 2014, 13(8): 4297-4308

[2] Zhou Y, Pan Z G. Impact of LPF mismatch on I/Q imbalance in direct conversion receivers.IEEETransactionsonWirelessCommunications, 2011, 10(6): 1702-1708

[3] Zhou Y, Wang J, Sawahashi M. Downlink transmission of broadband OFCDM systems——Part I: hybrid detection.IEEETransactionsonCommunications, 2005, 53(4): 718-729

[4] Fettweis G, Zimmermann E. ICT energy consumption-trends and challenges (2008). In: Proceedings of the 11th International Symposium on Wireless Personal Multimedia Communications, Lapland, Finland, 2008. 1-6

[5] Fehske A, Fettweis G, Malmodin J, et al. The global footprint of mobile communications: The ecological and economic perspective .IEEECommunicationsMagazine, 2011, 49(8): 55-62

[6] 黃宇紅. C-RAN無線接入網(wǎng)綠色演進白皮書. 北京: 中國移動通信研究院, 2010

[7] Chiaraviglio L, Ciullo D, Meo M, et al. Energy-efficient management of UMTS access networks. In: Proceedings of the 21st IEEE International Teletraffic Congress, Paris, France, 2009. 1-8

[8] LTE for UMTS-OFDMA and SC-FDMA Based Radio Access. John Wiley & Sons, 2009

[9] Niu Z S, Wu Y Q, Gong J, et al. Cell zooming for cost-efficient green cellular networks.IEEECommunicationsMagazine, 2010. 48(11): 74-79

[10] Guo W S, O’Farrell T. Dynamic cell expansion： traffic aware low energy cellular network. In: Proceedings of Vehicular Technology Conference, Quebec City, Canada, 2012. 1-5

[11] Zhu Y, Kang T, Zhang T, et al. QoS-aware user association based on cell zooming for energy efficiency in cellular networks. In: Proceedings of the IEEE 24th International Symposium on Personal, Indoor and Mobile Radio Communications, London, UK, 2013. 6-10

[12] Liu C, Wan Y, Tian L, et al. Base station sleeping control with energy-stability tradeoff in centralized radio access networks. In: Proceedings of the IEEE Global Communications Conference, San Diego, USA, 2015. 1-6

[13] Zhai G W, Tian L, Zhou Y Q, et al. Load diversity based optimal processing resource allocation for super base stations in centralized radio access networks.ScienceChinaInformationSciences, 2014, 57(4): 1-12

[14] Gong J, Zhou S, Niu Z S. A dynamic programming approach for base station sleeping in cellular networks.IeiceTransactionsonCommunications, 2012, 95(2): 551-562

[15] Auer G, Giannini V, Desset C, et al. How much energy is needed to run a wireless network?IEEEWirelessCommunications, 2011, 18(5): 40-49

[16] Kennedy J. Particle swarm optimization. In: Encyclopedia of Machine Learning. Springer US, 2011. 760-766.

[17] Shi Y, Eberhart R C. Empirical study of particle swarm optimization. In: Proceedings of the 1999 Congress on Evolutionary Computation, Waxhington, DC, USA, 1999, 3. 1945-1950

A base station sleep algorithm for large-scale centralized networks

Long Ken*， Wan Yi*， Liu Chang*********, Tian Lin*****

(*Chongqing University of Posts and Telecommunications， Chongqing 400065)(**Beijing Key Laboratory of Mobile Computing and Pervasive Device， Beijing 100080)(***Institute of Computing Technology, Chinese Academy of Sciences, Beijing 100190)(****University of Chinese Academy of Sciences, Beijing 100049)

The principle and performance of the centralized base station (BS) sleeping algorithm and the distributed BS sleeping algorithm for reducing the energy consumption of wireless communication networks were analyzed, and then, a centralized clusting algorithm (CCA) for BS sleeping was proposed for large scale wireless communication networks to solve the problem that the computational complexity of the centralized algorithm will become very large when the number of BSs increases. The CCA first formulates a bi-objective problem to divide the sleep period, and then the BSs are divided in clusters to obtain the combination of BSs’states through the particle swarm optimization (PSO). The simulation results show that the CCA significant outperforms the PSO and fast exhaustive algorithms in the computational complexity while keeping the same performance in energy saving as these algorithms’.

energy efficiency, BS sleep, centralized, computational complexity, cluster

10.3772/j.issn.1002-0470.2016.03.005

①863計劃(2015AA01A705)，國家自然科學基金(61201231)和國家科技重大專項(2014ZX03003004-003)資助項目。

，E-mail: 307777327@qq.com(

2015-10-20)

②男，1978年生，博士，講師；研究方向：5G關(guān)鍵技術(shù)；E-mail: longken@cqupt.edu.cn