面向“雙碳”戰(zhàn)略的綠色通信與網(wǎng)絡(luò)：挑戰(zhàn)與對(duì)策

牛志升，周盛，孫宇璇

（1.清華大學(xué)電子工程系，北京 100084；2.北京信息科學(xué)與技術(shù)國(guó)家研究中心，北京 100084）

0 引言

各種信息技術(shù)，特別是遍布于地球各個(gè)角落的通信與網(wǎng)絡(luò)基礎(chǔ)設(shè)施，在經(jīng)歷了幾十年高速發(fā)展之后都逐漸遇到了能耗的瓶頸，其快速增長(zhǎng)的自身能耗也已演變?yōu)槿驓夂蜃兣囊蛩刂?。以移?dòng)通信網(wǎng)絡(luò)為例，隨著業(yè)務(wù)量的迅猛增長(zhǎng)，移動(dòng)通信已成為高能耗產(chǎn)業(yè)，其中80%的能耗在基站側(cè)。例如，據(jù)《中國(guó)移動(dòng)通信有限公司可持續(xù)發(fā)展報(bào)告2018》，該公司同時(shí)運(yùn)營(yíng)的350 萬臺(tái)2G、3G、4G 基站消耗電力247 億千瓦時(shí)，占總運(yùn)營(yíng)成本的60%以上。2019—2021 年，隨著5G 網(wǎng)絡(luò)的建設(shè)，該公司又增加了近70 萬臺(tái)5G 基站，且每臺(tái)5G 基站的功耗為4G 基站功耗的3～4 倍，因此網(wǎng)絡(luò)總能耗還在持續(xù)上漲。進(jìn)一步地，未來6G 網(wǎng)絡(luò)需要大量引入計(jì)算能力與人工智能算法，為此需要額外大量部署邊緣服務(wù)器，而一臺(tái)典型邊緣服務(wù)器的功耗可達(dá)2 kW 以上，其能耗水平也是非常可觀的?？梢姡S著移動(dòng)通信向5G 和6G 時(shí)代的邁進(jìn)，網(wǎng)絡(luò)能耗將顯著增加，嚴(yán)重制約移動(dòng)通信的可持續(xù)發(fā)展。

眾所周知，能源危機(jī)與環(huán)境污染問題已經(jīng)成為制約人類社會(huì)可持續(xù)發(fā)展的2 個(gè)主要瓶頸。中國(guó)已經(jīng)制定了“建設(shè)資源節(jié)約型和環(huán)境友好型社會(huì)”以及“2030 年碳達(dá)峰、2060 年碳中和”的“雙碳”戰(zhàn)略。因此，迫切需要研究并突破可在提高移動(dòng)通信系統(tǒng)容量的同時(shí)大幅降低全網(wǎng)能耗的理論與技術(shù)，構(gòu)建能效與資源聯(lián)合優(yōu)化的大容量、高可靠和低時(shí)延的移動(dòng)通信系統(tǒng)。

顯然，以提高能量效率（單位能量所能傳送的信息量）為主線的傳統(tǒng)意義上的綠色通信并不足夠，因?yàn)楦鞣N預(yù)測(cè)均顯示，隨著全息媒體和萬物互聯(lián)時(shí)代的到來，未來5～10 年人們對(duì)網(wǎng)絡(luò)容量的需求仍將呈現(xiàn)指數(shù)增長(zhǎng)的態(tài)勢(shì)，因此單純提高能量效率并不一定能夠降低總的能量消耗。由此引出了一個(gè)非?；A(chǔ)性的科學(xué)問題：能否以及如何使用更少的能量來傳送更多的信息，即SMILE（send more information bits with less energy）？

為了應(yīng)對(duì)該挑戰(zhàn)，僅靠無線傳輸技術(shù)的改進(jìn)和硬件實(shí)現(xiàn)水平的提高是遠(yuǎn)遠(yuǎn)不夠的，因?yàn)榻?jīng)典信息理論，如指導(dǎo)移動(dòng)通信70 余年發(fā)展的香農(nóng)定理告訴我們：要想提高傳輸容量，要么需要更大的帶寬或是更大的時(shí)間與空間自由度，要么需要大幅度提高信噪比，即提高發(fā)射功率。盡管毫米波、太赫茲等高頻段可以提供更大的帶寬，但其巨大的傳輸損耗以及由此引發(fā)的頻繁越區(qū)切換，再加上超高頻信號(hào)處理的代價(jià)，將在很大程度上抵消大帶寬所帶來的好處，頻譜資源只能是越來越受限，時(shí)間與空間自由度的獲取也越來越受限于站址資源及信號(hào)處理，因此提高發(fā)射功率成為最終手段。

本文跳出物理傳輸層的范疇，從系統(tǒng)和網(wǎng)絡(luò)的角度探索能量的高效利用機(jī)理與方法。具體地，本文從能量的“節(jié)流”和“開源”2 個(gè)維度展開，引入能量流與信息流智能匹配的機(jī)理，即TANGO（traffic-aware network planning and green operation）[1]，并針對(duì)日益增長(zhǎng)的計(jì)算與人工智能算法能耗給出解決方案。首先，通過引入超蜂窩網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)網(wǎng)絡(luò)的柔性覆蓋與彈性接入，使業(yè)務(wù)基站和邊緣服務(wù)器在業(yè)務(wù)量較低時(shí)可以進(jìn)入休眠狀態(tài)，減少能量的浪費(fèi)（即“節(jié)流”）。同時(shí)，大量引入可再生綠色能源（即“開源”），通過能量流與信息流的智能適配，大幅降低電網(wǎng)的能耗。進(jìn)一步地，通過網(wǎng)絡(luò)功能虛擬化、通信與計(jì)算資源的高能效協(xié)同以及移動(dòng)智能體的分布式計(jì)算與協(xié)同等手段，實(shí)現(xiàn)綠色計(jì)算與人工智能算法。

本文分別論述了基于柔性覆蓋與彈性接入的超蜂窩網(wǎng)絡(luò)、可再生能源供電的綠能通信與網(wǎng)絡(luò)以及綠色計(jì)算與人工智能算法所面臨的技術(shù)挑戰(zhàn)，并給出典型的解決方案。

1 基于柔性覆蓋與彈性接入的超蜂窩網(wǎng)絡(luò)

1.1 控制覆蓋與業(yè)務(wù)覆蓋適度分離的超蜂窩網(wǎng)絡(luò)新架構(gòu)

蜂窩架構(gòu)是移動(dòng)通信系統(tǒng)提高頻譜效率最有效的手段，通過不斷地縮小蜂窩小區(qū)或小區(qū)分裂即可大幅度提高網(wǎng)絡(luò)容量，成功地支撐了過去40多年來移動(dòng)通信的飛速發(fā)展。但進(jìn)一步縮小蜂窩小區(qū)不僅會(huì)增加網(wǎng)絡(luò)覆蓋的成本，而且會(huì)引入嚴(yán)重的小區(qū)間干擾，導(dǎo)致網(wǎng)絡(luò)運(yùn)行成本和能耗成本大幅攀升。與此同時(shí)，未來5G 及其后續(xù)演進(jìn)還需要針對(duì)物聯(lián)網(wǎng)應(yīng)用提供超大鏈接、超低時(shí)延和超高可靠的服務(wù)，現(xiàn)有硬性覆蓋的蜂窩架構(gòu)難以應(yīng)對(duì)。因此，如何將現(xiàn)有蜂窩架構(gòu)改造得更加綠色和更加智能是移動(dòng)通信可持續(xù)發(fā)展亟待解決的關(guān)鍵科學(xué)問題。

現(xiàn)有蜂窩體系架構(gòu)及其演進(jìn)系統(tǒng)都是以基站為中心的，兼?zhèn)渚W(wǎng)絡(luò)覆蓋、信道測(cè)量、用戶接入控制以及實(shí)際數(shù)據(jù)傳輸?shù)榷嘀厣矸?，因此即使網(wǎng)絡(luò)負(fù)載很低，甚至完全沒有用戶業(yè)務(wù)傳輸需求時(shí)，所有基站也都需要全時(shí)開啟，以保證網(wǎng)絡(luò)的覆蓋，這實(shí)際上是現(xiàn)有蜂窩網(wǎng)絡(luò)能耗迅速增加的主要原因。

為此，針對(duì)未來移動(dòng)通信發(fā)展所面臨的頻譜與能耗瓶頸，本文提出了一種基于控制覆蓋與業(yè)務(wù)覆蓋適度分離的超蜂窩（hyper-cellular）網(wǎng)絡(luò)架構(gòu)[2]，如圖1 所示。它超越了傳統(tǒng)蜂窩架構(gòu)的局限，通過永遠(yuǎn)在線的控制覆蓋與按需部署的業(yè)務(wù)覆蓋的適度分離，引入網(wǎng)絡(luò)的柔性（agile）覆蓋、資源的彈性（elastic）匹配以及業(yè)務(wù)的匹配（adaptive）服務(wù)新機(jī)制，即網(wǎng)絡(luò)的信號(hào)覆蓋、資源匹配以及服務(wù)模式均隨業(yè)務(wù)需求以及網(wǎng)絡(luò)狀態(tài)的變化而動(dòng)態(tài)適配，使負(fù)載較低的業(yè)務(wù)基站可以按需進(jìn)入休眠狀態(tài)，從而大幅提高基站的資源利用率，降低全網(wǎng)的能耗，實(shí)現(xiàn)能效與資源的聯(lián)合優(yōu)化。

圖1 基于控制覆蓋與業(yè)務(wù)覆蓋適度分離的超蜂窩網(wǎng)絡(luò)架構(gòu)

具體地，超蜂窩網(wǎng)絡(luò)架構(gòu)的核心是控制覆蓋與業(yè)務(wù)覆蓋可按需在時(shí)域和空域上獨(dú)立進(jìn)行動(dòng)態(tài)調(diào)整的智能網(wǎng)絡(luò)?？刂聘采w用于管理用戶的接入請(qǐng)求以及低速率網(wǎng)絡(luò)控制信號(hào)的傳遞，可使用大區(qū)覆蓋模式，相對(duì)固定，是網(wǎng)絡(luò)的骨架；業(yè)務(wù)覆蓋用于為用戶提供高速數(shù)據(jù)的傳輸，按需部署，靈活而高效。相應(yīng)地，基站也分為兩類，一類為控制基站（CBS,control base station），提供大范圍的控制覆蓋，實(shí)現(xiàn)和用戶終端間的控制信令傳輸；另一類為業(yè)務(wù)基站（TBS,traffic base station），提供小范圍的業(yè)務(wù)覆蓋，為用戶終端提供高速數(shù)據(jù)傳輸業(yè)務(wù)。如圖1所示，同一個(gè)控制基站覆蓋范圍內(nèi)有多個(gè)業(yè)務(wù)基站，可以根據(jù)業(yè)務(wù)量的大小進(jìn)行業(yè)務(wù)基站間的動(dòng)態(tài)資源調(diào)度和基站休眠，從而降低系統(tǒng)總能耗并提高資源利用率?？梢?，超蜂窩網(wǎng)絡(luò)可以在保證網(wǎng)絡(luò)無縫覆蓋和頻譜效率的同時(shí)大幅度降低整體能耗，從而解決了傳統(tǒng)蜂窩架構(gòu)的綠色可持續(xù)發(fā)展問題。

該解決方案的核心是能量的“節(jié)流”，即通過柔性覆蓋減少蜂窩網(wǎng)絡(luò)中的能量浪費(fèi)，解決了傳統(tǒng)蜂窩架構(gòu)的綠色可持續(xù)發(fā)展問題。它不同于所謂“無蜂窩”的概念，仍然沿用了蜂窩覆蓋的基本架構(gòu)，但實(shí)現(xiàn)了按需部署與使用，體現(xiàn)了根據(jù)業(yè)務(wù)實(shí)際需求部署與運(yùn)營(yíng)網(wǎng)絡(luò)的柔性思維，即TANGO的理念。這種全新的超蜂窩網(wǎng)絡(luò)架構(gòu)是自70多年前蜂窩網(wǎng)絡(luò)概念被提出以來的大變革，為未來移動(dòng)通信（包括5G 及其后續(xù)演進(jìn)）網(wǎng)絡(luò)的長(zhǎng)遠(yuǎn)發(fā)展開辟了一條可持續(xù)發(fā)展的道路，同時(shí)保持了蜂窩網(wǎng)絡(luò)的基本理念，保障了網(wǎng)絡(luò)發(fā)展的后向兼容性。實(shí)際上，目前3GPP R16中的CU/DU分離的概念基本上等效于超蜂窩架構(gòu)，5G 標(biāo)準(zhǔn)中的NSA（non-standard-alone）模式也可以視為超蜂窩架構(gòu)的變形。

1.2 超蜂窩網(wǎng)絡(luò)的網(wǎng)絡(luò)能效理論

進(jìn)一步地，在超蜂窩架構(gòu)下，需要研究網(wǎng)絡(luò)能效與網(wǎng)絡(luò)覆蓋能力、頻譜效率、用戶分布、業(yè)務(wù)特性等的理論關(guān)系，即在給定頻譜資源和業(yè)務(wù)覆蓋需求下的最小能量理論（簡(jiǎn)稱為“網(wǎng)絡(luò)能效理論”），包括：如何以最小的能量實(shí)現(xiàn)所需的網(wǎng)絡(luò)覆蓋及業(yè)務(wù)服務(wù)需求，網(wǎng)絡(luò)能效與頻譜效率之間存在什么樣的理論關(guān)系，業(yè)務(wù)的隨機(jī)性和動(dòng)態(tài)特性究竟會(huì)如何影響網(wǎng)絡(luò)能效？如果只考慮單鏈路的發(fā)射功率，經(jīng)典信息論則告訴我們：鏈路能效與頻譜效率之間存在單調(diào)的折中關(guān)系。但如果額外考慮信息處理等能耗，則這種折中關(guān)系就會(huì)變得非常復(fù)雜，至少不再單調(diào)。進(jìn)一步地，如果考慮全網(wǎng)的能量效率與端對(duì)端時(shí)延分布，則兩者的關(guān)系會(huì)變得更加復(fù)雜，甚至可能不再是折中關(guān)系。

首先，考慮網(wǎng)絡(luò)能效與業(yè)務(wù)時(shí)延之間的理論關(guān)系。為了提高網(wǎng)絡(luò)能效，無論是引入柔性覆蓋、彈性接入，還是引入匹配服務(wù)的機(jī)制都可能會(huì)給用戶帶來額外的時(shí)延。如何在用戶可以容忍的時(shí)延下獲得盡可能多的能量節(jié)省，犧牲一定的時(shí)延性能可獲得多少能量節(jié)省等，還是亟待解決的基礎(chǔ)理論問題。具體地，本文針對(duì)超蜂窩網(wǎng)絡(luò)建立了一種基于休假的排隊(duì)模型，分析了遲滯休眠機(jī)制、單重休假喚醒機(jī)制、多重休假喚醒機(jī)制和累積任務(wù)喚醒機(jī)制的性能，給出了網(wǎng)絡(luò)能效與業(yè)務(wù)時(shí)延及其抖動(dòng)的閉式關(guān)系，以及啟動(dòng)時(shí)間、休假時(shí)間、累積任務(wù)數(shù)和遲滯時(shí)間等對(duì)系統(tǒng)性能的影響，得到了多組參數(shù)影響下能效-時(shí)延關(guān)系的閉式解[3]。

超蜂窩網(wǎng)絡(luò)的能效時(shí)延關(guān)系如圖2 所示，其中，N為喚醒基站的負(fù)載閾值；Pt為發(fā)射功率；C2為間歇泊松過程（IPP,interrupted Poisson process）或交互泊松過程（SPP,switched Poisson process）業(yè)務(wù)的方差系數(shù)，其值越大表征業(yè)務(wù)的隨機(jī)性越大。數(shù)值分析結(jié)果表明（圖2 中虛線所示），在考慮電路功耗與基站休眠的情況下，能耗與時(shí)延并不總是呈現(xiàn)折中關(guān)系，兩者之間可能存在“共贏”區(qū)間，即降低全網(wǎng)能耗不一定要犧牲業(yè)務(wù)時(shí)延，通過合理設(shè)計(jì)系統(tǒng)及休眠參數(shù)，完全可以同時(shí)實(shí)現(xiàn)能耗與時(shí)延的降低。當(dāng)進(jìn)一步掌握業(yè)務(wù)的統(tǒng)計(jì)分布時(shí)，則可以將功率控制與動(dòng)態(tài)休眠進(jìn)行聯(lián)合優(yōu)化，從而獲得最優(yōu)的能耗與時(shí)延折中（圖2中實(shí)線所示）。分析還發(fā)現(xiàn)，基于累積負(fù)載閾值（圖2中的參數(shù)N）的休眠策略比基于休眠時(shí)長(zhǎng)的策略具有更好的能耗-時(shí)延折中。這些結(jié)論明確了實(shí)時(shí)監(jiān)測(cè)網(wǎng)絡(luò)負(fù)載狀態(tài)對(duì)休眠決策的重要性，為控制與業(yè)務(wù)分離的蜂窩網(wǎng)架構(gòu)演進(jìn)提供了理論依據(jù)。

圖2 超蜂窩網(wǎng)絡(luò)的能效時(shí)延關(guān)系

其次，考慮網(wǎng)絡(luò)能效與業(yè)務(wù)隨機(jī)性之間的理論關(guān)系，引入IPP 和SPP 以描述業(yè)務(wù)到達(dá)過程的抖動(dòng)以及自相關(guān)性。研究給出了IPP 模式下網(wǎng)絡(luò)能效與業(yè)務(wù)時(shí)延的閉式解[4]，業(yè)務(wù)突發(fā)性和業(yè)務(wù)非均勻性對(duì)能效的影響分別如圖3 和圖4 所示，圖4 中α1、α2、α3分別為熱點(diǎn)小區(qū)、熱點(diǎn)鄰小區(qū)、熱點(diǎn)外圍小區(qū)的歸一化業(yè)務(wù)強(qiáng)度。分析結(jié)果表明，業(yè)務(wù)突發(fā)性（抖動(dòng)）越大，網(wǎng)絡(luò)能效反而越高。這打破了傳統(tǒng)的認(rèn)知，即在服務(wù)者（基站）沒有休眠機(jī)制的排隊(duì)系統(tǒng)中，業(yè)務(wù)突發(fā)性永遠(yuǎn)會(huì)帶來排隊(duì)性能的損失。同樣地，針對(duì)業(yè)務(wù)在空間域上的非均勻分布特性，通過馬爾可夫決策理論分析，發(fā)現(xiàn)了“業(yè)務(wù)分布越不均勻，基站動(dòng)態(tài)休眠所帶來的節(jié)能增益越大”的結(jié)論[5]。該結(jié)論也是超越傳統(tǒng)認(rèn)知的，表明負(fù)載均衡并非永遠(yuǎn)有效，在基站可以休眠的網(wǎng)絡(luò)中，應(yīng)適時(shí)進(jìn)行負(fù)載集中[6]，增加低負(fù)載基站的休眠機(jī)會(huì)，從而提高全網(wǎng)的能量效率。

圖3 業(yè)務(wù)突發(fā)性對(duì)能效的影響

圖4 業(yè)務(wù)非均勻性對(duì)能效的影響

具體地，為了充分挖掘業(yè)務(wù)突發(fā)性及非均勻性所帶來的休眠機(jī)會(huì)，文獻(xiàn)[6]提出了定向負(fù)載轉(zhuǎn)移機(jī)理，改變了負(fù)載均衡的傳統(tǒng)理念。特別地，通過負(fù)載聚合，主動(dòng)改變業(yè)務(wù)的空間分布，將不同空間位置和異構(gòu)網(wǎng)絡(luò)中不同層之間的業(yè)務(wù)通過卸載進(jìn)行整合，由少數(shù)基站集中進(jìn)行服務(wù)，以提供更多的基站休眠機(jī)會(huì)。

如果進(jìn)一步考慮頻譜資源的最優(yōu)分配，則在基站可進(jìn)行動(dòng)態(tài)休眠的超蜂窩網(wǎng)絡(luò)架構(gòu)下，基站的工作狀態(tài)（休眠與否）、業(yè)務(wù)負(fù)載和無線資源分配之間緊密耦合，傳統(tǒng)無線資源分配機(jī)制將難以適用。文獻(xiàn)[7]運(yùn)用隨機(jī)幾何理論，給出了最優(yōu)的宏/微基站頻譜重用因子、基站休眠概率和業(yè)務(wù)負(fù)載三者間的閉式理論關(guān)系，即

其中，β*為最優(yōu)的宏/微基站頻譜重用因子，即微基站所分配帶寬與宏基站所分配帶寬的比例；Λ為用戶密度（表征業(yè)務(wù)負(fù)載）；ρM和ρm分別為宏基站和微基站密度（表征休眠概率）；c為由宏微基站發(fā)射功率和路徑衰落因子決定的系統(tǒng)參量；W為系統(tǒng)可用帶寬。基于此關(guān)系設(shè)計(jì)的基站動(dòng)態(tài)休眠和頻率重用算法典型場(chǎng)景下可節(jié)省50%的網(wǎng)絡(luò)能耗。

1.3 超蜂窩網(wǎng)絡(luò)業(yè)務(wù)基站的最優(yōu)休眠控制

本節(jié)進(jìn)一步考慮超蜂窩網(wǎng)絡(luò)業(yè)務(wù)基站的最優(yōu)休眠控制。針對(duì)泊松到達(dá)業(yè)務(wù)和單一服務(wù)者，已有研究證明了最優(yōu)休眠控制具有雙門限結(jié)構(gòu)[8]，即隊(duì)列長(zhǎng)度低于休眠門限值時(shí)基站進(jìn)入休眠狀態(tài)，但只有在隊(duì)列長(zhǎng)度大于開啟門限值（該值一般大于休眠門限值）時(shí)基站才開啟服務(wù)。但針對(duì)突發(fā)業(yè)務(wù)到達(dá)以及多服務(wù)者系統(tǒng)而言，基站的最優(yōu)休眠策略還有待研究。文獻(xiàn)[9]首先考慮間歇泊松過程以及交互泊松過程2 種突發(fā)業(yè)務(wù)到達(dá)單一基站情形，并考慮基站休眠與開啟的能耗代價(jià)，基于馬爾可夫決策理論嚴(yán)格證明了最優(yōu)休眠控制策略仍然具有雙門限結(jié)構(gòu)，但會(huì)額外增加一個(gè)觀望（wait-and-see）特性，即隊(duì)列長(zhǎng)度在低于休眠門限值時(shí)并非立即進(jìn)入休眠狀態(tài)，而是觀望一段時(shí)間后才進(jìn)入休眠狀態(tài)；反之，針對(duì)開啟門限也是同樣，且觀望時(shí)長(zhǎng)隨業(yè)務(wù)到達(dá)突發(fā)性的增大而加大，即基站的休眠與喚醒應(yīng)更加保守。最優(yōu)休眠控制的雙門限結(jié)構(gòu)和觀望特性分別如圖5 和圖6 所示。進(jìn)一步考慮突發(fā)業(yè)務(wù)到達(dá)多個(gè)基站的情形，文獻(xiàn)[10]理論證明了最優(yōu)休眠策略具有多門限結(jié)構(gòu)，且具有觀望特性。

圖5 最優(yōu)休眠控制的雙門限結(jié)構(gòu)

圖6 最優(yōu)休眠控制的觀望特性

文獻(xiàn)[3]研究了在平均時(shí)延約束下的功率最優(yōu)基站休眠策略。在單重休假、多重休假及累積負(fù)載閾值機(jī)制下，證明了時(shí)延約束均存在一個(gè)閾值τth，使最優(yōu)休眠控制具有以下結(jié)構(gòu)。1) 在τ＜τth時(shí)，最優(yōu)休假時(shí)間hV（單重、多重休假機(jī)制）或累積負(fù)載閾值N（累積負(fù)載閾值機(jī)制）對(duì)不同的τ保持不變，而最優(yōu)的休眠概率pv隨τ單調(diào)增加，即此時(shí)只需調(diào)整休眠前的遲滯時(shí)間即可。2) 在τ≥τth時(shí)，最優(yōu)休眠概率pv恒為1（即最優(yōu)遲滯時(shí)間恒為0），而最優(yōu)休假時(shí)長(zhǎng)hV或最優(yōu)累積負(fù)載閾值N則隨τ單調(diào)增加，舉例來說，累計(jì)負(fù)載閾值策略下的閾值τth滿足[3]

以上分析對(duì)業(yè)務(wù)請(qǐng)求的到達(dá)模型均做了某種假設(shè)，但在實(shí)際系統(tǒng)中業(yè)務(wù)的到達(dá)過程可能非常復(fù)雜，難以用經(jīng)典概率模型表述。為此，本文將強(qiáng)化學(xué)習(xí)與業(yè)務(wù)模型的先驗(yàn)知識(shí)相結(jié)合，提出了對(duì)業(yè)務(wù)模型與最優(yōu)休眠策略同時(shí)學(xué)習(xí)的在線算法[11]。通過現(xiàn)網(wǎng)業(yè)務(wù)數(shù)據(jù)的測(cè)試，表明所提在線學(xué)習(xí)算法相比基于模型的策略和單純強(qiáng)化學(xué)習(xí)算法，在時(shí)延和能耗的折中性能上均有明顯優(yōu)勢(shì)。

2 可再生能源供電的綠能通信與網(wǎng)絡(luò)

為了實(shí)現(xiàn)綠色移動(dòng)通信，除了以網(wǎng)絡(luò)協(xié)作等方式進(jìn)行系統(tǒng)中能效和資源優(yōu)化之外，還可以通過引入能量收割技術(shù)利用可再生能源（如太陽能、風(fēng)能等）對(duì)通信系統(tǒng)供能，進(jìn)一步降低傳統(tǒng)能源的使用，從而降低碳排放。這相當(dāng)于能量“開源”的思路，某種意義上來講是一種“取之不盡、用之不竭”的新能源。同時(shí)，由于不需要接入電網(wǎng)，可再生能源供電的通信設(shè)備可以進(jìn)行靈活的部署，并且相比于電池供電的設(shè)備有更長(zhǎng)的壽命，具有自我持續(xù)性。

由于上述優(yōu)勢(shì)，可再生能源在通信系統(tǒng)中的應(yīng)用受到了越來越多的關(guān)注。2009 年，國(guó)際標(biāo)準(zhǔn)化組織第三代合作伙伴計(jì)劃（3GPP,3rd Generation Partnership Project）對(duì)各種可再生能源在通信網(wǎng)絡(luò)中的使用場(chǎng)景、使用方法和可行性提出了標(biāo)準(zhǔn)化建議TR 102.532，中國(guó)通信標(biāo)準(zhǔn)化協(xié)會(huì)對(duì)使用可再生能源的基站供電也進(jìn)行了標(biāo)準(zhǔn)化工作，中國(guó)移動(dòng)在西藏部署的基站中約使用了可再生能源供電。隨著智能電網(wǎng)技術(shù)和電池儲(chǔ)能技術(shù)的飛速發(fā)展，可再生能源所產(chǎn)出能量的存儲(chǔ)和利用效率也在大大提高，能量收集技術(shù)已步入實(shí)用階段。據(jù)國(guó)際能源署統(tǒng)計(jì)，2020 年可再生能源電力占比快速提升至近30%。我國(guó)可再生能源發(fā)展水平與國(guó)際水平并駕齊驅(qū)，2020 年可再生能源發(fā)電量達(dá)到2.2 萬億千瓦時(shí)，占全社會(huì)用電量的29.5%。可以預(yù)見，未來信息系統(tǒng)的供電模式將日趨多樣化，甚至?xí)霈F(xiàn)完全依賴于可再生能源的自供電信息系統(tǒng)，這不僅可以大幅降低信息系統(tǒng)對(duì)傳統(tǒng)電網(wǎng)的依賴，而且可以減少布線需求和運(yùn)維成本，同時(shí)也契合“碳中和”的戰(zhàn)略方向。特別是針對(duì)基站密集部署的超密集組網(wǎng)（UDN,ultra-dense network）和分布式多輸入多輸出移動(dòng)通信系統(tǒng)，其廣泛部署的小基站或天線前端很有可能無法或難以直接連接到電網(wǎng)，需要完全依賴于可再生能源供電。

然而，可再生能源的引入給通信系統(tǒng)帶來了許多新的問題和挑戰(zhàn)，這些挑戰(zhàn)主要來自可再生能源的不確定性。在傳統(tǒng)電網(wǎng)供電的移動(dòng)通信中，能量供給是穩(wěn)定的，研究人員主要面對(duì)的是業(yè)務(wù)需求的隨機(jī)性和傳輸信道的隨機(jī)性問題。而在可再生能源供電的移動(dòng)通信系統(tǒng)中，除了上述2 種隨機(jī)性之外，需要同時(shí)面對(duì)能量供給的隨機(jī)性。傳統(tǒng)資源分配手段面向吞吐量最大化而貪婪式的使用能量，在可再生能源供電條件下，會(huì)嚴(yán)重影響用戶服務(wù)質(zhì)量。

為此，需要擴(kuò)展傳統(tǒng)綠色通信的內(nèi)涵，即僅僅關(guān)注能量效率是遠(yuǎn)遠(yuǎn)不夠的，需要同時(shí)關(guān)注能量持續(xù)性指標(biāo)。該指標(biāo)包含能量中斷和能量溢出2 個(gè)層面。前者指雖有信息服務(wù)的需求但卻沒有足夠能量供給所導(dǎo)致的服務(wù)中斷現(xiàn)象；后者指由于能量緩存容量的限制，雖有充足的能量供給但卻沒有相應(yīng)的信息服務(wù)需求而導(dǎo)致的能量溢出現(xiàn)象。很顯然，這2 種現(xiàn)象都是需要盡量避免的，尤其是服務(wù)中斷現(xiàn)象。

上述問題基本上可以轉(zhuǎn)換為一個(gè)信息流如何與能量流更好匹配的問題，即TANGO[1]思維。一方面，可以讓能量流更好地適配信息流，即在需要傳輸更多信息時(shí)分配更多的能量；反之，則分配更少的能量。這在傳統(tǒng)電網(wǎng)供電的信息系統(tǒng)中是比較容易實(shí)現(xiàn)的，但在可再生能源供電的信息系統(tǒng)中將面臨巨大的挑戰(zhàn)。雖然可以通過調(diào)控能量緩存器（即電池）的充放電來解決，但如何做到時(shí)間尺度的實(shí)時(shí)匹配以及空間維度的動(dòng)態(tài)調(diào)度是問題的難點(diǎn)。另一方面，可以讓信息流更好地適配能量流，即能量供給比較充足時(shí)可以傳輸更多的信息，比如引入緩存與推送機(jī)制，通過對(duì)用戶需求的預(yù)測(cè)計(jì)算出用戶的潛在需求，在能量充足時(shí)進(jìn)行推送或緩存；反之，在能量供給不足時(shí)則可以減少信息的傳遞，比如只提供最基本的信息服務(wù)，而推遲提供增強(qiáng)服務(wù)，直至能量充足，或是將任務(wù)卸載到能量充足的基站。

為此，針對(duì)未來移動(dòng)通信網(wǎng)絡(luò)的能量供給高度動(dòng)態(tài)可變場(chǎng)景，亟待研究以下問題：1) 移動(dòng)通信覆蓋保障的機(jī)理與柔性覆蓋理論；2) 無線頻譜與能量資源高效利用理論；3) 業(yè)務(wù)服務(wù)的智能推送與緩存機(jī)理與方法等。從而揭示能量狀態(tài)信息（即能量到達(dá)的統(tǒng)計(jì)特性和電池狀態(tài)）對(duì)優(yōu)化無線資源管理、傳輸調(diào)度與用戶服務(wù)的價(jià)值，刻畫動(dòng)態(tài)能量供給下的無線鏈路與網(wǎng)絡(luò)性能，以及能量存儲(chǔ)與信息存儲(chǔ)之間的互換機(jī)理等。

下面給出信息流與能量流適配的3 個(gè)例子。

2.1 基于電池儲(chǔ)能信息的能量與信道適配

為了定量描述如何根據(jù)電池儲(chǔ)能狀態(tài)捕捉傳輸機(jī)會(huì)，文獻(xiàn)[12]針對(duì)收發(fā)端均由可再生能源供電的無線鏈路，利用電池儲(chǔ)能信息優(yōu)化發(fā)端的發(fā)射功率和收端的接收行為，最小化由于信道衰落或能量不足導(dǎo)致的傳輸中斷概率。具體地，在電池容量較大的條件下，在所有在線功率控制策略（即沒有未來能量到達(dá)信息，只有歷史信息）中，提出并證明了最優(yōu)功率控制策略是基于電池狀態(tài)的門限形式，即

當(dāng)t時(shí)刻發(fā)端電池儲(chǔ)能大于門限值PS Δ時(shí)，應(yīng)以固定發(fā)射功率Ptx傳輸，滿足發(fā)端整體功率為PS=(1+α)Ptx+PC,S，其中，α是與功放效率有關(guān)的常數(shù)，PC,S是發(fā)端的電路功耗，Δ是時(shí)隙長(zhǎng)度；否則應(yīng)停止發(fā)送，等待能量累積。當(dāng)收發(fā)端不共享電池狀態(tài)時(shí)，最優(yōu)門限的閉式解為

其中，λS是發(fā)端能量到達(dá)率，參數(shù)Bth為

其中，δ是一個(gè)與傳輸速率需求和信道增益相關(guān)的常數(shù)?？梢姡顑?yōu)門限與平均信道增益、能量到達(dá)率和電路功耗之間存在較強(qiáng)的關(guān)聯(lián)關(guān)系。

當(dāng)收發(fā)端可以共享電池狀態(tài)時(shí)，文獻(xiàn)[12]已證明最優(yōu)策略依然是基于電池狀態(tài)的門限形式，即僅在收發(fā)端均有足夠能量進(jìn)行接收和發(fā)送的時(shí)候才傳輸，即

其中，λD是收端能量到達(dá)率?？梢?，在收發(fā)端共享電池狀態(tài)時(shí)，最優(yōu)門限與接收端的能量到達(dá)率和接收電路功率有關(guān)。收發(fā)端均由可再生能源供電的無線鏈路中斷概率如圖7 所示，其中，橫坐標(biāo)為100 mW歸一化的能量到達(dá)率。從圖7 可以看出，共享電池狀態(tài)（Joint）可消除收發(fā)端能量獲取的隨機(jī)差異，相比于不共享電池狀態(tài)（Disjoint 和Linear）能顯著降低傳輸中斷概率，尤其當(dāng)能量到達(dá)率較低時(shí)。

圖7 收發(fā)端均由可再生能源供電的無線鏈路中斷概率

為了通過電池協(xié)作管理使用可再生能源供電和電網(wǎng)，保障鏈路性能，文獻(xiàn)[12]針對(duì)發(fā)端可再生能源與電網(wǎng)混合供電的衰落信道，發(fā)現(xiàn)并證明了吞吐量最大化問題的最優(yōu)功率分配具備兩階段注水結(jié)構(gòu)，即第一階段基于電池容量約束定向注水所采集的可再生能源電量，第二階段在現(xiàn)有水面上用傳統(tǒng)注水法分配電網(wǎng)功率。上述結(jié)論簡(jiǎn)潔且物理意義明確，是提出可再生能源與電網(wǎng)協(xié)同的最早論文之一，拓展了前人學(xué)者針對(duì)僅有可再生能源供電條件下的最優(yōu)功率控制結(jié)論。文獻(xiàn)[13]則進(jìn)一步將上述結(jié)果拓展到了多天線場(chǎng)景，發(fā)現(xiàn)并證明了最優(yōu)的空時(shí)聯(lián)合注水結(jié)構(gòu)。

2.2 基于負(fù)載轉(zhuǎn)移的能量與業(yè)務(wù)空間適配

移動(dòng)業(yè)務(wù)不僅在時(shí)域上動(dòng)態(tài)變化，在空間域的分布也是高度不均勻的。傳統(tǒng)上為了保障任何時(shí)間、任何地點(diǎn)的業(yè)務(wù)覆蓋，往往采用最壞情況設(shè)計(jì)的原則，即在任何地點(diǎn)均按照可能出現(xiàn)的峰值流量部署網(wǎng)絡(luò)資源。這會(huì)不可避免地造成網(wǎng)絡(luò)資源的浪費(fèi)，因?yàn)樵谝惶熘心硞€(gè)基站的流量能夠真正達(dá)到峰值的時(shí)間是非常短的。

在超蜂窩架構(gòu)下，由于基站可以隨時(shí)隨地進(jìn)入休眠狀態(tài)，因此即使按照峰值流量來配置，網(wǎng)絡(luò)資源浪費(fèi)也不會(huì)很大，同時(shí)也不再有必要保持各基站之間的負(fù)載均衡，完全可以通過適當(dāng)?shù)呢?fù)載轉(zhuǎn)移將低負(fù)載基站的業(yè)務(wù)轉(zhuǎn)移至相鄰的中高負(fù)載基站中，通過關(guān)斷低負(fù)載基站節(jié)省能量的同時(shí)，提高中高負(fù)載基站的資源利用率。當(dāng)然，針對(duì)傳統(tǒng)蜂窩網(wǎng)絡(luò)，在負(fù)載較大時(shí)，通過負(fù)載轉(zhuǎn)移實(shí)現(xiàn)基站間的負(fù)載均衡還是會(huì)提高整體服務(wù)質(zhì)量的。

為此，本文提出了一種將業(yè)務(wù)負(fù)載轉(zhuǎn)移與主被動(dòng)基站休眠，以及多基站協(xié)作傳輸聯(lián)合優(yōu)化的策略[14]，等效地實(shí)現(xiàn)了能量在基站間的“轉(zhuǎn)移”，解決了能量到達(dá)及其存儲(chǔ)在不同基站間的不均勻性與業(yè)務(wù)在小區(qū)間動(dòng)態(tài)變化相失配的問題。具體地，通過將負(fù)載轉(zhuǎn)移到能量到達(dá)或存儲(chǔ)較充分的基站進(jìn)行服務(wù)，實(shí)現(xiàn)了能量在基站間的等效“轉(zhuǎn)移”。特別地，區(qū)別于貪婪式的用能方式，采用動(dòng)態(tài)規(guī)劃理論，體現(xiàn)當(dāng)前時(shí)刻的基站休眠和資源分配決策對(duì)未來電池中可用能量的影響，減少了能量不足可能導(dǎo)致的服務(wù)中斷。

進(jìn)一步地，文獻(xiàn)[6]將上述工作拓展至異構(gòu)蜂窩網(wǎng)，即同時(shí)考慮基站類型的異構(gòu)與能量供給方式的異構(gòu)，通過不同層之間的業(yè)務(wù)卸載，在空間上實(shí)現(xiàn)了能量與業(yè)務(wù)的適配。同時(shí)，利用多基站協(xié)作，聯(lián)合優(yōu)化多基站聯(lián)合預(yù)編碼和可再生能源供電，從協(xié)作傳輸?shù)慕嵌葘?shí)現(xiàn)了基站間的能量“轉(zhuǎn)移”。面向能效優(yōu)化的異構(gòu)蜂窩網(wǎng)絡(luò)負(fù)載聚集如圖8 所示，仿真表明，低負(fù)載條件下進(jìn)行負(fù)載聚集（而非負(fù)載均衡），可顯著降低網(wǎng)絡(luò)能耗。

圖8 面向能效優(yōu)化的異構(gòu)蜂窩網(wǎng)絡(luò)負(fù)載聚集

2.3 基于緩存推送的能量與業(yè)務(wù)時(shí)域適配

針對(duì)可再生能源供能的隨機(jī)性與業(yè)務(wù)請(qǐng)求在時(shí)間上不匹配的問題，提出了一種基于內(nèi)容緩存與提前推送的可再生能源有效利用機(jī)制[15]，其核心思路是：當(dāng)電池電量充足或可再生能源供能充分時(shí)，在基站處主動(dòng)緩存受關(guān)注度高的內(nèi)容，或?qū)⒁丫彺鎯?nèi)容提前推送至用戶端，使用戶仍可在基站電池電量或可再生能源供能不足時(shí)從本地獲取所需的信息。這一思路克服了可再生能源供能的隨機(jī)性以及電池容量約束，使能量可以“提前”使用以適配業(yè)務(wù)在時(shí)間上的變化，等效于將能量在時(shí)間上進(jìn)行了“轉(zhuǎn)移”。文獻(xiàn)[16]中基于馬爾可夫決策理論給出了最優(yōu)的推送策略，提出了基于電池狀態(tài)的門限推送策略，該門限值與未推送內(nèi)容的訪問概率相關(guān)，并證明了該門限策略在電池容量較大時(shí)或能量到達(dá)率較低時(shí)可逼近最優(yōu)策略?；陔姵貭顟B(tài)的推送緩存策略的性能如圖9 所示，其中cλ為內(nèi)容的更新率。數(shù)值仿真表明，所提策略的性能關(guān)于電池容量穩(wěn)健，即較小的電池容量也不會(huì)對(duì)性能產(chǎn)生明顯的影響。

圖9 基于電池狀態(tài)的推送緩存策略的性能

3 綠色計(jì)算與人工智能算法

另外一種可能的“開源”途徑是引入更多的計(jì)算與存儲(chǔ)資源。隨著算力的提升以及軟件定義網(wǎng)絡(luò)（SDN,software-defined network）、網(wǎng)絡(luò)功能虛擬化（NFV,network function virtualization）等技術(shù)的發(fā)展，無線通信系統(tǒng)中的信號(hào)和基帶處理等已開始逐步采用通用計(jì)算和存儲(chǔ)資源[17]，以支持靈活的網(wǎng)絡(luò)重構(gòu)與切片，并通過基帶信號(hào)處理的集中化簡(jiǎn)化基站前端的功能，從而降低全網(wǎng)成本與能耗，是下一代蜂窩系統(tǒng)的重要使能技術(shù)之一。某種意義上講，相當(dāng)于用計(jì)算資源來換取通信資源的節(jié)省。然而，經(jīng)典云化無線接入網(wǎng)（CRAN,cloud radio access network）過度依賴于前傳通信資源進(jìn)行大規(guī)模的高帶寬基帶信號(hào)匯聚，造成通信與計(jì)算資源的失配，從而降低資源的利用效率。因此，如何實(shí)現(xiàn)通信與計(jì)算資源的協(xié)同設(shè)計(jì)與優(yōu)化，提高網(wǎng)絡(luò)整體的效能，是一個(gè)亟待解決的科學(xué)問題。

與此同時(shí)，隨著移動(dòng)物聯(lián)網(wǎng)、大數(shù)據(jù)和人工智能等技術(shù)的快速發(fā)展，無線通信網(wǎng)絡(luò)將不僅要承擔(dān)大容量低時(shí)延的通信服務(wù)，還需要滿足各類無線節(jié)點(diǎn)隨時(shí)隨地計(jì)算并共享計(jì)算結(jié)果的迫切需求。具體地，從物聯(lián)網(wǎng)傳感器到智能手機(jī)，從基站設(shè)備到網(wǎng)聯(lián)汽車，未來都將具備可定制或通用的計(jì)算資源，從而改變?cè)械膯我挥?jì)算模式，并通過無線網(wǎng)絡(luò)實(shí)現(xiàn)協(xié)同計(jì)算，支持自動(dòng)駕駛、智能制造、智慧醫(yī)療、安防和環(huán)境監(jiān)測(cè)等領(lǐng)域的廣泛應(yīng)用?？梢?，未來無線網(wǎng)絡(luò)將承載大量由各類機(jī)器產(chǎn)生的、以計(jì)算和控制業(yè)務(wù)為主體的全新業(yè)務(wù)，使通信與計(jì)算在需求和資源上均存在強(qiáng)耦合。換言之，無線網(wǎng)絡(luò)將從原來搬移數(shù)據(jù)的單純管道進(jìn)化為面向機(jī)器學(xué)習(xí)和協(xié)同控制的信息感知、傳輸、處理為一體的智慧網(wǎng)聯(lián)通道。因此，如何協(xié)調(diào)異構(gòu)移動(dòng)智能體，實(shí)現(xiàn)分布式學(xué)習(xí)與決策是另一個(gè)亟待解決的科學(xué)問題。

當(dāng)然，引入算力與人工智能算法都需要付出巨大的能耗代價(jià)，因此算力與人工智能算法的部署與運(yùn)營(yíng)也應(yīng)該遵循柔性的思維，只在必要時(shí)才啟用，即AI-on-Demand 或簡(jiǎn)稱為Green AI。具體地，算力與人工智能算法的使用應(yīng)至少滿足以下4 個(gè)條件。

1) 建模不再可能或是模型非常復(fù)雜。例如，未來毫米波甚至太赫茲波段的信道模型以及阻擋模型，截至目前還未找到比較好的數(shù)學(xué)模型，而且有跡象表明，即使能夠建立數(shù)學(xué)模型，其復(fù)雜度也將是非常高的，難以進(jìn)行數(shù)學(xué)分析。

2) 高質(zhì)量的數(shù)據(jù)可以獲取且數(shù)據(jù)量足夠。眾所周知，AI 算法的可靠性嚴(yán)重依賴于高質(zhì)量且足夠數(shù)量的訓(xùn)練數(shù)據(jù)，傳統(tǒng)語音、圖片、視覺等數(shù)據(jù)比較容易獲取，且通用性很強(qiáng)。但通信信道、通信業(yè)務(wù)、網(wǎng)絡(luò)環(huán)境等通信相關(guān)的數(shù)據(jù)一般都與數(shù)據(jù)獲取的時(shí)間和地點(diǎn)緊密相關(guān)，且隨時(shí)間和地點(diǎn)不斷變化，因此一般通用性很差，必須隨時(shí)隨地反復(fù)獲取和更新。

3) AI 算法不是很復(fù)雜，使基于AI的決策可以實(shí)時(shí)進(jìn)行。利用AI 算法的最終目的是做決策，而決策往往要求非常高的實(shí)時(shí)性，否則難以應(yīng)用于諸如虛擬與增強(qiáng)現(xiàn)實(shí)、自動(dòng)駕駛等場(chǎng)景。

4) 基于AI 決策的收益或性能增益大于所需付出代價(jià)（包括能耗代價(jià)）。眾所周知，基于AI的決策往往需要訓(xùn)練規(guī)模很大的深度神經(jīng)網(wǎng)絡(luò)，并維護(hù)大規(guī)模的數(shù)據(jù)庫，其代價(jià)（特別是能耗代價(jià)）非常高。因此基于AI的決策所能帶來的收益必須足夠大，否則沒有意義。

針對(duì)上述科學(xué)問題，下面給出3 個(gè)典型的解決案例。

3.1 基于網(wǎng)絡(luò)功能虛擬化的軟件定義超蜂窩網(wǎng)絡(luò)

如2.1 節(jié)所述，超蜂窩網(wǎng)絡(luò)可以在保障蜂窩網(wǎng)絡(luò)無縫覆蓋和頻譜效率的同時(shí)，通過引入基站的動(dòng)態(tài)休眠和資源調(diào)度，大幅度降低網(wǎng)絡(luò)整體能耗。但業(yè)務(wù)基站的密集部署仍將面臨巨大的部署與管理成本，而且隨著計(jì)算資源和人工智能算法在網(wǎng)絡(luò)邊緣的大量引入，移動(dòng)網(wǎng)絡(luò)將面臨更加嚴(yán)峻的管理成本與能耗挑戰(zhàn)。

為此，結(jié)合當(dāng)前移動(dòng)接入網(wǎng)的發(fā)展趨勢(shì)，本文將空口的控制/業(yè)務(wù)分離、軟件定義網(wǎng)絡(luò)中的控制/用戶面分離有機(jī)結(jié)合，提出了基于云架構(gòu)、基站功能虛擬化的軟件定義超蜂窩網(wǎng)絡(luò)系統(tǒng)框架[18]，如圖10所示，并實(shí)現(xiàn)了如圖11 所示的演示驗(yàn)證平臺(tái)。該平臺(tái)實(shí)現(xiàn)了GSM/GPRS 和LTE 協(xié)議棧，支持商用終端接入。實(shí)測(cè)表明，所提出的軟件定義超蜂窩架構(gòu)可通過靈活的控制/業(yè)務(wù)分離支持動(dòng)態(tài)基站休眠，分離所帶來的信令時(shí)延開銷僅0.36 ms。此外，所提的軟件定義超蜂窩架構(gòu)和休眠算法在不同的休眠級(jí)別下可取得約16%～60%的能耗節(jié)省?？梢姡摷軜?gòu)可使移動(dòng)網(wǎng)絡(luò)根據(jù)實(shí)際業(yè)務(wù)需求進(jìn)行動(dòng)態(tài)重構(gòu)變得更加容易，進(jìn)一步提高了超蜂窩網(wǎng)絡(luò)的靈活性和智能化水平。它不僅可以滿足未來無線移動(dòng)通信在譜效、能效、用戶體驗(yàn)和彈性接入等多重指標(biāo)的綜合需求，還可支持靈活的無線網(wǎng)絡(luò)重構(gòu)、剪裁及網(wǎng)絡(luò)升級(jí)等，與核心網(wǎng)的SDN 取得良好的協(xié)調(diào)。

圖10 軟件定義超蜂窩網(wǎng)絡(luò)系統(tǒng)框架

圖11 軟件定義超蜂窩網(wǎng)絡(luò)演示驗(yàn)證平臺(tái)

進(jìn)一步地，基于虛擬化基帶功能的靈活分割和部署，文獻(xiàn)[19]實(shí)現(xiàn)了業(yè)務(wù)需求與異質(zhì)異址的無線和計(jì)算資源的動(dòng)態(tài)適配，提出了高能效的計(jì)算資源虛擬化與動(dòng)態(tài)調(diào)度機(jī)制，以及基于軟件定義包交換的前傳網(wǎng)全新設(shè)計(jì)[20]，其中的理論貢獻(xiàn)如下。采用極限分析得到了虛擬基帶池和包交換前傳網(wǎng)的統(tǒng)計(jì)復(fù)用增益的閉式表達(dá)，并在此基礎(chǔ)上給出了虛擬基帶池規(guī)模的最優(yōu)值，得出了以下兩點(diǎn)結(jié)論：1) 適當(dāng)部署計(jì)算資源可節(jié)省無線頻譜和能量資源，如圖12所示；2) 虛擬基站池規(guī)模存在一個(gè)最優(yōu)值，不宜太大或太小，應(yīng)采取組簇方式構(gòu)建中等規(guī)模基帶池，如圖13 所示，其中，a為基站負(fù)載，K為射頻通信資源數(shù)，Pbth為阻塞率需求，虛擬基站池規(guī)模在50 左右即可獲得主要的性能增益。

圖12 通信資源與計(jì)算資源的互換

圖13 虛擬基站池規(guī)模與性能增益的關(guān)系

3.2 通信與計(jì)算資源的高能效協(xié)同優(yōu)化方法

考慮智能終端之間或智能終端與網(wǎng)絡(luò)邊緣之間通過無線傳輸與計(jì)算卸載，協(xié)作完成深度學(xué)習(xí)（如事件檢測(cè)、視覺分析、實(shí)時(shí)決策等）的模型訓(xùn)練與推斷任務(wù)，如圖14 所示。在此場(chǎng)景下，通信與計(jì)算緊密耦合。例如，在能量和計(jì)算資源受限的終端上執(zhí)行復(fù)雜的神經(jīng)網(wǎng)絡(luò)推斷會(huì)導(dǎo)致難以容忍的時(shí)延，然而將推斷完全卸載至網(wǎng)絡(luò)邊緣或其他終端將需要傳輸大量數(shù)據(jù)，帶寬受限條件下也會(huì)增加任務(wù)完成的時(shí)延。為此，需要對(duì)無線資源和計(jì)算資源進(jìn)行協(xié)同調(diào)度，通過優(yōu)化計(jì)算任務(wù)在不同終端之間，以及終端和網(wǎng)絡(luò)之間的分割與部署，提高邊緣計(jì)算的能量效率。

如圖14(a)所示，考慮基于深度神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)推斷任務(wù)由網(wǎng)絡(luò)中的多個(gè)節(jié)點(diǎn)協(xié)作完成場(chǎng)景。將神經(jīng)網(wǎng)絡(luò)的前若干層放置在終端本地，并將該部分計(jì)算產(chǎn)生的中間參數(shù)由無線信道傳輸至其他協(xié)作終端或邊緣云完成剩余網(wǎng)絡(luò)的計(jì)算?；谏窠?jīng)網(wǎng)絡(luò)剪枝技術(shù)，文獻(xiàn)[21]提出了面向協(xié)作推斷的兩步壓縮方法，依次對(duì)推斷任務(wù)的整體計(jì)算復(fù)雜度及中間層傳輸數(shù)據(jù)量進(jìn)行了壓縮，以支持靈活的網(wǎng)絡(luò)分割。圖15 反映了不同分割點(diǎn)對(duì)應(yīng)的推斷總時(shí)延和終端能耗，以及二者的折中關(guān)系。在Conv1層分割，能夠以較少的終端能耗較大幅度降低推斷時(shí)延，但若想繼續(xù)降低推斷時(shí)延，所需要的能量將大大增加。因此，在滿足推斷決策的時(shí)效性和精度需求的同時(shí)，應(yīng)遵循“按需適度服務(wù)”的原則，優(yōu)化終端和網(wǎng)絡(luò)側(cè)能效。

如圖14(b)所示，針對(duì)訓(xùn)練類任務(wù)，現(xiàn)有框架主要包括多終端與網(wǎng)絡(luò)邊緣聯(lián)合訓(xùn)練深度學(xué)習(xí)模型的聯(lián)邦學(xué)習(xí)（FL,federated learning），以及終端間協(xié)同的分布式訓(xùn)練（DGD,decentralized gradient descent）?？紤]聯(lián)邦學(xué)習(xí)場(chǎng)景，文獻(xiàn)[22]針對(duì)終端計(jì)算能力和傳輸性能的雙重隨機(jī)性，分析它們對(duì)聯(lián)邦學(xué)習(xí)收斂速度的影響，基于此設(shè)計(jì)并優(yōu)化終端的梯度傳輸調(diào)度與帶寬分配，最大化模型收斂速率。針對(duì)終端能量受限場(chǎng)景，基于李雅普諾夫優(yōu)化理論建立虛擬能量隊(duì)列，以表征當(dāng)前能量使用較預(yù)期的偏差。進(jìn)一步設(shè)計(jì)了能量與訓(xùn)練性能折中的效用函數(shù)，提出終端動(dòng)態(tài)調(diào)度策略，并對(duì)該策略在能耗預(yù)測(cè)存在誤差條件下的穩(wěn)健性進(jìn)行了分析。高能效聯(lián)邦學(xué)習(xí)終端動(dòng)態(tài)調(diào)度策略的訓(xùn)練正確率和能量使用比例如圖16 所示，本地訓(xùn)練數(shù)據(jù)為均質(zhì)（iid）或非均質(zhì)（non-iid）分布，m為每個(gè)終端的數(shù)據(jù)標(biāo)簽種類數(shù)目。使用CIFAR-10數(shù)據(jù)集的仿真結(jié)果顯示，所提動(dòng)態(tài)調(diào)度策略可在滿足終端能量約束的條件下，優(yōu)化聯(lián)邦學(xué)習(xí)的訓(xùn)練性能，在數(shù)據(jù)非均質(zhì)分布的情況下，正確率較對(duì)比策略提高4.9%[23]。

圖14 深度學(xué)習(xí)模型訓(xùn)練與推斷任務(wù)

圖15 不同分割點(diǎn)對(duì)應(yīng)的推斷總時(shí)延和終端能耗及二者的折中關(guān)系

圖16 高能效聯(lián)邦學(xué)習(xí)終端動(dòng)態(tài)調(diào)度策略的訓(xùn)練正確率和能量使用比例

對(duì)于多任務(wù)混合共存的場(chǎng)景，可基于服務(wù)功能鏈刻畫分割后子任務(wù)之間的依賴關(guān)系，在終端的能耗和計(jì)算能力、頻譜資源約束下，優(yōu)化任務(wù)在終端和網(wǎng)絡(luò)之間的分割和部署，以提供“按需適度服務(wù)”。針對(duì)邊緣云的節(jié)能，借鑒蜂窩網(wǎng)基站節(jié)能的思想，提出計(jì)算任務(wù)部署的重構(gòu)轉(zhuǎn)移機(jī)制[24]，在計(jì)算負(fù)載較輕時(shí)，通過負(fù)載聚集為基站或邊緣計(jì)算單元提供更多的休眠機(jī)會(huì)以實(shí)現(xiàn)節(jié)能。

3.3 移動(dòng)智能體的分布式計(jì)算與協(xié)同

將終端的計(jì)算業(yè)務(wù)卸載到基站側(cè)的通用計(jì)算資源進(jìn)行處理，可有效節(jié)約終端計(jì)算所需的能耗[25]。而用戶移動(dòng)會(huì)導(dǎo)致執(zhí)行計(jì)算任務(wù)的虛擬機(jī)在基站之間遷移，產(chǎn)生額外的資源重構(gòu)時(shí)延。傳統(tǒng)基于信道質(zhì)量的切換方式會(huì)導(dǎo)致頻繁的虛擬機(jī)遷移，將不再適用。同時(shí)，通信與計(jì)算異質(zhì)資源的聯(lián)合優(yōu)化和用戶調(diào)度所面臨的多維系統(tǒng)信息獲取和高復(fù)雜度優(yōu)化，在移動(dòng)環(huán)境下顯得尤為重要。因此，面向網(wǎng)聯(lián)節(jié)點(diǎn)的協(xié)同環(huán)境感知和自動(dòng)駕駛等典型應(yīng)用，針對(duì)網(wǎng)絡(luò)在拓?fù)?、能量獲取、頻譜信道、計(jì)算資源的多維動(dòng)態(tài)特性，亟待研究如何在高動(dòng)態(tài)環(huán)境下聯(lián)合分配計(jì)算任務(wù)和調(diào)度無線通信資源，在滿足服務(wù)質(zhì)量的同時(shí)優(yōu)化全網(wǎng)能效。

首先，文獻(xiàn)[26]基于多臂賭博機(jī)理論提出了一種超密集網(wǎng)絡(luò)下計(jì)算感知的在線切換優(yōu)化機(jī)制，綜合考慮虛擬機(jī)遷移代價(jià)和信道狀態(tài)，在相同終端能耗水平下，可以降低20%的計(jì)算任務(wù)完成時(shí)延。該方法不需要額外信令，對(duì)用戶移動(dòng)、計(jì)算業(yè)務(wù)負(fù)載動(dòng)態(tài)變化穩(wěn)健，其理論貢獻(xiàn)如下：傳統(tǒng)的多臂賭博機(jī)理論只能處理固定的切換待選基站集合，該方法可以處理時(shí)變的待選基站集合和任務(wù)大小，且證明該方法性能與離線最優(yōu)解的差距有界。

同時(shí)，隨著智能網(wǎng)聯(lián)汽車快速發(fā)展，未來汽車將集強(qiáng)大的感知、通信、計(jì)算與控制功能于一體，并具備自供電能力。在此背景下，本文提出了車載云計(jì)算的新思路[27]，其架構(gòu)如圖17 所示，網(wǎng)絡(luò)主動(dòng)利用車輛的剩余算力獲得機(jī)會(huì)式計(jì)算服務(wù)，并通過車輛的移動(dòng)將智能擴(kuò)散到網(wǎng)絡(luò)的各個(gè)角落。車輛的移動(dòng)性可能帶來更多的計(jì)算機(jī)會(huì)，對(duì)于降低計(jì)算服務(wù)的時(shí)延和網(wǎng)絡(luò)節(jié)能具有積極影響，這就是所提MEET（mobility-enhanced edge intelligence）的概念。

圖17 車載云計(jì)算架構(gòu)

針對(duì)有中心控制節(jié)點(diǎn)的場(chǎng)景，文獻(xiàn)[28]基于馬爾可夫決策過程得到了最優(yōu)任務(wù)卸載策略，即優(yōu)先卸載已復(fù)制份數(shù)最少的任務(wù)，可最大化任務(wù)在時(shí)延界約束下的成功率。車輛速度與任務(wù)完成比例的關(guān)系如圖18 所示。該研究還發(fā)現(xiàn)，使任務(wù)完成成功率最大的最優(yōu)車速大于傳統(tǒng)交通流量最大化的最優(yōu)車速，這也反映了移動(dòng)性對(duì)于計(jì)算服務(wù)性能的正面效應(yīng)。

圖18 車輛速度與任務(wù)完成比例的關(guān)系

針對(duì)車輛間的分布式卸載場(chǎng)景，文獻(xiàn)[29]基于多臂賭博機(jī)理論，提出了可自適應(yīng)于車輛拓?fù)鋭?dòng)態(tài)變化的在線學(xué)習(xí)卸載策略。為了充分利用周圍車輛的計(jì)算機(jī)會(huì)，可通過任務(wù)復(fù)制卸載的方法，將每個(gè)任務(wù)同時(shí)卸載到多個(gè)服務(wù)車并行處理[30]。任務(wù)復(fù)制份數(shù)J對(duì)卸載可靠性的影響如圖19 所示?；谡鎸?shí)道路的仿真結(jié)果顯示，適量任務(wù)復(fù)制可在拓?fù)鋾r(shí)變、傳輸鏈路不穩(wěn)定、車輛計(jì)算能力時(shí)變的環(huán)境下，使任務(wù)完成成功率達(dá)到99.6%。進(jìn)一步地，編碼計(jì)算可使用較少的通信和計(jì)算資源獲得良好的分集增益[27,31]，從而賦能移動(dòng)智能體間的高可靠、低時(shí)延、高能效協(xié)同。

圖19 任務(wù)復(fù)制份數(shù)對(duì)卸載可靠性的影響

4 結(jié)束語

本文面向國(guó)家“雙碳”戰(zhàn)略需求，針對(duì)無線通信與邊緣計(jì)算業(yè)務(wù)量高速增長(zhǎng)所面臨的能耗瓶頸，研究并總結(jié)出可在提高移動(dòng)通信系統(tǒng)容量的同時(shí)大幅降低網(wǎng)絡(luò)能耗的理論與方法。具體地，通過引入超蜂窩網(wǎng)絡(luò)架構(gòu)實(shí)現(xiàn)網(wǎng)絡(luò)的柔性覆蓋與彈性接入，使業(yè)務(wù)基站和邊緣服務(wù)器在業(yè)務(wù)量較低時(shí)可以進(jìn)入休眠狀態(tài)，減少能量的浪費(fèi)（即“節(jié)流”）。同時(shí)，大量引入可再生綠色能源（即“開源”），通過能量流與信息流的智能適配，大幅降低電網(wǎng)的能耗。進(jìn)一步地，通過網(wǎng)絡(luò)功能虛擬化、通信與計(jì)算資源的高能效協(xié)同，以及移動(dòng)智能體的分布式計(jì)算與協(xié)同等手段，實(shí)現(xiàn)綠色計(jì)算與人工智能算法。典型的解決方案展示了上述理論與方法的可行性與有效性，可支撐未來5G 和6G 網(wǎng)絡(luò)作為智能化社會(huì)基礎(chǔ)設(shè)施的可持續(xù)性演進(jìn)。