混合业务下基于能效准则的基站开/关选择策略

Foundation items: Supported by the National Natural Science Foundation of China(61171083,61322108,61271209,61431005),the Key Grant Project of Chinese Ministry of Education(313021)and the Industry-University-Research Joint Project of Guangdong Province and the Ministory of Education(2012J2200005)

混合业务下基于能效准则的基站开/关选择策略*

潘伟锵1胡少东2,3刘靖4

(1.华南理工大学 网络中心， 广东 广州 510640; 2.中国电信股份有限公司 广东研究院， 广东 广州 510630;

3.华南理工大学 电子与信息学院， 广东 广州 510640; 4.中国电信广东分公司， 广东 广州 510081)

摘要：为提升无线系统的能效，针对用户随时间的潮汐变化特点，文中提出了一种通过基站开关切换提升系统能效的方法——基于能效准则的基站开/关选择策略，将用户业务分为恒定比特率业务和可变比特率业务，在满足恒定比特率业务的约束下最大化能源效率.文中采用改进的自适应遗传算法来求解此约束优化问题，即基站开关状态用二进制编码，通过设计的选择、交叉、变异实现迭代寻优.仿真结果表明:文中提出的改进遗传算法收敛速度快，能有效对抗染色体群体的早熟问题;在满足恒定比特率用户需求的前提下，文中策略可有效地提升无线系统的能效，其性能接近穷举算法.

关键词：基站开关；能效；遗传算法；约束优化

收稿日期：2015-03-17

基金项目：* 国家自然科学基金资助项目(61171083,61322108,61271209,61431005);教育部科技研究重大专项(313021);广东省教育部产学研结合项目(2012J2200005)

作者简介：潘伟锵(1972-),男,博士,高级工程师,主要从事通信网络研究.E-mail: wqpan@scut.edu.cn

文章编号：1000-565X(2015)05-0030-05

中图分类号：TN929.5

doi:10.3969/j.issn.1000-565X.2015.05.005

随着移动互联网的快速发展,用户对高速率数据业务的需求越来越大.增加网络容量的一个基本技术是部署更多的基站,但这同时也带来了巨大的能耗问题[1].构建绿色网络、节省网络能耗已成为无线网络的一个研究热点[2].

通过有目的性的无线资源调度可实现能效提升,从时间粒度上可分为短时处理和长时处理两种方式.短时处理以毫秒、秒为单位,一般是根据突发业务的特征在时隙、子载波等小尺度上调度资源.长时处理以小时、天为单位,从射频功率、基站开关等方面进行资源调度.文中主要关注长时处理.研究表明,在蜂窝网络中操作所需能量的80%消耗在基站,并且用户业务在时间上有明显的潮汐效应[3],因此,在用户量下降时可以关闭一部分基带电路和射频,以降低系统能耗,这一策略称为基站开/关(CSO)策略,是绿色无线接入的一个重要研究方向.

基站开/关策略在过去几年受到广泛的关注.文献[3]较早针对这一策略的实用性进行分析,结果表明,CSO在节约能源方面的潜在效益主要受站点密度、用户负载等因素的影响.目前针对这一问题已经有多种算法[3-12],现有算法一般把CSO问题转化为约束优化模型,其中约束条件基于用户或业务的服务质量(QoS)要求,如文献[3,5]采用的约束条件是用户阻塞概率低于一个门限值,文献[6-7]采用的约束条件是满足用户的最低传输速率要求.目标函数一般采用最少激活基站[6-8]、最小能耗准则[9-10]或最大能效准则[11-12],其中能效一般定义为单位能量实现的吞吐量.在具体求解算法方面,一般采用启发式算法[4-11].因为CSO问题是典型的非线性NP完全问题,不可能在多项式时间内寻找最优解.因此,启发式算法是这类复杂问题的有效解决方案.

现有研究主要针对单一的业务模型,但在实际的系统中,语音业务和数据业务有不同的特性.文中针对这一特性考虑了密集蜂窝系统,其中用户可能使用恒定比特率(CBR)或可变比特率(VBR)业务.典型的CBR业务包含语音、时频流等实时业务.典型的VBR业务包含文件下载、网页浏览等数据应用.因此文中系统模型更接近实际情况.为最大限度地提高能效,即单位能量实现的吞吐量,文中将基站开/关选择优化问题归结为一个二进制规划(BP)问题.然而,由于目标函数值和未知参数之间没有闭式表达式,因此传统的优化方法如松弛法无法应用,文中采用遗传算法(GA)来求解该约束优化问题.遗传算法采用和生物进化类似的方式进行迭代求解,其有效性已在信道估计、资源分配等领域得到验证[13-16].针对问题的特殊性,文中采用了可变交叉概率和突变概率以防止群体早熟，通过计算机仿真验证了文中所提算法的有效性.

1模型的建立

1.1基站及用户模型

设某区域分布有M个基站,基站有开启和关闭两种工作模式,分别用“1”和“0”来表示,其工作状态记为{I1,I2,…,IM},第m个基站的发送功率为Pm.假设系统有N个静态用户,用户可使用CBR业务或VBR业务,并且系统优先满足CBR业务.用户需要从周围若干个开启的基站中选择一个基站来接入无线网络,CBR用户优先从最近的基站获取资源建立连接,VBR用户则从附近若干个可满足其基本带宽要求的基站中选取最近的基站接入网络.用户与基站之间的关联可用关联矩阵BN×M表示,其元素bn,m∈{0,1},bn,m=1表示有关联,bn,m=0表示无关联,易知对关联矩阵有以下约束:

(1)

bn,m≤sgnPm

(2)

约束(1)表示用户n只与一个基站链接,约束(2)表示用户n只与开启的基站建立连接.用户可处于活跃和非活跃状态.活跃用户指当前时刻有业务需求的用户,可使用CBR业务或VBR业务.在任一时刻,系统按以下方式产生活跃用户:假设该地区所有的用户下行链路业务需求的到达服从泊松过程(即单个用户业务下行链路需求到达的时间间隔服从某个均值的指数分布),则可以生成所有用户在未来一段时间内的下行链路业务需求.在这段较长时间内,对每个用户的下行流量需求建立一个队列,用于存储该用户还未完成的业务需求.新接入的业务需求可按一定概率分为CBR和VBR两种类型.

在实际系统中,CBR业务和VBR业务有不同的QoS要求,一般优先满足CBR业务,剩下的资源才由VBR用户分配.

1.2能效及算法模型

文中采用的能效指标定义为单位能耗实现的吞吐量:

(3)

式中,T为系统的观测持续时间,C(t)为瞬时总速率,P(t)为瞬时总功率.令Cn(t)表示第n个用户的瞬时速率,则系统的总瞬时速率可表示为

(4)

若用户在当前时刻不是激活用户,则Cn(t)=0;如果用户是CBR用户,则速率为相应CBR业务所要求的速率;如果用户是VBR用户,则此时的频带资源首先满足CBR用户,剩下的资源满足VBR用户的基本要求后平均分配给该小区内的VBR用户,即VBR用户的资源有基本资源和平均分配资源两部分.首先计算CBR用户占用的带宽资源.现有移动系统普遍存在反馈链路,CBR用户n可将其信干噪比(γn)反馈给基站,基站计算CBR用户n占用的频带资源:

(5)

(6)

该小区内VBR用户的瞬时速率可由香农公式计算:

(7)

在一个时隙间隔内,区域系统能耗模型为[4]

(8)

maxJ({Im})

(9)

s.t.满足CRB用户需求.

2算法描述

问题(9)是一个二进制规划问题,但其能效值如何从基站开/关状态计算得到,并没有确定的闭式表达式,故不能用松弛法等传统方法来解决此优化问题,文中拟采用遗传算法来求解.遗传算法是一种基于自然选择、遗传理论的随机搜索和全局优化算法,算法从一组候选解(称为染色体)开始,经过选择、交叉、变异等操作产生新的群体,经过若干代的优化直到收敛.经典遗传算法的具体流程如下:

1)适应度评估.适应度评估的本质是检验各染色体作为优化问题候选解的优选程度.在文中的优化模型中,可以根据式(3)计算出染色体的能效值,并直接用于衡量染色体的适应度.因为染色体还必须满足式(9)中的约束条件,对不满足约束条件的染色体,可以认为其适应度为0.

2)选择算子.选择算子的作用是使优良的染色体有更大的可能性繁衍后代.文中采用如下方法选择算子,即基于步骤1)的适应度评估结果对染色体进行排序,按一定比例选择最优的部分染色体进入子代,其他子代成员从父代成员随机选择.

3)配对及交叉.交叉的目的是使不同染色体中的优良基因有机会组合在一起.文中采用如下的交叉策略,即群体的染色体随机两两配对，每组配对先随机确定一个交叉点,然后按一定概率进行交叉.

4)突变.突变操作的作用是拓展解的搜索空间.对于二进制编码的染色体,可采用简单的突变策略,即各染色体的位按一定概率取反.

经典遗传算法在每次群体适应度评估后可进行收敛性判断,如果连续几代最优染色体的适应度都没有提升,则认为算法已经收敛.上述针对二进制编码问题的经典遗传算法一般存在早熟收敛问题[13-14],因为遗传算法单纯由个体适应度值决定解的优劣,当某个个体的适应度值较大时,该个体的基因就会在种群内迅速扩散,导致种群过早失去多样性,解的适应度值停止提高,陷入局部最优解,从而找不到全局最优解.

鉴于基本遗传算法的局限性,文中采用改进的遗传算法[15],其思路如下:在迭代过程中,为了对当前一代种群的整体优良情况作出分析,定义一个相似系数.相似系数用于反映当前一代种群个体之间的相似程度.当相似系数较小时,表示种群个体之间的相似程度较低;反之较高.为了反映种群中个体适应度值的总体平均水平以及个体适应度值偏离平均水平的程度,文中引入概率论中的期望和方差,以期望反映种群适应度的平均水平、方差反映个体适应度的离散程度,即

(10)

(11)

式中,Q为种群个体数,Ji(i=1,2,…,Q)为个体i的能效值.

睡了多久，几个小时，几十分钟，不知道。醒过来浑身冰冷发硬，封闭的环形走廊，照明灯光星星点点洒落。没有窗口可以看见天色变化，但她感觉已是凌晨。内心有无限寥落洞明，如同少年时独自在空旷房间里醒来，猜测失踪的贞谅是否回返。如同手里捧着一面镜子，小心翼翼，背负难以置放的重量和易碎的前景。安静下来，反省和回望一路选择，原来是一次机会。给心摁上最为切实笃定的一个长铁钉，这样能够在现实中彻底沉默。才能让自己平静。

由此,相似系数的计算公式为

(12)

随着进化代数的增加,Javg越来越大,σJ值越来越小,相似值φ越来越大.改进遗传算法的交叉概率和变异概率的自动调节公式为

(13)

(14)

随着φ的增大,交叉概率越来越小,变异概率越来越大.k1和k2用于控制交叉概率和变异概率的取值范围.仿真中取k1=2,k2=1,这时交叉概率的变化范围为0.4～0.9,变异概率的变化范围为0.0～0.1.

3计算机仿真

计算机仿真基于实际的基站站址,读入广州某区域基站位置信息后按中间线原则进行覆盖区域划分,得到的各小区覆盖划分如图1所示.当某一基站被关闭时,覆盖区域按相同原则重新划分.平均每个小区产生30个静态用户,得到的用户分布如图1所示.

用户按所设定的泊松过程产生业务需求,主要系统参数及遗传算法控制参数设置如下:基站系统带宽W=5MHz,基站发射功率P=28dBm,激活和非激活状态下的静态功率分别为PS1=23dBm,PS2=5dBm,背景噪声功率谱密度为170dBm;用户CBR业务的速率为15kb/s,VBR业务需要完成5Mb的数据下载量,CBR和VBR的用户比为1∶1;遗传算法的染色体数Q=50,父代个体直接进入下一代的比例为10%,交叉、突变概率控制参数k1=2,k2=1.

图1仿真场景示意图

Fig.1Illustration of the simulation scenario

文中遗传算法的收敛曲线如图2所示,仿真中用户业务接入的平均时间间隔为30s.由图2可以看出,该算法具有较快的收敛速度,经过数十次迭代就达到收敛,能有效预防早熟现象的发生.总体而言,文中遗传算法迭代次数少,并且每次迭代只涉及基本计算,不包含复杂度高的操作(如矩阵分解、求逆等),故有效地减少了运算量.

图2文中遗传算法的收敛曲线

Fig.2Convergence curve of the proposed GA

图3　不同业务要求下3种算法的能效比较

Fig.3Comparison of energy efficiency among three algorithms under various demands

4结论

文中提出了一种新的基于能效准则的基站开/关选择模型,该模型考虑了恒定速率业务和可变速率业务的混合使用,更接近实际应用场景.仿真结果显示,文中所提出的遗传算法收敛速度快,并且能有效对抗染色体群体的早熟问题,能在满足恒定速率用户需求的前提下显著提升系统能效,其性能接近穷举算法.

参考文献：

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

[2]Chen T,Yang Y,Zhang H,et al.Network energy saving technologies for green wireless access networks [J].IEEE Wireless Communications,2011,18(5):30-38.

[3]Eunsung O,Krishnamachari B.Energy savings through dynamic base station switching in cellular wireless access networks [C]∥Proceedings of 2010 IEEE Global Telecommunications Conference.Miami:IEEE,2010:6-10.

[4]Yang Z,Niu Z.Energy saving in cellular networks by dynamic RS-BS association and BS switching [J].IEEE Transactions on Vehicular Technology,2013,62(9):4602-4614.

[5]Kokkinogenis S,Koutitas G.Dynamic and static base station management schemes for cellular networks [C]∥ Proceedings of 2012 IEEE Global Communications Confe-rence.Anaheim:IEEE,2012:3443-3448.

[6]Samdanis K,Taleb T,Kutscher D,et al.Self-organized network management functions for energy efficient cellular urban infrastructures [J].Mobile Networks and Applications,2012,17(1):119-131.

[7]Zhou S,Gong J,Yang Z,et al.Green mobile access network with dynamic base station energy saving [C]∥Proceedings of 2009 ACM MobiCom.Beijing:ACM,2009:10-12.

[8]Beitelmal Tamer,Yanikomeroglu Halim.A set cover based algorithm for cell switch-off with different cell sorting criteria [C]∥Proceedings of 2014 IEEE International Confe-rence on Communications Workshops.Sydney:IEEE,2014:641-646.

[9]Saker L,Elayoubi S-E,Chahed T.Minimizing energy consumption via sleep mode in green base station [C]∥Proceedings of 2010 IEEE Wireless Communications and Networking Conference.Sydney:IEEE,2010:1-6.

[10]Gonzalez David G,Yanikomeroglu Halim,Garcia-Lozano Mario,et al.A novel multiobjective framework for cell switch-off in dense cellular networks [C]∥Proceedings of 2014 IEEE International Conference on Communications.Sydney:IEEE,2014:2641-2647.

[11]Elayoubi S-E,Saker L,Chahed T.Optimal control for base station sleep mode in energy efficient radio access networks [C]∥Proceedings of 2011 IEEE International Conference on Computer Communications.Shanghai:IEEE,2011:106-110.

[12]Bousia A,Kartsakli E,Alonso L,et al.Energy efficient base station maximization switch off scheme for LTE-advanced [C]∥Proceedings of the 17th International Workshop on Computer Aided Modeling and Design of Communication Links and Networks.Barcelona:IEEE,2012:256-260.

[13]Chen F,Kwong S,Wei G.An evolutionary approach for joint blind multichannel estimation and order detection [J].EURASIP Journal on Applied Signal Processing,2003,2003(8):757-765.

[14]Chen F,Kwong S,Wei G,et al.Blind linear channel estimation using genetic algorithm and SIMO model [J].Signal Processing,2003,83(9):2021-2035.

[15]王蕾,沈庭芝,招扬.一种改进的自适应遗传算法 [J].系统工程与电子技术,2002,24(5):75-78.

Wang Lei,Shen Ting-zhi,Zhao Yang.An improved adaptive genetic algorithm [J].Systems Engineering and Ele-ctronics,2002,24(5):75-78.

[16]Wang Y,Chen F,Wei G.Adaptive subcarrier and bit allocation for multiuser OFDM system based on genetic algorithm [C]∥Proceedings of 2005 International Conference on Communications,Circuits and Systems.Hong Kong:IEEE,2005:242-246.

Energy Efficiency-Based Cell Switch On-Off Strategy

Under Heterogeneous Services

PanWei-qiang1HuShao-dong2,3LiuJing4

(1.Information Network Engineering and Research Center,South China University of Technology,Guangzhou 510640,

Guangdong,China;2.Guangdong Research Institute,China Telecom,Guangzhou 510630,Guangdong,China;

3.School of Electronic and Information Engineering,South China University of Technology,Guangzhou 510640,

Guangdong,China;4.Guangdong Branch,China Telecom,Guangzhou 510081,Guangdong,China)

Abstract:In order to improve the energy efficiency of wireless communication systems, by taking into consideration the tidal property of user demands, a strategy to improve energy efficiency for cellular system is proposed on the basis of cell switch on-off. In this strategy, the demands of users are divided into constant-bit-rate(CBR) and variable-bit-rate(VBR) demands to maximize the energy efficiency under the constraint that CBR demands are fulfilled. Moreover, an improved genetic algorithm(GA) is employed to solve the constrained optimization problem, and the switch on-off states of base stations are encoded with binary sequence, followed with specifically-designed selection, crossover and mutation operators. Simulated results show that the proposed GA algorithm achieves fast convergence and prevents prematurity of chromosome population; and that the proposed cell switch on-off strategy effectively improves system’s energy efficiency and guarantees the demand of CBR service, so that it is of high performance close to the exhaustive searching algorithm.

Key words: cell switch;energy efficiency;genetic algorithms;constrained optimization