基于功率配置和关联管理的WLAN能耗优化算法

杨 明 吴文甲 罗军舟

(东南大学计算机科学与工程学院,南京 211189)

基于功率配置和关联管理的WLAN能耗优化算法

杨 明 吴文甲 罗军舟

(东南大学计算机科学与工程学院,南京 211189)

为实现WLAN节能并保证网络性能,研究并提出了一种基于功率配置和关联管理的WLAN能耗优化算法．首先,采用细粒度的能耗模型来定义AP功率,并利用整数线性规划(ILP)对能耗优化问题进行形式化描述,即通过调度射频接口的活跃/休眠状态,配置AP的信号发射功率,以及管理AP与用户的关联关系,在保证用户带宽需求的前提下,降低网络能耗．然后,提出一种高效的启发式算法,以迭代的方式选择开启的AP及功率级,并确定所关联的用户．在每次迭代中,以最大化能效的策略进行AP及其功率级的选择．实验结果表明,该算法能有效实现WLAN节能,并具有较高的运行效率,能够适用于大规模的WLAN．

无线局域网;能耗优化;功率配置;关联管理;能耗模型

IEEE 802.11无线局域网(WLAN)是一种重要的无线网络技术,能够为用户随时随地提供高速的互联网接入服务[1-2]．目前,WLAN网络已成为3G,4G等移动通信网络的有效补充,为其分担大量的数据流量[3]．随着移动互联网的发展和用户数量的快速增长[4],对WLAN在覆盖、带宽等方面的需求也不断提高．目前,在校园、机场等用户众多的场所,大规模密集WLAN已经成为一种趋势．

随着全球对绿色网络和低碳节能的关注,无线网络的能耗问题日益凸显[5]．在WLAN中,虽然单个接入点(AP)的能耗十分有限,但在大规模密集WLAN中,AP数量会达到数千甚至上万,其产生的能耗将不容忽视．因此,WLAN能耗优化对于节能减排和可持续发展以及降低网络运营商的运行成本,都具有重要意义．

现有的WLAN能耗优化手段涉及低功耗芯片、高能效MAC层协议、按需资源管理等多个方面[5]．其中,按需资源管理是一种重要且有效的节能方法,例如,可按需调度AP的开启/关闭状态．通常情况下,WLAN根据区域内用户流量需求进行规划并部署AP．由于用户流量需求分布在时间和空间上具有明显的波动性(受用户作息、移动规律等影响),某个区域的网络流量负载会在较长时间内维持较低水平,与峰值负载相距甚远,甚至会出现长时间空载．若所有AP一直处于开启状态,空载或负载较低的AP就会造成能源浪费．因此,可通过调度AP的开启/关闭状态实现网络节能．Jardosh等[6]提出了一种按需分配无线资源的策略,根据用户的位置和带宽需求,动态地调度AP的开启/关闭状态,从而有效实现WLAN的能耗优化．为了在满足用户需求的前提下开启最少数量的AP,Sivaraman等[7]提出了一种活跃AP选择算法,综合考虑AP的服务能力(可覆盖的用户数量)和能耗成本,采用贪心策略进行活跃AP的选择．Ortin等[8]则考虑了AP状态切换所需的时间,并提出相应的优化算法,在保证网络性能的前提下优化网络能耗．

然而,上述研究大多采用简单的能耗模型,假设AP在开启状态下的功率为定值,未考虑到信号发射功率可调节、AP能耗与收发数据量相关等因素,不能准确反映AP能耗．Garroppo等[9]采用了细粒度的能耗模型,根据用户流量需求调度AP的开启/关闭状态并配置AP的信号发射功率,从而优化WLAN的能耗．他们虽然给出了能耗优化的整数规划模型,但没有提出高效的优化算法,无法适用于大规模的网络场景．此外,用户关联策略对于WLAN性能优化至关重要,已被广泛应用于负载均衡、网络公平性等方面[10-11]．而由于节能调度是根据用户带宽需求配置AP的开启/关闭状态及其发射功率,用户关联对于WLAN能耗优化也有着重要影响．因此,本文提出一种高效的启发式算法,通过调度AP的开启/关闭状态、配置AP的信号发射功率,以及管理用户与AP间的关联关系,实现WLAN能耗的优化．

1 系统模型与问题描述

企业级WLAN通常采用集中控制型架构,部署WLAN控制器来对网络中的AP进行统一配置与管理．目前,该架构已有多种实现方式,例如,CAPWAP协议[12]可实现控制器与AP之间的交互与控制;IEEE 802.11v标准[13]给出了在MAC层对终端进行集中式管理的解决方案;软件定义网络也可应用于WLAN,实现网络的统一管理[14]．因此,本文的工作可基于该架构,通过WLAN控制器以集中的方式获取网络的状态信息并执行能耗优化决策,包括AP调度、功率配置、关联管理等．能耗优化的执行可采用周期执行或触发执行2种方式:若为周期执行,可根据网络中用户带宽需求的动态性决定时间间隔;若为触发执行,可在用户带宽需求的变化量超过一定阈值时触发．

1.1 系统模型

1.1.1 网络模型

本文采用有向图G(A∪V,E)来表示WLAN,如图1所示．其中A为AP集合,V为用户需求点(user demand node, UDN)集合,E为无线链路集合．对于任意接入点a∈A,其信号发射功率可调节,有L级可用的功率,可用功率集合为{p1,p2, …,pL},p1>p2>…>pL．WLAN中的用户是动态的,但可假设用户带宽需求的分布在一段时间内保持稳定．因此,UDN不是指具体的某个终端,而是由网络区域内的用户带宽需求离散化所形成的[15]．对于任意用户需求点u∈V, 具有一个需求值,反映其邻近的用户终端的聚合流量需求,记为du．用户到AP的关联关系,则由AP与UDN之间的关联关系表示．

图1 WLAN的网络模型

在WLAN中,与下行流量相比,上行流量可以忽略[11]．因此,本文仅考虑下行流量,即从AP到UDN的流量．WLAN支持多速率,接入点a与用户需求点u间的链路速率由u处的信噪比决定,信噪比计算公式如下:

SNRa,u,k=30+lg(pk)-PL(dist(a,u))-N

(1)

式中,SNRa,u,k表示接入点a的信号发射功率设置为pk时,用户需求点u处的信噪比;30+lg(pk)为接入点a的信号发射功率,dBm;dist(a,u)为接入点a与用户需求点u之间距离;PL(dist(a,u))为路径损耗功率;N为环境中背景噪声的功率．

本文用ra,u,k表示接入点a的信号发射功率设置为pk时,接入点a与用户需求点u间的链路速率．e∈E表示AP与UDN间的链路,则E={(a,u) |ra,u,1> 0,a∈A,u∈V},即AP与UDN间存在链路的前提是AP的信号发射功率调至最高时,UDN处的信噪比所支持的传输速率大于0．

此外,假设信道资源足够多,可通过合理的信道分配,使得邻近AP工作在不同的正交信道上,从而避免AP之间的干扰．因此,本文不考虑AP之间的干扰．

1.1.2 能耗模型

本文考虑到AP的信号发射功率可配置、AP能耗与收发数据量相关等因素,采用细粒度的能耗模型[9,16]．AP功率包括2部分:

1) 基本功率．AP开机后,单位时间内交流直流转换、基本电路供电、流量处理等消耗的能量．假设该部分功率是常量,对于任意接入点a∈A,用ba表示．

2) 信号收发功率．AP在发射/接收无线信号时,单位时间内射频接口及相关部件消耗的额外能量．由于本文仅考虑下行流量,该部分功率仅涉及AP发射无线信号,与发射信号功率和AP利用率(AP发送数据的时间占比)正相关．

因此,对于任意接入点a∈A,若AP未开启,则其功率为0;若AP开启,信号发射功率为pk,其功率为

(2)

式中,ηa为信号收发功率因子;Va为关联到接入点a的UDN集合．

WLAN总功率则为所有已开启的AP功率之和，即

(3)

式中,Aon为已开启AP的集合．

1.2 问题描述

本文研究WLAN能耗优化问题,以降低WLAN总功率为目标,同时需满足每个UDN的带宽需求．

定义1(WLAN能耗优化问题) 给定一个WLAN网络G(A∪V,E)以及所有UDN的带宽需求,以最小化网络总功率为目标,调度AP的开启/关闭状态,配置AP的信号发射功率,并管理UDN与AP的关联关系,使其满足所有UDN的带宽需求．

由于上述问题可规约到集合覆盖问题,因此是NP-hard问题．本文利用整数线性规划(ILP)方法对该问题进行形式化描述,建立数学模型．该模型使用2组决策变量,分别是功率配置变量集和关联管理变量集．

定义2(功率配置变量xa,k) 对于∀a∈A,k∈{1,2,…,L},用0-1变量xa,k来表示接入点a的信号发射功率是否配置为第k级:xa,k=1表示接入点a的信号发射功率配置为第k级;xa,k=0表示接入点a的信号发射功率没有配置为第k级．

定义3(关联管理变量ya,u,k) 对于∀a∈A,u∈V,k∈{1,2,…,L},用0-1变量ya,u,k来表示用户需求点u是否关联到接入点a(发射信号功率配置为第k级):ya,u,k=1表示用户需求点u关联到接入点a;ya,u,k=0 表示用户需求点u没有关联到接入点a．

结合式(2)和(3),可得该问题的优化目标:

(4)

此外,该优化问题还需满足一系列约束条件:

1) 功率配置约束．对于∀a∈A,接入点a在同一时刻至多配置一个功率级．若该AP没有配置功率级,表明该AP处于关闭状态．因此,有如下约束:

(5)

2) 覆盖约束．对于∀a∈A,u∈V,k∈ {1,2,…,L},关联管理变量ya,u,k还需满足覆盖约束．用ca,u,k表示接入点a与用户需求点u之间的覆盖关系:

(6)

因此,用户需求点u关联到接入点a(第k功率级)的前提是接入点a配置信号发射功率级为第k级,且用户需求点u在其覆盖范围内,具体约束如下:

ya,u,k≤ca,u,kxa,ka∈A,u∈V,k∈{1,2,…,L}

(7)

3) 关联约束．对于∀u∈V,用户需求点u需关联到AP上,且在同一时刻只能关联到一个AP上．因此,有如下约束:

(8)

4) 带宽需求约束．对于∀a∈A,需满足所关联的UDN的带宽需求．因此,有如下约束:

(9)

此外,2组决策变量为0-1变量．对于∀a∈A,k∈ {1,2,…,L},满足如下约束:

xa,k∈{0,1}

(10)

而对于∀a∈A,u∈V,k∈{1,2,…,L},满足如下约束:

ya,u,k∈{0,1}

(11)

综合上述优化目标和约束条件,可得WLAN能耗优化的ILP模型,即优化目标为式(4),约束条件为式(5)和(7)～(11)．

2 启发式算法

对于WLAN能耗优化的ILP模型,可借助优化软件Gurobi[17]进行求解．当WLAN规模较小时,可以在较短的时间内得到解决方案．但是当WLAN规模较大时,解空间急剧增大,由于计算机计算能力和内存的限制,这种求解方法难以在可接受的时间得到结果．因此,本文提出一种启发式算法,以适用于较大规模的WLAN．

该算法的核心思想是以迭代的方式选择开启的AP及功率级,并确定所关联的UDN,直至所有UDN的带宽需求被满足为止．算法的具体步骤如下:

算法1WLAN能耗优化启发式算法

输入:G(A∪V,E),L, {p1,p2,…,pL},du,ra,u,k,ba,ηa

输出:Ptotal, A-PW, UA

Ptotal=0

A-PW=∅, UA=∅

AU=A,VU=V

whileVU≠∅ do

for eacha∈AU,k∈{1,2,…,L}

选择UDN集合Va⊆VU进行AP关联

计算其能效ψa,k

end for

ifVee-a=∅ then return NULL//没有可行解

A-PW=A-PW ∪ {(ee-a,ee-k)}

for eachu∈Vee-a: UA=UA ∪ {(ee-a,u)}

VU=VUVee-a

Ptotal=Ptotal+Pee-a,ee-k

AU=AU{ee-a}

end while

returnPtotal, A-PW, UA

算法1中,A-PW为AP的功率配置集合,其元素为二元组(a,k),表示接入点a配置的功率级为k;UA为用户关联集,其元素为二元组(a,u),表示用户需求点u关联到接入点a．算法1首先初始化Ptotal、A-PW、UA、待配置的AP集合AU和待关联的UDN集合VU．然后以迭代的方式从AU中选择AP进行功率配置,并完成相应的UDN关联,直至VU为空．最后,返回结果Ptotal，A-PW和UA．

为实现能耗优化,在每次迭代中,AP及其功率级的选择采用最大化能效的策略,即对于∀a∈AU,k∈{1,2,…,L},计算其能效,选择能效最大的AP,并执行相应的配置方案．其中,AP能效的定义如下:

(12)

式中,Va表示当前可关联到接入点a的UDN的集合．可见,AP能效与AP所满足的UDN带宽需求成正比,与AP功率成反比．

而对于接入点a,其功率级为k,本文采用如下策略确定当前所关联的UDN:① 从VU中选择,不包括在前面迭代中已经被其他AP关联的UDN,同时需在该AP覆盖范围内,满足链路速率大于0．② 优先考虑链路速率大的UDN,因为占用AP的时间较少,使得AP可以满足更多的带宽需求;③ 优先考虑覆盖度较小的UDN,覆盖度是指AU中能覆盖该UDN的AP的数量,因为覆盖度较大的UDN后面有更多机会关联到其他AP．因此,可定义UDN权重,按UDN权重从大到小的顺序,依次选择其与AP进行关联,直至AP不能满足其带宽需求．用户需求点u权重的定义如下:

wa,u,k=ra,u,k2-deg(u)

(13)

式中,deg(u)表示当前用户需求点u的覆盖度．

3 实验分析

3.1 实验设置

本文在一个二维平面上构建网络场景,将网络区域划分为大小相等的网格，网格大小为40 m×40 m，在每个网格的中心位置部署AP,然后在每个Grid中随机产生相同数量的UDN节点．例如,图2是由4个AP和32个UDN构成的一个网络场景．

图2 网络场景示意图

为模拟室内环境,采用下式计算路径损耗[18]:

PL(dist(u,v))=40+10×3.3lg(dist(u,v))

(14)

此外,设置环境中的背景噪声N=-93 dBm．因此,可计算UDN处的信噪比．本文假设WLAN采用IEEE 802.11n协议,且工作在40 MHz信道上,可由表1得到相应的链路速率[19-20]．

表1 SNR与链路速率对照表

此外,场景规模(AP数量、UDN数量)、功率级、能耗模型参数、UDN带宽需求等则在不同的实验中有针对性地进行配置．本文对于相同的网络参数配置,生成20个网络场景,并将平均结果作为最终实验结果．

本文仿真实验的硬件环境是Intel Core i7 3.40 GHz处理器、8 GB内存;操作系统是Windows 7;开发与仿真环境是Matlab 2015b．

3.2 算法性能比较

3.2.1 场景规模的影响

本组实验比较能耗优化启发式算法与基于ILP的能耗优化方法的节能效果及运行时间．基于ILP的能耗优化方法是指利用优化软件Gurobi对本文给出的ILP模型进行求解,其解接近模型的最优解．考虑3种不同规模的网络场景,分别是:AP数量为4,UDN数量为32;AP数量为25,UDN数量为200;AP数量为100,UDN数量为800．AP发射信号功率级数为3,功率级分别为0.1, 0.05, 0.025 W；UDN带宽需求为3 Mbit/s．对于AP能耗模型,基本功率为9 W,信号收发功率因子为30．

实验结果如表2所示．当网络规模较小时,启发式算法和基于ILP的方法都可用于解决WLAN能耗优化问题,两者能耗优化效果(网络总功率)接近,表明启发式算法可以有效实现能耗优化．同时,启发式算法的运行时间远小于基于ILP的方法,当网络规模较大时,ILP方法不再可行,而启发式算法在可接受的时间内获得了解决方案．因此,本文提出的启发式算法在运行效率方面具有显著优势,可用于解决大规模WLAN网络的能耗优化问题．

表2 场景规模对算法性能的影响

3.2.2 UDN带宽需求的影响

本组实验验证UDN带宽需求对网络能耗优化的影响．场景规模如下:AP数量为100,UDN数量为800;对于AP能耗模型,基本功率为9 W,信号收发功率因子为30;UDN的带宽需求从1 Mbit/s递增至10 Mbit/s;信号发射功率级数分别为3和1．

当信号发射功率级数L为3时,功率级分别为0.1, 0.05, 0.025 W;当信号发射功率级数L为1时,功率级只有0.1 W,相当于功率不可调节,只可调度AP的开启/关闭状态．本文同时采用基于信号强度的用户关联算法作为对比,该算法将AP全部开启,用户选择信号最强的AP进行连接．由于该算法没有采用任何节能策略,可作为基准验证能耗优化启发式算法的节能效果．

实验结果如图3所示．与基于信号强度的用户关联算法相比,本文提出的启发式算法可大大降低网络总功率．随着UDN带宽需求的增大,网络总功率也随之增大．可见,能耗优化启发式算法可根据网络中用户的带宽需求,按需配备网络资源,从而有效节约网络能耗．对比算法在L=3和L=1时的网络总功率,发现细粒度的功率配置可进一步优化网络总功率,随着UDN带宽需求的增大,优化的效果逐渐明显．

图3 UDN带宽需求对能耗优化的影响

3.2.3 AP类型的影响

本组实验验证AP类型对网络能耗优化的影响．场景规模如下:AP数量为100,UDN数量为800;AP发射信号功率级数为3,功率级分别为0.1, 0.05, 0.025 W；UDN带宽需求为3 Mbit/s．

本文给出4种类型的AP,其能耗模型参数不同．假设各类型AP的最大功率均为12 W[9],其能耗模型参数如表3所示．

表3 AP能耗模型参数

实验结果如图4所示,分别给出了AP是类型1、类型2、类型3、类型4和异构时的网络总功率．当AP是异构时,4种类型的AP各占25%．由图4可见,无论AP是何种类型,与基于信号强度的用户关联算法相比,本文提出的启发式算法可有效节约网络能耗．对比算法在L=3和L=1时的网络总功率,发现细粒度的功率配置可进一步优化网络总功率．对于信号收发功率因子较大的AP,信号发射功率调整对AP功率的影响较大,其节能效果更为显著．

图4 AP类型对能耗优化的影响

4 结论

1) 利用ILP数学模型对能耗优化问题进行形式化描述,在满足所有UDN带宽需求的前提下,以最小化网络总功率为目标,通过AP开启/关闭状态的调度、AP信号发射功率的配置和AP-UDN关联关系的管理,实现网络能耗优化．

2) 提出了一种高效的启发式算法,以迭代的方式选择开启的AP及功率级,并确定所关联的用户．在每次迭代中,以最大化能效的策略进行AP及其功率级的选择．

3) 通过仿真实验,验证了上述算法能有效实现WLAN节能,并具有较高的运行效率,能够适用于大规模的WLAN．

下一步的工作是研究能耗优化、负载均衡和用户切换之间的权衡,避免将用户负载过度集中于部分AP,避免在能耗优化的过程中频繁、过多地切换用户,从而可在能耗优化的同时,保证网络性能和用户体验．

)

[1] Bellalta B, Bononi L, Bruno R, et al. Next generation IEEE 802.11 wireless local area networks: Current status, future directions and open challenges[J].ComputerCommunications, 2016,75: 1-25. DOI:10.1016/j.comcom.2015.10.007.

[2] 罗军舟, 吴文甲, 杨明. 移动互联网:终端、网络与服务[J]. 计算机学报, 2011, 34(11): 2029-2051. DOI:10.3724/SP.J.1016.2011.02029.

Luo Junzhou, Wu Wenjia, Yang Ming. Mobile internet: Terminal devices, networks and services[J].ChineseJournalofComputers, 2011,34(11): 2029-2051. DOI:10.3724/SP.J.1016.2011.02029.(in Chinese)

[3] Cisco VNI Forecast. Cisco visual networking index: Global mobile data traffic forecast update 2016—2021 [EB/OL]. (2017-02-07)[2017-03-10]. http://www.cisco.com/c/en/us/solutions/collateral/service-provider/visual-networking-index-vni/mobile-whitepaper-c11-520862.html.

[4] 中国互联网络信息中心. 第38次中国互联网络发展状况统计报告[EB/OL]. (2016-08-03)[2017-03-10]. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/hlwtjbg/201608/P020160803367337470363.pdf.

[5] Meo M, Le Rouzic E, Cuevas R, et al. Research challenges on energy-efficient networking design[J].ComputerCommunications, 2014,50: 187-195. DOI:10.1016/j.comcom.2014.04.011.

[6] Jardosh A P, Papagiannaki K, Belding E M, et al. Green WLANs: On-demand WLAN infrastructures[J].MobileNetworksandApplications, 2009,14(6): 798-814. DOI:10.1007/s11036-008-0123-8.

[7] Sivaraman V, Matthews J, Russell C, et al. Greening residential Wi-Fi networks under centralized control[J].IEEETransactionsonMobileComputing, 2015,14(3): 552-564. DOI:10.1109/tmc.2014.2324582.

[8] Ortin J, Donato C, Serrano P, et al. Resource-on-demand schemes in 802.11 WLANs with non-zero start-up times[J].IEEEJournalonSelectedAreasinCommunications, 2016,34(12): 3221-3233. DOI:10.1109/jsac.2016.2624158.

[9] Garroppo R G, Nencioni G, Procissi G, et al. The impact of the access point power model on the energy-efficient management of infrastructured wireless LANs[J].ComputerNetworks, 2016,94: 99-111. DOI:10.1016/j.comnet.2015.11.018.

[10] Li W, Wang S, Cui Y, et al. AP association for proportional fairness in multirate WLANs[J].IEEE/ACMTransactionsonNetworking, 2014,22(1): 191-202. DOI:10.1109/tnet.2013.2245145.

[11] Amer M, Busson A, Lassous I G. Association optimization in wi-fi networks: Use of an access-based fairness[C]//Proceedingsofthe19thACMInternationalConferenceonModeling,AnalysisandSimulationofWirelessandMobileSystems. Malta, 2016: 119-126. DOI:10.1145/2988287.2989153.

[12] Calhoun P, Montemurro M, Stanley D. RFC 5415, Control and provisioning of wireless access points (CAPWAP) protocol specification[S]. Internet Engineering Task Force (IETF), 2009.

[13] IEEE. IEEE 802.11 IEEE standard for information technology—Local and metropolitan area networks—Specific requirements—Part 11: Wireless LAN medium access control (MAC) and physical layer (PHY) specifications amendment 8: Wireless network management[S]. IEEE, 2011.

[14] Jagadeesan N A, Krishnamachari B. Software-defined networking paradigms in wireless networks: A survey[J].ACMComputingSurveys, 2014,47(2): 21-27.

[15] Tutschku K. Demand-based radio network planning of cellular mobile communication systems [C]//ProceedingsofSeventeenthAnnualJointConferenceoftheIEEEComputerandCommunicationsSocieties. San Francisco, CA, USA, 1998: 1054-1061. DOI:10.1109/infcom.1998.662915.

[16] Garcia-Saavedra A, Serrano P, Banchs A, et al. Energy consumption anatomy of 802.11 devices and its implication on modeling and design[C]//Proceedingsofthe8thInternationalConferenceonEmergingNetworkingExperimentsandTechnologies. Nice, France, 2012:169-180. DOI:10.1145/2413176.2413197.

[17] Gurobi Optimization, Inc. Gurobi optimizer reference manual [EB/OL]. (2017) [2017-05-10]. https://www.gurobi.com/documentation/7.0/refman/index.html.

[18] Bejerano Y, Han S. Cell breathing techniques for load balancing in wireless LANs[J].IEEETransactionsonMobileComputing, 2009,8(6): 735-749.

[19] Wireless LAN Professionals. MCS value achieved by clients at various signal to noise ratio levels[EB/OL]. (2017-06)[2017-07-10]. http://www.wlanpros.com/wp-content/uploads/2015/06/Revolution-Wi-FI-MCS-to-SNR-Single-Page.pdf.

[20] Wireless LAN Professionals. MCS Index—802.11n and 802.11ac [EB/OL]. (2017-05)[2017-07-10]. https://www.wlanpros.com/wp-content/uploads/2017/05/MCSIndex-802.11nand802.11ac-4SS.pdf.

OptimizationofWLANenergyconsumptionbasedonpowerconfigurationandassociationmanagement

Yang Ming Wu Wenjia Luo Junzhou

(School of Computer Science and Engineering, Southeast University, Nanjing 211189, China)

To save the energy consumption and guarantee network performance in wireless local area networks (WLANs), an energy consumption optimization algorithm based on power configuration and association management is proposed. First, a fine-grained energy consumption model is adopted to define the power of access points(APs), and the optimization problem is formulated as an integer linear programming (ILP) model. It aims to minimize the energy consumption of APs through scheduling the radios to be active or sleeping, configuring the transmit power, and managing the associations between APs and users, while satisfying the bandwidth requirements of users. Then, an efficient heuristic algorithm is proposed by iteratively choosing an AP to be active, selecting the transmit power level and determining user associations. In each iteration, the AP and its power level with the maximum value of energy efficiency is selected. Simulation results show that the proposed algorithm can save energy consumption effectively. It also demonstrates that the algorithm has significant advantages in execution efficiency, and can be well applied in large-scale WLANs.

wireless local area network(WLAN); energy consumption optimization; power configuration; association management; energy consumption model

10.3969/j.issn.1001-0505.2017.06.001

TP393

A

1001-0505(2017)06-1079-07

2017-05-28.

杨明 (1979—)，男，博士，副教授，yangming2002@seu.edu.cn.

国家自然科学基金资助项目(61402104,61572130,61502100,61532013,61320106007)、江苏省自然科学基金资助项目(BK20140648,BK20150637)、东南大学江苏省网络与信息安全重点实验室资助项目(BM2003201)、东南大学计算机网络和信息集成教育部重点实验室资助项目(93K-9).

杨明,吴文甲,罗军舟.基于功率配置和关联管理的WLAN能耗优化算法[J].东南大学学报(自然科学版),2017,47(6):1079-1085.

10.3969/j.issn.1001-0505.2017.06.001.