预前判定模型在5G功耗上的应用研究

杜时英

摘  要： 5G技术的应用越来越广泛，由于5G超高的速率以及超低时延，使得设备消耗的功耗会提升，从而影响各个行业的运行成本。对于降低功耗，可以采用更好工艺的芯片，也可以采用一些策略或者算法，让整体的功耗降低下来。根据5G网络的特征以及相关的应用，文章通过预前判定模型，通过对锚点模型，以及连续大数据、小数据的区分，充分区分接入网络，比较好地解决5G功耗问题。

关键词： 5G; 超低时延; 预前判定; 锚点; 接入网络

中图分类号：TP391          文献标识码：A     文章编号：1006-8228（2020）06-39-03

Abstract： At present， due to the gradual popularization of 5G， more and more industries are adopting 5G. While using 5G technology， due to the ultra-high speed and ultra-low latency， the power consumption of equipment will be increased， which will affect the operating cost of various industries. In improving power consumption， chips with better technology can be used， or some strategies or algorithms can be used to reduce the overall power consumption. According to the characteristics of 5G networks and related applications， this paper uses the pre-determination model and continuous distinction between big data and small data through the anchor model to fully distinguish the access network， which better solves the problem of 5G power consumption.

Key words： 5G; ultra-low-latency; pre-determination; anchor; access network

0 引言

隨着5G技术逐步的商用，NSA 以及SA的网络正日趋完善，从目前实验以及统计的数据来看，5G的功耗无论在系统侧还是在终端侧，都会导致设备功耗过大，这将直接影响企业的生产成本和用户的体验度。通过优化策略或模型，降低5G设备的功耗，从而为企业节约成本，提升产品的竞争力，就显得非常有意义。

1 目前5G设备功耗现状

1.1 基站侧目前的现状以及对应的解决办法

5G基站主设备大致分为AAU和BBU，其中AAU是4G时代的RRU+天线，AAU的主要作用是将基带数字信号转换成模拟信号，调制成高频射频信号，再使用功放模块放大信号，最后通过天线发射出去[1]。BBU的主要作用，是负责基带数字信号处理。

我们从表1可以看出，5G功耗是大于4G的。目前，通用的解决办法是：采用更高工艺制程的芯片或者使用更节能的器件材料，或者引进更科学的散热方法，以及现代的AI技术等方法，进行系统整体性能提升。

1.2 终端侧目前的现状以及对应的解决办法

目前终端在提升设备功耗方面，还需从硬件方面入手，例如提升芯片的工艺水平来降低功耗，终端的制程工艺越先进，终端的能耗会有提升。

由于目前技术上的瓶颈，不少终端采用AP+MODEM的方式，从技术解耦上来说，能加快产品上市，但是这种架构的方式也增加了整体的功耗。

针对AP+MODEM 的方式，有些终端采用让用户选择的方式，用户在需要开启5G的时候让MODEM 工作，但是这样用户体验大打折扣。

2 预前判定解决5G设备功耗问题

2.1 锚点的选择

所谓5G锚点，是指在该5G覆盖区域运营商开放的一个接入点，在锚点覆盖的区域，才有接入5G的可能。对于不在5G覆盖的区域，则锚点也不会存在，所以在没有锚点的区域，即使终端开启了5G，也无法连接到5G网络[2]。从这里看终端判定的是否有锚点成为终端是否开启5G的一个关键的因数，我们可以通过锚点的预前判定来降低设备的接入功耗。

2.2 数据承载能力的选择

5G的数据优势是下载速度，对于小数据量并不占优势，传输1-2K/S的数据，当前的3G/4G 传输方式足够满足传输，在这种情况下，5G传输的速率跟功耗的效率赶不上其他制式的传输。

从以上的分析，我们可以得知，在大数据量传输时，我们采用5G网络;在小数据量传输时，我们采用4G/3G的网络。我们通过这种方式进一步优化了设备的功耗。

2.3 卡尔曼滤波预测模型引入

为了判定是否接入5G，我们采用了卡尔曼滤波算法。卡尔曼滤波通过利用最小均方误差为估计的最佳准则，递推估计的模型，其基本思想是： 采用信号与噪声的状态空间模型，利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计，求出现时刻的估计值[3]。

卡尔曼滤波算法适用于实时处理和计算机运算。卡尔曼滤波器问题由预计步骤，估计步骤，前进步骤组成。在预计步骤中，t时状态的估计取决于所有到t-1时的信息。在估算步骤中，状态更新后，与时间t的实际观察比较。更新的状态是较早的推算和新观察的综合。 至于每一个成分的权重，由卡尔曼增益决定，它取决于噪声w和v。（噪声越小，新的观察的可信度越高，权重越大，反之亦然）[3]。

3 建立数学模型

如果要知道变量X在t时刻的值Xt，可以有兩种方法。一种方法是，通过研究Xt-1→Xt的变化规律，从初始值X0逐步递推到Xt，但是，递推往往存在外界噪声的干扰Wt，对于零输入线性系统有Xt=At，t-1Xt-1+Wt;另一种方法是，引入一个测量设备测量的值，记为Zt，测量设备同样存在噪声Vt，对于零输入线性系统有Zt=CtXt+Vt。我们需要综合这两种方法确定一个估计结果，使得均方误差最小[4]。

对零输入线性系统

Xt是t时刻我们研究对象的状态向量，At，t-1是一个矩阵，对Xt-1进行线性变换。Zt是t时刻的观测向量， Ct是增益矩阵。V是服从N（0，R） 的高斯白噪声，W是服从 N（0，Q）的高斯白噪声。我们希望对这个系统确定最优状态估计，使得。

我们先考虑一种简单的情形，如果我们有一个传感器A，A传感器测量结果是一个连续数值，且这个数值服从以下正态分布[6] ;为了提高测量的质量我们可以进行多次测量然后取其平均值作为我们的最终测量结果，这样可以减少误差。假设进行两次测量，我们有以下结果

但是有时候我们需要一个实时的测量结果——重复测量并不被允许，也不可能被实现。此时可以考虑再增加一个传感器，分别进行测量。然后，取两个传感器的加权平均值，来减少总体测量的误差，权值设置的目的是要使得方差最小化[5]。

最终结果

即解优化问题

4 算法实现

4.1 锚点锁定

⑴ 当接入点是5G锚点，则启动5G modem，使用5G 链路，相反：关闭5Gmodem，数据链路采用4G/3G链路。

⑵ 当锚点发生变化时候，重新对锚点进行判定，进入步骤⑴。

⑶ 锚点锁定。

4.2 采用卡尔曼滤波预测判定是否开启5Gmodem

⑴ 开始测量;

⑵ 输入数据传输阈值以及数据抖动预测，数据阈值来自程序设定或者用户设定，抖动预测来自业务，分为：文字、声音、视频、网络、游戏、专用等6个等级;

⑶ 通过卡尔曼滤波预测判定是否采用5G传输;

⑷ 如果采用5G传输，则开启5Gmodem，传输完毕后，进入步骤⑴;

⑸ 如果不采用5G 传输，则关闭5Gmodem，进入步骤⑴;

⑹ 以上重复循环。

5 效果对比

为了验证预前判定算法对功耗的影响，我们设计了一组实验：

⑴ 终端采用同一款终端，充电到100%;

⑵ 在非5G锚点的环境下发送文字信息给终端，一直到电量0%，测量其运行时长（A1）;

⑶ 在5G锚点环境下发送文字信息给终端，一直到电量0%，测量其运行时长（A2）;

⑷ 在采用御前判定算法，在非5G锚点的环境下发送文字信息给终端，一直到电量0%，测量其运行时长（A3）;

⑸ 在采用御前判定算法，在5G锚点环境下发送文字信息给终端，一直到电量0%，测量其运行时长（A4）。

从以上的实验数据来看，设备A1>A3>A4>A2. 从5G环境的数据来看，A4>A2。可以看出，采用预前判定的算法能取得很好的效果。

6 结论

在5G时代，由于现在的工艺水平以及相关业务的实际情况，功耗问题对于提升5G的体验以及降低产业成本，都有非常重要的作用.本文通过预前判定模型，结合卡尔曼滤波预测算法，在不降低用户体验的情况下，在5G的综合场景应用中取得了很好的效果。从原理上来讲，提升5G的芯片的工艺水平以及采用更好的低功耗材料，是我们持续研究的课题。

参考文献（References）：

[1] 王桂英，孔露婷，董文佳，马帅.5G终端功耗影响因素浅析[A].5G网络创新研讨会（2018）论文集，2018：31-45

[2] 范才坤，刁兆坤，刘威.5G功耗与通信电源整体方案研究[J].通信世界，2019.26：45-50

[3] Greg Welch， Gary Bishop， “An Introduction to the KalmanFilter”， University of North Carolina at Chapel Hill Department of Computer Science，2001.

[4] N. Wiener， "The Extrapolation， Interpolation and Smooth-ing of Stationary Time Series，" John Wiley & Sons， Inc.， New York， N.Y.，1949.

[5] J. E. Bertram，"Effect of Quantization in Sampled-Feedback Systems，" Trans. AlEE，1958.77：177-182

[6] Greg Welch1，"An Introduction to the KalmanFilter"，Department of Computer Science University of North Carolina at Chapel Hill Chapel Hill，NC 27599-3175