工程科学学报，第41卷，第8期：968-980,2019年8月 Chinese Journal of Engineering,Vol.41,No.8:968-980,August 2019 DOI:10.13374/j.issn2095-9389.2019.08.002;http://journals.ustb.edu.cn 5G超密集网络的能量效率研究综述 马忠贵⑧，宋佳倩 北京科技大学计算机与通信工程学院，北京100083 区通信作者，E-mail:zhongguima@usth.cdu.cn 摘要首先从绿色通信人手，对网络能量效率的国内外研究现状进行了分析.在此基础上，对超密集网络的关键性能指标， 即能量效率的各种定义进行了梳理，为建模莫定了基础。其次，讨论了网络能量效率建模和优化过程中经常使用的4种理论 模型：随机几何、博弈论、最优化理论和分数阶规划.并综述了能效提升的技术，包括高能效部署与规划、高能效基站休眠、高 能效用户关联、高能效资源管理、高能效传输方式.最后，指出未来的可能的技术挑战：网络能效理论与超密集网络体系架构、 超密集小基站高能效覆盖机理、超密集网络的柔性资源匹配机理，移动用户群体行为建模与高能效服务方法.通过研究超密 集网络高能效覆盖机理和柔性资源匹配机理，为未来无线通信网络建模和分析提供设计依据与技术支撑. 关键词能量效率；5G;超密集网络：用户关联；无线资源分配 分类号TN929.5 Survey of energy efficiency for 5G ultra-dense networks MA Zhong-gui,SONG Jia-qian School of Computer and Communication Engineering,University of Science and Technology Beijing,Beijing 100083,China XCorresponding author,E-mail:zhongguima@ustb.edu.cn ABSTRACT Fifth generation (5G)cellular networks are expected to achieve high data rates,reduced latency,increased spectrum efficiency,and energy efficiency.Ultra-dense networks (UDNs),a key enabling technology in 5G cellular networks,are envisioned to support the deluge of data traffic located in hotspots and at cell edges,and to enhance quality of experience of mobile users.UDNs can significantly improve the spectrum efficiency and energy efficiency to achieve sustainability of 5G.However,the deployment of a large number of small cells poses new challenges for energy efficiency.Recently,the energy efficiency of UDNs has become a prime concern in the operation and architecture design owing to environmental and economic effects.Therefore,it is significant to study the energy ef- ficiency of UDNs.This survey provided an overview of energy-efficient wireless communications,and reviewed seminal and recent con- tribution to the state-of-the-art.Therefore,the definitions of energy efficiency,a key performance indicator of the UDNs,are analyzed, which is a foundation for modeling.Four theoretical models,which were often used in the modeling and optimization of energy efficien- cy,were discussed.These models include stochastic geometry,game theory,optimization theory,and fractional programming theory. Energy-efficient techniques of UDNs were also reviewed.These technologies include energy-efficient deployment and planning,a base station sleeping mode,user association,radio resource management,and transmission.Finally,the most relevant research challenges were addressed,including the theory of energy efficiency of UDNs,architecture of UDNs,the high energy efficiency coverage mecha- nism of ultra-dense small base stations,the flexible radio resource matching mechanism of UDNs,group behavior modeling of mobile users,and high energy efficiency service methods.This review of the energy-efficient coverage mechanism and flexible radio resource matching mechanism in UDNs provides design guidelines and potential solutions for analytical modeling of future wireless networks. KEY WORDS energy efficiency;5G;ultra-dense networks;user association;radio resource allocation 收稿日期：2018-07-31 基金项目：国家自然科学基金资助项目(61572074)：中央高校基本科研业务费专项资金资助项目(FRF-GF-18-017B)
工程科学学报,第 41 卷,第 8 期:968鄄鄄980,2019 年 8 月 Chinese Journal of Engineering, Vol. 41, No. 8: 968鄄鄄980, August 2019 DOI: 10. 13374 / j. issn2095鄄鄄9389. 2019. 08. 002; http: / / journals. ustb. edu. cn 5G 超密集网络的能量效率研究综述 马忠贵苣 , 宋佳倩 北京科技大学计算机与通信工程学院, 北京 100083 苣通信作者, E鄄mail: zhongguima@ ustb. edu. cn 摘 要 首先从绿色通信入手,对网络能量效率的国内外研究现状进行了分析. 在此基础上,对超密集网络的关键性能指标, 即能量效率的各种定义进行了梳理,为建模奠定了基础. 其次,讨论了网络能量效率建模和优化过程中经常使用的 4 种理论 模型:随机几何、博弈论、最优化理论和分数阶规划. 并综述了能效提升的技术,包括高能效部署与规划、高能效基站休眠、高 能效用户关联、高能效资源管理、高能效传输方式. 最后,指出未来的可能的技术挑战:网络能效理论与超密集网络体系架构、 超密集小基站高能效覆盖机理、超密集网络的柔性资源匹配机理、移动用户群体行为建模与高能效服务方法. 通过研究超密 集网络高能效覆盖机理和柔性资源匹配机理,为未来无线通信网络建模和分析提供设计依据与技术支撑. 关键词 能量效率; 5G; 超密集网络; 用户关联; 无线资源分配 分类号 TN929郾 5 收稿日期: 2018鄄鄄07鄄鄄31 基金项目: 国家自然科学基金资助项目(61572074);中央高校基本科研业务费专项资金资助项目(FRF鄄鄄GF鄄鄄18鄄鄄017B) Survey of energy efficiency for 5G ultra鄄dense networks MA Zhong鄄gui 苣 , SONG Jia鄄qian School of Computer and Communication Engineering, University of Science and Technology Beijing, Beijing 100083, China 苣Corresponding author, E鄄mail: zhongguima@ ustb. edu. cn ABSTRACT Fifth generation (5G) cellular networks are expected to achieve high data rates, reduced latency, increased spectrum efficiency, and energy efficiency. Ultra鄄dense networks (UDNs), a key enabling technology in 5G cellular networks, are envisioned to support the deluge of data traffic located in hotspots and at cell edges, and to enhance quality of experience of mobile users. UDNs can significantly improve the spectrum efficiency and energy efficiency to achieve sustainability of 5G. However, the deployment of a large number of small cells poses new challenges for energy efficiency. Recently, the energy efficiency of UDNs has become a prime concern in the operation and architecture design owing to environmental and economic effects. Therefore, it is significant to study the energy ef鄄 ficiency of UDNs. This survey provided an overview of energy鄄efficient wireless communications, and reviewed seminal and recent con鄄 tribution to the state鄄of鄄the鄄art. Therefore, the definitions of energy efficiency, a key performance indicator of the UDNs, are analyzed, which is a foundation for modeling. Four theoretical models, which were often used in the modeling and optimization of energy efficien鄄 cy, were discussed. These models include stochastic geometry, game theory, optimization theory, and fractional programming theory. Energy鄄efficient techniques of UDNs were also reviewed. These technologies include energy鄄efficient deployment and planning, a base station sleeping mode, user association, radio resource management, and transmission. Finally, the most relevant research challenges were addressed, including the theory of energy efficiency of UDNs, architecture of UDNs, the high energy efficiency coverage mecha鄄 nism of ultra鄄dense small base stations, the flexible radio resource matching mechanism of UDNs, group behavior modeling of mobile users, and high energy efficiency service methods. This review of the energy鄄efficient coverage mechanism and flexible radio resource matching mechanism in UDNs provides design guidelines and potential solutions for analytical modeling of future wireless networks. KEY WORDS energy efficiency; 5G; ultra鄄dense networks; user association; radio resource allocation
马忠贵等：5G超密集网络的能量效率研究综述 ·969· 随着信息与通信技术的飞速发展，用户终端与 (device to device)等多种无线关键技术.为了解决 应用的多样性带来了移动通信网中业务量的指数增 5G网络数据流量和用户体验速率提升千倍的需求， 长.智能机的普及、移动互联网和物联网的热潮，不 最有效的办法就是在原有异构网络(heterogeneous 仅造成了无线蜂窝网络的大量流量需求、更严格时 networks,HetNets)的基础上，更加密集地部署小蜂 延需求，更将会带来巨大的能量消耗.现有的网络 窝(piocell、femtocell、中继等)，一般称这种网络为超 部署方案已不能很好地支撑移动通信网中数据的井 密集网络[).超密集网络(ulra-dense networks, 喷式发展，因此，能为具有空时动态特性的高业务量 UDNs)是在分层HetNets的基础上，密集部署低功 提供高效服务的演进网络架构成为了一个新的问 耗的家庭基站(femto access point,.FAP)、微微基站 题.目前，5G网络正被各大运营商考虑作为新型网 (pico base station,PBS)、中继站(relay node,RN)、分 络部署架构，2020年将正式投入运营.据悉，欧盟已 布式天线系统(distributed antenna system,DAS)、远 于2017年布局6G网络技术研发，中国工信部已于 端无线射频单元(remote radio head,RRH)等小基站 2018年年初开始着手研究6G的发展，可见信息网 来实现5G系统1000倍数据速率的提升6.同时， 络发展之迅猛.本文仍旧把目光放到5G网络上， 超密集网络通过使用大量的低功耗小基站从而实现 5G网络具有高宽带、低时延和广覆盖的特点，能带 节能的目的.与传统的宏基站相比，这些低功耗小 给用户更好的用户体验.虽然已经开启了5G试点 基站与移动用户的距离更近，从而极大地降低传输 工作，但研究5G网络仍然具有巨大的现实意义. 功耗，不但提高了系统容量，而且降低了系统功耗， 5G移动通信与人们日常的居住、工作、交通等 符合绿色通信的思想.现今，单位比特的能耗，即 领域息息相关，特别是密集住宅小区、办公场所、体 能量效率(energy efficiency,EE)已成为衡量超密集 育场、地铁、城铁等广域覆盖场景.这些场景具有超 网络的一个关键性能指标(key performance indica- 高流量密度、超高连接数密度、超高移动性、低时延 tor,KPI)I8] 等特征，将对5G系统形成挑战).考虑增强现实、 1能量效率的国内外研究现状 超高清视频、云存储、车联网等5G典型业务，必须 面对移动数据流量的爆炸式增长、干扰加重2)以及 为了有效地降低超密集网络的能耗，需要先分 如何实现移动通信网络的可持续发展等问题.5G 析系统的能耗分布情况.从整个移动通信网络的能 带给人们高质量用户体验的同时，面临着两个大问 耗分布来看，接入网的能耗约为70%，核心网的传 题：频谱资源遗乏和网络能耗过高.根据思科发布 输能耗约为20%，移动终端的能耗约为10%[.无 的移动数据流量预测和趋势，2021年智能移动设备 线接入网的能耗基本上是由基站的能耗所组成，并 和连接数量预计将会比2016年增长40%以上，全 且随着超密集网络中小基站的密集化部署，基站的 球移动数据流量将达到每月49EB,是2016年的7 能耗将会更大[0]，因此，基站的能耗成为整个移动 倍，而智能设备将会消耗98%的移动数据流量[3). 通信网络能耗的主要部分.目前，接入网中基站的 然而，网络能量消耗作为一个日益严重的问题，逐渐 节能技术包括3个层面，即器件级、链路级和网 成为运营商关注的焦点.沃达丰、中国移动等世界 络级 著名运营商的统计数据表明，随着移动通信中业务 超密集网络能够有效地提升系统容量，但网络 量的指数增长，网络中部署的基站密度不断增大，由 的能量消耗也不可忽视).由于小基站的覆盖范 基站主导的网络能量消耗也不断提高，各大运营商 围远小于宏基站，小基站覆盖下的负载具有更大的 每年需要支付高额的能源费用.此外，正如SMART 随机性，则小基站会周期性地处于空闲状态「2].在 2020研究报告[4)所述，基于信息通信技术的二氧化 负载较低的情况下，利用宏基站提供系统基本的覆 碳排放量每年以6%的速度增长，预计到2020年， 盖，而让小基站处于休眠模式町.但在小基站休眠 信息通信技术引起的二氧化碳排放量将达到全球排 策略设计时，需要重点考虑体验质量(quality of ex~ 放量的12%.面对如此庞大的能耗需求和可持续发 perience,QoE)的损失与节能的折中关系[).可见， 展战略要求，如何提高网络能量效率成为一项极其 在大尺度时间上的基站休眠方面，超密集网络提供 重要的任务， 了许多新的挑战. 为了应对将要面临的以上种种挑战，5G包含了 传统蜂窝网络的小区位置分布是固定的，而超 多输入/多输出(multi-.input multi-output,MIMO)技 密集网络由于用户的行为活动、信道质量的动态波 术、超密集网络、新型多址、先进调制编码以及D2D 动、各种新型业务的不断出现，其拓扑结构是动态
马忠贵等: 5G 超密集网络的能量效率研究综述 随着信息与通信技术的飞速发展,用户终端与 应用的多样性带来了移动通信网中业务量的指数增 长. 智能机的普及、移动互联网和物联网的热潮,不 仅造成了无线蜂窝网络的大量流量需求、更严格时 延需求,更将会带来巨大的能量消耗. 现有的网络 部署方案已不能很好地支撑移动通信网中数据的井 喷式发展,因此,能为具有空时动态特性的高业务量 提供高效服务的演进网络架构成为了一个新的问 题. 目前,5G 网络正被各大运营商考虑作为新型网 络部署架构,2020 年将正式投入运营. 据悉,欧盟已 于 2017 年布局 6G 网络技术研发,中国工信部已于 2018 年年初开始着手研究 6G 的发展,可见信息网 络发展之迅猛. 本文仍旧把目光放到 5G 网络上, 5G 网络具有高宽带、低时延和广覆盖的特点,能带 给用户更好的用户体验. 虽然已经开启了 5G 试点 工作,但研究 5G 网络仍然具有巨大的现实意义. 5G 移动通信与人们日常的居住、工作、交通等 领域息息相关,特别是密集住宅小区、办公场所、体 育场、地铁、城铁等广域覆盖场景. 这些场景具有超 高流量密度、超高连接数密度、超高移动性、低时延 等特征,将对 5G 系统形成挑战[1] . 考虑增强现实、 超高清视频、云存储、车联网等 5G 典型业务,必须 面对移动数据流量的爆炸式增长、干扰加重[2] 以及 如何实现移动通信网络的可持续发展等问题. 5G 带给人们高质量用户体验的同时,面临着两个大问 题:频谱资源匮乏和网络能耗过高. 根据思科发布 的移动数据流量预测和趋势,2021 年智能移动设备 和连接数量预计将会比 2016 年增长 40% 以上,全 球移动数据流量将达到每月 49 EB,是 2016 年的 7 倍,而智能设备将会消耗 98% 的移动数据流量[3] . 然而,网络能量消耗作为一个日益严重的问题,逐渐 成为运营商关注的焦点. 沃达丰、中国移动等世界 著名运营商的统计数据表明,随着移动通信中业务 量的指数增长,网络中部署的基站密度不断增大,由 基站主导的网络能量消耗也不断提高,各大运营商 每年需要支付高额的能源费用. 此外,正如 SMART 2020 研究报告[4]所述,基于信息通信技术的二氧化 碳排放量每年以 6% 的速度增长,预计到 2020 年, 信息通信技术引起的二氧化碳排放量将达到全球排 放量的 12% . 面对如此庞大的能耗需求和可持续发 展战略要求,如何提高网络能量效率成为一项极其 重要的任务. 为了应对将要面临的以上种种挑战,5G 包含了 多输入/ 多输出( multi鄄input multi鄄output,MIMO) 技 术、超密集网络、新型多址、先进调制编码以及 D2D (device to device)等多种无线关键技术. 为了解决 5G 网络数据流量和用户体验速率提升千倍的需求, 最有效的办法就是在原有异构网络( heterogeneous networks, HetNets)的基础上,更加密集地部署小蜂 窝(piocell、femtocell、中继等),一般称这种网络为超 密集 网 络[5] . 超 密 集 网 络 ( ultra鄄dense networks, UDNs)是在分层 HetNets 的基础上,密集部署低功 耗的家庭基站( femto access point,FAP)、微微基站 (pico base station,PBS)、中继站(relay node,RN)、分 布式天线系统( distributed antenna system,DAS)、远 端无线射频单元(remote radio head,RRH)等小基站 来实现 5G 系统 1000 倍数据速率的提升[6] . 同时, 超密集网络通过使用大量的低功耗小基站从而实现 节能的目的. 与传统的宏基站相比,这些低功耗小 基站与移动用户的距离更近,从而极大地降低传输 功耗,不但提高了系统容量,而且降低了系统功耗, 符合绿色通信的思想[7] . 现今,单位比特的能耗,即 能量效率(energy efficiency,EE)已成为衡量超密集 网络的一个关键性能指标( key performance indica鄄 tor,KPI) [8] . 1 能量效率的国内外研究现状 为了有效地降低超密集网络的能耗,需要先分 析系统的能耗分布情况. 从整个移动通信网络的能 耗分布来看,接入网的能耗约为 70% ,核心网的传 输能耗约为 20% ,移动终端的能耗约为 10% [9] . 无 线接入网的能耗基本上是由基站的能耗所组成,并 且随着超密集网络中小基站的密集化部署,基站的 能耗将会更大[10] . 因此,基站的能耗成为整个移动 通信网络能耗的主要部分. 目前,接入网中基站的 节能技术包括 3 个层面,即器件级、链路级和网 络级. 超密集网络能够有效地提升系统容量,但网络 的能量消耗也不可忽视[11] . 由于小基站的覆盖范 围远小于宏基站,小基站覆盖下的负载具有更大的 随机性,则小基站会周期性地处于空闲状态[12] . 在 负载较低的情况下,利用宏基站提供系统基本的覆 盖,而让小基站处于休眠模式[13] . 但在小基站休眠 策略设计时,需要重点考虑体验质量( quality of ex鄄 perience,QoE)的损失与节能的折中关系[14] . 可见, 在大尺度时间上的基站休眠方面,超密集网络提供 了许多新的挑战. 传统蜂窝网络的小区位置分布是固定的,而超 密集网络由于用户的行为活动、信道质量的动态波 动、各种新型业务的不断出现,其拓扑结构是动态 ·969·
·970· 工程科学学报，第41卷，第8期 的.随着小基站的密集化部署，系统的能耗也随之 一趋势也引起了学术界对“绿色蜂窝网络”这一新 增加，因此，单位面积的能量效率，即区域能量效 兴领域的兴趣.在能源有限和“绿色通信”的背景 率(area energy efficiency,AEE)将是衡量超密集网 下，节能型通信已受到越来越多的关注，能效优先成 络的更为准确的KPL.为此，文献[16]在考虑用户 为未来通信的发展趋势[2]，如图1所示.而EE和 服务质量(quality of service,QoS)需求和干扰容限的 AEE成为衡量超密集网络的KPL 情况下，建立最大化网络能效的优化问题，运用非合 当前移动通信能耗 作博弈理论，在满足最大最小公平准则的情况下，提 通业务量 出一种分布式能效最优算法，该算法比传统算法更 5G 好地兼顾了系统的能效和吞吐量性能.文献[17]是 4G Green 关于绿色通信中的能量效率权衡机制，以分层的方 绿色通信能耗 3 式讨论了能量效率权衡技术.在时分多址(time dis- 2G vision multiple access,TDMA)网络中，通过机会传 20001 2010 20201 输，用户可以获得最大的能量效率8].在多层异构 年份 覆盖优先 容量优先 能效优先 网络中，可以通过网络核心控制器来分配每个网络 图1快速增长的业务量与能耗之间的矛盾 节点所需要的能耗9).多小区联合传输的方法对 Fig.1 Contradiction between the rapid growth in traffic and energy 于提高区域能量效率非常有效，用户收到的数据信 consumption 息是从多个蜂窝小区同时传输过来的，基站利用相 互的联合协作来达到节能的效果[0).文献[10]联 对于无线网络EE的评估，主要有2种方法： 合考虑基站部署密度、发射功率、休眠策略和频谱分 (1)单位面积能耗，即无线网络的总功耗除以区域 配机制，探讨如何在满足用户Qo$前提下优化异构 总面积，单位为Wm2.该方法主要用于衡量某区 蜂窝网络的能量效率，但是此文献只是基于两层异 域内的二氧化碳排放量.(2)单位比特能耗，定义为 构网络进行推导的，并没有针对超密集网络进行研 网络的总吞吐量与总能耗的比值，单位为bit·J1. 究.文献[21]根据特定的梯形负载模型，设计了最 该方法综合考虑了网络性能与系统能耗，已被5G 优的基站休眠策略，并通过仿真验证发现通过在低 推进组采用并定义为KPI.本论文将采用这种方法 负载时关闭一些基站可以节省25%~30%的能耗. 作为EE的评估方法，如下式： 文献[22]根据阻塞率需求提出一种负载感知的基 C 1二p (1) 站模式切换算法，并提出最小模式持续时间概念用 其中，刀为能量效率，C为网络的总吞吐量（容量）， 于避免频繁的基站模式切换.文献[23]分析了负载 P为系统总能耗 均值、方差和基站密度对基站休眠策略的影响，并证 不同系统场景下网络能量效率的定义有不同的 明了随着基站密度和负载方差与均值的比例增大， 表达方式，下面分别进行说明 节省的能耗将会增多.部分基站休眠后，其负载由 (l)单载波单输入单输出(single-input single- 剩余激活基站接管，因此基站休眠策略往往和用户 output,SIS0)网络的能量效率. 关联是一个联合优化问题.为了让基站休眠变得切 Q(y) 实可行，第三代合作伙伴计划(the3 rd generation 7ss0= (2) uPt +P partnership project,3GPP)将其引入到LTE/LTE-A 其中，y表示网络信噪比(signal to noise ratio,SNR), (long term evolution/LTE-advanced)自组织和自配 Q(y)表示各个场景下的与y密切相关的网络容量 置功能模块中进行了许多标准化讨论[2].文献 函数.P,为基站的发射功率，P。为信号处理、电源、 [25]研究宏蜂窝与微微蜂窝联合部署的场景，提出 了区域能量效率的概念 备用电池和制冷器等消耗的静态功率，而以=为 PA 辐射功率相关的尺度因子，其中是功率放大器 2网络能量效率的基本概念和定义 的放大倍数.基站功耗的构成如图2所示 当前，随着蜂窝网络运营带来能量开销和二氧 对于基站，图2描述了其功耗的组成情况：由功 化碳排放量的不断增长，诸如3GPP和国际电信联 率放大器、基带和信号处理器、AD转换器、天线、 International Telecommunications Union,ITU) 电源供给和备用电池、冷却系统等功耗组成.为了 网络运营商和监管机构越来越关注高能效问题.这 量化基站的具体功耗，将其建模为：
工程科学学报,第 41 卷,第 8 期 的. 随着小基站的密集化部署,系统的能耗也随之 增加[15] ,因此,单位面积的能量效率,即区域能量效 率(area energy efficiency,AEE) 将是衡量超密集网 络的更为准确的 KPI. 为此,文献[16]在考虑用户 服务质量(quality of service,QoS)需求和干扰容限的 情况下,建立最大化网络能效的优化问题,运用非合 作博弈理论,在满足最大最小公平准则的情况下,提 出一种分布式能效最优算法,该算法比传统算法更 好地兼顾了系统的能效和吞吐量性能. 文献[17]是 关于绿色通信中的能量效率权衡机制,以分层的方 式讨论了能量效率权衡技术. 在时分多址( time di鄄 vision multiple access,TDMA) 网络中,通过机会传 输,用户可以获得最大的能量效率[18] . 在多层异构 网络中,可以通过网络核心控制器来分配每个网络 节点所需要的能耗[19] . 多小区联合传输的方法对 于提高区域能量效率非常有效,用户收到的数据信 息是从多个蜂窝小区同时传输过来的,基站利用相 互的联合协作来达到节能的效果[20] . 文献[10]联 合考虑基站部署密度、发射功率、休眠策略和频谱分 配机制,探讨如何在满足用户 QoS 前提下优化异构 蜂窝网络的能量效率,但是此文献只是基于两层异 构网络进行推导的,并没有针对超密集网络进行研 究. 文献[21]根据特定的梯形负载模型,设计了最 优的基站休眠策略,并通过仿真验证发现通过在低 负载时关闭一些基站可以节省 25% ~ 30% 的能耗. 文献[22]根据阻塞率需求提出一种负载感知的基 站模式切换算法,并提出最小模式持续时间概念用 于避免频繁的基站模式切换. 文献[23]分析了负载 均值、方差和基站密度对基站休眠策略的影响,并证 明了随着基站密度和负载方差与均值的比例增大, 节省的能耗将会增多. 部分基站休眠后,其负载由 剩余激活基站接管,因此基站休眠策略往往和用户 关联是一个联合优化问题. 为了让基站休眠变得切 实可行,第三代合作伙伴计划 ( the 3rd generation partnership project,3GPP) 将其引入到 LTE / LTE鄄鄄 A (long term evolution / LTE鄄鄄 advanced) 自组织和自配 置功能模块中进行了许多标准化讨论[24] . 文献 [25]研究宏蜂窝与微微蜂窝联合部署的场景,提出 了区域能量效率的概念. 2 网络能量效率的基本概念和定义 当前,随着蜂窝网络运营带来能量开销和二氧 化碳排放量的不断增长,诸如 3GPP 和国际电信联 盟( International Telecommunications Union, ITU) 等 网络运营商和监管机构越来越关注高能效问题. 这 一趋势也引起了学术界对“绿色蜂窝网络冶 这一新 兴领域的兴趣. 在能源有限和“绿色通信冶 的背景 下,节能型通信已受到越来越多的关注,能效优先成 为未来通信的发展趋势[26] ,如图 1 所示. 而 EE 和 AEE 成为衡量超密集网络的 KPI. 图 1 快速增长的业务量与能耗之间的矛盾 Fig. 1 Contradiction between the rapid growth in traffic and energy consumption 对于无线网络 EE 的评估,主要有 2 种方法: (1)单位面积能耗,即无线网络的总功耗除以区域 总面积,单位为 W·m - 2 . 该方法主要用于衡量某区 域内的二氧化碳排放量. (2)单位比特能耗,定义为 网络的总吞吐量与总能耗的比值,单位为 bit·J - 1 . 该方法综合考虑了网络性能与系统能耗,已被 5G 推进组采用并定义为 KPI. 本论文将采用这种方法 作为 EE 的评估方法,如下式: 浊 = C P (1) 其中,浊 为能量效率,C 为网络的总吞吐量(容量), P 为系统总能耗. 不同系统场景下网络能量效率的定义有不同的 表达方式,下面分别进行说明. (1) 单载波单输入单输出( single鄄input single鄄 output,SISO)网络的能量效率. 浊SISO = Q(酌) 滋PT + Pc (2) 其中,酌 表示网络信噪比(signal to noise ratio,SNR), Q(酌)表示各个场景下的与 酌 密切相关的网络容量 函数. PT 为基站的发射功率,Pc 为信号处理、电源、 备用电池和制冷器等消耗的静态功率,而 滋 = 1 滋PA 为 辐射功率相关的尺度因子,其中 滋PA是功率放大器 的放大倍数. 基站功耗的构成如图 2 所示. 对于基站,图 2 描述了其功耗的组成情况:由功 率放大器、基带和信号处理器、A/ D 转换器、天线、 电源供给和备用电池、冷却系统等功耗组成. 为了 量化基站的具体功耗,将其建模为: ·970·
马忠贵等：5G超密集网络的能量效率研究综述 ·971· P P 0) AD/DC 基带处理/ 功率 2=1 (7) 电源供给 信号处理 放大器 TGEE =N2 (hnPn+P) 2=1 (5)多链路网络的加权和能量效率(weighted 冷却 备用电池 电路损耗) sum energy efficiency,WSEE). 图2基站功耗构成示意图 GEE是通信网络中单位时间内可靠传输的数 Fig.2 Schematic of energy consumption of base stations 据总量与消耗功率总量之间的比率，换句话说，GEE 正是网络产生的总收益除以总的发生成本，它十分 +Pn）小-1+Pa)(1+Ps） 吻合能量的传统定义方式.然而，GEE不允许调整 (3) 不同链路的各个能量效率，不具有灵活性.异构网 其中，P为基站总功耗，Na为扇区数，NpA为每扇 络有一个特点，就是具有不同特征和规格的终端共 区的功率放大器数目，P,为基站发射功率，Pp为信 存并且可能具有不同能量需求的.为此，给出 WSEE[28-29]的表达式. 号处理功耗，山pA是功率放大器的效率，Ps为电源 供给和备用电池损耗，Pc为散热器的功耗。以上参 Q(Y） (8) 数取值由具体系统配置和基站类型共同决定[).进 n=之4P+P 一步地，可将上式简化为： 在这里引入一个权重系数入，通过改变系数大 小优化整个通信网络的能效.与GEE类似，WSEE P=uFr+P。 (4) (2)多输入多输出(multi-input multi-output,Ml- 是基于总和的权衡，因此仍倾向于具有更好传播信 MO)网络的能量效率 道的链路.然而，WSEE可以通过权重入，的选择来 赋予不同的优先权来抵消这种影响.相比GEE, W log:Iy +HPH WSEE更具灵活性 TMIMO utr(P)+P (5) (6)多链路网络的加权积能量效率(weighted 系统中假定有N个正交副载波，P是一个N维 product energy efficiency,WPEE)[] 矩阵，表示该系统中的传输协方差矩阵，用H表示 Π Q(ya2） 52 MIMO信道矩阵，tr(P)表示矩阵P的秩.矩阵P可 Pe+p (9) 转化为其对角矢量p={P.},P表示第n个天线 与WSEE相似，引入一个指数权重系数。，同 的功率损耗.W表示系统使用的总带宽. 样改变系数大小能影响到整个通信网络的能效大 (3)多载波网络的能量效率[1]. 小.正如WSEE一样，WPEE也可以通过权重的选 w∑log2(1+Y） 择为各个能量效率指定优先级，WPEE允许更均衡 刀Mc=1 的资源分配，但它不能保证实现最大最小公平分配. (6) u∑P+P 最大最小公平策略是一种有效性和公平性折中的自 n1=1 由分配策略，在无线通信网络应用广泛.为此，给出 其中，y。,表示第n,个子载波的信千噪比(signal to 以下加权最低能效的概念 interference plus noise ratio,SlNR),Pn,表示第n,个 (7)多链路网络的加权最小能量效率(weighted 子载波的功率损耗 minimum energy efficiency,WMEE)[31] (4)多链路网络的全局能量效率(global energy Q(y） efficiency,GEE). erP.. (10) ,n2 接下来考虑多链路网络中的能效表达，假设通 最大最小公平(max-min fairness,MMF)准则的 信网络中共有N2条链路，此处Y,和P分别表示第 基本含义是使得资源分配向量的最小分量的值最 n,条链路对应的SNR和功率放大器功率损耗，“ 大.相比WPEE,WEE很好地保障了实现网络资 =1/常，其中是第n2条链路的功率放大器放大 源最大最小公平分配.如果权重完全相等，那么使 倍数.P。表示第n,条链路的电路模块的功率损 WMEE最大化可以使所有能源效率相等 耗.通信网络中的GEE92表达式如下： (8)基于频谱效率的网络能量效率
马忠贵等: 5G 超密集网络的能量效率研究综述 图 2 基站功耗构成示意图 Fig. 2 Schematic of energy consumption of base stations Pout =Nsector·NPA·( PT 滋PA + PSP )·(1 + PCR)·(1 + PPSBB) (3) 其中,Pout为基站总功耗,Nsector为扇区数,NPA为每扇 区的功率放大器数目,PT 为基站发射功率,PSP为信 号处理功耗,滋PA是功率放大器的效率,PPSBB为电源 供给和备用电池损耗,PCR为散热器的功耗. 以上参 数取值由具体系统配置和基站类型共同决定[9] . 进 一步地,可将上式简化为: Pout = 滋PT + Pc (4) (2)多输入多输出(multi鄄input multi鄄output,MI鄄 MO)网络的能量效率. 浊MIMO = W log2 IN + 1 滓 2HPH T 滋tr(P) + Pc (5) 系统中假定有 N 个正交副载波,P 是一个 N 维 矩阵,表示该系统中的传输协方差矩阵,用 H 表示 MIMO 信道矩阵,tr(P)表示矩阵 P 的秩. 矩阵 P 可 转化为其对角矢量 p = {Pn } N n = 1 ,Pn表示第 n 个天线 的功率损耗. W 表示系统使用的总带宽. (3)多载波网络的能量效率[19] . 浊MC = W移 N n1 = 1 log2 (1 + 酌n1 ) 滋移 N n1 = 1 Pn1 + Pc (6) 其中,酌n1 表示第 n1 个子载波的信干噪比( signal to interference plus noise ratio,SINR),Pn1 表示第 n1 个 子载波的功率损耗. (4)多链路网络的全局能量效率( global energy efficiency,GEE). 接下来考虑多链路网络中的能效表达,假设通 信网络中共有 N2条链路,此处 酌n2和 Pn2分别表示第 n2条链路对应的 SINR 和功率放大器功率损耗,滋n2 = 1 / 滋 n2 PA,其中 滋 n2 PA是第 n2条链路的功率放大器放大 倍数. Pc,n2 表示第 n2 条链路的电路模块的功率损 耗. 通信网络中的 GEE [19,27]表达式如下: 浊GEE = 移 N2 n2 = 1 Q(酌n2 ) 移 N2 n2 = 1 (滋n2 Pn2 + Pc,n2 ) (7) (5) 多链路网络的加权和能量效率( weighted sum energy efficiency,WSEE). GEE 是通信网络中单位时间内可靠传输的数 据总量与消耗功率总量之间的比率,换句话说,GEE 正是网络产生的总收益除以总的发生成本,它十分 吻合能量的传统定义方式. 然而,GEE 不允许调整 不同链路的各个能量效率,不具有灵活性. 异构网 络有一个特点,就是具有不同特征和规格的终端共 存并且 可 能 具 有 不 同 能 量 需 求 的. 为 此, 给 出 WSEE [28鄄鄄29]的表达式. 浊WSEE = 移 N2 n2 = 1 姿n2 Q(酌n2 ) 滋n2 Pn2 + Pc,n2 (8) 在这里引入一个权重系数 姿n2 ,通过改变系数大 小优化整个通信网络的能效. 与 GEE 类似,WSEE 是基于总和的权衡,因此仍倾向于具有更好传播信 道的链路. 然而,WSEE 可以通过权重 姿n2的选择来 赋予不同的优先权来抵消这种影响. 相比 GEE, WSEE 更具灵活性. (6) 多链路网络的加权积能量效率( weighted product energy efficiency,WPEE) [30] . 浊WPEE = 仪 N2 n2 = ( 1 Q(酌n2 ) 滋n2 Pn2 + Pc,n ) 2 孜n2 (9) 与 WSEE 相似,引入一个指数权重系数 孜n2 ,同 样改变系数大小能影响到整个通信网络的能效大 小. 正如 WSEE 一样,WPEE 也可以通过权重的选 择为各个能量效率指定优先级,WPEE 允许更均衡 的资源分配,但它不能保证实现最大最小公平分配. 最大最小公平策略是一种有效性和公平性折中的自 由分配策略,在无线通信网络应用广泛. 为此,给出 以下加权最低能效的概念. (7)多链路网络的加权最小能量效率(weighted minimum energy efficiency,WMEE) [31] . 浊WMEE = min n2沂{1,2,…N2 ( } 姿n2 Q(酌n2 ) 滋n2 Pn2 + Pc,n ) 2 (10) 最大最小公平(max鄄min fairness,MMF)准则的 基本含义是使得资源分配向量的最小分量的值最 大. 相比 WPEE,WMEE 很好地保障了实现网络资 源最大最小公平分配. 如果权重完全相等,那么使 WMEE 最大化可以使所有能源效率相等. (8)基于频谱效率的网络能量效率. ·971·
·972· 工程科学学报，第41卷，第8期 7SE C 础.博弈论是研究相互依存的理性参与者之间复杂 刀EE=P=WP (11) 的相互作用的一种形式化框架，对多个参与者的互 式中，刀座表示基于频谱效率的能量效率，)s表示频 动研究具有明显的优势.所有参与者的最佳策略组 谱效率(spectrum efficiency,SE). 合起来就构成一个均衡).特别地，如果没有一个 (9)区域能量效率 参与者可以通过改变自己的策略而不降低其他参与 在超密集网络中，由于各个小区的吞吐量非常 者的效用来增加其效用，那么该博弈的解就是纳什 巨大，传统的能量效率不能很好地表征系统性能，所 均衡[3].博弈论最大的特点是能够为相应的博弈 以引入区域能量效率(AEE)作为度量超密集网络 过程找到纳什均衡点，有时纳什均衡点也正是这些 性能的一个重要指标】.将区域能量效率定义为 问题的最优策略解，这样，博弈论就可以指导和分析 区域频谱效率每瓦特，就是单位面积内、单位频谱下 众多算法设计，并且易于找到最优策略.博弈论可 每焦耳能量所能提供的用户吞吐量总和3]，即把区 用于解决无线通信网络中的许多协议设计问题，诸 域能量效率定义为区域频谱效率与能耗之比 如资源分配、功率控制、用户关联、协作中继通信和 TASE C 波束形成等，从而为确保最优化资源、成本和性能的 7AE=P=W,S·P (12) 折中提供了明确的理论指导[39o] 式中，门AE表示区域能量效率，ηAs表示区域频谱效 3.3最优化理论 率(area spectrum efficiency,ASE).C为系统容量， 最优化理论最早可以追溯到十八世纪欧拉和拉 可以由香农公式求得，W代表系统使用的总带宽， 格朗日等对相关力学的极值问题的分析和研究.最 区域覆盖面积用S表示，系统总能耗记为P. 优化理论经过两个世纪的发展，目前已经积累了大 3提高超密集网络能效的理论模型 量的研究成果.特别是凸优化理论[]的系统化研 究，更是为最优化问题的对偶性、最优性等基本性质 在对网络能量效率优化的过程中，经常使用的 的研究提供了一定的理论基础，得到了多种推广，并 理论模型包括：随机几何、博弈论、最优化理论和分 可成功应用于无线通信网络的分析与优化中 数阶规划 目标函数、约束条件和求解方法是最优化问题 3.1随机几何 的三要素[2].最优化问题可以分为两类：一类是求 最近几年，基于随机几何3]的理论分析工具越 函数的极值：另一类是求泛函（函数的自变量是函 来越多地被运用到无线网络建模当中，并且取得了 数)的极值.求函数极值的数值方法或试验最优化 不错的效果.使用随机几何的原因如下：(1)随机几 方法称为数学规划，包括线性规划和非线性规划. 何可以方便地分析SINR:(2)干扰依赖于路径损耗 数学规划所处理的问题一般是静态问题，因此求函 和衰减特性，而路径损耗和衰减又是网络几何的函 数极值问题又被称为静态最优化问题.静态问题的 数；(3)在超密集网络中，基站和用户出现的不确定 数学模型是代数方程，通过选择系统的最优参数使 性非常大，对于每个基站和用户而言，不可能知道或 目标函数取极值.求泛函的极值问题需要应用变分 预测所有节点的空间位置和信道.随机几何是一种 法、最大值原理或动态规划来处理，所处理的问题一 在数学上十分易处理的理论分析工具[35-6]，使用这 般是动态问题，这一类问题就称为动态最优化问题， 种方法可以得到干扰、覆盖概率和系统容量的解析 其数学模型是微分方程或差分方程.动态最优化问 解，为超密集网络的参数优化及算法设计提供理论 题的目标函数的自变量中含有动态系统的状态变 上的指导.这样就可以很容易地进行理论分析与仿 量，状态变量一般是时间的函数，通过选择系统最优 真实验，提高仿真速率与效率.目前，部分随机几何 的运动轨线，使目标函数取极值.静态最优化和动 理论的研究成果已经在无线通信网络中得到了广泛 态最优化问题并无截然的界限，它们都有度量处理 应用，为超密集网络的建模、分析和设计奠定了坚实 结果优劣的目标函数、描述问题的数学模型，处理方 的理论基础，具体细节见4.1节. 法有分析算法和直接算法. 3.2博弈论 基于最优化理论的模型具体求解流程如图3所 博弈论是研究具有竞争或合作性质现象的理论 示.从图3可以看出，对超密集网络中相关模型和 和方法，它既是现代数学的一个新分支，也是运筹学 算法进行求解，主要按图中所示分析过程完成4个 的一个重要学科.博弈论的发展为无线通信网络中 主要步骤（稳态的存在性、稳态的唯一性、最优解与 资源的竞争与协作使用问题提供了可靠的理论基 满意解、收敛条件)即可
工程科学学报,第 41 卷,第 8 期 浊EE = 浊SE P = C WP (11) 式中,浊EE表示基于频谱效率的能量效率,浊SE表示频 谱效率(spectrum efficiency, SE). (9)区域能量效率. 在超密集网络中,由于各个小区的吞吐量非常 巨大,传统的能量效率不能很好地表征系统性能,所 以引入区域能量效率(AEE) 作为度量超密集网络 性能的一个重要指标[32] . 将区域能量效率定义为 区域频谱效率每瓦特,就是单位面积内、单位频谱下 每焦耳能量所能提供的用户吞吐量总和[33] ,即把区 域能量效率定义为区域频谱效率与能耗之比. 浊AEE = 浊ASE P = C W·S·P (12) 式中,浊AEE表示区域能量效率,浊ASE表示区域频谱效 率(area spectrum efficiency, ASE). C 为系统容量, 可以由香农公式求得,W 代表系统使用的总带宽, 区域覆盖面积用 S 表示,系统总能耗记为 P. 3 提高超密集网络能效的理论模型 在对网络能量效率优化的过程中,经常使用的 理论模型包括:随机几何、博弈论、最优化理论和分 数阶规划. 3郾 1 随机几何 最近几年,基于随机几何[34]的理论分析工具越 来越多地被运用到无线网络建模当中,并且取得了 不错的效果. 使用随机几何的原因如下:(1)随机几 何可以方便地分析 SINR;(2)干扰依赖于路径损耗 和衰减特性,而路径损耗和衰减又是网络几何的函 数;(3)在超密集网络中,基站和用户出现的不确定 性非常大,对于每个基站和用户而言,不可能知道或 预测所有节点的空间位置和信道. 随机几何是一种 在数学上十分易处理的理论分析工具[35鄄鄄36] ,使用这 种方法可以得到干扰、覆盖概率和系统容量的解析 解,为超密集网络的参数优化及算法设计提供理论 上的指导. 这样就可以很容易地进行理论分析与仿 真实验,提高仿真速率与效率. 目前,部分随机几何 理论的研究成果已经在无线通信网络中得到了广泛 应用,为超密集网络的建模、分析和设计奠定了坚实 的理论基础,具体细节见 4郾 1 节. 3郾 2 博弈论 博弈论是研究具有竞争或合作性质现象的理论 和方法,它既是现代数学的一个新分支,也是运筹学 的一个重要学科. 博弈论的发展为无线通信网络中 资源的竞争与协作使用问题提供了可靠的理论基 础. 博弈论是研究相互依存的理性参与者之间复杂 的相互作用的一种形式化框架,对多个参与者的互 动研究具有明显的优势. 所有参与者的最佳策略组 合起来就构成一个均衡[37] . 特别地,如果没有一个 参与者可以通过改变自己的策略而不降低其他参与 者的效用来增加其效用,那么该博弈的解就是纳什 均衡[38] . 博弈论最大的特点是能够为相应的博弈 过程找到纳什均衡点,有时纳什均衡点也正是这些 问题的最优策略解,这样,博弈论就可以指导和分析 众多算法设计,并且易于找到最优策略. 博弈论可 用于解决无线通信网络中的许多协议设计问题,诸 如资源分配、功率控制、用户关联、协作中继通信和 波束形成等,从而为确保最优化资源、成本和性能的 折中提供了明确的理论指导[39鄄鄄40] . 3郾 3 最优化理论 最优化理论最早可以追溯到十八世纪欧拉和拉 格朗日等对相关力学的极值问题的分析和研究. 最 优化理论经过两个世纪的发展,目前已经积累了大 量的研究成果. 特别是凸优化理论[41] 的系统化研 究,更是为最优化问题的对偶性、最优性等基本性质 的研究提供了一定的理论基础,得到了多种推广,并 可成功应用于无线通信网络的分析与优化中. 目标函数、约束条件和求解方法是最优化问题 的三要素[42] . 最优化问题可以分为两类:一类是求 函数的极值;另一类是求泛函(函数的自变量是函 数)的极值. 求函数极值的数值方法或试验最优化 方法称为数学规划,包括线性规划和非线性规划. 数学规划所处理的问题一般是静态问题,因此求函 数极值问题又被称为静态最优化问题. 静态问题的 数学模型是代数方程,通过选择系统的最优参数使 目标函数取极值. 求泛函的极值问题需要应用变分 法、最大值原理或动态规划来处理,所处理的问题一 般是动态问题,这一类问题就称为动态最优化问题, 其数学模型是微分方程或差分方程. 动态最优化问 题的目标函数的自变量中含有动态系统的状态变 量,状态变量一般是时间的函数,通过选择系统最优 的运动轨线,使目标函数取极值. 静态最优化和动 态最优化问题并无截然的界限,它们都有度量处理 结果优劣的目标函数、描述问题的数学模型,处理方 法有分析算法和直接算法. 基于最优化理论的模型具体求解流程如图 3 所 示. 从图 3 可以看出,对超密集网络中相关模型和 算法进行求解,主要按图中所示分析过程完成 4 个 主要步骤(稳态的存在性、稳态的唯一性、最优解与 满意解、收敛条件)即可. ·972·