超密集异构网络中基于分簇的休眠优化策略
2017-10-12王秀敏李正权金小萍
李 君 王 浩 王秀敏 李正权 金小萍
(1东南大学移动通信国家重点实验室, 南京 210096)(2中国计量大学信息工程学院, 杭州 310018)(3北京邮电大学网络与交换技术国家重点实验室, 北京 100876)
超密集异构网络中基于分簇的休眠优化策略
李 君1,2王 浩2王秀敏2李正权1,3金小萍2
(1东南大学移动通信国家重点实验室, 南京 210096)(2中国计量大学信息工程学院, 杭州 310018)(3北京邮电大学网络与交换技术国家重点实验室, 北京 100876)
为了解决超密集异构网络中小基站数量较多引起的功率消耗较大问题,提出了一种高效的小基站休眠策略.该策略将系统中干扰较大的小基站分至相同的簇内,并对簇内小基站建立关于用户满意度以及功率消耗的最优化问题,通过二进制粒子群优化算法将部分小基站休眠.在资源分配方面,依据簇中包含的小基站数量对每个簇进行子信道的分配.在休眠策略优化过程中,通过对每个簇采取独立的休眠策略,提高了小基站的休眠以及激活效率.仿真结果表明,该休眠策略有效抑制了异构网络中存在的同层干扰,降低了系统的功率消耗.同时,在保证小基站用户满意度的情况下,该策略可以降低整个系统的中断概率.
异构网络;分簇;休眠策略;满意度;功率消耗
Abstract: To solve the problem of the high power consumption caused by the large number of small base stations in hyperdense heterogeneous networks, an efficient sleep strategy for small base stations is proposed. In this strategy, the small base stations with large interference are grouped as a cluster. The optimization problem about the user satisfaction and the power consumption of each cluster is established. The binary particle swarm optimization algorithm is used to put some of the small base stations into a sleep mode. In terms of resource allocation, the sub-channels are allocated according to the number of the small base stations in the cluster. During the optimization of the sleep strategy, the sleep efficiency and the activation efficiency of the small base stations are improved by the independent sleep strategy of each cluster. The simulation results show that this sleep strategy restrains the co-tier interference of the heterogeneous network and reduces the power consumption of the system. In addition, in the case of ensuring the satisfaction of the users, this strategy can reduce the outage probability of the whole system.
Keywords: heterogeneous networks; clustering; sleep strategy; satisfaction; power consumption
随着终端设备数量的增加以及互联网的不断发展,传统的单层网络已经无法满足用户的服务质量需求.小基站由于具有传输功率低、易于部署与维护等优点,与宏基站组成了新的异构网络结构[1].异构网络结构中存在基站之间的同层干扰以及跨层干扰,如何有效减少异构网络中存在的干扰是目前的研究热点之一[2-6].
在超密集异构网络中,小基站数量多,系统消耗的功率较大[7].另外,用户具有一定的流动性,尤其是对于上班的地方以及一些大型活动场所,存在一定的潮汐效应,导致系统功率消耗较大且存在一定的浪费[8].因此,目前大多研究都是针对如何减少系统中的功率以及节省不必要的功率等问题而展开的[9-12],很少从整体上考虑异构网络中存在的干扰问题.同时,系统中也会存在一定的功率浪费,这与目前提倡的绿色通信观点相违背.
本文提出了一种基于分簇的休眠优化策略,包含分簇阶段和休眠阶段.在分簇阶段,将干扰较大的小基站分至相同的簇内,减少小基站之间的同层干扰.在休眠阶段,对不同的簇内小基站建立最优化问题,并根据最优解将小基站休眠,提高了系统的休眠与激活效率.当小基站用户数增大时,在保证用户的满意度情况下使系统的中断概率得到降低,从而提高了系统的性能.
1 系统模型
本文研究对象为异构网络系统的下行链路模型,其结构图见图1.将连接至宏基站(MBS)的用户记为MUE,连接至小基站(SBS)的用户记为SUE.在宏基站的覆盖范围内,小基站被分至不同的簇内,为了降低系统的功率消耗,对簇内的小基站采取休眠策略.
令系统的频带总宽度为B;小基站i与宏基站h的传输功率分别为Pi与Ph;小基站i到其用户的信道增益为Gi,从小基站i以及附近的宏基站h到邻近小基站k的用户的信道增益分别为Gi,k与Gh,k.则与小基站k相连接的用户n获得的信干噪比为
图1 系统模型
(1)
式中,M,N分别为宏基站和小基站的数量;δ2为加性高斯白噪声的噪声功率;xi,n=1表示用户n与小基站i相连接,xi,n=0则表示未连接.类似于小基站用户,与宏基站h相连接的用户m获得的信干噪比为
(2)
对系统中的小基站采取休眠策略时,可将小基站的功率消耗情况表示为
(3)
式中,P为小基站的功率消耗;μ为与用户业务量相关的系数;Pt为传输功率;Pc为小基站在工作状态下的静态功率消耗;Ps为小基站在休眠状态下的静态功率消耗.
在通信过程中,若用户的SINR值低于某一阈值σ,则无法满足用户正常的通信需求,定义其为中断用户.为了验证本文所提优化策略对系统性能的影响,将中断概率定义为
(4)
式中,Pb为系统的中断概率;Nb为中断用户的数量;Nall为系统中总的用户数量.
2 基于分簇的休眠策略
2.1 分簇阶段
根据超密集异构网络结构,可以建立系统的干扰图K=(A,E,W).其中,A={a1,a2,…,aN}为干扰图的顶点集,代表异构网络中小基站的集合;W={w1,w2,…,wH}为干扰图中连接顶点之间边的集合,H为边的数量,且每条边表示小基站之间的路径损失情况,wi表示小基站i的权重值,且
(5)
式中,λik表示小基站i与邻近小基站k之间的路径损失值.
分簇阶段的具体过程可用算法1表示.
算法1小基站分簇
输入:小基站数量N,簇内小基站最大数量Nmax,干扰阈值T.
输出:系统中小基站分簇数量c,每个簇内小基站数量Nc,每个簇内小基站的集合Ωc.
对小基站编号并用集合表示为i={1,2,…,N},将系统中小基站分簇的初始个数设为c=1.
fori=1 toi=N
ifwi>TandN Nc=Nc+1; Ωc=Ωc∪i; else c=c+1; end if end for 当初始网络固定时,可以按照算法1对初始网络分簇.当网络呈动态变化时,可以根据新增小基站与当前簇的干扰值以及簇内小基站的数量判断该小基站是否可以加入到当前簇内,若干扰之和小于阈值或者簇内小基站数量大于Nmax,则无法加入当前簇.因此,该分簇算法能够适应网络的动态特性. 2.2 休眠阶段 为了综合考虑用户满意度以及功率消耗情况,本文建立了关于用户SINR和功率消耗的最优化问题,且小基站i中用户n的权值为 (6) 式中,Pi,n为小基站i与用户n相连时的功率消耗值;α表示系统的服务质量(QoS)因子;β表示系统的功率消耗因子.在超密集异构网络结构中,可利用系统的总权值R描述网络的综合性能,即 (7) 式中,Nu为簇内用户数.因此,可以将上述综合考虑用户满意度以及系统功率消耗的节能方法建模为如下的最优化问题: (8) s.t. 0≤Pi,n≤Pmax xi,n={0,1} 在上述优化问题中,xi,n的值只可以取0或1,因此该最优化问题属于NP难问题.本文采用二进制离散粒子群算法(BPSO)来求解该最优化问题.在迭代寻找最优解的过程中,第j个粒子在第t次迭代中的个体最优位置Zj(t)可以根据粒子当前位置Xj(t)的目标函数值进行求解,其更新公式为 (9) 式中,R[Xj(t)]表示粒子在当前位置所对应的系统总权值;R[Xj(t)]表示粒子在个体最优位置所对应的系统总权值. 全局最优位置C(t)可以根据粒子群搜索到的个体最优位置的目标函数值进行判断,即 (10) 粒子j通过将自身的个体最优位置和全局最优位置进行对比,不断更新自身的速度信息Vj(t)和位置信息Xj(t),其更新公式分别为 Vj(t+1)=h(t)Vj(t)+c1r1(Zj(t)-Xj(t))+ c2r2(Cj(t)-Xj(t)) (11) Xj(t+1)=Vj(t+1)+Xj(t) (12) 式中,h(t)为第t次迭代中的惯性权重;c1,c2为学习因子;r1,r2为(0,1)间均匀分布的相互独立的随机数序列.为了确保算法能够在全局搜索以及局部搜索情况下收敛,对式(11)中的惯性权重采用随时间线性递减策略,第t次迭代的惯性权重为 (13) 式中,hini为初始惯性权值;hend为终止惯性权值;Dmax为最大迭代次数.为了提高算法的收敛速度和收敛精度,通常将惯性权重初始化为0.9,随着迭代次数的增加线性递减至0.4. 在超密集异构网络系统中,休眠阶段的具体步骤可以表示为: ① 初始化获得簇内小基站的数量Nc、簇内用户数Nu,SINR阈值σ以及最大迭代次数Dmax. ② 计算每次迭代过程中粒子当前位置的目标函数值R. ③ 对于每个粒子,按式(9)和(10)更新个体最优位置和全局最优位置,并计算簇内用户的SINR值. ④ 根据式(11)和(12)分别对粒子的速度和位置进行更新,当粒子超出搜索空间或者簇内用户SINR值低于阈值σ时,重置其当前位置. ⑤ 若未达到结束条件,则令迭代次数t=t+1,并返回步骤②. 在上述BPSO算法的求解过程中,每个粒子在迭代求解时,将会计算其与小基站之间的目标函数值,且每次迭代中的计算次数为Nc,系统中小基站分簇个数为c,若每个簇内的用户数为Nu,则系统总的算法复杂度可以表示为O(NcNucDmax). 下面通过仿真实验,将本文提出的休眠优化策略与文献[10]中无分簇的一般休眠策略进行系统性能方面的比较.在仿真过程中,本文考虑了1个宏基站以及该覆盖范围内随机分布的多个小基站,宏基站的传输功率为46 dBm,小基站的最大传输功率为20 dBm.噪声功率谱密度为-174 dBm/Hz,系统总信道带宽为10 MHz.在利用BPSO进行求解时,服务质量因子α与功率消耗因子β值均为0.5,学习因子c1与c2均为1.5,最大迭代次数Dmax为200. 系统中小基站用户的SINR累计分布函数情况见图2.由图可知,利用文献[10]中无分簇的一般休眠策略能够使用户在SINR性能方面得到一定的提升.然而,在3种方案中,本文提出的休眠优化策略能够使簇与簇之间共享整个频谱,并有效地减少了异构网络系统中的同层干扰,因此,在改善SINR性能方面更具优势. 图2 小基站用户的SINR累积分布函数值 图3描述了系统的功率消耗随小基站变化的情况.由图可知,使用一般休眠策略以及无休眠策略时,当小基站数量不断增加,邻近小基站之间的同层干扰不断增强,因此,系统的功率消耗不断增大.本文提出的休眠优化策略通过对不同簇采取休眠优化策略,并对簇内的小基站采取休眠策略,有效地降低了系统的功率消耗. 图3 不同休眠策略下系统的功率消耗情况 图4给出了不同方案下系统中断概率随小基站用户数变化曲线.由图可知,未采取休眠策略时,系统中不会出现中断概率.当系统采取休眠策略时,一部分小基站进入休眠状态,由于用户的增长速度比基站激活的速度快,因此,系统中断概率呈增长趋势,但随着激活基站的数量不断增加,系统中断概率将逐步下降.本文提出的休眠优化策略能够显著提高系统中小基站的休眠与激活效率,从而降低了系统的中断概率. 图4 不同休眠策略下系统的中断概率 1) 在本文的异构网络系统模型中,利用相邻小基站之间的干扰权值建立系统的干扰权重图,将干扰较大的小基站分至相同的簇内,从而有效减少了系统中存在的同层干扰,提高了用户的满意度. 2) 提出二进制粒子群优化算法求解原属于NP难的最优化问题,利用求得的最优解确定小基站的休眠情况,降低系统的功率消耗. 3) 通过对不同簇内的小基站采取休眠策略,可以提高小基站休眠与激活的效率,降低了系统的中断概率,提高了系统的性能. References) [1] Chandrasekhar V, Andrews J, Gatherer A. Femtocell networks: A survey[J].IEEECommunicationsMagazine, 2008,46(9): 59-67. DOI:10.1109/mcom.2008.4623708. [2] Zuo Xuzhou, Liu Jishun, Xia Weiwei, et al. Hybrid spectrum access model for cognitive femtocell networks[J].JournalofSoutheastUniversity(EnglishEdition), 2013,29(2): 118-124. DOI:10.3969/j.issn.1003-7985.2013.02.002. [3] Chai X, Xu X, Zhang Z. A user-selected uplink power control algorithm in the two-tier femtocell network[J].ScienceChinaInformationSciences, 2014,58(4): 1-12. DOI:10.1007/s11432-014-5228-z. [4] Luo H, Ni Q, Zhang Y, et al. CRS interference cancellation algorithm for heterogeneous network[J].ElectronicsLetters, 2016,52(1): 77-79. DOI:10.1049/el.2015.2669. [5] Lee Y L, Loo J, Chuah T C, et al. Fair resource allocation with interference mitigation and resource reuse for LTE/LTE-A femtocell networks[J].IEEETransactionsonVehicularTechnology, 2016,65(10): 8203-8217. DOI:10.1109/tvt.2016.2514535. [6] Mutairi Abdulmohsen, Roy Sumit. Impact of traffic load on OFDMA femtocells interference mitigation[J].IEEEJSelectAreasCommun, 2015,33(10): 2017-2026. DOI:10.1109/JSAC.2015.2435272. [7] Huang Y, Zhang X, Zhang J, et al. Energy-efficient design in heterogeneous cellular networks based on large-scale user behavior constraints[J].IEEETransactionsonWirelessCommunications, 2014,13(9): 4746-4757. DOI:10.1109/twc.2014.2330334. [8] Son K, Kim H, Yi Y, et al. Base station operation and user association mechanisms for energy-delay tradeoffs in green cellular networks[J].IEEEJournalonSelectedAreasinCommunications, 2011,29(8):1525-1536. DOI: 10.1109/JSAC.2011.110903. [9] Tong En, Gong Shulei, Pan Zhiwen, et al. CoMP-transmission-based energy-efficient scheme selection algorithm for LTE-A systems[J].JournalofSoutheastUniversity(EnglishEdition), 2015,31(3): 297-303. [10] Zhu Y, Zeng Z, Zhang T, et al. An energy efficient user association scheme based on cell sleeping in LTE heterogeneous networks[C]//2014InternationalSymposiumonWirelessPersonalMultimediaCommunications(WPMC). Sydney, Australia, 2014: 75-79.DOI:10.1109/wpmc.2014.7014794. [11] Tao R, Zhang J, Chu X. An energy saving small cell sleeping mechanism with cell expansion in heterogeneous networks[C]//2016IEEE83rdVehicularTechnologyConference. Nanjing, China, 2016: 1-5. DOI:10.1109/vtcspring.2016.7504126. [12] Ren P, Tao M. A decentralized sleep mechanism in heterogeneous cellular networks with QoS constraints[J].IEEEWirelessCommunicationsLetters, 2014,3(5): 509-512. DOI:10.1109/lwc.2014.2345661. Optimizedclustering-basedsleepstrategyinhyperdenseheterogeneousnetworks Li Jun1,2Wang Hao2Wang Xiumin2Li Zhengquan1,3Jin Xiaoping2 (1National Mobile Communication Research Laboratory, Southeast University, Nanjing 210096, China) (2College of Information Engineering, China Jiliang University, Hangzhou 310018, China) (3State Key Laboratory of Networking and Switching Technology, Beijing Telecommunication University, Beijing 100876, China) TN911 A 1001-0505(2017)05-0845-05 2017-04-10. 李君(1977—),男,博士,副教授,07a0303105@cjlu.edu.cn. 国家自然科学基金资助项目(61379027,61571108)、江苏省博士后基金资助项目(1302059B)、北京邮电大学网络与交换技术国家重点实验室开放课题资助项目(SKLNST-2016-2-14). 李君,王浩,王秀敏,等.超密集异构网络中基于分簇的休眠优化策略[J].东南大学学报(自然科学版),2017,47(5):845-849. 10.3969/j.issn.1001-0505.2017.05.001. 10.3969/j.issn.1001-0505.2017.05.0013 仿真结果
4 结论