基于能量消耗和负载均衡的异构网络基站开闭策略研究
2019-01-21吕沅宏
章 辉，吕沅宏
基于能量消耗和负载均衡的异构网络基站开闭策略研究
章 辉，吕沅宏
(南开大学天津市光电传感器与传感网络技术重点实验室，天津 300350)
提出新的节能机制是异构网络的一个重大挑战．针对可开闭异构网络，提出了基于纳什均衡的离散粒子群算法(NP-DPSO算法)，旨在通过本算法综合考虑系统能量消耗与负载，达到均衡状态尽可能节省系统能量．基站仅需根据自身的能量消耗和负载来决定自身的开闭状态，而勿需根据全局信息，以用户和基站为博弈参与方建立博弈模型，博弈方均以自身利益最大化为目标执行自己的策略，并在每个参与者都认为已经做出了最优策略的情况下达到非合作博弈的均衡点(纳什均衡点)，再利用离散粒子群算法对其求解．通过将NP-DPSO算法与基站全部激活状态(BSAA状态)、休眠激活机制的概率唤醒算法(APO算法)和基于基站休眠的负载合并动态功率控制算法(LDPC算法)进行了对比分析，验证本文提出的NP-DPSO算法的先进性与可行性．
可开闭异构网络；离散粒子群；纳什均衡；节能机制
随着视频流和社交媒体等宽带密集性应用的激增，人们对无线资源的需求呈指数增长．这种增长给现有的无线蜂窝系统带了极大的挑战．因此，无线资源配置的节能机制成为近年来人们研究的重要课题.在热点地区或者宏覆盖盲区，传统的同构网络已经无法满足用户的需求，严重影响了用户体验，所以引入了异构网络[1]．异构网络指的是两个或以上的无线通信系统采用了不同的接入技术，或者是采用相同的无线接入技术但属于不同的无线运营商[2]．最常用的方法就是在区域内部署低成本低功耗的微基站[3]．在维持高效运行的同时又提供了较高的无线服务质量.微基站包含了Micro、Pico、Femto等多种形态[4]．
大规模部署微基站，在解决热点区域覆盖问题的同时又引入了新的问题，会大大增加功耗[5]，尤其是在用户流量较小时，会出现很多微基站处于空闲状态，严重浪费资源．为了解决小区能耗的问题，提出了可开闭异构网络，即基站休眠机制，在用户流量较小时，关闭不用的基站，以此来节约能耗[6]．
现有文献对基站休眠机制的研究，主要有根据业务负载的增减、用户的到达或者离开、用户分组数据的到达与完成等情况决定基站的休眠与激活．文献[7]基于能耗与业务负载量之间的权衡，提出了基于贪婪算法的基站部署机制，通过允许某些基站在休眠和激活两种状态下切换来提高能量效率．文献[8]提出了休眠激活机制的概率唤醒算法(APO算法)，以优化传统蜂窝网络的能量效率．文献[9]提出基于基站休眠的负载合并动态功率控制算法(LDPC算法)，低负载的宏基站进入休眠，负载较高的宏基站为工作基站，工作基站根据本小区及其分担的邻近休眠基站内的负载变化，动态调节自身的功率．
尽管上述研究都能提高系统的吞吐量，并降低部分功耗，但是它们都依赖于收集所有网络信息并做出相应决定的中央调控器．这种机制为信息的交换和回传带来了额外的成本和开销．因此，给基站提供自组织能力是一个解决措施，让基站可以自主地决定是处于激活或者休眠状态．
本文让基站可以根据当时的流量和网络环境来自主地决定处于休眠还是激活状态．基站只需根据自身的能量消耗和负载来决定自身的状态，不需要根据全局信息，这是非合作问题．为了解决上述问题，本文提出了基于纳什均衡的离散粒子群算法(NP-DPSO算法)，以用户和基站为博弈参与方建立博弈模型，博弈方均以自身利益最大化为目标执行自己的策略，并在每个参与者都认为自己已经做出了最优策略的情况下达到非合作博弈的均衡点(纳什均衡点)，再利用离散粒子群算法对其求解．为了验证本文提出的NP-DPSO算法的先进性与可行性，将此算法与基站全部激活状态(BSAA状态)、文献[8]的APO算法和文献[9]的LDPC算法进行了对比分析．
文章第1节主要是系统模型和问题的提出．文章第2节，根据第1节的内容提出了NP-DPSO算法．第3节，仿真分别分析了平均每个基站目标函数值随着微基站数目递增、用户数目递增，以及NP-DPSO算法迭代次数增加的变化情况．
1 系统模型
本文采用小型基站增强场景．小型基站增强场景与典型的异构网络场景相比，引入了簇的概念，微基站部署在簇内．如图1所示，微基站簇与宏基站之间通过回程链路连接，微基站和宏基站工作在不同频段内．
图1 小型基站增强场景
图2 系统模型
在激活状态下，每个基站将向覆盖区域内的所有用户提供服务；在休眠状态下，基站也需要消耗能量来感测周围的用户．每个基站的功耗[10]为
(1)
(2)
(3)
(4)
(5)
本文的目标就是最小化目标函数，综合考虑系统能量消耗与负载，达到均衡状态尽可能节省系统能量，使整个网络性能最优．本文优化模型为
(6)
2 算 法
本文允许基站可以根据当时的流量和网络环境来自主地决定处于休眠还是激活状态．基站只需根据自身的能量消耗和负载来决定自身的状态，不需要根据全局信息，这是非合作问题．为了解决上述问题，本文提出了基于纳什均衡的离散粒子群决策算法(NP-DPSO算法)，以用户和基站为博弈参与方建立博弈模型，博弈方均以自身利益最大化为目标执行自己的策略，并在每个参与者都认为自己已经做出了最优策略的情况下达到非合作博弈的均衡点(纳什均衡点)，再利用离散粒子群算法对其求解．该算法旨在综合考虑系统能量消耗与负载，达到均衡状态尽可能节省系统能量．
就基站而言，博弈的策略是决定基站是否休眠；就用户而言，博弈的策略是选择信号最强的基站进行通信．
(7)
(8)
对于用户而言，最优策略满足
(9)
对于基站而言，最优策略满足
(10)
(11)
非合作博弈模型是一个多目标优化模型，但优化模型不连续，难以用解析的方式求得该模型的精确解．本文借助智能算法领域的优化离散粒子群算法(DPSO)求解，通过粒子群的不断迭代，逐步逼近均衡解，可以较好地处理此问题．
DPSO算法的速度更新公式与 PSO 算法一样，但速度值变成了二进制位取1的概率，速度值被映射到区间[0，1]，映射的方法一般采用sigmoid函数[13]
(12)
DPSO算法的速度与位移更新公式为
(13)
NP-DPSO算法适应度函数定义为
(14)
NP-DPSO算法步骤如下．
步骤3 根据位置和速度公式(13)进行位置和速度的更新．
步骤5 根据适应度更新历史最优pbest和全局最优gbest．
步骤6 重复步骤3～步骤5，直到满足终止条件(最大迭代次数)．
3 仿真结果
为了验证本文提出的NP-DPSO算法的先进性与可行性，将此算法与基站全部激活状态(BSAA状态)、文献[8]的APO算法和文献[9]的LDPC算法进行了对比分析．仿真参数如表1所示．
表1 仿真参数
Tab.1 Simulation parameters
图3 基站目标函数值随微基站数目的变化
图4 基站目标函数值随用户数目的变化
图5分析了随着NP-DPSO算法迭代次数的增加，在取不同微基站部署数目和用户数目的情况下，每个基站平均目标函数值的变化情况．迭代次数分别选取10、20、40、80、100、150、200、250，随着次数的增加，函数值在下降，在迭代次数小于200时下降较为明显，当次数大于200后，函数值趋于平稳．所以本文仿真迭代次数选取200次．
图5 基站目标函数值随 NP-DPSO算法迭代次数的变化
4 结 语
本文让基站可以根据当时的流量和网络环境来自主地决定处于休眠还是激活状态．基站只需根据自身的能量消耗和负载来决定自身的状态，不需要根据全局信息．本文提出了基于纳什均衡的离散粒子群算法(NP-DPSO算法)，旨在通过本算法综合考虑系统能量消耗与负载，达到均衡状态尽可能节省系统能量．以用户和基站为博弈参与方建立博弈模型，博弈方均以自身利益最大化为目标执行自己的策略，并在每个参与者都认为自己已经做出了最优策略的情况下达到非合作博弈的均衡点(纳什均衡点)，再利用离散粒子群算法对其求解．通过将NP-DPSO算法与基站全部激活状态(BSAA状态)、文献[8]的APO算法和文献[9]的LDPC算法进行了对比分析，验证本文提出的NP-DPSO算法的先进性与可行性．
［1］ 石文孝，王继红，赵 颖，等. 动态关断资源栅格的异构无线网络基站节能算法[J]. 通信学报，2012，33(7)：151-157.
Shi Wenxiao，Wang Jihong，Zhao Ying，et al. Energy saving algorithm for heterogeneous wireless network base stations with dynamic shutdown of resource grids[J]. Journal of Communications，2012，33(7)：151-157(in Chinese).
［2］ Damnjanovic A，Montojo J，Wei Y，et al. A survey on 3GPP heterogeneous networks[J]. IEEE Wireless Communications，2011，18(3)：10-21.
［3］ Zhang H，Chen S，Feng L，et al. A universal approach to coverage probability and throughput analysis for cellular networks[J]. IEEE Transactions on Vehicular Technology，2015，64(9)：4245-4256.
［4］ Feng D，Jiang C，Lim G，et al. A survey of energy-efficient wireless communications[J]. IEEE Communications Surveys & Tutorials，2013，15(1)：167-178.
［5］ 张高记，吕建东，陈文学. 通信基站节能减排评估指标及评估方法研究[J]. 电信科学，2011，27(3)：101-105.
Zhang Gaoji，Lü Jiandong，Chen Wenxue. Research on evaluation indexes and evaluation methods for energy saving and emission reduction of communication base stations[J]. Telecommunication Science，2011，27(3)：101-105(in Chinese).
［6］ 向 伟，张剑峰，邵鑫鸿，等. 基于基站休眠的负载合并动态功率控制算法[J]. 通信技术，2015，48(5)：555-559.
Xiang Wei，Zhang Jianfeng，Shao Xinhong，et al. Load-based dynamic power control algorithm based on base station hibernation[J]. Communications Technol-ogy，2015，48(5)：555-559(in Chinese).
［7］ Son K，Kim H，Yi Y，et al. Base station operation and user association mechanisms for energy-delay tradeoffs in green cellular networks[J]. IEEE Journal on Selected Areas in Communications，2011，29(8)：1525-1536.
［8］ Zhou S，Goldsmith A J，Niu Z. On optimal relay placement and sleep control to improve energy efficiency in cellular networks[C]// IEEE International Conference on Communications. Kuala Lumpur，Malaysia，2011：1-6.
［9］ Yong S S，Quek T Q S，Kountouris M，et al. Energy efficient heterogeneous cellular networks[J]. IEEE Journal on Selected Areas in Communications，2013，31(5)：840-850.
［10］ Koudouridis G P，Li H. Distributed power on-off optimisation for heterogeneous networks：A comparison of autonomous and cooperative optimization[C]// IEEE，International Workshop on Computer Aided Modeling and Design of Communication Links and Networks. Barcelona，Spain，2012：312-317.
［11］ Luo Z，Ding M，Luo H. Dynamic small cell on/off scheduling using stackelberg game[J]. IEEE Communications Letters，2014，18(9)：1615-1618.
［12］ 马晓彤，金顺福，刘建平，等. 认知无线电网络中的基站节能策略及纳什均衡研究[J]. 通信学报，2016，37(7)：172-181.
Ma Xiaotong，Jin Shunfu，Liu Jianping，et al. Research on base station energy saving strategy and nash equilibrium in cognitive radio networks[J]. Journal on Communications，2016，37(7)：172-181(in Chinese).
［13］ 朱喜华，李颖晖，李 宁，等. 基于改进离散粒子群算法的传感器布局优化设计[J]. 电子学报，2013，41(10)：2104-2108.
Zhu Xihua，Li Yinghui，Li Ning，et al. Optimization design of sensor layout based on improved discrete particle swarm optimization algorithm[J]. Chinese Journal of Electronics，2013，41(10)：2104-2108(in Chinese).
(责任编辑：王晓燕)
Base Station on/off Strategies for Heterogeneous Networks Based on the Balance of Energy Consumption and Load
Zhang Hui，Lü Yuanhong
(Tianjin Photoelectric Sensor and Sensor Network Technology Laboratory，Nankai University，Tianjin 300350，China)
Proposing a new energy-saving mechanism for heterogeneous networks is a major challenge. For switchable heterogeneous network，this study proposed a discrete particle swarm algorithm based on the decision Nash equilibrium(NP-DPSO algorithm). This algorithm considers the energy consumption and load of the system comprehensively to reach the equilibrium state and save system energy as much as possible. The base station only needs to determine its state based on its own energy consumption and load，without the need for global information. A game model is established between the user and the base station as game participants. The game players execute their own strategies based on their own maximized interests and reach a non-cooperative game in which each participant believes that they have made the best strategy. The equilibrium point(Nash equilibrium point)is solved by using a discrete particle swarm algorithm. By comparing the NP-DPSO algorithm with the total active state of the base station，probabilistic wake-up algorithm of the sleep activation mechanism algorithm and load-based dynamic power control algorithm based on base station hibernation，this study verified the feasibility and advantages of the proposed NP-DPSO algorithm.
switchable heterogeneous network；discrete particle swarm algorithm；Nash equilibrium；energy-saving mechanism
10.11784/tdxbz201711072
TN929.53
A
0493-2137(2019)03-0300-06
2017-11-21；
2018-04-13.
章 辉（1982— ），男，副研究员
章 辉，zhangh@nankai.edu.cn.
国家自然科学基金资助项目(61671254，61501262).
the National Natural Science Foundation of China(No. 61671254，No. 61501262).
