5G异构蜂窝网络移动接入自适应效能控制算法设计

郑爱媛

(福建商学院信息工程学院,福建 福州 350012)

0 引言

随着大数据等新技术持续推进,为确保5G网络无缝支撑移动台接入突发业务并提升全网载荷度,运营商部署了大规模弱功耗异构宏站和微站作为应对策略。该策略下的全网由于缺乏移动支持能力,致使突发接入时出现局部网络载荷冲突,并由此引发新一轮基站启动。这样的情形势必导致全网效能低下。通过关闭或睡眠部分异构基站被视为有效解决该问题的方法。朱晓荣等[1]提出的循序睡眠机制提倡通过服务器监测全网基站工作参数推算出每个基站效能,将效能度较低的基站纳入研究集合,根据集合内被关闭基站的规模来确定是否开展下一组的关闭评估。然而由于移动台频繁地在邻区子网之间切换接入点,使得分区内基站效能度频繁更新。而循序睡眠机制却忽略了将变化的基站效能度更新到研究集合内,导致研究集合内的基站排序缺乏实时性,从而弱化了该机制的普适性。许焱平等[2]针对该问题提出了睡眠更新机制,基于贪婪算法在每一次关闭基站时都对分簇开展效能评估,对更新效能参数后的基站重新排序再确定关闭的基站对象。但实践表明该算法下的移动台不仅无法为靠近基站的移动台提供平滑的接入点切换,宏站间距问题也将弱化接入信道的质量而引发局部网络阻塞现象。此外,算法将随着接入移动台规模扩大而逐渐增加计算复杂度。王雪等[3]提出了基于接入规模的基站管理机制,首先统计出各分区所能受理的接入载荷度,然后在确保邻近分区存在足够响应资源的前提下通过分析每个基站正在受理的业务规模,筛选出业务量较少的基站,从而确定所要关闭的基站。但该管理机制同样忽略了移动台空间方位和移动台在邻区之间顺利切换接入的关联性,使得一些受理业务规模较小的基站未能被关闭,从而增加了系统的开销,降低了效能度。

可见,全网分区内基站的效能度[4]对于移动台在邻区频繁切换接入点的行为较为敏感。为了克服该问题,本文考虑对非邻区内的基站实施分簇以降低基站效能频繁变化给算法计算精度带来潜在的影响,并为每一个分簇制定个性化的基站启停方案以避免遍历全网基站带来的算法时间复杂度问题,同时结合移动台方位和基站间距设计科学的移动台接入切换机制,避免移动台在低效能度的基站之间执行无效的接入切换。本文构思一种个性化的自适应效能控制算法,该算法通过对分簇内的基站开展个性化能效统计和排序,科学地引导移动台切换接入点来关停不必要的基站,以此提升全网基站效能度。

1 移动接入效能模型

由宏站和微站组成的5G异构蜂窝网络内含多个微蜂窝和宏蜂窝。单个宏站不仅可建立一个正六边形的宏蜂窝,也可经由定向天线将整个宏蜂窝划分出三个扇区,并在每个扇区内配置大规模弱功耗微站形成微蜂窝。微蜂窝内部署的全向天线可为移动台提供全时无缝接入。假设移动业务接入到5G异构全网期间,移动业务强度符合Possion随机分布[5]。令P(t)为移动业务强度在时间t内的Possion变量,k为移动业务强度曲线变化的斜率,m和n分别为移动业务强度所对应的曲线变化幅度[6]和曲线峰值的角度[7]。

(1)

假设接入信道带宽可划分出X个资源块,每个资源块的带宽为B,只能由一个移动台使用。第i个宏蜂窝扇区可为移动台u提供的资源块的集合记作L1,移动台u经第i个宏蜂窝扇区内的第l个资源块所获信号的信噪比SNR为S1,则第i个宏蜂窝扇区为移动台u提供的接入速率[8]为:

(2)

假设第j个微蜂窝可为移动台c提供的资源块的集合记作L2,移动台c从微蜂窝覆盖下的第l个资源块所获信号的信噪比SNR为S2,则第j个微蜂窝为移动台c提供的接入速率为:

(3)

假设基站配置的天线规模为NA,天线维持正常覆盖工作所需的最低能耗为PL,基站处于睡眠时的能耗为Pr,基站受理移动台接入时要求的输出能耗为PG,能耗随载荷变化发生的斜率变化为K。当PG为0时,基站的能耗表征为:

E=Pr·NA.

(4)

当PG不为0时,则基站的能耗表征为:

E=PG·NA+PL·NA.

(5)

假设第q个微蜂窝可为移动台i提供的接入速率为Ri,服务移动台接入期间产生的能耗为Eq,该微蜂窝所服务的移动台集合为I,可得该微蜂窝的效能度为:

(6)

2 效能控制算法设计

效能控制算法的思想是统计来自非邻近小区的用户基站的能耗并进行排序,将效能度较低的基站归类到一个分簇内。再结合该分簇内移动台方位和基站的间距以及该分簇内基站响应移动接入产生的平均能耗等因素,为效能度较低的基站制定启停决策。因此,完整的算法包括分簇和启停决策两个过程。

为方便辨识蜂窝的相邻性,分簇前先进行蜂窝标识[9]。由于复杂的标识方式将增加算法的时间复杂度,故效能控制算法考虑根据每一个微蜂窝周边存在的相邻小区数量来决定赋予相应的蜂窝编号,再使编号一样的蜂窝小区组成一个分簇以实现非相邻小区分簇。这样的设计可避免算法运行期间移动台在两个相邻小区之间频繁切换接入点导致基站效能变化对算法精度的影响。具体标识编号过程为:当所研究的微蜂窝不存在相邻小区,直接为该微蜂窝分配编号C1;当所研究的微蜂窝存在一个相邻小区,则分别为该微蜂窝小区和相邻小区分别分配编号C1、C2。当所研究的微蜂窝存在多个相邻小区,则为存在相邻小区数量最多的那个微蜂窝分配编号C1。若该微蜂窝周边存在奇数个相邻小区,则依次并循环地为这些相邻小区逐个分配编号C2、C3、C4;若该微蜂窝周边存在偶数个相邻小区,则依次并循环地为这些相邻小区逐个分配编号C2、C3。

在分配完标识编号后开始执行分簇操作。具体操作过程为:将所有的微蜂窝形成一个集合J1。每一个微蜂窝辐射的半径记作r,与第s个微蜂窝相邻的基站规模记作JG,与第s个微蜂窝相邻的基站形成的集合记作Js。为集合J1内的每一个微蜂窝开展评估,算出当前微蜂窝到其他微蜂窝的间距是否超过2r。若未超过2r,说明两个微蜂窝属于邻近小区,则需对集合Js中的元素进行更新。然后为集合J1中的每一个微蜂窝分区元素统计出与自身相邻的微蜂窝分区规模,将计算结果实时更新到变量JG中,进行从大到小排序后放入集合J2。若集合J2中只存在一个微蜂窝,直接为该微蜂窝分配编号C1;若集合J2中存在多个微蜂窝分区,则从中筛选出相邻分区基站规模最大的那个微蜂窝,为其分配编号C1,再从集合J2中将该分区基站剔除。接着对微蜂窝C1的集合Js内的基站进行标识区分,其邻近的微蜂窝布局呈环形形状。对相邻基站每间隔一个微蜂窝均分配同样的编号。比如,当存在奇数个相邻小区时,依次循环地分配编号C2、C3、C4、C2、C3、C4;当存在偶数个相邻小区时,依次循环地分配编号C2、C3、C2、C3。然后将已分配过编号的小蜂窝从集合J2中剔除。此时,如果集合J2内仍有元素存在,就重新从集合J2中筛选出相邻分区基站规模最大的那个微蜂窝,为其分配编号C1。当为集合J1内基站全部分配完编号后便可组建出4个分簇,每个分簇均为相同编号的基站。

为降低算法的时间复杂度,对非邻区蜂窝执行完分簇操作后还需为分簇内部的基站规划一个科学的启停决策,以避免算法运行期间遍历全网所有基站而导致开销资源浪费。制定启停决策的依据是首先计算出分簇内部所有基站的平均效能[10]。对于效能高于该平均值的微蜂窝而言,其效能并不会弱化全网性能,算法无须去遍历基站。反之,若微蜂窝效能低于该平均值,则需筛选出其覆盖范围内可能被纳入睡眠对象的基站。假设小蜂窝的规模为w,分簇内部所有基站的平均效能为ηA。当满足条件ηA>ηq时,得到:

(7)

一个分区内的移动台如果距离本分区内基站较远,距离相邻分区内的基站较近,则考虑将该移动台的接入切换到相邻分区基站;如果该移动台距离本分区内基站较近,则较难将接入切换到相邻分区内基站。针对该情形,睡眠更新机制中的贪婪算法使本分区内基站始终处于正常运作,导致全网效能度严重被弱化。基于接入规模的基站管理机制考虑将移动台的接入切换到户外的宏站,然而宏站提供的无线接入信道受到建筑物等障碍物影响,导致信号稳定性和信道质量严重下降,无法确保接入点完成切换,甚至可能出现同一个移动台在两个基站之间循环切换,由此引发移动业务阻塞,从而弱化了基站能效。为克服上述两种机制瓶颈,本文的效能控制算法通过分析微蜂窝内的移动台方位[11]来确定对基站实施功耗调节或睡眠方案。具体过程描述如下:

步骤一 根据全网每个分簇内基站工作参数求出每个分簇的平均效能值ηA。引入微蜂窝集合J3用于存放效能值低于ηA的微蜂窝,同时对J3内的基站根据效能值大小进行降序排列。具备最大效能值的基站标识为BSH,然后为该BSH基站覆盖范围内的每一个移动台计算出其到达基站的间距,从而求得平均间距DA。

步骤二 当DA≥r/2时,说明BSH基站覆盖范围内的移动台分布距离本分区内的基站较远,应使该基站进入睡眠状态[12],并让距离该基站较远的移动台接入向相邻微蜂窝切换,让该基站周围的移动台接入向宏蜂窝基站切换。若无法切换,BSH基站依然保持原来的工作参数,并从J3中剔除该BSH基站;若顺利切换,可将BSH基站置为睡眠状态并更新J3,即从J3中剔除BSH基站。反之,当DA

步骤三 若集合J3中仍有元素,则对J3内的基站根据效能值大小进行降序排列;当集合J3中不存在元素时,对下一个分簇执行第一个步骤,计算每个分簇的ηA。

3 算法评估

根据算法设计思路,评估环节部署了19个宏蜂窝,同时部署100个微蜂窝随机分布到每个扇区内,作为5G异构蜂窝网络的模拟环境。环境中参数设置如下:微蜂窝和宏站的无线接入均采用瑞利信道模型,带宽均为15 MHz,资源块规模均划分为70个,移动台接入比特率均在500 kb/s以上。微蜂窝之间的接入间距为7 m以上,与移动台接入间距为2 m以上,与宏站的接入间距在100 m以上。移动台接入到宏站的间距在50 m以上。微蜂窝内基站和宏站覆盖范围的直径分别为30 m、800 m。微蜂窝基站最大增益7 dB,发射能耗为25 dBm,采用全向模式;宏站最大增益20 dB,发射能耗为60 dBm,采用三维定向模式。

为验证自适应效能控制算法的科学性,算法评估从全网基站能耗、计算时长、移动业务阻塞率等方面开展考察[13],并与睡眠更新机制和基站管理机制进行对比。

图1所示曲线描述了12点至24点期间三种算法下微蜂窝基站的能耗情况。由于测试时间起点是白天,移动用户处于活跃状态,需要激活大量微蜂窝基站为移动台提供接入服务。因此三种算法曲线下基站激活规模都较大,能耗均较高。但相比之下,本文自适应效能控制算法曲线走势明显比另外两种机制曲线低,主要原因在于两种机制都没有考虑到当前分区网络的移动台在切换接入时,分区内基站效能的变化已同步引发相邻分区网络效能变化。这些被忽略的要点在自适应效能控制算法设计中得到了改进。自适应效能控制算法通过对基站效能排序精确地为基站个性化制定睡眠和功耗调整等启停决策,同时更加科学地评估移动台切换接入的可行性以确保移动台切换的成功率,在不影响移动服务质量的前提下尽可能缩小被激活基站的规模控制全网能耗。这些显著优势使得自适应效能控制算法下的效能曲线走势表现出了明显的相对优势。当测试时间进入夜间,移动用户陆续处于休整状态,接入规模锐减。相应地,提供移动接入服务的基站规模同步缩减,能耗相应降低,故三种曲线走线都同步显著下降。即便如此,由于自适应效能控制算法机理的固有优势,其能耗曲线走势依然表现出相对优势。

图1 全网基站能耗

图2所示曲线描述了三种算法在响应移动接入时开展计算所需的时长。睡眠更新机制每一次为基站制定启停决策时都需对分簇开展效能评估,因此遍历全网基站需付出较大的时间代价。基站管理机制通过分簇方式改善了算法性能,降低了时间复杂度,故时间成本相对于睡眠更新机制有所降低。但是当算法运行在簇内时依旧逐个遍历基站,这又导致算法时间代价有所回升。因此基站管理机制的计算时长仅表现出微弱的优势。有别于两种机制的邻区分簇方式,自适应效能控制算法为避免相邻分区效能互相影响造成基站排序精度下降,设计了采用非邻区的分簇方式。这样的设计思路缩短了算法监测基站工作参数的时间,省去了算法统计基站效能的时间,降低了更新基站排序的时间成本。同时,个性化制定启停决策不仅可关闭大规模基站降低全网功耗,缩小基站规模,也进一步降低了算法遍历基站的时间成本。正是这样的设计优势使得自适应效能控制算法在执行计算时付出的时间成本最低。

图2 计算时长

图3所示曲线描述了不同算法方案下全网移动业务的阻塞情况。在移动接入较为活跃的白天,三种方案均通过激活一定规模基站应对移动接入服务以缓解移动业务阻塞。其中,睡眠更新机制下因缺乏科学的基站效能评估机制,导致移动台可能频繁地在两个相邻分区内的基站之间来回切换,频繁占据了有限的带宽资源。随着移动业务的增加,网络阻塞现象越来越凸显。基站管理机制下的宏站因无法保障为移动台提供高质量信道的接入服务,导致移动台不得不抢占更大的带宽资源来维持自身业务的稳定性。对于待接入的移动业务而言,有限的接入资源可能无法满足其对带宽的需求,进而引发业务阻塞。自适应效能控制算法通过调整非相邻分簇内基站发射功率或置其为睡眠模式来控制基站工作状态,并能在确保信道质量的前提下安排移动台顺利完成接入切换。平滑的接入切换设计有效地保障了全网移动业务的流畅性。在移动接入低谷的夜间时段,移动业务规模相对较小且业务属性较为稳定,所激活的基站基本可覆盖所有的移动接入,接入带宽资源基本可满足移动台的需求。因此夜间时段业务较流畅,三条阻塞率曲线走势总体较低,但自适应效能控制算法依旧展现出相对优势。

图3 移动业务阻塞率

4 结语

本文围绕5G异构蜂窝网络基站效能度问题提出一种自适应效能优化方案。该方案从移动服务质量出发建立移动接入效能模型,通过科学筛选基站构建分簇网络,并对分簇内基站开展排序以缩小激活基站的规模,降低全网能耗。同时通过设计稳定的移动接入切换机制进一步巩固移动服务质量,提高全网效能度。研究结果表明,自适应效能控制算法部署在5G异构蜂窝网络具有良好的优化效果。