没有合适的资源?快使用搜索试试~ 我知道了~
工程科学与技术,国际期刊23(2020)1308超密集无线异构网络中的节能技术:综述与展望Olumide Alamua, Oluwabusayo Ladipob,Abiodun Gbenga-Ilori a,Michael Adelabua,Agbotiname Imoizea,a尼日利亚拉各斯阿科卡拉各斯大学电气和电子工程系b尼日利亚拉各斯亚巴,亚巴技术学院电气和电子工程系。阿提奇莱因福奥文章历史记录:2019年12月23日收到2020年3月31日修订2020年5月7日接受2020年5月25日网上发售关键词:异构网络超密集小小区大规模MIMO能源效率优化技术A B S T R A C T在无线异构网络(HetNet)中,通过小小区的空间致密化和大规模MIMO天线阵列的然而,小型小区的超密集部署被设想为执行网络管理并增加HetNet中的能耗。为此,本文首先确定的特点,使能源消耗的无线通信网络中的一个具有挑战性的问题。此外,我们对无线HetNet中使用的EE技术进行了分类,并讨论了每种技术下的各种启用策略。根据这些类别,概述介绍了HetNets中EE技术的主要贡献和研究成果。这项工作还提出了EE指标用于衡量能源消耗率和性能权衡。最后,本文总结了未来的研究方向,在该领域的EE在超密集的HetNets。©2020 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证(http://creativecommons.org/licenses/by-nc-nd/4.0/)。内容1.导言. 13082.能源效率技术概述13102.1.网络规划和部署13102.2.无线电传输过程的优化13132.3.睡眠模式/开关技术13162.4.硬件解决方案13172.5.能量收集和传输13183.HetNets 1319中的能效问题公式化3.1.功耗型号13203.2.能源效率指标13214.研究方向13214.1.经验教训13225.结论1322竞争利益声明确认1322参考文献13221. 介绍*通讯作者。电子邮件地址:oaalamu@unilag.edu.ng(O. Alamu)。由Karabuk大学负责进行同行审查最近数据密集型应用的激增以及移动智能设备的激增已经被确定为无线移动网络中数据业务快速增长的主要贡献者。为了满足覆盖和容量https://doi.org/10.1016/j.jestch.2020.05.0012215-0986/©2020 Karabuk University.出版社:Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页:www.elsevier.com/locate/jestchO. Alamu等人 /工程科学与技术,国际期刊23(2020)1308-13261309Fig. 1.典型的下一代无线移动异构网络。来自移动网络用户的不断增长的需求与宏基站(MBS)的密度接近其理论极限相结合,网络运营商被迫选择不同程度的小小区部署[1小型小区包括微小区、微微小区、毫微微小区和MBS远程接入点,诸如远程无线电头端(RRH)和中继[4,5]。由MBS覆盖的小小区的混合形成的网络被称为HetNet[6]。HetNet的典型示例如图所示。1.一、随着小小区的优点,例如低成本部署、从MBS卸载业务、改进的室内吞吐量和低功耗[7,8],也带来了在增加的能耗和网络管理的困难方面的缺点虽然小型小区消耗低功率,但它们的超密集部署将增加能耗[9,10]。根据[11]中的报告,移动网络运营商产生的估计能源消耗账单约占OPEX的30%此外,作为为BS供电的最可靠能源的国家电网正在通过产生CO2排放的方法来供电[12]。因此,保持一个可行的商业环境和健康的生态系统已经成为无线移动网络中日益增长的经济和生态问题[13]。表1列出了本综述中使用的缩略语列表从经济角度看,小城镇的空间密集化HetNet中的小区BS(SBS)带来了网络管理的复杂性,因为期望以自组织方式部署SBS[14,15]。在超密集网络中,小小区的计划外部署增加了网络干扰水平和能量消耗,因此降低了网络的EE[16,17]。因此,在能量消耗账单上产生的成本和管理小型小区的困难加上集中式网络控制器的使用是HetNet中CAPEX和OPEX飙升的主要原因[18]。从生态学的角度来看,以CO2排放量最大的温室气体(GHG)排放已被确定为全球变暖的原因[19,20]。ICT行业占全球二氧化碳排放量的2%,预计到2020年将上升至4%[21],到2040年可能达到14%[22]。在ICT行业,无线移动网络部门的二氧化碳排放量占15% -20%[23],表1缩略语列表缩略语完整含义5G第五代蜂窝网络ABS绝对空白子帧基带单元BS基站CAPEX资本支出CO2二氧化碳CRAN云无线接入网络CRE小区范围扩展CSI信道状态信息EE能源效率GHG温室气体HetNet异构网络LoS视线MEC移动边缘计算MRC最大比率合并MRT最大传动比MBS宏基站MIMO多输入多输出mMIMOMMSE最小均方误差毫米波宏小区用户设备NLoS非视线非正交多址接入OFDMA正交频分多址OMA正交多址接入运营支出PCP Poisson簇过程功率域NOMAPPP泊松点过程QoS服务质量RAN无线电接入网络RF射频SBS小型基站SD-CRAN软件定义云无线接入网SE频谱效率SIC连续干扰消除信干噪比SON自组织网络小型小区用户设备时分多址无人机无人机UD-HetNet超密集HetNetUE用户设备ZF迫零奥街1310号Alamu等人/工程科学与技术,国际期刊23(2020)1308预计到2020年将达到51%[24]。如果不采取预防措施,预计这种排放量每年都会进一步增加[25]。目前旨在控制温室气体排放导致的地球温度上升受这些挑战的推动,EE已成为下一代无线通信系统的蜂窝设计阶段考虑的主要因素[27]。因此,从无线移动网络的角度来看,学术界和工业界的研究人员都将努力实现可持续的市场增长与负担得起的和高质量的服务(QoS)和生态友好的环境。本文的其余部分组织如下:EE技术和各种节能设计优化工具的概述在第2节。第3节描述了通信链路的能量消耗模型。研究方向见第4节。最后,在第5节中得出结论表1列出了本综述中使用的缩略语列表2. 能源效率技术近年来,由于基站巨大的能耗账单和对全球碳足迹的巨大贡献,EE已经成为无线移动网络领域的热门话题[28,29]。在用于无线移动网络操作的文献中已经提出了用于能量高效网络设计的各种技术。这些技术中的大多数集中在BS的EE上,因为BS负责无线移动网络中总能量消耗的60%至80%[30[33]中的作者将EE技术分为五大类,其中大部分与[34]和[35]中确定的分类重叠。这些技术归纳为以下五类:1. 网络规划和部署2. 无线传输过程3. 基站休眠策略4. 硬件解决方案5. 能量收集和传输值得注意的是,每种技术都有自己的优点和缺点。虽然已经单独考虑了一些方法,但是已经提出了几种混合方法,其中两种或更多种技术的特征被合并以进一步优化网络的EE。这些技术的布局如图2所示。在这项工作中,假设基站(BS)代表MBS和SBS。此外,小小区和小小区基站(SBS)可以互换使用。2.1. 网络规划和部署蜂窝网络的节能规划和部署可以从BS部署的规划和HetNet中使用的公知技术的观点来描述。这些办法将在以下标题下讨论BS密度的优化:在移动蜂窝网络的规划阶段考虑的一个关键因素是感兴趣的网络覆盖区域的映射[36]。一旦确定了覆盖区域,就可以估计提供特定QoS水平所需的BS数量[37,38]。与非同构网络的规划和估计过程[39,40]相比,由于SBS部署的无计划方式,密集HetNet中的情况可能更加复杂[41,42]。为规划和推导最佳方案制定HetNet中的BS密度,不同的解决方法,如Meta启发式方法[43],基于贪婪的算法[44]和随机几何[32,45]已经被探索并发现是有用的。[43]中提出的元启发式方法侧重于粒子群优化(PSO)和灰狼优化(GWO)方法的应用。基于数据速率和覆盖率约束的实用程序被制定并纳入建议的PSO和GWO算法,以产生最佳的全局人口。通过关闭冗余BS来进一步减少表示BS数量的群体,同时引入基于昼夜业务简档的附加节能方案来增强该过程。然而,由于所考虑的SBS的均匀分布,所提出的解决方案的应用可能不适用于UD-HetNet。对于[44]中提出的基于贪婪的算法,将不同拓扑下的SBS添加到BS集合中,直到满足平均频谱效率的条件。随后提出了一种基于拉格朗日的分布式算法,以在非高峰业务周期虽然BS分布拓扑被扩展到随机拓扑,这是更可取的UD-HetNet,拓扑的分析基础是不明确的。由于在设计中遇到的限制,对adhoc BS规划和部署进行了实际和详细的分析,从而引入了随机几何。Zhou等人[45]应用泊松分布过程对UE分布进行建模,以生成不同的流量模式。从这些模式,统计交通模型的发展。在此基础上,提出了一种启发式算法以验证BS及其相关联的UE的状态。取决于所选择的业务分布的类型是均匀的、随机的还是集群的,经由中央控制器来估计和报告用于不同模式的总的活动BS,其被视为要部署的BS的最优数量。但是,由于高信令开销,[44]中强调的集中式处理方案的使用可能会影响所提出设计的网络可扩展性。在另一个相关设计中,Alkan[46]提出SBS部署的规划SBS的部署遵循泊松点分布过程,在导频信道信号强度低于一定阈值的区域考虑SBS部署。 但是,没有讨论关于导频信道信息处理的细节,这是由于导频污染导致的错误信息的挑战而关键的。表2提供了表征性能的其他特征对所确定的贡献采取不同的办法。因此,可以推断,用于规划节能UD-HetNet的实用BS优化方法必须考虑某些关键要求,例如最低所需QoS、各种拓扑结构的适当分析模型、流量动态和算法实现。HetNet部署:在HetNet中,由于SBS和UE之间的短传输距离,网络EE得到改善。幸运的是,毫米波支持该属性,从而通过大规模MIMO(mMIMO)增强SBS的空间致密化和频谱致密化[47此外,通过将信号处理和内容交付从云迁移到边缘设备(也称为边缘计算)来减少核心网络和边缘设备之间的距离,也可以节省大量能源[50]。这些办法在以下标题下讨论:a) 超密集(UD)BS :在UD-HetNet中,期望EE 和频谱效率(SE)增加到一定限度,但是BS密度的进一步增加超过最大数量将使网络EE和SE降级[51,52]。这里的基本问题是:网络应该被加密到什么程度以在不违反SE的情况下改善EE?那么,怎样才能使EE和SE联合优化呢?为了回答这些问题,分析工具,如O. Alamu等人 /工程科学与技术,国际期刊23(2020)1308-13261311图二.无线移动网络中的节能技术。表2BS优化技术的比较总结。参考文献HetNet拓扑分析模型QoS保障算法实现流量概况性能度量[39]第三十九章–曼哈顿、赫坎纳和泊松组合几何与随机几何✔–混合负载水平、功耗和节能[第四十届]–六边形随机–集中动态EE[四十三]✔六边形元启发✔集中动态覆盖概率[第四十四届][45个]✔✔Hévononal和Poisson泊松基于贪婪的方法和拉格朗日约束算法随机和启发式✔✔集中式和分布式集中固定混合平均频谱效率和能耗服务的UE和EE[46个]✔Hévononal和Poisson组合几何与随机几何–集中固定EE和面积频谱效率。毒点过程(PPP)已被用于制定用于表征网络EE和SE的框架所需的参数[53这些参数可以概括为覆盖概率和关联概率。根据[53]中的作者,可以从覆盖和用户关联概率估计每个网络层的业务负载,以便计算最小可实现吞吐量。基于这一思想,作者开发了一个封闭形式的表达式,需要建立全球EE模型,但SE方面没有解决。在[54]中,EE和SE都得到了解决,但在其结果中仅捕获了SBS密度对EE的影响SE是相对于SINR来测量的,SINR没有给出SBS密度的影响的清晰画面在SE。另一方面,他们的研究结果验证了这样一个事实,即由于相邻细胞引起的干扰,EE在一定密度的SBSs下受到约束。在另一项类似的工作中[55],作者提出,一个SE和EE的联合优化。此外,EE的性能并且不基于SBS密度来评估SE。这些限制在[56]中提出的工作中得到了解决,其中基于萤火虫算法开发了一种启发式程序,以联合优化地区SE和EE。得到的结果表明,在一定数量的SBS的EE开始下降,由于电路功耗的累积效应,而SE继续增加。然而,SE也开始在某些点上减少,主要是因为干扰。在[51]中,使用合作博弈方法研究了在推导最佳EE和SE时干扰所造成的限制虽然SBS密度的效果之间的最佳权衡EE和SE,分析模型推导SBS分布没有进行。相反,使用基于模拟的方法值得注意的是,PPP的使用可能无法准确地给出UD-HetNet中BS分布的清晰图像,因为SBS聚类是预期的,因此使泊松聚类过程(PCP)成为优选方法[57PCP方法的节能网络设计还没有得到显着的关注在文献中。尽管如此,在[60]中已经引入了该概念,其中使用称为Matern集群过程的PCP的变体来开发频谱效率和功耗最小化问题的表达式。通过最小化簇的协作半径与pcpO. Alamu等人/工程科学与技术,国际期刊23(2020)1308模型,结果表明,在集群中的UE的接收干扰是大于PPP模型,由于BS的接近。从这些调查的一般观察表明,EE限制在HetNet是由于在层间和层内的干扰,由于BS密度的增加上升的结果。由于EE和SE是紧密耦合的,因此在考虑密集网络中的EE目标时,必须将此类网络的SE约束在可容忍的值内。b) 大规模MIMO部署:即使通过BS密集化实现的EE由于来自相邻BS的干扰而受到限制,但通过mMIMO部署可以超过该限制[61]。在mMIMO系统中,干扰、衰落和噪声功率随着天线阵列的增加而减小,因此,使得BS和UE都能够以较低功率进行传输而不损害QoS[62因此,mMIMO是用于改善无线通信系统中的EE和SE两者的有前景的技术[65]。对于实际的节能mMIMO设计,考虑RF单元中的功耗和计算能力是非常关键的,计算能力随着天线阵列数量的增加而增加[66,67]。对降低RF单元中的能耗、其硬件复杂性、波束成形精度和财务成本的追求构成了用混合预编码器替换数字和模拟预编码器的基础[68数字和模拟预编码器的图示分别在图3a在mMIMO系统中使用的主要类型的混合预编码器结构可以被分类为完全连接的混合预编码器或部分连接的混合预编码器,分别如图3c和3d所示[71]。通常,混合预编码器以较少数量的RF单元操作,RF单元经由简单的移相器连接到每个天线[72,73]。此外,由于大规模mMIMO网络中移相器数量的增加,硬件复杂性和能耗增加的问题在全连接混合结构中重新出现。因此,优先选择的理由环形部分连接结构,用于节能设计[74,75]。Gao等人专注于部分连接结构的EE设计,[74]基于与奇异值分解(SVD)和矩阵求逆方法相关联的复杂性的前提,提出了一种用于连续干扰消除(SIC)的低复杂度算法通过最大化每个子天线阵列的子速率来获得作为算法输入的最优预编码向量与[74]中提出的工作类似,[75]中的作者建立了低复杂度的SIC算法可以通过使用Givens变换的部分SVD来实现,Givens变换是一种用于简化正交矩阵推导的方法。这些预编码方案的EE性能在[76]中给出,并且观察到部分连接的混合预编码器的EE优于其完全连接的混合对应物。尽管如此,由于更高的波束成形增益,全连接混合预编码器的SE高于部分连接结构的SE,这也与[74,75]中报道的发现一致。来自[77]的贡献表明,混合预编码器的EE可以通过用相位过采样器(POS)和开关替换模拟单元中的移相器来改善取决于来自数字预编码器单元的信息流的数量,POS单元从单个输入产生具有不同相位的多个并行信号流性能评估表明,所提出的设计优于数字预编码和基于相移的混合预编码器在EE方面,由于减少了POS和交换网络的硬件复杂度。但是观察到,所提出的设计的SE略低于数字预编码和基于相移的混合预编码器。来自[78]和[79]的特殊贡献表明,由于预编码组件的最佳配置,混合预编码器的动态和自适应操作可以例如,作者在[78]中提出在RF单元和移相器之间包括自适应电路,图三.用于mMIMO系统的预编码器(a)每个天线具有专用RF单元的数字预编码器(b)具有经由移相器连接到多个天线的单个RF单元的模拟预编码器(c)全连接混合预编码器(d)部分连接混合预编码器。O. Alamu等人 /工程科学与技术,国际期刊23(2020)1308-13261313完全连接的混合结构,从而消除了对预编码器结构中的独立加法器单元的需要。自适应单元将每个天线的移相器动态地匹配到单个RF单元。令人惊讶的是,没有讨论结构的EE性能。Zheng等人。[79]提出了针对给定MIMO配置和信道条件的RF链对于一个大规模的天线系统,他们通过一个封闭形式的表达式观察到,在高SNR区域,可以估计将最大化所提出的结构的EE的RF单元的数量,以指示EE限制。从这些贡献可以推断,在设计节能混合预编码器时,硬件复杂度(特别是RF链配置和模拟单元的组件)和SE是必须考虑的关键因素,因为BS的能耗率和数据吞吐量在很大程度上取决于它们。c) 移动边缘计算(MEC):MEC技术使云计算能够在边缘网络[80]本地执行,即在BS和UE之间执行,从而消除了对核心网络中集中处理的需要。使网络内容更接近UE减少了服务交付中的延迟,并通过有效地从核心网络卸载计算过程来提供低计算复杂度[81]。由于移动智能设备的电池寿命有限,这些功能支持物联网(IoT)网络和增强应用部署[82,83]。在传统的MEC系统中,EE通常是从计算卸载的角度来解决的[84在[84]中,提出了一种多用户计算卸载游戏,其中UE可以根据网络中的干扰水平计算开销的表达式被公式化为能量消耗和处理时间的函数。他们的研究结果表明,在高干扰水平下,UE在云计算卸载策略下消耗更多的能量,并且在处理时间上也经历了高延迟。因此,UE更喜欢在严重干扰下选择本地计算卸载,这相当于低能耗和短处理时间。在另一个类似的贡献[85]中,作者提出了节能的卸载策略,可以最大限度地减少能耗问题。为了实现这一点,他们根据所选计算策略的类型将UE分为三类。当本地计算时间高于执行计算任务所需的最大时间时,第一组UE选择MEC服务器来执行计算任务第二组在本地计算时间小于执行计算任务所需的最大时间并且在该过程期间消耗的能量小于所需的最小能量消耗时在本地设备第三组根据无线信道状态在MEC服务器或本地计算之间动态选择。之后,迭代算法来执行分组功能,最优资源分配和卸载策略的开发。虽然[84]和[85]中得到的结果[85]验证可以降低能耗的事实通过最佳的计算卸载策略,但EE量化问题并没有明确解决在他们的作品。这种限制在[87]中得到了解决,其中制定了节能计算卸载为了解决这个问题,他们开发了一种基于梯度下降法的迭代技术根据本地计算和将数据卸载到服务器之间的权衡研究,他们的发现表明,当数据大小较小时,本地计算更有效;否则,卸载到服务器更可取。缓存对节能MEC架构的影响可以在[89]和[90]中找到。在[89]中,联合组合的效率-研究了以最小化能耗为目标的协作缓存和编码缓存。虽然编码缓存解决了SBS中缓存文件的编码和放置,但是从SBS集群实现的协作缓存通过选择用于数据传输的最短路由来确保将缓存文件有效且快速地递送到UE。采用基于贪心的算法求解能耗最小化问题。在[90]中,提出了应用任务缓存和任务卸载来增强虚拟现实应用的性能。他们研究的主要目标是减少移动设备的能耗,同时满足完成任务所需的最短时间。他们开发了一种线性迭代算法,该算法决定任务缓存或卸载是在UE上本地执行还是在边缘云上执行。决策变量被表示为二进制变量,但是构成决策变量的物理参数没有被定义。2.2. 无线电传输过程优化无线电传输参数以改善信号传输模式、资源分配、网络覆盖和干扰减少已经证明在节能网络设计中是成本有效的,因为可能不一定需要硬件更换这些方案讨论如下:波束成形设计:在MIMO HetNet中,在期望用户的方向上的发送信号的引导和检测(也称为波束成形)是抑制跨层和共层干扰的有效方法[91,92]。由于无线网络中的干扰对网络的EE具有降级影响[93,94],因此波束成形策略是用于改善网络的EE的潜在技术。波束成形过程很大程度上取决于RF预编码单元的类型。直觉、预编码和波束成形是同义词。但在波束成形方面,重点更多地指向信号处理方案,而不是RF硬件架构。这些方案包括线性和非线性波束形成技术 。 众 所 周 知 的 线 性 波 束 形 成 技 术 是 : 最 大 比 组 合 或 传 输(MRC/MRT)、迫零(ZF)和最小均方误差(MMSE),而非线性波束形成包括脏纸编码(DPC)、向量扰动和格辅助技术[95,96]。然而,线性波束成形方案由于其与非线性方案相比的低计算复杂度而被优选。在[97]中讨论了ZF和DPC在多用户MIMO系统中用于节能设计的应用,其中提出了用于协作波束成形的集中式和分散式解决方案。为了提高系统的可扩展性,提出了分散式的解决方案下行链路采用DPC作为传输策略,上行链路采用ZF,但没有讨论DPC的EE性能在[98]中提出了ZF在mMIMO系统的下行链路中用于信号处理,而不是专注于MIMO系统。他们的工作进一步表明,与集中信号处理相关的复杂性可以通过萤火虫算法的应用而降低。在[97]和[98]中提出的研究中观察到的局限性是,没有提出其他波束成形方案的性能应用在[66]中解决了该缺点,其中给出了mMIMO设计下MRC、ZF和MMSE方案的EE性能研究结果表明,由于ZF方案中的EE具有较好的干扰抑制性能和较低的计算复杂度,因此其性能优于MRC和MMSE虽然MRC方案的计算复杂度比ZF方案低,但由于MRC方案没有考虑干扰和噪声因素,因此EE在MMSE中,干扰和噪声都被抑制,使其性能优于ZF。然而,MMSE的EE由于高信号而较差小行星1314 Alamu等人/工程科学与技术,国际期刊23(2020)1308在头顶上盘旋。这些因素可以证明ZF被广泛用于节能波束成形设计的原因。资源分配:子载波和发射功率等网络资源的有效分配是网络性能的根本决定因素由于能量效率已成为衡量无线通信系统性能的重要指标,研究人员对于任何资源分配策略,强调公平性问题都很重要。如[31]中所报告的,作者强调,不公平的资源分配将进一步降低具有不良信道条件的UE的EE。这在分配给SBS的带宽部分可能不足的覆盖频谱接入场景中可能更明显。例如,[99]中提出的研究,其重点是具有覆盖和可扩展访问方案的HetNet的 EE,易于受到此类限制。叠加和频谱访问的详细信息在[100]中讨论。为了实现能量高效的公平资源分配,在[31]中引入了边界分配的概念,其中具有相似信道条件的UE在[101]中,在绝对空白子帧(ABS)方案下,上界和下界EE最大化问题被公式化。该下限保证了服务最差的UE的最小可实现QoS。另一种用于提高能源效率的HetNet中的资源分配是软频率复用(SFR)。 SFR被提出来抑制小区边缘区域处的小区间干扰,以便改善边缘区域处的UE的SINR[102]。在SFR方案中,每个小区被划分为两个区域:小区边缘区域和小区中心区域。这些区域被分配了总小区带宽的专有部分和不同的级别以满足最小数据速率要求[103]。SFR以小区边缘区域的子带与任何相邻小区正交的方式操作,以避免严重干扰[104]。SFR的节能潜力源于BS能够根据每个区域中的业务条件的最佳功率分配以及小区边缘区域处的干扰减少来降低其传输功率[105]。使用SFR方案进行节能网络设计的贡献可参见[106]和[107]。 在[106]中,研究了全局网络EE优化问题。为了实现这一点,作者制定了一个联合表达式的最佳发射功率和子载波分配使用拉格朗日乘子与Karush-Kuhn-Tucker(KKT)条件。他们进一步提出了基于模拟退火的启发式算法以减少从拉格朗日函数导出的表达式在[107]中,连续凸逼近方法被用于开发用于最优功率和子载波分配的算法。在算法的内环中引入了具有KKT条件的拉格朗日乘子然而,他们没有考虑功率分配和子载波分配的联合优化,如[106]所示。SFR方案中确定的一个主要挫折是频谱的有限重用[108]。这一挑战导致了SFR方案的修改,其中每个小区被划分为两个以上的区域。该修改的SFR方案被称为多层频率重用(MSFR),并且其具有增强中间区域的UE的SINR同时为边缘区域处的UE维持合适的信道条件的能力[109]。不幸的是,使用该方案的节能网络设计在文献中仍然缺乏。然而,在关于能量有效的资源分配的本研究中,更多的重点将放在作为决定BS的动态功耗的主要参数的传输功率分配传输功率可以被最优地分配给不同的传输流,使得具有大增益的信道被分配较高的功率,而具有差信道的UE被分配较少的功率。在这种情况下,具有最差信道条件的UE从另一个角度来看,可以为所有UE设置最小吞吐量约束,以便实现公平性。在正交多址(OMA)技术[99,110,119,111-不幸的是,由于UE的指数增长,OMA限制了可以在不同正交资源上同时调度的UE的数量[127]。出于这个原因,NOMA由于其大量的连接支持、高频谱效率、改善的小区边缘吞吐量和低延迟而获得了相当大的研究关注[128,129]。利用广泛分类在功率域(PD-NOMA)和码域(CD-NOMA)下的NOMA方案,可以使用相同的时间和频率资源并发地服务相同小区内的多个用户[130,131]。 图图4示出了OMA和NOMA系统中的资源分配技术的图示。尽管如此,功率域NOMA在EE网络设计中更相关,因为UE基于不同的功率电平被复用,并且其接收机能够使用SIC见图4。 OMA和NOMA网络中的资源分配。表3节能功率分配技术的比较分析参考文献目的小区场景SBS分布信道方向接入域CSIUE聚类问题类型求解方法[110]联合EE和SE最大化MC-MU随机上行链路OFDMA完美–多目标优化问题将多目标问题转化为单目标问题,采用Dinkelbach[第111话]EE最大化MC-MU随机上行链路OFDMA完美–Debreu游戏方法,其中UE是方法和拉格朗日对偶分解。德布鲁平衡点的[一百一十二]EE最大化MC-MU均匀下行链路OFDMA––球员混合组合非通过结合注水和Dinkelbach迭代技术。梯度迭代法[第113话]同信道干扰抑制MC-MU均匀下行链路OFDMA––优化问题非合作博弈,其中BS无悔学习算法[一百一十四]最大化EE干扰缓解和EEMC-MU随机下行链路–––球员Stackelberg博弈中BS是纳什均衡点的获得[九十九]大化EE的比较研究MC-MU均匀下行链路OFDMA––球员混合组合非凸结合Dinkelbach迭代KKT条件下逐次凸逼近技巧[第115话]最大化频谱接入和重叠频谱接入回程中的EE最大化MC-MU均匀下行链路OFDMA完美–优化问题非凸非线性规划梯度搜索法梯度辅助二分搜索[第116话]网络平均EE和平均SINRMC-MU均匀下行链路–––问题传输功率优化方法梯度迭代法大化问题[第117话]EE最大化MC-MU均匀下行链路TDMA完美–非凸优化问题对分法[第118话][第119话]干扰协调和EE最大化权力之间的比较研究MC-MUMC-MU–随机下行链路下行链路OFDMATDMA––––BS是参与者的Stackelberg博弈多目标问题结合KKT条件的拉格朗日迭代法求解Nash平衡点拉格朗日乘子和子-[一百二十]消耗最小化和效率最大化EE最大化MC-MU均匀下行链路PD-NOMA完美–混合整数非凸优化梯度法拉格朗日对偶分解[121]EE最大化MC-MU–下行链路PD-NOMA––问题Stackelberg博弈中BS是导出闭式表达式纳什均衡点的获得球员结合拉格朗日乘子KKT条件[第122话][第123话]EE最大化和UE准入最大化数据之间的权衡分析SC-MUMC-MU–随机下行链路下行链路PD-NOMAPD-NOMA–完善和每个群集多个UE–非凸优化问题非凸组合优化注水算法分数发射功率分配O. Alamu等人/工程科学与技术,国际期刊23(2020)13081315[一百二十四]速率和能耗EE最大化和分析MC-MU随机下行链路PD-NOMA不完善完美–问题混合整数非凸优化拉格朗日对偶分解[一百二十五]吞吐量和节能之间的权衡EE最大化和推导MC-MU随机下行链路PD-NOMA不完善–问题概率非凸问题导出闭式表达式二分搜索[126]功率消耗与总速率之间的折衷EE最大化SC-MU–上行链路PD-NOMA完美每个多个UE非凸优化问题算法和拉格朗日乘子梯度搜索方法集群MC-MU-多小区多UE SC-MU-单小区多UE CSI小行星1316 Alamu等人/工程科学与技术,国际期刊23(2020)1308[132]. 表3对能效功率分配方面的各种工作进行了比较分析。2.3. 睡眠模式/开-关技术基于在低业务时段期间关闭BS的技术在最近的工作中已经受到很多关注,因为通过完全关闭BS可以节省很多能量。图5所示为采用基站休眠技术的典型网络场景。MBS也可以降低其传输功率,并且最终在所有小小区都不活动时被关闭。一些在下面的段落中讨论了用于实现BS休眠操作的值得注意的方法中的一种,表4中给出了其他性能指标。用户协会:将UE与特定BS相关联增强了HetNet中的BS休眠模式技术,因为通过有效的UE-BS关联,可以识别和关闭轻负载的BS。典型的UE将连接到具有最强参考信号接收功率(RSRP)的BS对于HetNet中的有效UE关联,SBS的小区范围扩展(CRE)特征(也称为偏置)是实现该目的的常用技术之一[133此外,在超密集HetNet中,对CRE的解释表明,它可以用于最小化快速移动用户所经历的频繁和不必要的干扰,从而增强UE关联过程[136,137]。然而,由于MBS的较高传输功率,如果CRE过程是不协调的,则UE可能仍然偏好于与MBS进行连接。为了解决这一挑战,ABS方案中的专用子帧可以被分配用于SBS操作[138],或者子帧上的MBS传输功率可以被限制为较低值,以便减轻其干扰影响[139]。为了改进这些解决方案,该方向的进一步贡献考虑了诸如BS和UE的随机分布[140]、LoS和NLoS传播的影响[141]、业务感知[142]、UE的移动性和切换[143]、吞吐量延迟[144]以及公平资源分配[145]的因素。业务变化:可以对UE的业务模式进行建模,以便预测在一天的某些小时期间停用BS的最佳时段但是,在高峰时段期间BS突然中断的情况下,周期性的因此,考虑到UE的波动活动(例如UE速度)的使用动态流量策略与实际网络设计更相关[146]。动态交通模型在节能设计中的应用在[147]中使用排队理论模型,在[116]中使用马尔可夫决策过程,在[117]中使用马尔可夫决策过程。[148]基于遗传算法原理。单元格缩放:在超密集的HetNet中,由于来自相邻BS的过度供应导致的更高的干扰水平,使用动态业务简档的BS的去激活可能增加网络中的能量消耗[149]。但是,通过小区缩放方法,HetNet中的BS可以自适应地调整其传输功率,从而根据业务波动改变其小区大小[150,151]。根据设计目标,可以增加传输功率以实现有效的UE关联,以便在保持覆盖范围的同时关闭轻负载小区[152]。或者,可以降低传输功率以降低网络中的干扰水平[153]。另一个实例是当根据UE的移动性模式降低传输功率以便降低能耗时[154]。电池负载:在关闭BS之前,有必要考虑其相邻小区的负载水平,否则从休眠小区转移到活动邻居的UE可能经历差的QoS并且可能最终被丢弃。关于这个问题的贡献见[155在[155]中,作者提出了一种算法,使用基于分组的流量模型来识别要关闭的潜在小区,以进行负载估计。在识别阶段之后,估计对相邻小区的影响因子,并且选择对相邻小区具有最小影响因子的BS作为要关闭的优选BS。不是使用基于分组的方法,[156]中开发的算法被设计为关闭SBS经历最高水平的干扰,同时避免图五. HetNet中的睡眠模式场景O. Alamu等人 /工程科学与技术,国际期刊23(2020)1308-13261317表4不同BS休眠使能方案的比较。关闭具有最高数量的服务用户的小区在[157]中给出了这方面的进一步贡献,其中离散时间马尔可夫过程用于开发具有最小能耗的最佳流量卸载BS ON-OFF切换控制:ON-OFF切换策略可以分为两个部分;部分ON-OFF方法,其中部分无线电资源被激活或去激活,或者完全ON-OFF方法,其中BS完全ON或OFF [163]。然而,对于ON-OFF切换策略的实际设计,有必要考虑其对服务延迟和能耗的影响[164,165]。研究了与处于睡眠模式的BS相关联的UE所经历的服务延迟的影响及其EE权衡,[158]和[32]。基于休假排队模型,提出了不同类型的唤醒策略。关于能源消耗的转换效应,[159作者在[159]中提出了一种用于流量预测的增强型马尔可夫过程,以最大限度地减少在流量波动的位置处的在[160]中提出了用于SBS协调的模糊逻辑中央控制器,以防止具有不连续传输(DTX)特征的小小区的同时激活,并且还避免干扰水平的突然激增然而,可以通过开发分布式方案来避免使用中央控制器,如[161]所示,其中提出了一种非合作的基于遗憾的满意度游戏方法在[162]中,研究了由于SBS频繁切换而导致的启动能耗成本的累积效应能源小化问题是制定和分析考虑UE和BS的传输功率、UE的密度和移动性模式。2.4. 硬件解决方案BS和UE的低电路功耗可以通过降低它们的硬件复杂度来[166]中介绍了针对5G网络中应用的UE硬件设计的全面研究。然而,在无线移动网络中,BS处的能量节省更受关注。这一领域值得注意的研究致力于RF硬件设计和基于云的网络实施。在RF硬件设计方面,如第2.1节中在mMIMO部署下讨论的,已经提出了RF链与天线单元的几种连接在这个方向上的另一个重要贡献是功率放大器(PA)的PA的高功率效率将显著提高网络的EE 但是由于通常与MIMO-OFDMA网络相关联的高峰均功率比(PAPR),PA输出信号从动态线性范围偏移到非线性范围,从而导致PA饱和[167]。PA工作在非线性饱和区会导致信号失真、邻道干扰和高功耗[168,169]。在[170]和[171]中介绍了提高网络EE的PA效率解决方案的研究。在[170]中,提出了用推理感知的限幅和滤波电路代替数字预失真器(DPD)这是基于一个前提,即应用程序-方案Ref建模技术考虑的参数项目实施性能度量用户关联[138]第一百三十八话[139]随 机 几 何启发式最大偏置接收功率效用函数集中分散覆盖概率和功耗平均EE[140][141]随机几何随机最大偏置接收功率平均偏置接收功率集中集中SINR覆盖、速率覆盖和EE覆盖覆盖概率、吞吐量和EE几何[第142话][一百四十三]随机几何组合参考信号接收功率效用函数集中集中覆盖概率和EEEE和网络吞吐量[第144话]几何随机平均偏置接收信号集中本地延迟和EE[第145话]几何基于仿真强度效用函数集中总速率、服务用户的平均百分比、EE和流量动态[第147话]排队论到达强度集中计算时间EE和压缩[第116话][第148话]马尔可夫决策过程遗传车辆移动模式业务负载集中集中平均SINR,平均EE网络节能单元格缩放[152]算法博弈论传输功率集中节省的吞吐量、SINR和功率[154]启发式传输功率集中能源消耗,区域SE和EE小区负载[一百五十三][155]启发式排队论传输功率到达率,平均数据包大小混合集中吞吐量、频谱效率和功耗容量、基站切换数小行星1318 Alamu等人/工程科学与技术,国际期刊23(2020)1308mMIMO系统中的D
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功