異構網中具有服務質量約束的高能效微基站部署方法

張洋洋，湯紅波，游 偉，王曉雷，趙 宇

(國家數字交換系統工程技術研究中心，鄭州 450002)

(*通信作者電子郵箱169516026@qq.com)

異構網中具有服務質量約束的高能效微基站部署方法

張洋洋*，湯紅波，游 偉，王曉雷，趙 宇

(國家數字交換系統工程技術研究中心，鄭州 450002)

(*通信作者電子郵箱169516026@qq.com)

針對異構密集網絡中基站密度增大帶來的網絡能耗過高問題，提出一種異構網絡中高能效的微基站部署方法。首先，考慮微基站候選位置可行性以減輕環境條件的影響；其次，在不同的用戶分布狀態下對優化目依概率進行加權，增強了對不同用戶分布場景的適應性；最后，通過對微基站部署數目、位置和功率配置的聯合優化來提升系統能效，并提出了一種高能效的微基站部署算法。仿真表明，與僅優化微基站數量和部署位置的方法相比，所提方法提升能效最高達26%。實驗結果表明，相對于不考慮功率的部署方法，所提出的聯合優化方法能夠有效提升系統能效，同時驗證了微基站功率對異構網絡能效的影響。

異構密集網絡；能效；微基站部署；用戶分布；微基站功率

0 引言

根據長期演進(Long Term Evolution，LTE)標準和第五代移動通信技術(5th-Generation, 5G)預期，未來的蜂窩網將會是異構密集網絡[1]。異構網絡是宏基站和微基站、微微基站、家庭基站以及中繼等組成的混合網絡。各類小基站可以提升頻譜復用和覆蓋性能，并提供高速率業務和無縫連接[2]。

隨著基站密度的增加，網絡能源消耗不斷增加，并成為溫室氣體排放過多的重要原因之一。綠色通信也因此引起關注[3]，其主要目標是在滿足用戶需求條件下盡可能提升能效，同時也能降低成本投入并延長移動設備待機時間。移動蜂窩網中基站耗能占60%～80%[4]。由于小基站比宏基站功率低得多，因此更利于提升能效和降低網絡運維支出。本文擬研究在已部署宏基站區域部署微基站的能效問題，在滿足不斷增加的業務需求同時限制增加的微基站數量。

異構網絡中已有研究主要集中在功率控制和資源分配方面[5-8]，微基站部署和能效方面研究相對較少。文獻[9-10]考慮在宏基站覆蓋區域中部署微基站以提升區域的頻譜效率。為通過擴大基站覆蓋范圍提升頻效，文獻[9]選擇小區邊界作為部署微基站的候選位置，并采用貪婪算法確定位置；文獻[10]則利用一種基于隨機幾何和蒙特卡洛仿真的微基站自動部署方法來確定微基站位置；文獻[11]將微基站部署問題分解為簇形成子問題和資源管理子問題，以服務的用戶數最大化為目標提出了迭代的實時微基站部署算法。但是上述幾種方案均不是從能效方面考慮，如果從能效方面考慮的話，上述方案確定的微基站部署位置可能不是優選位置，特別是在用戶聚集在宏基站附近的場景下，文獻[9]提出的算法表現不佳。

文獻[12]在滿足頻效和覆蓋等約束下，通過優化微基站數目和調整功率來提升系統的能效；文獻[4]基于能效研究了異構網絡部署和資源管理問題，求解了微基站最優密度和功率。但是這兩者均未能確定微基站的具體部署位置。文獻[13]首先選擇可行位置子集作為微基站候選位置，然后在這些候選位置中選擇最優的子集來優化網絡能效，但是它沒有考慮功率對優化目標的影響。由于微基站發射功率對網絡能效有較大影響，在以能效為優化目標并確定微基站位置的部署方案中應當考慮功率因素。

本文從能效方面考慮微基站的部署問題。針對邊界位置未必是最優的問題，考慮在所有可行的位置部署微基站；針對不同用戶狀態影響系統能效的問題，考慮在不同的用戶分布狀態下對優化目標依概率進行加權，增強方法對不同用戶分布狀態的適應性；考慮功率對能效的影響，給出微基站位置、數量和功率確定的高能效異構網絡部署方案。

1 系統模型

一般而言，移動通信系統中的能效度量準則可以分為三大類：元件級、設備級和網絡級。本文考慮的是網絡級能效，常用準則為能量消耗比率(Energy Consumption Rating, ECR)，定義為系統功率損耗與系統有效吞吐量的比值，單位為W/(b·s-1)。為使其更直觀，選用較常用的ECR的倒數形式[13]，即系統有效吞吐量與系統功率損耗的比值，單位為b/J。下面將分別給出吞吐量分析和功耗模型，進而表示出網絡能效。

1.1 用戶吞吐量模型

本文考慮圖1所示的由宏基站和微基站組成的兩層異構無線網絡，用戶終端與接收信號信干噪比(Signal to Interference plus Noise Ratio, SINR)最大的基站連接進行通信，即采用基于SINR的關聯。為了盡量提高頻譜利用率，宏基站與微基站共享同一段頻譜。因此，宏基站與微基站間存在層間干擾，而微基站間因使用相同的頻率資源而存在層內干擾。

圖1 兩層異構無線網絡模型示意圖Fig. 1 Schematic diagram of two-tier heterogeneous wireless network model

與LTE系統相同，基站頻率資源由若干等帶寬的子載波組成，并以包含若干子載波的資源塊為頻率資源分配的最小粒度。假設活躍的移動用戶一直傳輸數據，因此需要分配帶寬，同時假設同類型基站使用相同的發送功率，并平均分配功率至各子載波。宏基站和微基站用各自位置集合BM和Bm表示(下標M和m表示宏基站和微基站)。BM和Bm分別包含宏基站和微基站的位置坐標。網絡中所有基站用B=BM∪Bm表示。則與宏基站子載波n相關聯的用戶k的SINR[13]可以表示為:

(1)

(2)

(3)

1.2 功耗模型及網絡能效

基站的功耗包括兩部分。一部分是基站沒有傳輸時也會消耗的靜態功率，另一部分是基于負載和基站的發送功率。本文采用文獻[14]提出的功耗模型：

P=βPt+Pc

(4)

其中：P表示基站功耗，Pt表示發送功率，β表示對基于負載的發送功率的加權系數，Pc表示基站的靜態功耗。

如前所述，假設用戶總有數據傳輸。此外基站不采用功率控制算法，即基站服務用戶時Pt為常數，那么網絡能效可以表示為:

(5)

其中:NB和Nb分別表示網絡中宏基站和微基站數目，PM和Pm分別表示網絡中宏基站和微基站的功耗，K表示網絡中的用戶集合。

網絡能效可以通過在功率相同時增大網絡吞吐量或在保持容量不變時減小消耗的功率兩種方法提升。在密集網絡中，由于微基站的傳輸距離短，因此傳輸功率要遠低于宏基站，與其他微基站的干擾也比宏基站傳輸的干擾低，并且通信速率也相對較高。鑒于以上原因，微基站被用來疊加在宏基站覆蓋范圍內以滿足用戶的業務需求，并使網絡能效最大化。

2 微基站部署策略

本章提出了一種高能效的滿足覆蓋需求的微基站部署策略：首先，給出了宏基站和微基站的覆蓋需求并形成微基站部署的優化問題；然后，在此基礎上給出微基站的具體部署算法。

2.1 宏基站和微基站的覆蓋需求

網絡運營商希望通過增加微基站提高網絡吞吐量以滿足不斷增長的業務需求。為了使網絡能效最大化，降低資本支出和運維支出，網絡運營商需要將微基站部署在最優位置以滿足用戶服務質量(Quality of Service, QoS)需求。覆蓋性能是移動通信一個重要的QoS指標，通常由小區邊緣用戶SINR大于某一閾值來測定。但是，SINR并不能保證用戶的數據速率，所以本文采用速率覆蓋[15]，即用戶的速率大于某一閾值或大于需求速率。在現實場景中，用戶不斷移動，不同的用戶分布以不同概率出現，部署的微基站需要滿足不同用戶分布狀態下的用戶速率覆蓋需求。

假設R表示用戶狀態分布的集合，r∈R指的是某種用戶狀態分布，即對應于某種用戶分布場景，πr表示分布場景r的發生概率。用Kr表示分布場景r中用戶的集合，Cr(k,B)表示Kr中用戶k的吞吐量，C表示用戶速率的閾值。另外，在分布場景r下的網絡能效用EEr(B)表示，即：

(6)

因此，優化問題可以表示為

(7)

s.t.Cr(k,B)≥C

?r∈R,?k∈Kr

其中:Ptm為微基站的發送功率;Cr(k,B)和Pm分別為Ptm對應條件下用戶k的吞吐量和單個微基站總功耗。

2.2 微基站部署算法

本文修改文獻[11]中的隨機搜索算法以及文獻[9,13]中的貪婪算法給出新的微基站部署算法。其中文獻[13]方法的過程如下：首先在觀察區域劃分網格對微基站的可行位置集合進行篩選產生候選位置集合，然后運用貪婪算法，每次從候選位置選擇使網絡能效最大的位置部署微基站，下次選擇時均以之前選擇的位置已部署微基站為前提，這樣逐一增加微基站直至網絡吞吐量的提升倍數達到閾值要求。

篩選可行位置時，網絡區域分為若干相同的網格，從且僅從包含可行位置的每個網格選出一個候選位置。當網格與其近鄰均至少有一個可行位置時，則選離該網格質心最近的可行位置為候選位置；而當網格有不含可行位置的近鄰時，則選離該網格和其所有不含可行位置的近鄰共同的質心最近的可行位置作為候選位置。圖2為選擇候選位置的一個場景。

圖2 選擇候選位置過程Fig. 2 Process of selecting the candidate location

上述微基站部署方法雖然有效避免了可行位置過多和遍歷所有可能方案帶來的計算量過大問題，但是網絡總吞吐量提升不能保證單個用戶的QoS；同時算法在進行增量部署時也未考慮已部署微基站的冗余問題。為保證每個用戶的QoS并解決已部署微基站冗余問題，本文首先對文獻[13]中的貪婪算法進行改進得到算法1中的固定功率部署算法(Fixed Power Deployment Algorithm, FPDA)。FPDA除將需求由網絡吞吐量提升改為每個用戶吞吐量均大于閾值，覆蓋約束條件更加嚴格，還在部署每個微基站時去除冗余的微基站。偽代碼中，C表示用戶吞吐量閾值，Ptm表示微基站發送功率，Bm為求解的部署微基站的位置集合，Bm_idle為部署時產生的冗余微基站位置集合，Nc表示候選位置數量，Bc表示候選位置的坐標集合，argmax表示選擇式(7)中的優化目標改變最大的微基站，最終輸出Bm和η(Ptm,Bm)作為部署微基站位置集的優化解和對應的優化目標值。算法中能效和用戶吞吐量對應所有部署基站位置集合，因為宏基站位置集合保持不變，為便于理解和敘述方便，計算能效和吞吐量的參數B簡化表示成Bm。

算法1 FPDA。

1) 初始化：C,Ptm,Nc,n=0,η=0,Bc,Bm=?,BM,K,R

2) Function FPDA(C,Ptm,Nc,Bc,BM,K,R)

3) WhileCr(k,B)

5)Bm=Bm∪bBm_idle

6)Bc=Bc∪Bm_idle

7)n=n+1

8) End while

9) Returnη(Ptm,Bm),Bm

10) End function

文獻[13]還未考慮功率對網絡能效的影響，單一的功率設置限制了能效的提升。基于此，并修改文獻[11]中的基于模擬退火的隨機搜索算法，本文提出了聯合優化微基站數量、位置和功率的高能效部署算法(High Energy Efficient Deployment Algorithm, HEEDA)，優化步驟可描述如下：

步驟1 給定微基站發射功率優化微基站數量和位置。應用FPDA根據輸入條件依次選擇使式(7)中的優化目標最大的位置部署微基站，該過程重復直至滿足所有場景的速率覆蓋需求。

步驟2 基于上述優化的微基站數量和位置進行功率優化。根據輸入條件和上述優化的微基站數量和位置，進一步對發射功率進行微調來最大化式(7)中的優化目標，從而得到新的微基站發射功率、位置和數量配置信息，由細粒度功率調整算法(FGAPA)實現。

步驟3 粗調上述優化的微基站發射功率并迭代尋優。在設定復雜度要求下利用隨機搜索算法更新當前解，并粗粒度調整功率重復前兩步迭代搜索，既有效避免了貪婪算法陷入局部最優，也可通過調整算法的迭代次數實現優化度和復雜度之間的折中。

事實上HEEDA由算法2中的偽代碼給出，其中ΔP1和ΔP2分別表示粗粒度和細粒度調整Ptm的步長，Ptm_t和Bm_t為求解過程中的當前解，Ptm和Bm則為近鄰解，t和θ依次表示冷卻溫度和冷卻比，I和Imax則為求解次數及其上限，最終輸出(ηapprox,Ptm_approx,Bmapprox)作為能效、微基站功率和部署位置集的近優解。

算法2 HEEDA。

1) 初始化：C,Ptm,Ptm_t,Ptm_min,Ptm_max,ΔP1,ΔP2,t,θ,Imax,I=0,ηapprox=0,Ptm_approx=0,BM,Bc,K,R,Bm=?,Bm_t=?,Bmapprox=?

2) Function HEEDA(C,Ptm,Ptm_t,Ptm_min,Ptm_max,ΔP1,ΔP2,

t,θ,I,Imax,Bm_t,BM,Bc,K,R)

//第一步:給定微基站發射功率優化微基站數量和位置

3) (η(Ptm,Bm),Bm)←FPDA(C,Ptm,Nc,Bc,BM,K,R)

//第二步:基于上述優化的微基站數量和位置進行功率

//優化 4)

(Ptm,Bm)←FGAPA(C,Ptm,Ptm_min,Ptm_max,ΔP1,ΔP2,

Bm,BM,Bc,K,R)

//第三步:粗調上述優化的微基站發射功率迭代尋優

5) WhileI

6)dη=η(Ptm,Bm)-η(Ptm_t,Bm_t)

7) Ifdη>0

8) Ifη(Ptm,Bm)>η(Ptm_approx,Bmapprox)

9)ηapprox=η(Ptm,Bm),Ptm_approx=Ptm,

Bmapprox=Bm

10) End if

11)Ptm_t=Ptm,Bm_t=Bm

12) Else

13)Ptm_t=Ptm且Bm_t=Bmwith

Probability edη/t

14) End if

15)Ptm=(Ptm+ΔP1) modPtm_max

16) IfPtm

17)Ptm=(Ptm+ΔP1) modPtm_max

18) End if

19)I=I+1,t=θt

20) go to 3)

21) End while

22) returnηapprox,Ptm_approx,Bmapprox

23) End function

下面的算法3給出了中間算法FGAPA(Fine Grained Power Adjustment Algorithm)的詳細過程，其中Pul和Pll分別表示細粒度調整功率的上限和下限，兩者均由輸入微基站功率和粗調功率的步長確定，最終算法輸出微調后的微基站功率Ptm和對應微基站位置集合Bm。

算法3 FGAPA。

1) 初始化：C,Ptm,Ptm_min,Ptm_max,ΔP1,ΔP2,Bm,BM,Bc,K,R

2) Function FGAPA(C,Ptm,Ptm_min,Ptm_max,ΔP1,ΔP2,Bm,BM,

Bc,K,R)

3)Ptm_0=Ptm_1=Ptm,Bm0=Bm1=Bm

4)Pul=min(Ptm_max,Ptm+ΔP1/2),

Pll=max(Ptm_min,Ptm-ΔP1/2)

5) WhilePtm_0+ΔP2≤Pul&Cr(k,Bm0Bm_idle)≥C,

?r∈R,?k∈Krdo

6) Ifη(Ptm,Bm)<η(Ptm_0+ΔP2,Bm0Bm_idle)

7)Ptm=Ptm_0+ΔP2,Bm=Bm0Bm_idle

8) End if

9)Ptm_0=Ptm_0+ΔP2,Bm0=Bm0Bm_idle

10) End while

11) WhilePtm_1-ΔP2≥Pll&Cr(k,Bm1Bm_idle)≥C,

?r∈R,?k∈Krdo

12) Ifη(Ptm,Bm)<η(Ptm_1-ΔP2,Bm1Bm_idle)

13)Ptm=Ptm_1+ΔP2,Bm=Bm1Bm_idle

14) End if

15)Ptm_1=Ptm_1-ΔP2,Bm1=Bm1Bm_idle

16) End while

17) returnPtm,Bm

18) End function

當微基站功率Ptm一定時，因為第一步中的FPDA是貪婪的啟發式算法，所以不能保證獲得的解是最優解。然而文獻[16]提出如果貪婪算法滿足:1)η(?)=0;2)η不單調遞減;3)η是子模的，那么算法求得的解對應的能效ηapprox(Ptm)至少為最優解對應能效ηopt(Ptm)的(e-1)/e倍，記為η*(Ptm)=(e-1)/e×ηopt(Ptm)，其中e為自然常數。雖然能效函數η可能單調遞減，但是文獻[9]指出區域頻譜效率(Area Spectral Efficiency, ASE)滿足以上三個條件。ASE定義為某個區域的總吞吐量比帶寬，因此對于特定區域和帶寬可以說總吞吐量也滿足以上條件和關系。如果假設最優解和所提算法求得的解對應的部署微基站數量相等，即兩者能耗相等，那么求得的解對應能效即總吞吐量比能耗至少為η*。考慮功率對能效影響，在變化區間內調整微基站功率時，對于每個功率取值，上述關系仍然存在。如果調整功率步長設置足夠小并假設迭代中調整功率時能夠取得最優功率值Ptm_opt，那么此時求得的解對應能效ηapprox(Ptm_opt)也能達到η*(Ptm_opt)。此外，由于算法中去除了冗余的微基站，所以求得的解較一般貪婪算法更趨近于最優解。

3 仿真分析

以下將對本文提出的部署算法與文獻[13]中的方法進行比較。

3.1 仿真場景

已部署宏基站，以及候選微基站集合和用戶分布如圖3所示，7個宏基站部署在2 km×2 km仿真區域。為避免邊界效應，采集中央1 km×1 km區域的數據。用戶在宏基站小區內可以為任意分布，假設5個服從隨機分布的不同用戶分布場景依相同概率出現，當然其他任意分布場景本文方法仍然適用。為刻畫現實情況中宏基站位置的隨機性，宏基站位置由齊次泊松點過程(homogeneous Poisson Point Process, PPP)模型產生。為刻畫微基站可行位置間的不相關性，可行位置由參數λ為2 000的PPP模型生成。仿真模型和參數如表1所示[17]。假設宏基站使用三扇區天線，微基站則為全向天線。綜合考慮算法的復雜度與性能以及觀察區域面積，篩選可行位置的網格數選為400。優化中，Ptm和ΔP1以及ΔP2分別設為1 W、0.3 W和0.002 W，t=1，θ=0.99，Imax=2 000。

圖3 仿真場景Fig. 3 Simulation scenario表1 仿真參數Tab. 1 Simulation parameters

基站吞吐量閾值/(Mb·s-1)路徑損耗因子α系統帶寬/MHz子載波數噪聲功率譜密度/(dBm·Hz-1)基站發送功率/W功率因子靜態功耗/W天線高度/m宏基站13.71106001742021.45354.4432.0微基站13.7110600174Ptm7.8471.5012.5

3.2 仿真結果

圖4比較了本文提出的FPDA和HEEDA以及作為參考算法的文獻[13]中算法的性能，同時還給出了參考算法僅修改約束條件為單用戶吞吐量達到閾值后的性能曲線。為增強可比性，參考算法的網絡吞吐量提升要求設為HEEDA求得解對應的網絡吞吐量提升倍數。此處主要比較了能效的增益。各算法均從沒有微基站開始，隨著用戶數的增加，部署微基站數量逐漸增加。隨著微基站數量增加，網絡總吞吐量絕對值單調遞增，但是能效曲線卻曲折變化并升至最高點后呈總體下降趨勢。對于圖中任意一個用戶數位置，在能效方面，本文所提算法均明顯優于參考算法性能，在用戶數為300附近，HEEDA相對參考算法能效提升接近26%，達到最大，網絡能效在峰值處提升達12%。從圖中還可以看出FPDA和增加單用戶速率約束的參考算法在能效方面普遍低于參考算法，這是因為兩者均增加了速率覆蓋要求，所以能效水平提升受到一定限制；但是由于考慮了冗余微基站問題，FPDA能效方面均優于修改約束的參考算法。

圖4 幾種算法能效性能曲線比較Fig. 4 Energy efficiency performance curves of different algorithms

圖5給出了HEEDA在不同用戶數條件下部署微基站時的網絡吞吐量提升倍數和微基站發送功率。吞吐量提升倍數為部署微基站后的網絡吞吐量與部署前僅有宏基站時的吞吐量之比。對于網絡吞吐量，盡管其絕對值隨著用戶數和部署基站數增加會單調上升，但由圖6可知其相對值在用戶數較少時呈總體上升趨勢，達到峰值后又迅速下降。這主要是由于用戶數和微基站數量的增加使干擾不斷增強，繼續增加微基站帶來的吞吐量提升越來越有限。

對于微基站功率，容易看出在用戶數少于200時，其變化范圍較大；當用戶數較大時，微基站功率大小均在0～2 W變化。又由圖4知用戶數少于300時能效提升比例較大，可見通過優化功率提升能效作用明顯；當用戶數較大時，能效提升相對較小，因為求得的微基站功率與初始功率即參考方法中的微基站功率接近，所以HEEDA較參考算法的能效提升主要由迭代搜索優化微基站的位置和數量來實現。因為當干擾成為影響能效提升的主要因素時，較低的微基站功率更利于降低干擾從而提升能效，所以用戶數較多時，微基站均取低于2 W的較小功率值。

各算法的用戶最小吞吐量隨用戶數量的變化曲線如圖6所示。容易看出，HEEDA的用戶最小吞吐量盡管大多低于修改約束后的參考方法，但是均大于閾值并在閾值曲線以上附近變化。因為沒有單用戶吞吐量約束，當用戶數超過100后，參考算法的最小用戶吞吐量均低于HEEDA的用戶吞吐量閾值，即不滿足速率覆蓋需求。此外，對比圖4和圖6，容易得出盡管在用戶數多于325時HEEDA與參考方法的能效相差不大，但是用戶的最低吞吐量相差較大，所以HEEDA在保證用戶QoS方面優于參考方法。

圖5 HEEDA吞吐量提升倍數與微基站功率Fig. 5 Throughput improvement and micro base station power of HEEDA

圖6 幾種算法用戶最小吞吐量比較Fig. 6 Minimum user throughput of different algorithms

4 結語

本文提出了一種聯合優化微基站數量、位置和功率的高能效微基站部署方法。部署方法通過對部署位置的有效篩選降低了問題復雜度，利用概率加權適應用戶分布的動態變化，并采用基于模擬退火的算法求解從而避免陷入局部最優。聯合優化方法在能效方面較僅優化微基站數量和位置的方法有明顯提升。為進一步提升系統能效，微基站部署后基于動態業務負載的微基站休眠方法有待后續深入研究。

References)

[1] IMT- 2020(5G)推進組. 5G無線技術架構白皮書[EB/OL]. (2015- 05- 29) [2016- 11- 26]. http://www.imt-2020.org.cn/zh. (IMT- 2020 (5G) Promotion Group. 5G wireless technology architecture whiter paper [EB/OL]. (2015- 05- 29) [2016- 11- 26]. http://www.imt-2020.org.cn/zh.)

[2] NAEEM B, NGAH R, HASHIM S Z M. Handovers in small cell based heterogeneous networks [C]// Proceedings of the 2016 International Conference on Computing, Electronic and Electrical Engineering (ICE Cube). Piscataway, NJ: IEEE, 2016: 268-271.

[3] GHAZZAI H, KADRI A. Joint demand-side management in smart grid for green collaborative mobile operators under dynamic pricing and fairness setup [J]. IEEE Transactions on Green Communications and Networking, 2017, 1(1): 74-88.

[4] 彭金磷.基于能效的異構蜂窩網絡部署和資源管理優化[D].合肥：中國科學技術大學,2015:35-39. (PENG J L. Energy-efficient network deployment and resource management in heterogeneous cellular networks [D]. Hefei: University of Science and Technology of China, 2015:35-39)

[5] TAM H H M, TUAN H D, NGO D T, et al. Joint load balancing and interference management for small-cell heterogeneous networks with limited backhaul capacity [J]. IEEE Transactions on Wireless Communications, 2017, 16(2): 872-884.

[6] KANEKO M, NAKANO T, HAYASHI K, et al. Distributed resource allocation with local CSI overhearing and scheduling prediction for OFDMA heterogeneous networks [J]. IEEE Transactions on Vehicular Technology, 2017, 66(2): 1186-1199.

[7] MLIKA Z, GOONEWARDENA M, AJIB W, et al. User-base-station association in HetSNets: complexity and efficient algorithms [J]. IEEE Transactions on Vehicular Technology, 2017, 66(2): 1484-1495.

[8] 冀保峰，楊佳，王一丹，等.基于能效最優準則的雙跳中繼網絡功率分配算法[J].通信學報,2016,37(7):124-131. (JI B F, YANG J, WANG Y D, et al. Power allocation algorithms in two-hop relaying networks based on optimal energy efficiency [J]. Journal on Communications, 2016, 37 (7): 124-131.)

[9] SON K, OH E, KRISHNAMACHARI B. Energy-aware hierarchical cell configuration: from deployment to operation [C]// INFOCOM WKSHPS’ 11: Proceedings of the 2011 IEEE Conference on Computer Communications Workshops. Piscataway, NJ: IEEE, 2011: 289-294.

[10] GUO W, WANG S, CHU X, et al. Automated small-cell deployment for heterogeneous cellular networks [J]. IEEE Communications Magazine, 2013, 51(5): 46-53.

[11] HSIEH H-Y, WEI S-E, CHIEN C-P. Optimizing small cell deployment in arbitrary wireless networks with minimum service rate constraints [J]. IEEE Transactions on Mobile Computing, 2014, 13(8): 1801-1815.

[12] REN Q, FAN J, LUO X, et al. Energy efficient base station deployment scheme in heterogeneous cellular network [C]// VTC’15: Proceedings of the 2015 IEEE 81st Vehicular Technology Conference. Piscataway, NJ: IEEE, 2015: 1-5.

[13] COSKUN C C, AYANOGLU E. A greedy algorithm for energy-efficient base station deployment in heterogeneous networks [C]// ICC’15: Proceedings of the 2015 IEEE International Conference on Communications. Piscataway, NJ: IEEE, 2015: 7-12.

[14] ZHENG J, CAI Y, CHEN X, et al. Optimal base station sleeping in green cellular networks: a distributed cooperative framework based on game theory [J]. IEEE Transactions on Wireless Communications, 2015, 14(8): 4391-4406.

[15] SINGH S, DHILLON H S, ANDREWS J G. Offloading in heterogeneous networks: modeling, analysis, and design insights [J]. IEEE Transactions on Wireless Communications, 2013, 12(5): 2484-2497.

[16] NEMHAUSER G L, WOLSEY L A, FISHER M L. An analysis of approximations for maximizing submodular set functions — I [J]. Mathematical Programming, 1978, 14(1): 265-294.

[17] 3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA), further advancements for E-UTRA: physical layer aspects (Release 9), TR 36.814 v9.0.0 [R/OL]. (2010- 03- 20) [2016- 11- 26]. https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=2493.

This work is partially supported by the National Natural Science Foundation of China (61521003), the National Key Technology R&D Program (2014BAH30B00).

ZHANGYangyang, born in 1988, M. S. candidate. His research interests include new mobile communication network, heterogeneous network energy saving.

TANGHongbo, born in 1968, M. S., professor. His research interests include mobile communication network, new network architecture.

YOUWei, born in 1984, Ph. D., research associate. His research interests include cryptography, mobile communication network.

WANGXiaolei, born in 1982, Ph. D. candidate. His research interests include mobile communication network, software defined network.

ZHAOYu, born in 1984, Ph. D. candidate. His research interests include mobile communication network, social network.

Energy-efficientmicrobasestationdeploymentmethodinheterogeneousnetworkwithqualityofserviceconstraints

ZHANG Yangyang*, TANG Hongbo, YOU Wei, WANG Xiaolei, ZHAO Yu

(NationalDigitalSwitchingSystemEngineeringandTechnologicalR&DCenter,ZhengzhouHenan450002,China)

Aiming at the problem of high energy consumption caused by the increase of base station density in heterogeneous dense network, an energy-efficient method for micro base station deployment in heterogeneous networks was proposed. Firstly, the feasibility of micro base station positions was considered to mitigate the effects of environmental conditions. Then the optimization target value was weighed under different user distribution probability to enhance adaptability for different user distribution scenarios. Finally, an energy-efficient deployment algorithm for micro base stations was proposed by jointly optimizing the number, deployment position and power configuration of micro base stations. Simulation results show that the proposed method improves energy efficiency by up to 26% compared with the scheme which only optimizes the number and location of micro base stations. The experimental results demonstrate that the combined optimization method can improve the energy efficiency of the system compared with the deployment method without considering the power factor, and verifies the influence of the micro base station power on the energy efficiency of heterogeneous network.

heterogeneous dense network; energy efficiency; micro base station deployment; user distribution; micro base station power

TP393.02

A

2017- 02- 27;

2017- 03- 24。

國家自然科學基金資助項目(61521003)；國家科技支撐計劃項目(2014BAH30B00)。

張洋洋(1988—)，男，河南三門峽人，碩士研究生，主要研究方向：新型無線移動通信、異構網節能； 湯紅波(1968—)，男，湖北孝感人，教授，碩士，主要研究方向：移動通信網絡、新型網絡體系結構； 游偉(1984—)，男，江西豐城人，助理研究員，博士，主要研究方向：密碼學、移動通信網絡； 王曉雷(1982—)，男，山東淄博人，博士研究生，主要研究方向：移動通信網絡、軟件定義網絡； 趙宇(1984—)，男，吉林遼源人，博士研究生，主要研究方向：移動通信網絡、社交網絡。

1001- 9081(2017)08- 2133- 06

10.11772/j.issn.1001- 9081.2017.08.2133