基于AI 的多系統協同在5G 網絡節能中的應用

任 強

（中國聯通遼寧省分公司，沈陽 110008）

1 無線基站能耗

隨著網絡規模的不斷擴大，運營商的能耗越來越高。2019年的中國移動業績報告顯示，中國移動的動力水電取暖費支出為328.74億，巨額能耗讓運營商的盈利壓力越來越大。在總能耗中，網絡的能耗問題占比約為總能耗的70%，其中無線基站設備占據網絡能耗的50%。在5G 時代，無線基站的設備功耗相比于前幾代網絡有著明顯提升。當前，5G 設備的功耗相當于基站機房站點內所有設備的功耗之和。

在無線基站設備中，射頻單元（RRU）的功耗占比大概為無線基站設備的75%，其中主要是RRU 設備中的功放消耗的能量。現實網絡中，由于用戶的遷移和行為變化，網絡話務量有著明顯的潮汐效應。當在凌晨時刻，網絡話務量趨近于0，但是基站設備還處于運行狀態，造成了能源的極大浪費。

網絡節能的一個重要方向就是減少網絡設備的無效能耗。現在的網絡設備是無論用戶數量和話務量的是多少，都一直在持續的運行，雖然其功耗相比峰值功耗有所降低，但是相對理想狀態來說，可以改變的空間還非常大。網絡的理想狀態是，當網絡用戶的的話務量減少為0時，網絡設備的能耗也要降低到極低的狀態。

圖1 低流量時間段能耗沒隨之降低

當前，網絡節能的狀態主要有兩條路徑：一是基站軟硬件節能技術；二是基于AI 的話務預測節能技術。在基站的軟硬件節能節能技術僅通過提高單個基站的軟硬件性能和休眠開關進行節能，這種節能技術有一定的局限性。基于AI 的話務預測節能更好的考慮了基站間的操作，實現更進一步的節能。但是這兩種節能技術都沒有實現無效功率降到最低，只有實現基于AI 的多系統互操作，達到多大的話務量就使用多少資源的目標后，才能徹底的消除無效功耗，接近網絡功能最低的極限。

2 基站軟硬件節能技術

基站的軟硬件節能技術主要包括硬件節能和軟件節能。硬件節能是改善基站設備的硬件材料，降低基站硬件的基礎耗能；軟件節能是通過參數門限的設置，實現對硬件工作時間的操控，減少基站的無效耗能。

2.1 基站硬件節能技術

基站硬件節能技術主要包括以下三個方向：一是射頻器件的新材料新工藝，它是以第三代半導體材料為代表的GaN 對GaAs技術的取代，可以更好地降低設備的功耗；二是高集成度的數字單元和射頻單元融合，該技術主要是AAU 的繼承都越來越高，并且包括一定的幾代處理單元；三是芯片性能的提高，主要是在7 nm 工藝的應用可以優化集成電路的設計，進而減少設備功耗。

2.2 基站軟件參數節能技術

基站的軟件參數節能技術是在保證網絡話務性能的前提下，根據網絡負荷和話務特征的變化，通過調整基站參數，改變基站的工作狀態，從而實現降低基站功耗的目的。當前，基站軟件參數調節有信道關閉、天線通道關閉、載波關閉和深度休眠四種模式。信道關閉是指當話務信道沒有數據發送的時候，關閉射頻單元的功放模塊，減少無用功率的發送；通道關閉是指在網絡話務負荷比較低的時候，關閉基站天線的通道，節約基站能耗；載波關閉是指當一個基站配置多載波，在話務負荷比較輕的時候，關閉副載波，實現節能；基站的深度休眠是指在某些潮汐效應比較明顯的場景，包括室內場景，比如高校教學區與生活區、商場、步行街等場景；在某個時間段話務負荷趨近于零時，讓基站處于休眠狀態，只有當話務負荷超過某個門限，BBU 再喚醒RRU 開啟工作。

3 常用的AI 基站節能技術

當前，業界也提出了利用AI 技術實現基站的節能，主要方向是利用AI 識別小區覆蓋場景并預測小區話務流量、利用AI 實現小區的協同覆蓋和參數調優節能。

（1）利用AI 識別小區覆蓋場景并預測小區話務流量。如上文所述，在某些場景中，話務量潮汐效應非常明顯。但是在另外一些場景，話務量只有閑忙時的區別，在白天話務量變化有起伏，到了凌晨以后，話務量逐漸降低。

網絡基站可以利用基站歷史信息，包括場景內的連接用戶數、資源利用率和基站所處的環境等因素，使用AI 中聚類模型確定基站的節能場景。根據時間、人口和環境的變化采取智能節能策略。

（2）小區協同覆蓋和參數調整。對于配置多載波的小區，AI智能節能系統利用共覆蓋學習算法，統計終端對異頻的支持率，誘導終端主動發起異頻測量。經過周期性上報測量結果刷新學習算法，建立基站間和基站內部的頻段共覆蓋，可以有效地提高基站節能。另外，通過終端上報的MR 測量報告信息，智能節能系統能發現網絡中的節能小區及其補償小區，并預測話務變化趨勢。當節能小區處于低話務負荷狀態時，系統將把節能小區的話務遷移至其補償小區，并將節能小區休眠。同時，通過實時監控功能，系統能夠在話務尖峰到來時及時喚醒休眠的節能小區以保證網絡質量。

（3）

圖2 小區協同覆蓋場景

4 多頻段多系統的協同節能技術

傳統的節能方式通常是單系統基站的控制，業界也提出了跨頻段跨系統的系統協同節能理念，實現多制式多頻段協同，頻段內跨制式協同關斷，頻段間多載波關斷，并可實現小區級自動化節能參數差異配置。在本文中，我們提出基于話務預測開啟最少頻率資源節能算法，此種節能方式實現“無話務低能耗”，把網絡耗能降到最低限度。其理論基礎是香農公式的擴展形式：

式中，C 為網絡容量；Bi為小區i 的信道帶寬；為小區i的信噪比。

從香農公式可知，所有話務類型都要有頻率資源來承載，根據前文所述，射頻發送電磁波是網絡耗能占比比較高的部分，如果能讓發送的數據僅用需要的帶寬，其余的帶寬都做到深度休眠狀態，包括基站級休眠，載波機休眠、通道級休眠和時隙級休眠模式，就實現了網絡功耗的最低限度。但是，為保證網絡的基本性能，必須保證網絡功能的完整性，據此設計智慧基站節能平臺系統。

首先，網絡要用低頻段做基礎覆蓋網絡，而且基礎覆蓋網絡在任何時候都要工作，保證網絡覆蓋和用戶的隨時接入。

其次，為了保證網絡的安全性，當智慧基站節能平臺系統發生故障時，所有基站要全部開啟。在每天的任何時候，與前一天同時段的基站開啟量相比，變化量超過5%或者10%，則產生告警，以便監控人員及時發現異常，進行處理。

（1）預測系統模型。在以上基礎上，設計基站休眠節能預測系統平臺，預測系統平臺分為輸入參數、預測系統、決策優化和話務執行四大部分。

預測系統在整個供應鏈體系中處在最底層并且起到一個支撐的作用，支持上層的多個決策優化系統，而這些決策優化系統利用精準的預測數據結合運籌學技術得出最優的決策，并將結果提供給更上層的話務執行系統或是話務方直接使用。

目前，預測系統主要支持三大話務：話務量預測、單站話務量預測和話務增長預測。其中，話務量預測主要支持資源開啟方案和話務轉移方案；單站話務量預測主要支持話務轉移方案和用戶感知；業主增長預測主要支持資源增加計劃。

話務量預測又包括分時段話務量預測，分類型話務量預測，分地域場景話務量預測；單站話務量預測包括物理層話務吞吐量預測，應用層話務量預測，連接用戶數預測，RE 占用率預測等指標；話務增長預測主要包括用戶數量增長預測、業務增長預測。此外，用戶感知主要包括呼叫成功率、擁塞率、業務激活時延、切換成功率等KPI。

圖3 預測系統模型

（2）預測系統架構。整體架構從上至下依次是：數據源輸入層、基礎數據加工層、核心業務層、數據輸出層和下游系統。首先從外部數據源獲取我們所需的業務數據，然后對基礎數據進行加工清洗，再通過時間序列、機器學習等人工智能技術對數據進行處理分析，最后計算出預測結果并通過多種途徑推送給下游系統使用。

（3）

圖4 預測系統架構

數據源輸入層：基站的日常話務報表、基站基礎信息數據庫和當地地圖包含有絕大多數需要的用戶信息。

基礎數據加工層：在這一層主要通過Hive 對基礎數據進行一些加工清洗，去掉不需要的字段，過濾不需要的維度并清洗有問題的數據。

核心業務層：這層是系統的的核心部分，橫向看又可分為三層：特征構建、預測算法和預測結果加工；縱向看是由多個話務指標構成，彼此間有相互制約的關系。

特征構建：將之前清洗過的基礎數據通過近一步的處理轉化成標準格式的特征數據，提供給后續算法模型使用。

核心算法：利用時間序列分析、機器學習等人工智能技術進行話務量、單站話務量的預測，是預測系統中最為核心的部分。

預測結果加工：預測結果可能在格式和一些特殊性要求上不能滿足下游系統，所以還需要根據實際情況對其進行加工處理，比如增加標準差、促銷標識等額外信息。

預測結果輸出層：將最終預測結果同步控制基站節能系統，并回傳至基站日常數據庫中和基礎信息數據、MySql、HBase 或制作成JSF 接口供其他系統遠程調用。

下游系統：包括下游任務流程、下游Web 系統和其他系統。

在AI 平臺系統中，基于MR 測量數據和日常話務數據，可以有效的對基站話務量和用戶行為進行預測，實現達到多網協同節能的目標。在不影響用戶體驗的情況下將不同的業務遷移到不同的頻段。當業務量比較少時，盡可能的讓低頻段來承載，因為低頻段覆蓋范圍廣，需要開啟的基站數量少，只有業務量慢慢變多時，才會開啟高頻段的基站，這樣可以達到最大限度的節能，

在此平臺下，最難預測的是用戶的移動性產生的切換，由于用戶行為的隨機性，會導致基站開啟不及時導致的頻繁切換問題，使得用戶的網絡體驗有輕微的受損。

當前的基礎AI 節能模型目前還處于試驗階段，從某地市的短期105個基站的試驗結果來看，在典型的網絡配置下，要比其他的節能技術多降低10%的能耗。因此基于多頻段多系統的協同節能技術能夠實現很好的節能成效，但由于數據量比較大，對服務器的配置要求高。

5 結束語

在5G 的網絡建設中，基站的能耗已經成為運營商沉重的負擔，如果能解決基站能耗的問題，會讓5G 網絡的普及更加迅速。本文在當前網絡節能技術的基礎上，提出多頻段多網絡的協調節能技術，并構建出平臺模型，雖然在應用中還有一定的瑕疵，但是主要因為實驗的范圍比較小，周期也比較短，對AI 的算法的訓練還不夠。隨著算法的改進和數據量的增加，多頻段多網絡協調節能技術表現會更好。為了降低對服務器的依賴，需要改進算法中數據關聯性。