預前判定模型在5G功耗上的應用研究

杜時英

摘 ?要： 5G技術的應用越來越廣泛，由于5G超高的速率以及超低時延，使得設備消耗的功耗會提升，從而影響各個行業的運行成本。對于降低功耗，可以采用更好工藝的芯片，也可以采用一些策略或者算法，讓整體的功耗降低下來。根據5G網絡的特征以及相關的應用，文章通過預前判定模型，通過對錨點模型，以及連續大數據、小數據的區分，充分區分接入網絡，比較好地解決5G功耗問題。

關鍵詞： 5G; 超低時延; 預前判定; 錨點; 接入網絡

中圖分類號：TP391 ? ? ? ? ?文獻標識碼：A ? ? 文章編號：1006-8228（2020）06-39-03

Abstract： At present， due to the gradual popularization of 5G， more and more industries are adopting 5G. While using 5G technology， due to the ultra-high speed and ultra-low latency， the power consumption of equipment will be increased， which will affect the operating cost of various industries. In improving power consumption， chips with better technology can be used， or some strategies or algorithms can be used to reduce the overall power consumption. According to the characteristics of 5G networks and related applications， this paper uses the pre-determination model and continuous distinction between big data and small data through the anchor model to fully distinguish the access network， which better solves the problem of 5G power consumption.

Key words： 5G; ultra-low-latency; pre-determination; anchor; access network

0 引言

隨著5G技術逐步的商用，NSA 以及SA的網絡正日趨完善，從目前實驗以及統計的數據來看，5G的功耗無論在系統側還是在終端側，都會導致設備功耗過大，這將直接影響企業的生產成本和用戶的體驗度。通過優化策略或模型，降低5G設備的功耗，從而為企業節約成本，提升產品的競爭力，就顯得非常有意義。

1 目前5G設備功耗現狀

1.1 基站側目前的現狀以及對應的解決辦法

5G基站主設備大致分為AAU和BBU，其中AAU是4G時代的RRU+天線，AAU的主要作用是將基帶數字信號轉換成模擬信號，調制成高頻射頻信號，再使用功放模塊放大信號，最后通過天線發射出去[1]。BBU的主要作用，是負責基帶數字信號處理。

我們從表1可以看出，5G功耗是大于4G的。目前，通用的解決辦法是：采用更高工藝制程的芯片或者使用更節能的器件材料，或者引進更科學的散熱方法，以及現代的AI技術等方法，進行系統整體性能提升。

1.2 終端側目前的現狀以及對應的解決辦法

目前終端在提升設備功耗方面，還需從硬件方面入手，例如提升芯片的工藝水平來降低功耗，終端的制程工藝越先進，終端的能耗會有提升。

由于目前技術上的瓶頸，不少終端采用AP+MODEM的方式，從技術解耦上來說，能加快產品上市，但是這種架構的方式也增加了整體的功耗。

針對AP+MODEM 的方式，有些終端采用讓用戶選擇的方式，用戶在需要開啟5G的時候讓MODEM 工作，但是這樣用戶體驗大打折扣。

2 預前判定解決5G設備功耗問題

2.1 錨點的選擇

所謂5G錨點，是指在該5G覆蓋區域運營商開放的一個接入點，在錨點覆蓋的區域，才有接入5G的可能。對于不在5G覆蓋的區域，則錨點也不會存在，所以在沒有錨點的區域，即使終端開啟了5G，也無法連接到5G網絡[2]。從這里看終端判定的是否有錨點成為終端是否開啟5G的一個關鍵的因數，我們可以通過錨點的預前判定來降低設備的接入功耗。

2.2 數據承載能力的選擇

5G的數據優勢是下載速度，對于小數據量并不占優勢，傳輸1-2K/S的數據，當前的3G/4G 傳輸方式足夠滿足傳輸，在這種情況下，5G傳輸的速率跟功耗的效率趕不上其他制式的傳輸。

從以上的分析，我們可以得知，在大數據量傳輸時，我們采用5G網絡;在小數據量傳輸時，我們采用4G/3G的網絡。我們通過這種方式進一步優化了設備的功耗。

2.3 卡爾曼濾波預測模型引入

為了判定是否接入5G，我們采用了卡爾曼濾波算法?？柭鼮V波通過利用最小均方誤差為估計的最佳準則，遞推估計的模型，其基本思想是： 采用信號與噪聲的狀態空間模型，利用前一時刻地估計值和現時刻的觀測值來更新對狀態變量的估計，求出現時刻的估計值[3]。

卡爾曼濾波算法適用于實時處理和計算機運算?？柭鼮V波器問題由預計步驟，估計步驟，前進步驟組成。在預計步驟中，t時狀態的估計取決于所有到t-1時的信息。在估算步驟中，狀態更新后，與時間t的實際觀察比較。更新的狀態是較早的推算和新觀察的綜合。 至于每一個成分的權重，由卡爾曼增益決定，它取決于噪聲w和v。（噪聲越小，新的觀察的可信度越高，權重越大，反之亦然）[3]。

3 建立數學模型

如果要知道變量X在t時刻的值Xt，可以有兩種方法。一種方法是，通過研究Xt-1→Xt的變化規律，從初始值X0逐步遞推到Xt，但是，遞推往往存在外界噪聲的干擾Wt，對于零輸入線性系統有Xt=At，t-1Xt-1+Wt;另一種方法是，引入一個測量設備測量的值，記為Zt，測量設備同樣存在噪聲Vt，對于零輸入線性系統有Zt=CtXt+Vt。我們需要綜合這兩種方法確定一個估計結果，使得均方誤差最小[4]。

對零輸入線性系統

Xt是t時刻我們研究對象的狀態向量，At，t-1是一個矩陣，對Xt-1進行線性變換。Zt是t時刻的觀測向量， Ct是增益矩陣。V是服從N（0，R） 的高斯白噪聲，W是服從 N（0，Q）的高斯白噪聲。我們希望對這個系統確定最優狀態估計，使得。

我們先考慮一種簡單的情形，如果我們有一個傳感器A，A傳感器測量結果是一個連續數值，且這個數值服從以下正態分布[6] ;為了提高測量的質量我們可以進行多次測量然后取其平均值作為我們的最終測量結果，這樣可以減少誤差。假設進行兩次測量，我們有以下結果

但是有時候我們需要一個實時的測量結果——重復測量并不被允許，也不可能被實現。此時可以考慮再增加一個傳感器，分別進行測量。然后，取兩個傳感器的加權平均值，來減少總體測量的誤差，權值設置的目的是要使得方差最小化[5]。

最終結果

即解優化問題

4 算法實現

4.1 錨點鎖定

⑴ 當接入點是5G錨點，則啟動5G modem，使用5G 鏈路，相反：關閉5Gmodem，數據鏈路采用4G/3G鏈路。

⑵ 當錨點發生變化時候，重新對錨點進行判定，進入步驟⑴。

⑶ 錨點鎖定。

4.2 采用卡爾曼濾波預測判定是否開啟5Gmodem

⑴ 開始測量;

⑵ 輸入數據傳輸閾值以及數據抖動預測，數據閾值來自程序設定或者用戶設定，抖動預測來自業務，分為：文字、聲音、視頻、網絡、游戲、專用等6個等級;

⑶ 通過卡爾曼濾波預測判定是否采用5G傳輸;

⑷ 如果采用5G傳輸，則開啟5Gmodem，傳輸完畢后，進入步驟⑴;

⑸ 如果不采用5G 傳輸，則關閉5Gmodem，進入步驟⑴;

⑹ 以上重復循環。

5 效果對比

為了驗證預前判定算法對功耗的影響，我們設計了一組實驗：

⑴ 終端采用同一款終端，充電到100%;

⑵ 在非5G錨點的環境下發送文字信息給終端，一直到電量0%，測量其運行時長（A1）;

⑶ 在5G錨點環境下發送文字信息給終端，一直到電量0%，測量其運行時長（A2）;

⑷ 在采用御前判定算法，在非5G錨點的環境下發送文字信息給終端，一直到電量0%，測量其運行時長（A3）;

⑸ 在采用御前判定算法，在5G錨點環境下發送文字信息給終端，一直到電量0%，測量其運行時長（A4）。

從以上的實驗數據來看，設備A1>A3>A4>A2. 從5G環境的數據來看，A4>A2。可以看出，采用預前判定的算法能取得很好的效果。

6 結論

在5G時代，由于現在的工藝水平以及相關業務的實際情況，功耗問題對于提升5G的體驗以及降低產業成本，都有非常重要的作用.本文通過預前判定模型，結合卡爾曼濾波預測算法，在不降低用戶體驗的情況下，在5G的綜合場景應用中取得了很好的效果。從原理上來講，提升5G的芯片的工藝水平以及采用更好的低功耗材料，是我們持續研究的課題。

參考文獻（References）：

[1] 王桂英，孔露婷，董文佳，馬帥.5G終端功耗影響因素淺析[A].5G網絡創新研討會（2018）論文集，2018：31-45

[2] 范才坤，刁兆坤，劉威.5G功耗與通信電源整體方案研究[J].通信世界，2019.26：45-50

[3] Greg Welch， Gary Bishop， “An Introduction to the KalmanFilter”， University of North Carolina at Chapel Hill Department of Computer Science，2001.

[4] N. Wiener， "The Extrapolation， Interpolation and Smooth-ing of Stationary Time Series，" John Wiley & Sons， Inc.， New York， N.Y.，1949.

[5] J. E. Bertram，"Effect of Quantization in Sampled-Feedback Systems，" Trans. AlEE，1958.77：177-182

[6] Greg Welch1，"An Introduction to the KalmanFilter"，Department of Computer Science University of North Carolina at Chapel Hill Chapel Hill，NC 27599-3175