5G異構蜂窩網絡移動接入自適應效能控制算法設計

鄭愛媛

(福建商學院信息工程學院,福建 福州 350012)

0 引言

隨著大數據等新技術持續推進,為確保5G網絡無縫支撐移動臺接入突發業務并提升全網載荷度,運營商部署了大規模弱功耗異構宏站和微站作為應對策略。該策略下的全網由于缺乏移動支持能力,致使突發接入時出現局部網絡載荷沖突,并由此引發新一輪基站啟動。這樣的情形勢必導致全網效能低下。通過關閉或睡眠部分異構基站被視為有效解決該問題的方法。朱曉榮等[1]提出的循序睡眠機制提倡通過服務器監測全網基站工作參數推算出每個基站效能,將效能度較低的基站納入研究集合,根據集合內被關閉基站的規模來確定是否開展下一組的關閉評估。然而由于移動臺頻繁地在鄰區子網之間切換接入點,使得分區內基站效能度頻繁更新。而循序睡眠機制卻忽略了將變化的基站效能度更新到研究集合內,導致研究集合內的基站排序缺乏實時性,從而弱化了該機制的普適性。許焱平等[2]針對該問題提出了睡眠更新機制,基于貪婪算法在每一次關閉基站時都對分簇開展效能評估,對更新效能參數后的基站重新排序再確定關閉的基站對象。但實踐表明該算法下的移動臺不僅無法為靠近基站的移動臺提供平滑的接入點切換,宏站間距問題也將弱化接入信道的質量而引發局部網絡阻塞現象。此外,算法將隨著接入移動臺規模擴大而逐漸增加計算復雜度。王雪等[3]提出了基于接入規模的基站管理機制,首先統計出各分區所能受理的接入載荷度,然后在確保鄰近分區存在足夠響應資源的前提下通過分析每個基站正在受理的業務規模,篩選出業務量較少的基站,從而確定所要關閉的基站。但該管理機制同樣忽略了移動臺空間方位和移動臺在鄰區之間順利切換接入的關聯性,使得一些受理業務規模較小的基站未能被關閉,從而增加了系統的開銷,降低了效能度。

可見,全網分區內基站的效能度[4]對于移動臺在鄰區頻繁切換接入點的行為較為敏感。為了克服該問題,本文考慮對非鄰區內的基站實施分簇以降低基站效能頻繁變化給算法計算精度帶來潛在的影響,并為每一個分簇制定個性化的基站啟停方案以避免遍歷全網基站帶來的算法時間復雜度問題,同時結合移動臺方位和基站間距設計科學的移動臺接入切換機制,避免移動臺在低效能度的基站之間執行無效的接入切換。本文構思一種個性化的自適應效能控制算法,該算法通過對分簇內的基站開展個性化能效統計和排序,科學地引導移動臺切換接入點來關停不必要的基站,以此提升全網基站效能度。

1 移動接入效能模型

由宏站和微站組成的5G異構蜂窩網絡內含多個微蜂窩和宏蜂窩。單個宏站不僅可建立一個正六邊形的宏蜂窩,也可經由定向天線將整個宏蜂窩劃分出三個扇區,并在每個扇區內配置大規模弱功耗微站形成微蜂窩。微蜂窩內部署的全向天線可為移動臺提供全時無縫接入。假設移動業務接入到5G異構全網期間,移動業務強度符合Possion隨機分布[5]。令P(t)為移動業務強度在時間t內的Possion變量,k為移動業務強度曲線變化的斜率,m和n分別為移動業務強度所對應的曲線變化幅度[6]和曲線峰值的角度[7]。

(1)

假設接入信道帶寬可劃分出X個資源塊,每個資源塊的帶寬為B,只能由一個移動臺使用。第i個宏蜂窩扇區可為移動臺u提供的資源塊的集合記作L1,移動臺u經第i個宏蜂窩扇區內的第l個資源塊所獲信號的信噪比SNR為S1,則第i個宏蜂窩扇區為移動臺u提供的接入速率[8]為:

(2)

假設第j個微蜂窩可為移動臺c提供的資源塊的集合記作L2,移動臺c從微蜂窩覆蓋下的第l個資源塊所獲信號的信噪比SNR為S2,則第j個微蜂窩為移動臺c提供的接入速率為:

(3)

假設基站配置的天線規模為NA,天線維持正常覆蓋工作所需的最低能耗為PL,基站處于睡眠時的能耗為Pr,基站受理移動臺接入時要求的輸出能耗為PG,能耗隨載荷變化發生的斜率變化為K。當PG為0時,基站的能耗表征為:

E=Pr·NA.

(4)

當PG不為0時,則基站的能耗表征為:

E=PG·NA+PL·NA.

(5)

假設第q個微蜂窩可為移動臺i提供的接入速率為Ri,服務移動臺接入期間產生的能耗為Eq,該微蜂窩所服務的移動臺集合為I,可得該微蜂窩的效能度為:

(6)

2 效能控制算法設計

效能控制算法的思想是統計來自非鄰近小區的用戶基站的能耗并進行排序,將效能度較低的基站歸類到一個分簇內。再結合該分簇內移動臺方位和基站的間距以及該分簇內基站響應移動接入產生的平均能耗等因素,為效能度較低的基站制定啟停決策。因此,完整的算法包括分簇和啟停決策兩個過程。

為方便辨識蜂窩的相鄰性,分簇前先進行蜂窩標識[9]。由于復雜的標識方式將增加算法的時間復雜度,故效能控制算法考慮根據每一個微蜂窩周邊存在的相鄰小區數量來決定賦予相應的蜂窩編號,再使編號一樣的蜂窩小區組成一個分簇以實現非相鄰小區分簇。這樣的設計可避免算法運行期間移動臺在兩個相鄰小區之間頻繁切換接入點導致基站效能變化對算法精度的影響。具體標識編號過程為:當所研究的微蜂窩不存在相鄰小區,直接為該微蜂窩分配編號C1;當所研究的微蜂窩存在一個相鄰小區,則分別為該微蜂窩小區和相鄰小區分別分配編號C1、C2。當所研究的微蜂窩存在多個相鄰小區,則為存在相鄰小區數量最多的那個微蜂窩分配編號C1。若該微蜂窩周邊存在奇數個相鄰小區,則依次并循環地為這些相鄰小區逐個分配編號C2、C3、C4;若該微蜂窩周邊存在偶數個相鄰小區,則依次并循環地為這些相鄰小區逐個分配編號C2、C3。

在分配完標識編號后開始執行分簇操作。具體操作過程為:將所有的微蜂窩形成一個集合J1。每一個微蜂窩輻射的半徑記作r,與第s個微蜂窩相鄰的基站規模記作JG,與第s個微蜂窩相鄰的基站形成的集合記作Js。為集合J1內的每一個微蜂窩開展評估,算出當前微蜂窩到其他微蜂窩的間距是否超過2r。若未超過2r,說明兩個微蜂窩屬于鄰近小區,則需對集合Js中的元素進行更新。然后為集合J1中的每一個微蜂窩分區元素統計出與自身相鄰的微蜂窩分區規模,將計算結果實時更新到變量JG中,進行從大到小排序后放入集合J2。若集合J2中只存在一個微蜂窩,直接為該微蜂窩分配編號C1;若集合J2中存在多個微蜂窩分區,則從中篩選出相鄰分區基站規模最大的那個微蜂窩,為其分配編號C1,再從集合J2中將該分區基站剔除。接著對微蜂窩C1的集合Js內的基站進行標識區分,其鄰近的微蜂窩布局呈環形形狀。對相鄰基站每間隔一個微蜂窩均分配同樣的編號。比如,當存在奇數個相鄰小區時,依次循環地分配編號C2、C3、C4、C2、C3、C4;當存在偶數個相鄰小區時,依次循環地分配編號C2、C3、C2、C3。然后將已分配過編號的小蜂窩從集合J2中剔除。此時,如果集合J2內仍有元素存在,就重新從集合J2中篩選出相鄰分區基站規模最大的那個微蜂窩,為其分配編號C1。當為集合J1內基站全部分配完編號后便可組建出4個分簇,每個分簇均為相同編號的基站。

為降低算法的時間復雜度,對非鄰區蜂窩執行完分簇操作后還需為分簇內部的基站規劃一個科學的啟停決策,以避免算法運行期間遍歷全網所有基站而導致開銷資源浪費。制定啟停決策的依據是首先計算出分簇內部所有基站的平均效能[10]。對于效能高于該平均值的微蜂窩而言,其效能并不會弱化全網性能,算法無須去遍歷基站。反之,若微蜂窩效能低于該平均值,則需篩選出其覆蓋范圍內可能被納入睡眠對象的基站。假設小蜂窩的規模為w,分簇內部所有基站的平均效能為ηA。當滿足條件ηA>ηq時,得到:

(7)

一個分區內的移動臺如果距離本分區內基站較遠,距離相鄰分區內的基站較近,則考慮將該移動臺的接入切換到相鄰分區基站;如果該移動臺距離本分區內基站較近,則較難將接入切換到相鄰分區內基站。針對該情形,睡眠更新機制中的貪婪算法使本分區內基站始終處于正常運作,導致全網效能度嚴重被弱化。基于接入規模的基站管理機制考慮將移動臺的接入切換到戶外的宏站,然而宏站提供的無線接入信道受到建筑物等障礙物影響,導致信號穩定性和信道質量嚴重下降,無法確保接入點完成切換,甚至可能出現同一個移動臺在兩個基站之間循環切換,由此引發移動業務阻塞,從而弱化了基站能效。為克服上述兩種機制瓶頸,本文的效能控制算法通過分析微蜂窩內的移動臺方位[11]來確定對基站實施功耗調節或睡眠方案。具體過程描述如下:

步驟一 根據全網每個分簇內基站工作參數求出每個分簇的平均效能值ηA。引入微蜂窩集合J3用于存放效能值低于ηA的微蜂窩,同時對J3內的基站根據效能值大小進行降序排列。具備最大效能值的基站標識為BSH,然后為該BSH基站覆蓋范圍內的每一個移動臺計算出其到達基站的間距,從而求得平均間距DA。

步驟二 當DA≥r/2時,說明BSH基站覆蓋范圍內的移動臺分布距離本分區內的基站較遠,應使該基站進入睡眠狀態[12],并讓距離該基站較遠的移動臺接入向相鄰微蜂窩切換,讓該基站周圍的移動臺接入向宏蜂窩基站切換。若無法切換,BSH基站依然保持原來的工作參數,并從J3中剔除該BSH基站;若順利切換,可將BSH基站置為睡眠狀態并更新J3,即從J3中剔除BSH基站。反之,當DA

步驟三 若集合J3中仍有元素,則對J3內的基站根據效能值大小進行降序排列;當集合J3中不存在元素時,對下一個分簇執行第一個步驟,計算每個分簇的ηA。

3 算法評估

根據算法設計思路,評估環節部署了19個宏蜂窩,同時部署100個微蜂窩隨機分布到每個扇區內,作為5G異構蜂窩網絡的模擬環境。環境中參數設置如下:微蜂窩和宏站的無線接入均采用瑞利信道模型,帶寬均為15 MHz,資源塊規模均劃分為70個,移動臺接入比特率均在500 kb/s以上。微蜂窩之間的接入間距為7 m以上,與移動臺接入間距為2 m以上,與宏站的接入間距在100 m以上。移動臺接入到宏站的間距在50 m以上。微蜂窩內基站和宏站覆蓋范圍的直徑分別為30 m、800 m。微蜂窩基站最大增益7 dB,發射能耗為25 dBm,采用全向模式;宏站最大增益20 dB,發射能耗為60 dBm,采用三維定向模式。

為驗證自適應效能控制算法的科學性,算法評估從全網基站能耗、計算時長、移動業務阻塞率等方面開展考察[13],并與睡眠更新機制和基站管理機制進行對比。

圖1所示曲線描述了12點至24點期間三種算法下微蜂窩基站的能耗情況。由于測試時間起點是白天,移動用戶處于活躍狀態,需要激活大量微蜂窩基站為移動臺提供接入服務。因此三種算法曲線下基站激活規模都較大,能耗均較高。但相比之下,本文自適應效能控制算法曲線走勢明顯比另外兩種機制曲線低,主要原因在于兩種機制都沒有考慮到當前分區網絡的移動臺在切換接入時,分區內基站效能的變化已同步引發相鄰分區網絡效能變化。這些被忽略的要點在自適應效能控制算法設計中得到了改進。自適應效能控制算法通過對基站效能排序精確地為基站個性化制定睡眠和功耗調整等啟停決策,同時更加科學地評估移動臺切換接入的可行性以確保移動臺切換的成功率,在不影響移動服務質量的前提下盡可能縮小被激活基站的規模控制全網能耗。這些顯著優勢使得自適應效能控制算法下的效能曲線走勢表現出了明顯的相對優勢。當測試時間進入夜間,移動用戶陸續處于休整狀態,接入規模銳減。相應地,提供移動接入服務的基站規模同步縮減,能耗相應降低,故三種曲線走線都同步顯著下降。即便如此,由于自適應效能控制算法機理的固有優勢,其能耗曲線走勢依然表現出相對優勢。

圖1 全網基站能耗

圖2所示曲線描述了三種算法在響應移動接入時開展計算所需的時長。睡眠更新機制每一次為基站制定啟停決策時都需對分簇開展效能評估,因此遍歷全網基站需付出較大的時間代價。基站管理機制通過分簇方式改善了算法性能,降低了時間復雜度,故時間成本相對于睡眠更新機制有所降低。但是當算法運行在簇內時依舊逐個遍歷基站,這又導致算法時間代價有所回升。因此基站管理機制的計算時長僅表現出微弱的優勢。有別于兩種機制的鄰區分簇方式,自適應效能控制算法為避免相鄰分區效能互相影響造成基站排序精度下降,設計了采用非鄰區的分簇方式。這樣的設計思路縮短了算法監測基站工作參數的時間,省去了算法統計基站效能的時間,降低了更新基站排序的時間成本。同時,個性化制定啟停決策不僅可關閉大規模基站降低全網功耗,縮小基站規模,也進一步降低了算法遍歷基站的時間成本。正是這樣的設計優勢使得自適應效能控制算法在執行計算時付出的時間成本最低。

圖2 計算時長

圖3所示曲線描述了不同算法方案下全網移動業務的阻塞情況。在移動接入較為活躍的白天,三種方案均通過激活一定規模基站應對移動接入服務以緩解移動業務阻塞。其中,睡眠更新機制下因缺乏科學的基站效能評估機制,導致移動臺可能頻繁地在兩個相鄰分區內的基站之間來回切換,頻繁占據了有限的帶寬資源。隨著移動業務的增加,網絡阻塞現象越來越凸顯。基站管理機制下的宏站因無法保障為移動臺提供高質量信道的接入服務,導致移動臺不得不搶占更大的帶寬資源來維持自身業務的穩定性。對于待接入的移動業務而言,有限的接入資源可能無法滿足其對帶寬的需求,進而引發業務阻塞。自適應效能控制算法通過調整非相鄰分簇內基站發射功率或置其為睡眠模式來控制基站工作狀態,并能在確保信道質量的前提下安排移動臺順利完成接入切換。平滑的接入切換設計有效地保障了全網移動業務的流暢性。在移動接入低谷的夜間時段,移動業務規模相對較小且業務屬性較為穩定,所激活的基站基本可覆蓋所有的移動接入,接入帶寬資源基本可滿足移動臺的需求。因此夜間時段業務較流暢,三條阻塞率曲線走勢總體較低,但自適應效能控制算法依舊展現出相對優勢。

圖3 移動業務阻塞率

4 結語

本文圍繞5G異構蜂窩網絡基站效能度問題提出一種自適應效能優化方案。該方案從移動服務質量出發建立移動接入效能模型,通過科學篩選基站構建分簇網絡,并對分簇內基站開展排序以縮小激活基站的規模,降低全網能耗。同時通過設計穩定的移動接入切換機制進一步鞏固移動服務質量,提高全網效能度。研究結果表明,自適應效能控制算法部署在5G異構蜂窩網絡具有良好的優化效果。