Power Efficient allocation in C-RAN with Multi access technology selection approach
Subject Areas : ICTALI ASGHAR ANSARI 1 * , Mohsen Eslami 2 , Mohammad Javad Dehghani 3 , Saeideh Parsaei Fard 4
1 -
2 -
3 -
4 - دانشگاه تورنتو
Keywords: : Multi access technology selection approach(MATSA) , C-RAN, OFDMA, and Massive MIMO,
Abstract :
: In this paper, we consider an uplink economy-efficient resource allocation in a multicellular virtual wireless network with a C-RAN architecture where a MNO interacts with a number of MVNOs with a predetermined business model. In each cell of this system, two types of multiple access technologies, namely OFDMA and Massive MIMO, are available for MVNO at two different prices. In this setup, we propose a multi access technology selection approach (MATSA) with the objective to reduce operating costs and maximize the profit of the MVNOs subject to a set of constraints, and formulate this resource allocation problem with the new utility function. Due to the existence of continuous and binary variables in the formulated optimization problem and also the interference between cells in data rate functions, this optimization problem will be non-convex with very high computational complexity. To tackle this problem, by applying the complementary geometric programming (CGP) and the successive convex approximation (SCA), an effective two-step iterative algorithm is developed to convert the optimization problem into two sub problems with the aim to find optimum technology selection and power consumption parameters for each user in two steps, respectively. The simulation results demonstrate that our proposed approach (MATSA) with novel utility function is more efficient than the traditional approach, in terms of increasing total EE and reducing total power consumption. The simulation results illustrate that the profit of the MVNOs is enhanced more than 13% compared to that of the traditional approach.
[1] Cisco public (2020). Cisco Annual Internet Report (2018–2023). Available: https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.pdf
[2] ITU-R M.2370-0 (2015). IMT traffic estimates for the years 2020 to 2030, .https://www.itu.int/dms_pub/itu-r/opb/rep/R-REP-M.2370-2015-PDF-E.pdf.
[3] impacts-5g-productivity-economic-growth, https://www.communications.gov.au/publications/impacts-5g-productivity-and-economic-growth.
[4] Wu, Q., Li, G. Y., Chen, W., Ng, D. W. K., & Schober, R. (2017). An overview of sustainable green 5G networks. IEEE Wireless Communications, 24(4), 72-80.
[5] Peng, M., Sun, Y., Li, X., Mao, Z., & Wang, C. (2016). Recent advances in cloud radio access networks: System architectures, key techniques, and open issues. IEEE Communications Surveys & Tutorials, 18(3), 2282-2308.
[6] Wu, J., Zhang, Z., Hong, Y., & Wen, Y. (2015). Cloud radio access network (C-RAN): a primer. IEEE network, 29(1), 35-41.
[7] Peng, M., Li, Y., Zhao, Z., & Wang, C. (2015). System architecture and key technologies for 5G heterogeneous cloud radio access networks. IEEE network, 29(2), 6-14.
[8] Peng, M., Li, Y., Jiang, J., Li, J., & Wang, C. (2014). Heterogeneous cloud radio access networks: A new perspective for enhancing spectral and energy efficiencies. IEEE wireless communications, 21(6), 126-135.
[9] Peng, M., Zhang, K., Jiang, J., Wang, J., & Wang, W. (2014). Energy-efficient resource assignment and power allocation in heterogeneous cloud radio access networks. IEEE Transactions on Vehicular Technology, 64(11), 5275-5287.
[10] Kitindi, E. J., Fu, S., Jia, Y., Kabir, A., & Wang, Y. (2017). Wireless network virtualization with SDN and C-RAN for 5G networks: Requirements, opportunities, and challenges. IEEE Access, 5, 19099-19115.
[11] Topoloi, S. G., & Borcoci, E. (2018, June). Software Defined Networking and Network Function Virtualisation Cooperation-Experiments. In 2018 International Conference on Communications (COMM) (pp. 281-286). IEEE.
[12] Chartsias, P. K., Amiras, A., Plevrakis, I., Samaras, I., Katsaros, K., Kritharidis, D., & Escalona, E. (2017, June). SDN/NFV-based end to end network slicing for 5G multi-tenant networks. In 2017 European Conference on Networks and Communications (EuCNC) (pp. 1-5). IEEE.
[13] Marzouk, F., Barraca, J. P., & Radwan, A. (2020). On Energy Efficient Resource Allocation in Shared RANs: Survey and Qualitative Analysis. IEEE Communications Surveys & Tutorials, 22(3), 1515-1538.
[14] Oladejo, S. O., & Falowo, O. E. (2017, October). 5G network slicing: A multi-tenancy scenario. In 2017 Global Wireless Summit (GWS) (pp. 88-92). IEEE.
[15] Björnson, E., Hoydis, J., & Sanguinetti, L. (2017). Massive MIMO networks: Spectral, energy, and hardware efficiency. Foundations and Trends in Signal Processing, 11(3-4), 154-655.
[16] Wang, L., Wong, K. K., Elkashlan, M., Nallanathan, A., & Lambotharan, S. (2016). Secrecy and energy efficiency in massive MIMO aided heterogeneous C-RAN: A new look at interference. IEEE Journal of Selected Topics in Signal Processing, 10(8), 1375-1389.
[17] Zhou, F., Wu, Y., Hu, R. Q., Wang, Y., & Wong, K. K. (2018). Energy-efficient NOMA enabled heterogeneous cloud radio access networks. IEEE Network, 32(2), 152-160.
[18] Al-Abbasi, Z. Q., Rabie, K., & So, D. K. C. (2021). EE Optimization for Downlink NOMA-based Multi-Tier CRANs. IEEE Transactions on Vehicular Technology.
[19] Schneir, J. R., Konstantinou, K., Bradford, J., Zimmermann, G., Droste, H., Palancar, R. C., & Ajibulu, A. (2020). Cost assessment of multi-tenancy for a 5G broadband network in a dense urban area. Digital Policy, Regulation and Governance.
[20] Schneir, J. R., Konstantinou, K., Bradford, J., Zimmermann, G., Droste, H., Canto, R., & Ajibulu, A. (2017). Cost analysis of a 5G network with Multi-Tenancy options.
[21] Baghani, M., Parsaeefard, S., Derakhshani, M., & Saad, W. (2019). Dynamic non-orthogonal multiple access and orthogonal multiple access in 5G wireless networks. IEEE Transactions on Communications, 67(9), 6360-6373.
[22] Amani, N., Pedram, H., Taheri, H., & Parsaeefard, S. (2018). Energy-efficient resource allocation in heterogeneous cloud radio access networks via BBU offloading. IEEE Transactions on Vehicular Technology, 68(2), 1365-1377.
[23] Zhao, W., & Wang, S. (2016, May). Remote radio head selection for power saving in cloud radio access networks. In 2016 IEEE 83rd Vehicular Technology Conference (VTC Spring) (pp. 1-5). IEEE.
[24] Tohidi, M., Bakhshi, H., & Parsaeefard, S. (2020). Joint uplink and downlink delay‐aware resource allocation in C‐RAN. Transactions on Emerging Telecommunications Technologies, 31(3), e3778.
[25] Kazmi, S. A., Tran, N. H., Ho, T. M., & Hong, C. S. (2017). Hierarchical matching game for service selection and resource purchasing in wireless network virtualization. IEEE Communications Letters, 22(1), 121-124.
[26] Ye, J., & Zhang, Y. J. (2019). Pricing-based resource allocation in virtualized cloud radio access networks. IEEE Transactions on Vehicular Technology, 68(7), 7096-7107.
[27] Wang, G., Feng, G., Tan, W., Qin, S., Wen, R., & Sun, S. (2017, December). Resource allocation for network slices in 5G with network resource pricing. In GLOBECOM 2017-2017 IEEE Global Communications Conference (pp. 1-6). IEEE.
[28] Jiang, M., Condoluci, M., & Mahmoodi, T. (2017, May). Network slicing in 5G: An auction-based model. In 2017 IEEE International Conference on Communications (ICC) (pp. 1-6). IEEE.
[29] Morcos, M., Chahed, T., Chen, L., Elias, J., & Martignon, F. (2018). A two-level auction for resource allocation in multi-tenant C-RAN. Computer Networks, 135, 240-252.
[30] Zhang, Y., Bi, S., & Zhang, Y. J. (2016, December). A two-stage spectrum leasing optimization framework for virtual mobile network operators. In 2016 IEEE International Conference on Communication Systems (ICCS) (pp. 1-6). IEEE.
[31] Zhu, K., & Hossain, E. (2015). Virtualization of 5G cellular networks as a hierarchical combinatorial auction. IEEE Transactions on Mobile Computing, 15(10), 2640-2654.
[32] Hao, Y., Ni, Q., Li, H., & Hou, S. (2017). On the energy and spectral efficiency tradeoff in massive MIMO-enabled HetNets with capacity-constrained backhaul links. IEEE Transactions on Communications, 65(11), 4720-4733.
[33] Parsaeefard, S., Dawadi, R., Derakhshani, M., Le-Ngoc, T., & Baghani, M. (2017). Dynamic resource allocation for virtualized wireless networks in massive-MIMO-aided and fronthaul-limited C-RAN. IEEE Transactions on Vehicular Technology, 66(10), 9512-9520.
[34] Liu, Y., Derakhshani, M., Parsaeefard, S., Lambotharan, S., & Wong, K. K. (2018). Antenna Allocation and Pricing inVirtualized Massive MIMO Networks via Stackelberg Game. IEEE Transactions on Communications, 66(11), 5220-5234.
[35] Wang, X. (2017). Spectrum and energy efficiency of uplink massive MIMO system with D2D underlay. Future Internet, 9(2), 12.
[36] Li, Y., Tao, C., Mezghani, A., Swindlehurst, A. L., Seco-Granados, G., & Liu, L. (2016). Optimal design of energy and spectral efficiency tradeoff in one-bit massive MIMO systems. arXiv preprint arXiv:1612.03271.
[37] Hu, Y., Ji, B., Huang, Y., Yu, F., & Yang, L. (2015). Energy-efficient resource allocation in uplink multiuser massive MIMO systems. International Journal of Antennas and Propagation, 2015.
[38] Parsaeefard, S., Dawadi, R., Derakhshani, M., & Le-Ngoc, T. (2016). Joint user-association and resource-allocation in virtualized wireless networks. IEEE Access, 4, 2738-2750.
[39] Chiang, M. (2005). Geometric programming for communication systems. Now Publishers Inc.
[40] Chiang, M., Tan, C. W., Palomar, D. P., O'neill, D., & Julian, D. (2007). Power control by geometric programming. IEEE transactions on wireless communications, 6(7), 2640-2651.
[41] Xu, G. (2014). Global optimization of signomial geometric programming problems. European journal of operational research, 233(3), 500-510.
[42] Tuy, H. (1995). DC optimization: theory, methods and algorithms. In Handbook of global optimization (pp. 149-216). Springer, Boston, MA.
[43] Grant, M. and Boyd, S. (2017). CVX: MATLAB software for disciplined convex programming, in Version 2.1. http://cvxr.com/cvx.
دو فصلنامه علمي فناوري اطلاعات و ارتباطات ایران | سال چهاردهم، شمارههاي 53 و 54، پاییز و زمستان 1401 صفحات: 168تا 189 |
|
Power Efficient Allocation In C-RAN With Multi Access Technology Selection Approach
Ali Asghar Ansar* ، Mohsen Islami** ، Mohammad Javad Dehghani***
Saeeda Parsai Fard***
|* Ph.D. student, Shiraz University of Technology
**Associate Professor, Shiraz University of Technology
*** Professor, Shiraz University of Technology
**** Invited Professor, University of Toronto
Abstract:
In this paper, we consider an uplink economy-efficient resource allocation in a multicellular virtual wireless network with a C-RAN architecture where a MNO interacts with a number of MVNOs with a predetermined business model. In each cell of this system, two types of multiple access technologies, namely OFDMA and Massive MIMO, are available for MVNO at two different prices. In this setup, we propose a multi access technology selection approach (MATSA) with the objective to reduce operating costs and maximize the profit of the MVNOs subject to a set of constraints, and formulate this resource allocation problem with the new utility function. Due to the existence of continuous and binary variables in the formulated optimization problem and also the interference between cells in data rate functions, this optimization problem will be non-convex with very high computational complexity. To tackle this problem, by applying the complementary geometric programming (CGP) and the successive convex approximation (SCA), an effective two-step iterative algorithm is developed to convert the optimization problem into two sub problems with the aim to find optimum technology selection and power consumption parameters for each user in two steps, respectively. The simulation results demonstrate that our proposed approach (MATSA) with novel utility function is more efficient than the traditional approach, in terms of increasing total EE and reducing total power consumption. The simulation results illustrate that the profit of the MVNOs is enhanced more than 13% compared to that of the traditional approach.
Keywords: multi access technology selection approach, C-RAN, OFDMA, and Massive MIMO
تخصیص کارای توان الکتریکی در شبکه های دسترسی رادیویی ابری با رویه انتخاب فناوری
علی اصغر انصاری* محسن اسلامی** محمد جواد دهقانی** سعیده پارسایی فرد***
*دانشجوی دکترای رشته مخابرات سیستم ، دانشگاه صنعتی شیراز
** دانشیار، عضو هیات علمی دانشگاه صنعتی شیراز
** استاد، عضو هیات علمی دانشگاه صنعتی شیراز
*** استاد مدعو دانشگاه تورنتوی کانادا
تاریخ دریافت:27/04/1400 تاریخ پذیرش: 02/09/1400
چكیده
در این مقاله، ما یک روش تخصیص بهره ور منابع با رویکرد اقتصادی را که در آن یک MNO با تعدادی از MVNO ها با یک مدل تجاری از پیش تعیین شده در تعامل هستند را بر مسیر Uplink یک شبکه بی سیم مجازی چند سلولی با معماری C-RAN در نظر میگیریم. در هر سلول از این شبکه، دو نوع فناوری، شامل OFDMA و Massive MIMO با قیمتهای متفاوت برای عرضه به MVNOها توسط MNOموجود میباشد. روش پیشنهادی در واقع رویه انتخاب مناسب فناوری دسترسی چندگانه (MATSA) از میان دو نوع فناوری فوق با هدف کاهش هزینه های عملیاتی و به حداکثر رساندن سود MVNOs تحت یک مجموعه از قیود کمی و کیفی است. فرمول بندی این روش از تخصیص منابع، با یک تابع مطلوب جدید ارائه شده است. با توجه به وجود متغیرهای پیوسته و دودیی در مساله و همچنین تداخل بین سلولی در توابع نرخ داده، این مساله بهینه سازی از نوع غیر محدب با پیچیدگی محاسباتی بسیار بالا خواهد بود. برای حل این مساله، با استفاده از برنامه نویسی هندسی مکمل (CGP) و تقریب محدب متوالی (SCA)، یک الگوریتم تکرار شونده دو مرحله ای موثر برای تبدیل مساله بهینه سازی به دو زیر مساله برای یافتن فناوری و هزینه بهینهِ هر کاربر را توسعه دادهایم. نتایج شبیه سازی نشان می دهد که روش پیشنهادی ما (MATSA) از نظر افزایش کل بهرهوری انرژی، کارآمدتر از سیستمهای مجهز با یک نوع فناوری است بطوری که سود MVNO ها بیش از 13 درصد در مقایسه با قبل افزایش یافته است.
واژگان کلیدی: Multi access technology selection approach(MATSA) , C-RAN, OFDMA, and Massive MIM
[1] نويسنده مسئول:علی اصغر انصاریaa.ansari@itrc.ac.ir
1. مقدمه
امروزه، توسعه شتابان برنامه های کاربردی از جمله کاربردهای مبتنی بر پهن باند وسیع، ارتباطات ماشین با ماشین و اینترنت اشیاء در کاربریهای مختلف، اپراتورهای تلفن همراه را برای پشتیبانی از نیازمندیهای نرخ داده بسیاربالا، تاخیر فوق العاده پایین
و امکان اتصال پرتراکم کاربران، از سه گروه خدمات اصلی یعنی eMBB1، URLLC2 و 3mMTC وادار به سرمایه گذاری هنگفتی در تامین و تجهیز زیرساخت های مورد نیاز نموده است]1[ تا ]3[. به دلیل افزایش تقاضا برای نرخ دادههای بالاتر از یک طرف و از طرف دیگر کمبود طیف فرکانسی و پیچیدگی محاسباتی، اپراتورهای شبکه های بی سیم نسل جدید همواره برای بهبود بهره وری طیف 4(SE) و بازده انرژی5 (EE) با چالش های اساسی روبرو هستند. به موازات این چالشها، بکارگیری معماریها و فناوریهای نوظهور در شبکه های G5 توانستهاند SE و EE را بطور قابل قبولی در آنها بهبود دهند]4[. بطور مثال در معماری پیشنهادی C-RAN، با هدف کاهش میزان سرمایه گذاری6(CAPEX) و هزینه عملیاتی(OPEX)7، در شبکه های بی سیم مجازی ایستگاه پایه (BS)8 را به دو قسمت بخش رادیویی از راه دور 9(RRH) و واحدهای باند پایه 10(BBU) تفکیک میکنند]5[ و ]6[. البته در این راهکار محدودیت ظرفیت لینک front-haul و ایجاد تاخیر در ترافیک کنترلی و دادهای وجود دارد که برای غلبه بر این محدودیت در C-RAN تاکنون راهکارهای پیشنهاد شده است]7[ تا ]9[.
در این میان، بکارگیری فناوریهای جدید مجازی سازی 11SDN وNFV12 و با معرفی معماریهای جدید موجب ایجاد ساختاری منعطف با قابلیت کاهش بیشتر مصرف انرژی شده است و در نتیجه اپراتورها را قادر به اجرای موثر ایده برش شبکه13 و اجرای سناریوهای تخصیص منابع چند مستاجره14 انتها به انتها میکند]10[ و ]11[. از این رو، با افزایش بهرهوری منابع، اپراتورهای G5 با امکان جداسازی برش های منابع از یکدیگر، انگیزه کافی برای به اشتراک گذاشتن زیرساخت خود به طور همزمان با چندین ارائه دهنده خدمات و اپراتورهای شبکه مجازی تلفن همراه 15(MVNO) را دارند]12[ تا ]14[.
همچنین فناوری MIMO Massive، با استفاده از چند صد آنتن در BS ، آزادی فضایی بی سابقه ای را برای برقراری ارتباط همزمان با چندین کاربر تک آنتن از طریق یک کانال فرکانس زمانی یکسان فراهم کرده است و در نتیجه سیستم های دارای این فناوری توانستهاند SE را بسیار بهبود دهند. علاوه بر آن، این فناوری می تواند توان انتقالی را در محدودهای با افزایش تعداد آنتن ها در BS کاهش دهد و هنگامی که از آنتن های بیشتری استفاده می شود، سیستم بدلیل اینکه به سخت افزار اضافی نیاز داشته و کل مصرف توان الکتریکی در مدار بیشتر شده و در نتیجه EE کاهش مییابد]15[ و ]16[.
بکارگیری فناوری های مختلف دسترسی چندگانه غیرمتعامد NOMA16 برای افزایش EE و SE و تلاقی این تلاشها با دستاوردهای مهم در معرفی معماری های جدید تا حد زیادی همزمان ضمن تامین نیازمندیهای سه گانه خدمات در شبکه های تلفن همراه نسل جدید، امکان مدیریت بهتر منابع را نیز فراهم نموده است]17[ و ]18[.
با این وجود برای ارتقای شبکه اپراتورهای تلفن همراه به نسلهای بالاتر ، تجهیز و مهاجرت به این نوع فناوریها توسط آنها نیازمند صرف هزینههای سنگین سرمایه گذاری است که قطعا برای تمام اپراتورها مقدور و به صرفه نخواهد بود. بنابراین در این شرایط فضای توسعه اپراتورهای مجازی موبایل17(MVNO) و سیستم های چندمستاجره بسیار افزایش یافته است]19[ و ]20[.
با وجود فناوریهای نو ظهور اشاره شده در بالا، پژوهشگران تحقیقات گسترده و فراوانی را برای معرفی تکنیک های بهینه تخصیص منابع نظیر منابع رادیویی، زیرساختهای ابری و توان الکتریکی در شبکه های بی سیم مجازی18(VWN) به عمل آوردهاند. در این راستا عمده مشارکت ما در این کار را می توان بطور خلاصه به صورت زیر بیان نمود:
· برای اولین بار تخصیص کارای منابع در C-RAN و حفظ QoS مورد انتظار کاربران با روشی مبتنی بر انتخاب فناوری دسترسی مناسب پیشنهاد داده ایم.
· علاوه بر این در این کار مدل سیستم بصورت چند مستاجره فرض شده است و تخصیص کارای منابع با نگاه اقتصادی و افزایش سود برای اپراتور مجازی موبایل یا MVNO با برش شبکه انجام شده است.
· همچنین پیشنهاد ما در یک سیستم چند سلولی با در نظر گرفتن تداخلات بین سلولی و بین سلولی ارایه شده است که افزایش پیچیدگی را نسبت به کارهای قبلی به همراه داشته است.
· نتایج شبیه سازی نشان می دهد که روش پیشنهادی ما (MATSA) از نظر افزایش کل بهرهوری انرژی، کارآمدتر از سیستمهای مجهز با یک نوع فناوری است بطوری که سود MVNO ها بیش از 13 درصد در مقایسه با قبل افزایش یافته است.
2. پیشینه تحقیق
با توجه به مطالبی اشاره شده در بخش مقدمه، برای انجام تخصیص کارای منابع و کاهش بهینه کل توان مصرفی در شبکه های بیسیم با معماری C-RAN کارهای تحقیقاتی فراوانی انجام پذیرفته است. در برخی از این کارها، استفاده از راهبرد حالت خاموش19 در بخش 20APها وBBU ها مورد بررسی قرار گرفته است. بطور مثال نویسنده در ]21[ یک مدل برای کاهش توان مصرفی با بهره گیری راهبرد حالت خاموش و کنترل توان BSها حساس به تاخیر در یک شبکه C-RAN و با لحاظ QoS مورد نیاز و محدودیت ظرفیت لینک فراسو را پیشنهاد داده است. همچنین در [22] تخصیص کارای منابع روی یک شبکه H-CRAN شامل تعدادی RRH و Femto-Cell و یک استخر BBUبررسی شده است. در این مقاله با هدف مصرف بهینه توان، RRH های کم ترافیک خاموش و ترافیک آنها از طریق لینک متصل به Femto-Cellها تخلیه میشوند و BBUهای متصل به این RRHهای بدون استفاده نیز به حالت خاموش می روند. در [23]تا[25] به RRH های کم ترافیک در یک شبکه C-RAN فرمان خاموش داده می شود و منابع پردازشی که به صورت ماشین مجازی درBBU(CU) می باشند به صورت پویا21 بهRRH(RAU) های فعال تخصیص مییابند و در نتیجه ماشینهای فیزیکی که منابع آنها بدون استفاده قرار گرفته اند موقتنا می توانند از مدار خارج شوند.
در کارهای اشاره شده بالا استفاده از راهبرد خاموش برای کاهش انرژی در محیط های پر چگالی از نظر تعداد کاربر فعال کاربردی ندارد. در صورتی که در این کار با استفاده از راهبرد انتخاب فناوری دسترسی 22(RAT) متناسب با نیازمندی QoS و البته با حداقل توان الکتریکی مصرفی این مشکل را نخواهیم داشت.
علاوه بر این در برخی کارها تخصیص منابع با نگاه اقتصادی صورت پذیرفته است. بطور مثال در [26] و [27] بر اساس یک مدل پیشنهادی قیمت گذاری در یک محیط C-RAN انجام شده است. همچنین در [28] و [29] تخصیص منابع با مدل حراج در محیط های با چندین اپراتور مجازی بررسی شده است.
در مقاله حاضر تخصیص کارای منابع در یک محیط چند سلولی در C-RAN برای سناریوی چند مستأجره همزمان با نگاه اقتصادی بررسی شده است که در کارهای قبلی مشابه تخصیص منابع با نگاه اقتصادی، کارایی کمتر مد نظر بوده است.
بنابراین بر اساس روش پیشنهادی ما که در این تحقیق رویه انتخاب فناوری دسترسی چندگانه یا به اختصار 23(MATSA) نامیده میشود هدف ارائه یک راه حل موثر برای به حداقل رساندن کل توان مصرفی BBU و در نتیجه کاهش هزینه مصرف توان الکتریکی میزان بهبود و به حداکثر رساندن درآمد MVNO ها و ارائه دهندگان خدمات است. در این روش MVNOها منابع خود را با متناسب با QoS مورد نیاز کاربران و رعایت حداقل قیمت از بین یکی از فناوریهای دسترسی OFDMA و Massive MIMO انتخاب و به کاربران اختصاص میدهند. ما این مساله بهینه سازی را با یک تابع مطلوب24 جدید و با در نظر گرفتن مجموعهای از محدودیتها25 برای مسیر فراسو در یک سیستم چند سلولی C-RAN فرموله میکنیم. با توجه به وجود متغیرهای پیوسته و باینری در مساله بهینه سازی فرموله شده و همچنین با در نظر گرفتن پدیده تداخل بین سلولها در توابع نرخ داده، این مساله بهینه سازی غیر محدب با پیچیدگی محاسباتی بسیار بالا خواهد بود. برای حل این مساله، با استفاده از برنامه نویسی هندسی مکمل 26(CGP) و تقریب محدب متوالی(SCA)27 ، یک الگوریتم تکرار شونده دو مرحله ای موثر برای تبدیل مساله بهینه سازی به دو زیر مساله با پیچیدگی کمتر توسعه داده خواهد شد]38[ تا ]41[.با این حال ، زیرمسائل هنوز محدب نیستند و در هر مرحله با تکنیک های مختلف انتقال از جمله تقریب DC28 و تقریب میانگین هندسی - هندسی 29(AGMA) ، به مساله برنامه ریزی هندسی باند پایین 30(GP) آن تبدیل می شوند]42[ ، که می تواند با بسته های نرم افزاری بهینه سازی CVX مانند حل شود]43[.
در بخش 3 مدل سیستم و مساله بهینه سازی فرموله شده را برای به حداقل رساندن کل مصرف توان الکتریکی ارائه می شود. بخش4
الگوریتم تکراری دو مرحله ای را معرفی می کند. بخش 5 نتایج شبیه سازی را نشان می دهد و به دنبال آن سخنان پایانی و نتیجه گیری در بخش 6 ارائه می شود.
3. مدل سیستم
در این تحقیق یک مسیر انتقال فراسو در یک شبکه با ℓ سلول و معماری C-RAN با 𝒢 = {1,2,3,000, G} ،MVNO یا برش مفروض است. هر برش g شامل NG ={1,2,3,000 ,Ng} کاربر
تک آنتن میباشد، بنابراین g∈𝒢 N=∑Ng تعداد کل کاربران خواهد بود. در هر سلول دو نوع RRH با فناوریهای دسترسی رادیویی OFDMA و Massive MIMO با قیمتهای متفاوت متناسب با توان مصرفیشان در نظر گرفته شده است. در این تحقیق فرض بر آن است که توان مصرفی اختصاصی به هر کاربر از طریق Massive MIMO نسبت به OFDMA و در نتیجه هزینهاش بیشتر است. همانطور که در شکل1 مشاهده میشود تمام RRHها از طریق یک مسیر Front-haul با ظرفیت محدود به یک مرکز BBU متصل میباشند و برای پشتیبانی از QoS مورد نیاز کاربران خود، حداقل نرخ داده اختصاص داده میشود.
شكل1 . شبکه چند سلولی C-RAN با فناوری دسترسی چندگانه
جدول-2: جدول نشانه گذاری
همانطور که پیش از این بیان کردیم هدف از این تحقیق ارائه روشی برای بهینهسازی توان مصرفی کل در سلولها و کاهش هزینه اپراتورها با رویکرد اقتصادی است. در این حال بهینه سازی توان با تضمین سطح کیفیت خدمت به کاربران انجام میشود. بنابراین روش ارائه شده میتواند با رعایت نکات بالا تشخیص دهد تخصیص چه فناوری به کاربر در هر سلول مناسب است. متغیرهای باینری و
برای اختصاص فناوری OFDMA و Massive MIMO به کاربر به شرح زیر تعریف شده است:
پهنای باند کل سیستم B هرتز و به مجموعه ای از زیر حامل های فرعی K= {1, 2, 3, ... , K} در هر سلول تقسیم می شود. قیود تخصیص انحصاری زیر حامل به هر کاربر می تواند به صورت و
ارائه شود:
فرض می کنیم که هر کاربر حداکثر در هر لحظه بتواند فقط با یک RRH در هر سلول ارتباط برقرار کند بنابراین نشان میدهد که هر کاربر فقط به یک فناوری در هر سلول متصل می شود.
و
نشان می دهند هنگامی که زیرحامل kth با استفاده از یک از RRH از هر کدام از فناوریهای OFDMA و Massive MIMO به کاربر
اختصاص مییابد، هیچ زیرحامل دیگری توسط سایر RRH ها به آن کاربر اختصاص داده نمیشود. لذا،
(4)
(5)
به دلیل محدودیت توان انتقال هر سلول، را به صورت زیر داریم که در آن
توان بیشینه انتقال در هر سلول و
توان اختصاص داده شده به کاربر
از MVNO
ام از روی زیرحامل k توسط یکی از RRHها درون سلول
میباشد:
با توجه به QoS مورد نیاز هر کاربر، باید حداقل نرخ داده برای هر MVNO در هر سلول رزرو شود، که می تواند با قیود زیر عنوان شوند:
همچنین ، به دلیل محدودیت پهنای باند لینکfront-haul ، حداقل نرخ داده هر MVNO درون سلول باید کمتر از بیشنه ظرفیت این لینک باشد بنابراین قیود زیر را داریم.:
قید مربوط به تضمین QoS از نظر تضمین حداقل نرخ داده کاربران است.
برای بیشینه نمودن سود اخذ شده یک MVNO از کاربران خود، ارائه فناوری با هزینه کمتر (OFDMA) به شرط برآورده کردن QoS مورد نیاز کاربر در الویت است در غیر اینصورت فناوری با هزینه بیشتر یعنی Massive MIMO به کاربر توسط MVNO اختصاص خواهد یافت.
با این راهبرد، تابع مطلوب جدید معادل سود اخذ شده از هر کاربر را به صورت (12) تعریف می کنیم:
تابع مطلوب فوق مجموع دو عبارت مربوط به دو نوع فناوری است که که از طریق متغیرهای باینری و
یکی از آنها به کاربر تخصیص مییابد. هر عبارت در تابع بالا به عنوان سودی است که حاصل درآمد اخذ شده MVNO gام از کاربر nام از زیرحامل kام در سلول
است و متناسب با نرخ داده تخصیصی منهای هزینه عملیاتی تخصیصی به کاربر است. فرض کنید
بهره کانال31 و
که در آن
ضریب محوشدگی مسیرچندگانه در مقایس کوچک32 کاربر
از MVNO
ام از روی زیرحامل k در یکی از RRHها درون سلول
است و
افت توان مقیاس بزرگ 33 ناشی از افت مسیر34 و پدیده سایه35 میباشد. نرخ داده با این مفروضات طبق ]22[ و ]24[ برای هر کاربرRRH (OFDMA) را می توان به صورت (13) بیان کرد:
که در آن تداخل کاربران سلولهای دیگر با کاربر سلول
میباشد.
با فرض اینکه کانال در گیرنده با خطا تخمین زده شود و یک فیلتر تطابق36 در گیرنده داشته باشیم و افت توان مقیاس بزرگ 37 ناشی از افت مسیر38 و پدیده سایه39 باشد و همچنین
تعداد آنتن هایی باشد که از کل آنتنهایMassive MIMO به هر به کاربر اختصاص مییابد. براساس این مفروضات و طبق[33] و [34]، نرخ داده هر کاربر RRH (Massive MIMO) را می توان به صورت (15) بیان کرد:
هزینه عملیاتی برای اختصاص توان به هر یک از فناوریها و
تعریف می شود که هر MVNO به MNO پرداخت میکند.
تابع مطلوب یعنی مجموع سودg MVNO ام وU تابع مطلوب مجموع سود MNO به شرح زیر تعریف می شود:
بیشینه کردن تابع مطلوب MNO به شرح زیر بیان می شود:
با جایگذاری (12) در (19) و در نظر گرفتن قیود (1) تا (11)، مسئله بهینه سازی در این مدل سیستم را می توان به صورت (20) نوشت:
(20) به دلیل تداخل بین سلولی در روابط نرخ داده (13) و (16) و وجود متغیرهای باینری و
و روابط لگاریتمی(غیر خطی) یک مساله بهینه سازی غیر محدب و 40NP سخت با پیچیدگی محاسباتی بالا است[38].
پس از فرمولبندی مساله و رسیدن به (20) که با ارائه روابط ریاضیاتی فوق انجام شد، در بخش بعدی مقاله سراغ روش پیشنهادی برای حل این مساله میرویم.
جدول- 2
الگوریتم شماره I- الگوریتم تکرارشونده برای اختصاص فناوری دسترسی و توان الکتریکی
نشانه | شرح |
𝒢 = {1,2,3,000, G} | مجموعه MVNOها یا برش منابع |
NG ={1,2,3,000 ,Ng} | مجموعه تعداد کاربران متعلق به هر MVNO |
K= {1, 2, 3, ... , K} | مجموعه تعداد زیرحامل ها در هر سلول |
L={1,2,3,…, ℓ } | مجموعه تعداد سلول ها |
| متغیر انتخاب فناوری دسترسی OFDMA |
X={ | ماتریس انتخاب فناوری دسترسی OFDMA |
| متغیر انتخاب فناوری دسترسی M-MIMO |
Y={ | ماتریس انتخاب فناوری دسترسی M-MIMO |
| حداکثر توان اختصاصی به سلول ℓ |
| توان اختصاصی به کاربر |
| نرخ داده رزرو به کاربر |
| حداقل نرخ داده اختصاصی به برش |
| حداکثر ظرفیت پهنای باند لینک FH |
| تداخل کاربران سلولها با کاربر |
| بهره کانال کاربر |
| توان نویز |
| هزینه فناوری دسترسی OFDMA |
| هزینه فناوری دسترسی M-MIMO |
U | تابع مطلوب سود MNO |
|
Initialization: Set τ = 0, ε1 = ε2 = ε3 = 10-3 , P(τ = 0) = P max/K. Repeat: set τ = τ + 1 Step 1.A Technology selection parameters : Initialization for Step 1.A: set P( Repeat: set Step 1.A.1: Update CGP variables according to (الف-17)-(الف-28), Step 1.A.2: Solve X( Until and X(τ ) = Step 1.B Power Allocation: Initialization for Step 1.B: set Repeat: set Step 1.B.1: Update CGP variables according to (ب-17)-(ب-29), Step 1.B.2: Solve Until set Until
and 4. الگوریتم حل مساله بهینهسازی برای غلبه بر پیچیدگی محاسباتی حل مساله بهینهسازی(20)، ما با استفاده از برنامه نویسی هندسی مکمل (CGP) و تقریب محدب متوالی(SCA) ، یک الگوریتم تکرارشونده را با هدف یافتن پارامترهای انتخاب فناوری و توان مصرفی برای هر کاربر به ترتیب در دو مرحله اعمال میکنیم. در هر تکرار t ، در مرحله 1 با یک بردار تخصیص توان اختصاص داده شده (ثابت)، بردارهای X و Y بهینه را به عنوان متغیر زیر مساله انتخاب فناوری از الگوریتم بدست میآوریم. سپس ، بر اساس مقادیر بدست آمده از مرحله 1، زیر مساله تخصیص توان بر اساس مقدار بردارهای X و Y به دست آمده از مرحله 1، حل می شود. توالی جوابهای بردار تخصیص X و Y و P را می توان به صورت زیر بیان کرد: X(0),Y(0) →P(0) Initialization ... X∗(t),Y∗(t) →P∗(t) Iteration τ X∗,Y∗ →P∗ که t≥0 شاخص تکرار است وX∗(t), Y∗(t) و P∗(t) مقادیر بهینه به دست آمده در تکرار t و از تبدیل محدب و تقریب مسائل بهینه سازی مربوطه هر مرحله بدست میآیند. بدین منظور پس از هر مرحله موارد زیر محاسبه میشوند: ‖X∗(t)−X∗(t−1)‖≤ε1, ‖Y∗(t)−Y∗(t−1)‖≤ε2, ‖P∗(t)−P∗(t−1)‖≤ε3 که اگر ملاکهای همگرایی بالا برای مقادیر کوچک زیر برآورده شوند اجرای تکرار الگوریتم متوقف خواهد شد. 0< ε1 هر دو زیر مساله بدست آمده یعنی زیرمسالههای انتخاب فناوری و تخصیص توان هنوز با توجه به وجود متغیرهای باینری و روابط غیر هنوز غیر محدب بوده و از پیچیدگی محاسباتی نسبی برخوردار هستند. برای حل کارآمد زیرمسالهها، برای زیرمساله تخصیص فناوری متغیرهای باینری را در آنها بیاثر کرده و برای زیرمساله تخصیص توان از طریق روش DC ]42 [روابط لگاریتمی به روابط خطی تقریب زده می شوند و با استفاده از روش CGP ]41[، برای هر مرحله،ما زیرمساله های غیر محدب را به شکل استاندارد GP با کران پایین تبدیل می کنیم. مراحل حل زیر مسالهها از قرار زیر میباشند: 1.4. مرحله 1: زیر مساله انتخاب فناوری در هر تکرار t، با مقدار پیش فرض ثابت P(t-1) در این مرحله، متغیرهای بهینه سازی X وY خواهند بود و
s این مساله پیچیدگی محاسباتی کمتری نسبت به مساله اصلی دارد. با این حال، به دلیل متغیرهای باینری، مساله بهینه سازی هنوز غیر محدب است. بنابراین برای حل کارآمد این مساله بهینه سازی، مساله (21) را به شکل استاندارد GP تبدیل میکنیم. برای این منظور، ابتدا متغیرهای باینری و در نظر گرفتن با در نظر گرفتن z, A, B, w, C و D به عنوان بردارهای متغیرهای
در هر تکرار t1 با تقریب GP تابع هدف و قیود مساله از (21) به (22) تبدیل خواهد شد]38[:
حال که مساله بهینهسازی مرحله اول را حل کردیم، سراغ مرحله دوم برای بحث تخصیص توان الکتریکی میرویم. 2.4. مرحله 2: زیر مساله تخصیص توان برای مقادیر ثابت X و Y به دست آمده از مرحله 1، مساله بهینه سازی به مساله تخصیص توان (23) تبدیل می شود.
از نظر محاسباتی (23) نسبت به (20) دارای پیچیدگی کمتری دارد زیرا فقط شامل متغیر P میباشد لیکن به دلیل وجود پدیده تداخل و عبارات لگاریتمی در فرمول نرخ داده و وابستگی آن به متغیر P در (13) و (16)، این بخش از مساله هم مساله بهینه سازی غیر محدب و غیرخطی است. بنابراین در مرحله 2، ابتدا ما با استفاده از تقریب DC روابط غیرخطی نرخ داده در (الف-1) یعنی ( مساله (24) تحت قیود اشارهشده در پیوست بایستی بهینه گردد. (برای مشاهده تابع اصلی هدف و قیود آن در زیر مساله تخصیص توان همچنین اثبات آنها به روابط پیوست ب مراجعه شود(ب-1) تا (ب-29)). در بخش بعد نتایج الگوریتم پیشنهادی ارائه و ارزیابی خواهند شد. 5. نتایج شبیه سازی الگوریتم پیشنهادی در این بخش نتايج عملي استخراجشده از شبیه سازی مدل سیستم و انجام روش حل مساله بهینه سازی پیشنهادی در بخش قبل و در محیط نرم افزار Matlab و با استفاده از ماژول CVX ارائه شده است. برای ارزیابی عملکرد روش پیشنهادی از طریق نتایج شبیه سازی، مطابق مدل سیستم مفروض ما یک شبکه با معماری C-RAN چند سلولی با تعداد سلول 4 ℓ = را در داخل منطقه ای با ابعاد km21×1 در نظر می گیریم. هریک از سلولها دارای دو نوع فناوری RRH شامل OFDMA و Massive MIMO متصل به یک BBU واحد میباشند. هریک از فناوریهای Massive MIMO شامل 200= M آنتن میباشند. تعداد کاربران 20 NG = در بین برش ها به تعداد 2 G = فرض شدهاند که به طور تصادفی در این منطقه قرار دارند. ما همچنین فرض می کنیم که پهنای باند کل به 3 زیر حامل تقسیم شده است (برای جلوگیری از تداخل بین کاربران OFDMA و Massive MIMO ، اولین زیرحامل برای OFDMA رزرو خواهد شد) و حداکثر توان الکتریکی (Pmax 23dBm =) می باشد.
شکل (2). موقعیت مکانی کاربران Kint (علامت آبی) و Kege (علامت قرمز) در منطقه 1 × 1 کیلومتر مربع در کنار RRHها با علامت سیاه نمایش داده شدهاند. بهره کانال بین کاربر برای نشان دادن تأثیر رویکرد پیشنهادی خود، ما بدترین حالت را در نظر می گیریم همان طوری که در شکل2 نشان داده شده است کاربران k را در هر سلول به در دو دسته در نظر می گیریم، دسته اول کاربران Kint (علامت آبی) نام گذاری شدهاند که در نزدیکی RRH ها(علامت سیاه) و با تداخل داخل سلولی کمتر قرار دارند و دسته دوم کاربران واقع شده در لبههای سلول به نام Kege (علامت قرمز) میباشندکه با تداخل داخل سلولی بیشتر میباشند. در شکل3 و 4، به ترتیب مقدار پهنایباند عملیاتی کل و تابع مطلوب پیشنهادی به ازای مقادیر مختلف تعداد کاربران در هر سلول برای روش پیشنهادی(MATSA) و هریک از فناوریهای مفروض در مساله یعنی نشان داده شده است.
شکل (3) مقدار پهنایباند عملیاتی کل به ازای تعداد کاربران در سلول
شکل (4) مقدار تابع مطلوب پیشنهادی به ازای تعداد کاربران در هر سلول
در این مرحله از شبیه سازی مقادیر ضریب هزینه پردازش OFDMA و mMIMO به ترتیب = 1 همانطور که در شکل3، مشاهده می شود اگرچه mMIMO میتواند نرخ داده بیشتری را در مقایسه با روش پیشنهادی و OFDMA ارائه نماید، لیکن با توجه به نمودار تابع مطلوب در شکل4، این مقدار برای MATSA برای تعداد کاربران بیشتر نسبت به فناوری mMIMO عملکرد بهتری دارد. با حل مدل بهینه سازی و برای به حداکثر رساندن تابع هدف(مطلوب)، براساس جوابهای بدست آمده بهینه سازی، فناوری mMIMO را به کاربران داخل سلول یا Kint و فناوری OFDMA را به کاربران لبه یا Kege اختصاص می دهد. علت این امر را میتوان اینگونه توجیه نمود که با افزایش تداخل بین کاربران Kege به دلیل افزایش تعداد آنها در لبه سلول و همچنین افت مسیر آنها، تخصیص mMIMO به دلیل هزینه بالای این فناوری، مزیت نرخ داده خود را تا حدودی از بین می برد، بنابراین، راه حل بهینه سازی برای کاهش هزینه، OFDMA را به کاربران لبه یعنی Kege اختصاص می دهد. این واقعیت را می توان در شکل4 مشاهده کرد به طوری که وقتی تعداد کاربران برابر با 20 عدد باشد، عملکرد پیشنهادی ما تقریباً 6٪ بیشتر از mMIMO خواهد بود. ما تابع احتمال قطع را به صورت نسبت تعداد کاربرانی که میزان آنها کمتر از حداقل نرخ مورد نیاز است به کل کاربران تعریف می کنیم. این معیار عملکرد در دو سناریو جداگانه مورد مطالعه قرار گرفته است و در شکل 5 (الف) و (ب) نتایج آن نمایش داده شده است. در سناریوی اول ، ما در نظر می گیریم کاربران لبه حداکثر و حداقل فاصله شان به هم نزدیک است و بنابراین به طور متراکم در لبه سلول قرار دارند. با افزایش میزان هزینه mMIMO ، این کاربران هزینه اضافی به سیستم تحمیل می کنند.
شکل (5) (الف): احتمال قطع شدن کاربران در لبه سلول با تراکم حضور بالا
شکل (5) (ب): احتمال قطع شدن کاربران لبه با تراکم حضور کم و بنابراین مسئله بهینه سازی برای کاهش هزینه و توان الکتریکی مصرفی سیستم شروع به ریزش کاربران میکند. به دلیل شرایط نامناسب کانال و تداخل داخل سلولی، این کاربران نرخ پایینی خواهند داشت،بنابراین از آنجا که میزان کاربران با توان الکتریکی ارتباط مستقیم دارد، نرخ داده تعداد زیادی از کاربران به سرعت از حداقل نرخ پایین می آید و همانطور که در شکل 5 (الف) نشان داده شده است این کاربران (خط آبی) زود خارج می شوند.اما در سناریوی دوم ، حداقل و حداکثر فواصل برای کاربران با توزیع یکنواخت تفاوت قابل توجهی با یکدیگر دارند و همانطور که در شکل5 (ب) نشان داده شده است با افزایش هزینه mMIMO ، قطع این کاربران (خط آبی) به تدریج و با تاخیر بیشتری نسبت به سناریوی اول اتفاق می افتد . همانطور که انتظار می رفت، با مقایسه نتایج دو سناریو ، می توان نتیجه گرفت که روش پیشنهادی ما (MATSA) به دلیل انعطاف پذیری در انتخاب فناوری دسترسی، احتمال قطع کمتری را دارد. در شکل6 ، ما با ارائه مقدار تابع مطلوب برای مقادیر مختلف همانطور که در شکل6 مشاهده می شود، برای مقادیر کم
شکل(6): مقدار تابع سودمندی برای مقادیر مختلف هزینه mMIMO 6. جمعبندی و نتیجهگیری در این مقاله ، ما مساله بهینه سازی تخصیص توان را در یک C-RAN چند سلولی فراسو چند مستاجره از منظر اقتصادی بررسی کردیم. در پیشنهاد ما ، روش جدیدی را معرفی می کنیم که می تواند برای هر کاربر از MVNO ها ، فناوری مناسب (mMIMO یا OFDMA) را بر اساس محل قرارگیری آنها در هر سلول انتخاب کند تا هزینه مصرف BBU ها را به حداقل برساند و بنابراین سود MVNO را با توجه به تابع مطلوب به حداکثر برساند. در این تحقیق ما یک تابع مطلوب جدید تعریف می کنیم و این مساله را به صورت یک مساله انتخاب فناوری و بهینه سازی تخصیص توان الکتریکی فرموله می کنیم به طوری که همواره تأمین حداقل نرخ مورد نیاز هر کاربر باید تضمین شود. مساله بهینه سازی فرموله شده اشاره شده بالا یک مساله غیر محدب و NP سخت با پیچیدگی محاسباتی بالا است، بنابراین برای حل این مساله، با استفاده از الگوریتم های برنامه نویسی DC ، CGP و SCA ، یک الگوریتم تکراری دو مرحله ای پیشنهاد می نمایم. نتایج شبیه سازی نشان می دهد از طریق روش انتخاب فناوری با توجه به محل قرارگیری کاربران و با فرض تضمین تامین حداقل نرخ داده و حداکثر تاخیر مجاز، با افزایش تعداد کاربران، اپراتورهای MVNO می توانند از سودمندی و احتمال قطعی کمتری برخوردار باشند. مراجع [1] Cisco public (2020). Cisco Annual Internet Report (2018–2023). Available: https://www.cisco.com/c/en/us/solutions/collateral/executive-perspectives/annual-internet-report/white-paper-c11-741490.pdf [2] ITU-R M.2370-0 (2015). IMT traffic estimates for the years 2020 to 2030, .https://www.itu.int/dms_pub/itu-r/opb/rep/R-REP-M.2370-2015-PDF-E.pdf. [3] impacts-5g-productivity-economic-growth, https://www.communications.gov.au/publications/impacts-5g-productivity-and-economic-growth. [4] Wu, Q., Li, G. Y., Chen, W., Ng, D. W. K., & Schober, R. (2017). An overview of sustainable green 5G networks. IEEE Wireless Communications, 24(4), 72-80. [5] Peng, M., Sun, Y., Li, X., Mao, Z., & Wang, C. (2016). Recent advances in cloud radio access networks: System architectures, key techniques, and open issues. IEEE Communications Surveys & Tutorials, 18(3), 2282-2308. [6] Wu, J., Zhang, Z., Hong, Y., & Wen, Y. (2015). Cloud radio access network (C-RAN): a primer. IEEE network, 29(1), 35-41. [7] Peng, M., Li, Y., Zhao, Z., & Wang, C. (2015). System architecture and key technologies for 5G heterogeneous cloud radio access networks. IEEE network, 29(2), 6-14. [8] Peng, M., Li, Y., Jiang, J., Li, J., & Wang, C. (2014). Heterogeneous cloud radio access networks: A new perspective for enhancing spectral and energy efficiencies. IEEE wireless communications, 21(6), 126-135. [9] Peng, M., Zhang, K., Jiang, J., Wang, J., & Wang, W. (2014). Energy-efficient resource assignment and power allocation in heterogeneous cloud radio access networks. IEEE Transactions on Vehicular Technology, 64(11), 5275-5287. [10] Kitindi, E. J., Fu, S., Jia, Y., Kabir, A., & Wang, Y. (2017). Wireless network virtualization with SDN and C-RAN for 5G networks: Requirements, opportunities, and challenges. IEEE Access, 5, 19099-19115. [11] Topoloi, S. G., & Borcoci, E. (2018, June). Software Defined Networking and Network Function Virtualisation Cooperation-Experiments. In 2018 International Conference on Communications (COMM) (pp. 281-286). IEEE. [12] Chartsias, P. K., Amiras, A., Plevrakis, I., Samaras, I., Katsaros, K., Kritharidis, D., & Escalona, E. (2017, June). SDN/NFV-based end to end network slicing for 5G multi-tenant networks. In 2017 European Conference on Networks and Communications (EuCNC) (pp. 1-5). IEEE. [13] Marzouk, F., Barraca, J. P., & Radwan, A. (2020). On Energy Efficient Resource Allocation in Shared RANs: Survey and Qualitative Analysis. IEEE Communications Surveys & Tutorials, 22(3), 1515-1538. [14] Oladejo, S. O., & Falowo, O. E. (2017, October). 5G network slicing: A multi-tenancy scenario. In 2017 Global Wireless Summit (GWS) (pp. 88-92). IEEE. [15] Björnson, E., Hoydis, J., & Sanguinetti, L. (2017). Massive MIMO networks: Spectral, energy, and hardware efficiency. Foundations and Trends in Signal Processing, 11(3-4), 154-655. [16] Wang, L., Wong, K. K., Elkashlan, M., Nallanathan, A., & Lambotharan, S. (2016). Secrecy and energy efficiency in massive MIMO aided heterogeneous C-RAN: A new look at interference. IEEE Journal of Selected Topics in Signal Processing, 10(8), 1375-1389. [17] Zhou, F., Wu, Y., Hu, R. Q., Wang, Y., & Wong, K. K. (2018). Energy-efficient NOMA enabled heterogeneous cloud radio access networks. IEEE Network, 32(2), 152-160. [18] Al-Abbasi, Z. Q., Rabie, K., & So, D. K. C. (2021). EE Optimization for Downlink NOMA-based Multi-Tier CRANs. IEEE Transactions on Vehicular Technology. [19] Schneir, J. R., Konstantinou, K., Bradford, J., Zimmermann, G., Droste, H., Palancar, R. C., & Ajibulu, A. (2020). Cost assessment of multi-tenancy for a 5G broadband network in a dense urban area. Digital Policy, Regulation and Governance. [20] Schneir, J. R., Konstantinou, K., Bradford, J., Zimmermann, G., Droste, H., Canto, R., & Ajibulu, A. (2017). Cost analysis of a 5G network with Multi-Tenancy options. [21] Luo, J., Chen, Q., & Tang, L. (2018). Reducing power consumption by joint sleeping strategy and power control in delay-aware C-RAN. IEEE Access, 6, 14655-14667. [22] Amani, N., Pedram, H., Taheri, H., & Parsaeefard, S. (2018). Energy-efficient resource allocation in heterogeneous cloud radio access networks via BBU offloading. IEEE Transactions on Vehicular Technology, 68(2), 1365-1377. [23] Khan, M., Alhumaima, R. S., & Al-Raweshidy, H. S. (2015, June). Reducing energy consumption by dynamic resource allocation in C-RAN. In 2015 European Conference on Networks and Communications (EuCNC) (pp. 169-174). IEEE. [24] Yu, N., Song, Z., Du, H., Huang, H., & Jia, X. (2017). Dynamic resource provisioning for energy efficient cloud radio access networks. IEEE Transactions on Cloud Computing, 7(4), 964-974. [25] Tang, J., Tay, W. P., Quek, T. Q., & Liang, B. (2017). System cost minimization in cloud RAN with limited fronthaul capacity. IEEE Transactions on Wireless Communications, 16(5), 3371-3384. [26] Zhao, W., & Wang, S. (2016, May). Remote radio head selection for power saving in cloud radio access networks. In 2016 IEEE 83rd Vehicular Technology Conference (VTC Spring) (pp. 1-5). IEEE. [27] Ye, J., & Zhang, Y. J. (2019). Pricing-based resource allocation in virtualized cloud radio access networks. IEEE Transactions on Vehicular Technology, 68(7), 7096-7107. [28] Wang, G., Feng, G., Tan, W., Qin, S., Wen, R., & Sun, S. (2017, December). Resource allocation for network slices in 5G with network resource pricing. In GLOBECOM 2017-2017 IEEE Global Communications Conference (pp. 1-6). IEEE. [29] Jiang, M., Condoluci, M., & Mahmoodi, T. (2017, May). Network slicing in 5G: An auction-based model. In 2017 IEEE International Conference on Communications (ICC) (pp. 1-6). IEEE. [30] Morcos, M., Chahed, T., Chen, L., Elias, J., & Martignon, F. (2018). A two-level auction for resource allocation in multi-tenant C-RAN. Computer Networks, 135, 240-252. [31] Parsaeefard, S., Dawadi, R., Derakhshani, M., & Le-Ngoc, T. (2016). Joint user-association and resource-allocation in virtualized wireless networks. IEEE Access, 4, 2738-2750. [32] Chiang, M. (2005). Geometric programming for communication systems. Now Publishers Inc. [33] Chiang, M., Tan, C. W., Palomar, D. P., O'neill, D., & Julian, D. (2007). Power control by geometric programming. IEEE transactions on wireless communications, 6(7), 2640-2651. [34] Xu, G. (2014). Global optimization of signomial geometric programming problems. European journal of operational research, 233(3), 500-510. [35] Tuy, H. (1995). DC optimization: theory, methods and algorithms. In Handbook of global optimization (pp. 149-216). Springer, Boston, MA. [36] Grant, M. and Boyd, S. (2017). CVX: MATLAB software for disciplined convex programming, in Version 2.1. http://cvxr.com/cvx.
[1] Enhanced Mobile Broadband [2] Ultrareliable Low Latency Communications [3] Massive Machine Type Communications [4] Spectral Efficiency [5] Energy Efficiency [6] Capital Expenditure [7] Operating Expenses [8] Base Station [9] Remote Radio Head [10] Base Band Unit [11] Software Defined Network [12] Network Function Virtualization [13] Network Slicing [14] Multi-tenant [15] Mobile Virtual Network Operator [16] Non- Orthogonal Multiple Access [17] Mobile Virtual Network Operator [18] Virtual Wireless Network [19] Sleep Mode Strategy [20] Access Point [21] Dynamic Resource Allocation [22] Radio Access Technology [23] Multi Access Technology Selection Approach [24] Utility Function [25] Constraints [26] Complementary Geometric Programming [27] Successive Convex Approximation [28] Differentiable Convex Optimization [29] Arithmetic-Geometric Mean Approximation [30] Geometric Programming [31] Channel gain [32] Small-scale multipath fading coefficient [33] Large-scale power loss [34] Path loss [35] Shadowing [36] Match filter [37] Large-scale power loss [38] Path loss [39] Shadowing [40] Non-deterministic polynomial-time(NP)- Hard Problem
پیوست الف برای تبدیل زیرمساله (21) به شکل استاندارد GP ، ما ابتدا تابع بیشینه هدف (الف-1) را به صورت تابع کمینه هدف (الف-2) به صورت زیر بازنویسی می کنیم:
با توجه به عبارات منفی در (الف-2) ، برای تأمین شرایط مثبت تابع هدف در GP ، ما متغیر کمکی مثبت
اکنون ، با استفاده از تقریب AGMA ، (الف-3) به (الف-4) تبدیل می شود :
و برای رسیدن به
در جایی که:
و Y=
پیوست ب مانند مرحله 1، ما برای تبدیل زیرمساله (22) به شکل استاندارد GP، ابتدا تابع بیشینه هدف (ب-1) را به صورت تابع کمینه هدف (ب-2) به صورت زیر بازنویسی کرده و فرمولهای نرخ داده را جایگزین می کنیم:
سپس تقریب DC را برروی روابط لگاریتمی نرخ داده به صورت (ب-2) اعمال می کنیم تا روابط غیر خطی به روابط خطی تقریب زده شوند:
با توجه به عبارات منفی در (ب-3) ، برای تأمین شرایط مثبت تابع هدف در GP ، ما متغیر کمکی مثبت
ما
که از نظر ریاضی می تواند به صورت زیر نوشته شود:
و سرانجام با استفاده از تقریب AGMA از (ب-5) به (ب-8) می رسیم:
برای بدست آوردن ما
که از نظر ریاضی می تواند به صورت زیر نوشته شود:
و سرانجام با استفاده از تقریب AGMA ، در (ب-11) به (ب-12) می رسیم:
ما
برای بدست آوردن
ما
و سرانجام با استفاده از تقریب AGMA ، در (ب-15) به (ب-16) می رسیم.
بطوری که:
Related articles
The rights to this website are owned by the Raimag Press Management System. |