基于深度学习的 RIS 多小区网络中流量感知的基站睡眠模式与细胞缩放策略
信号处理
2024-12-30 v1
摘要
无线技术的发展显著增加了无线连接的数量，导致网络能耗增加。在这些技术中，射频接入网络 (RAN) 中的基站 (BS) 占总能耗的一半以上。为解决此问题，我们提出一种结合多小区睡眠策略、自适应细胞缩放、用户关联和可重构智能表面 (RIS) 的方法，以最小化 BS 能耗。该方法允许在流量较低时使 BS 进入睡眠模式，同时通过 RIS 实现自适应细胞缩放和用户关联，动态调整覆盖范围以平衡流量负载并通过 RIS 提升数据速率，从而最小化活跃 BS 的数量。然而，需要注意的是，所提出的方法可能以增加延迟为代价来实现能耗节省，需要在这两者之间进行权衡。此外，在延迟约束下最小化 BS 能耗是一个复杂的非凸问题。为解决此问题，我们将 RIS 辅助的多小区网络建模为马尔可夫决策过程 (MDP)，并使用近端策略优化 (PPO) 算法来优化睡眠模式 (SM)、细胞缩放和用户关联。此外，我们利用双级级联关联网络 (DCCN) 算法来优化 RIS 反射系数。仿真结果表明，PPO 在能耗节省和延迟之间取得平衡，而 DCCN 优化的 RIS 显著提升了 BS 能耗节省。与由基准 DQN 算法优化的系统相比，能耗降低 49.61%。
引用
@article{arxiv.2412.18983,
title = {Deep Learning-Based Traffic-Aware Base Station Sleep Mode and Cell Zooming Strategy in RIS-Aided Multi-Cell Networks},
author = {Shuo Sun and Chong Huang and Gaojie Chen and Pei Xiao and Rahim Tafazolli},
journal= {arXiv preprint arXiv:2412.18983},
year = {2024}
}
备注
15 Pages, accepted for publication in IEEE Transactions on Cognitive Communications and Networking