در این مقاله راههای صرفهجویی انرژی در شبکه دسترسی رادیویی نسل پنجم (5G) شناسایی شده و اصول و فناوریهای اصلی صرفهجویی انرژی در آن توصیف میشود. فناوریهای قابل استفاده در صرفهجویی انرژی در شبکه مانند خاموشی حامل، خاموشی کانال، خاموشی سمبل در شبکه 5G (که از شبکه 4G به ارث رسیدهاند) بررسیشدهاند. با این وجود، برای تأمین نیازها به توسعه راه حلهای موجود پرداخته شده و راه حلهای نوین مانند استفاده از هوشمصنوعی (AI) و تحلیل دادههای بزرگ معرفی شده است تا رویکرد دقیقتری بر اساس ترافیک و شرایط مرتبط با مکان شبکه شکل بگیرد. در پایان دو کاربرد تجاری از راهحلهای صرفهجویی در انرژی مبتنی بر هوشمصنوعی تشریح میشوند. یکی از آنها صرفهجویی انرژی مبتنی بر هوشمصنوعی برای شبکههای 4G/5G است که میتواند مصرف انرژی را تا 20 % کاهش دهد. راه حل دیگر استفاده از الگوی پرتو با بهکارگیری یک معماری جدید است که صرفهجویی انرژی با استفاده از آن در حدود 30 % است. این دو راه کار میتوانند به اپراتورهای شبکه تلفن همراه در دستیابی به شبکه با بهرهوری انرژی بالا، عملکرد شبکه قابل قبول و کاهش هزینههای عملیاتی کمک کنند.
کلیدواژهها: 5G، هوشمصنوعی، ایستگاه پایه، بازدهی، صرفهجویی در انرژی، شبکه دسترسی رادیویی.
مقدمه
سخن ابتدایی این است که تغییرات آبوهوا بزرگترین چالش زمان ماست. حتی یک جایزه نوبل در سال 2021 به پژوهشگران این حوزه اهدا شد و به گزارش GSMA[1] در همان سال [2]، بسیاری از اپراتورهای شبکه تلفن همراه اهداف جسورانهای درباره به صفر رساندن تولید کربن در نظر گرفتهاند. بهعنوان مثال Orange سال 2040 را برای کربن صفر تعیین کرده است. در عین حال، در دستورالعمل تدوین شده توسط GSMA برای اپراتورهای شبکه موبایل درباره اهداف اقلیمی، هدف کاهش انتشار کربن تا 45% از سال 2020 تا سال 2030 در نظر گرفته شدهاست [1-3].
برای دستیابی به این اهداف، نیازمند رویکردهای جدید در ارتقای شبکههای سبز هستیم. مصرف کلی انرژی توسط صنعت موبایل طبق برخی پیشبینیها در عرض ده سال سهبرابر خواهد شد و شبکه 5G [2] نقش بزرگی در این افزایش خواهد داشت [4]. بزرگترین چالش در صرفهجویی انرژی شبکه موبایل مربوط به ایستگاههای پایه[3] است که بر اساس گزارش GSMA، حدود 73% از مصرف کل انرژی یک شبکه موبایل معمولی را تشکیل میدهد [5]. بنابراین، مهمترین کاری که باید انجام داد، کاهش اثر کربن به هر روش ممکن (البته با در نظر گرفتن تجربه کاربری) است.
خبر خوب این است که برای صرفهجویی انرژی در 5G، ما نیازی نداریم تا همهچیز را از ابتدا اختراع کنیم. راهکارهای صرفهجویی در انرژی شبکه، مانند خاموشی حامل، خاموشی کانال، خاموشی سمبل و غیره که از دوران 4G[4] به وجود آمدهاند، هنوز هم قابل استفاده هستند و میتوانند مصرف انرژی 5G را کاهش دهند. در ادامه مختصری از این مفاهیم ارائه میشود.
در سیستمهای رادیویی MIMO که از دوران 4G مورد استفاده قرار گرفته است، هنگامی که بار ترافیک شبکه کم است، بخشهایی از کانالها (تقویتکنندههای توان و و فرستنده-گیرندهها) میتوانند به منظور صرفهجویی در انرژی خاموش شوند که به آن خاموشی کانال گفته میشود. پس از خاموش شدن این بخشها، چگالی طیف توان کانالهای باقیمانده باید افزایش یابد تا اطمینان حاصل شود که کل پوشش سلولی تحت تأثیر قرار نمیگیرد. این روش در سیستمهای تک-فرکانس استفاده میشود. در مواردی که استفاده از خاموشی کانال قابل استفاده نیست، میتوان از روش خاموشی سمبل استفاده کرد. در این روش هنگامی که ترافیک شبکه کم است، زمانبند[5] از تعداد کمتری از سمبلها در اختصاص منابع استفاده میکند که این باعث صرفهجویی در مصرف انرژی میشود. هنگامی که بار ترافیک شبکه کم است، ایستگاه پایه میتواند برخی از اسلاتها را برای صرفه جویی در انرژی خاموش کند. برای افزایش نسبت اسلاتهای بیکار، زمانبندی با متمرکز کردن دادهها در اسلاتهای خاص انجام میشود؛ به این روش خاموشی تجمیع سمبل گفته میشود. در شبکههای چند-فرکانسه و چند-حالته با بار ترافیکی کم، با خاموش کردن بخشی از شبکه که استفاده از آن کم است در مصرف انرژی صرفهجویی میشود که به آن خواب عمیق گفته میشود. در این حالت ابتدا کاربران به شبکه سطح پایینتر منتقل شده و بعد شبکه بالا خاموش میشود که به این روش خواب عمیق گفته میشود [6].
علاوهبر این، فناوریهای بهبود یافته مانند خواب عمیق، خاموشی تجمیع سمبل و… در دوران 5G در حال توسعه هستند. هدف این مقاله بررسی این راهکارها است.
اصول کاهش مصرف انرژی در ایستگاه پایه
مقیاسپذیری پویا
منظور از مقیاسپذیری پویا، قابلیت تغییر مصرف پویای انرژی با تغییرات بهموقع و بلادرنگ متناسب با تغییرات بار است.
خاموشکردن
برای دستیابی به مصرف انرژی متناسب با منابع، مصرف انرژی استاتیک ممکن است قابل توجه باشد؛ هنگامی که منابع کاهش مییابند، مصرف انرژی (مصرف انرژی استاتیک) به سطحی میرسد که دیگر با مقدار منابع متناسب نخواهد بود. در چنین مواردی، غیرفعالسازی قطعه یا اجزایی که منجر به کاهش مصرف انرژی استاتیک میشود کمک کننده است. نقطه ضعف این روش آن است که قطعه از سرویس خارج میشود و برای فعالسازی مجدد نیاز به صرف زمان خواهد بود که کیفیت عملکرد شبکه را تحت تاثیر قرار میدهد. در این روش بین کیفیت شبکه و صرفهجویی انرژی بایستی یک نقطه بهینه انتخاب شود [1].
مصالحه
صرفهجویی در مصرف انرژی شامل مصالحههای مختلف است، همان طور که در بخش 2-2 بیان شد، یکی از آنها مصالحه بین کیفیت عملکرد شبکه و صرفهجویی در مصرف انرژی است. بسیاری از روشهای صرفهجویی در مصرف انرژی، بهدلیل تغییر در منابع و تعداد منابع، عملکرد اصلی سیستم را مختل میکنند. بنابراین، بهدست آوردن وضعیت بهینه، کاری دشوار است. از سوی دیگر، در ساعتهای کم باری شبکه مانند شب، ظرفیت بزرگی وجود دارد و اگر از این فضا بهدرستی بهرهبرداری شود، صرفهجویی در مصرف انرژی امکانپذیر است.
روشهای پایهای کاهش مصرف انرژی برای شبکه دسترسی 5G
فناوری 5G با اضافه کردن قابلیتهای جدیدی به شبکه رادیویی، امکانات جدیدی را فراهم میکند و همچنین از منابع بیشتری از کانال، پهنای باند و آنتن استفاده میکند. این موضوع نهتنها به افزایش ظرفیت و قابلیتهای شبکه منجر میشود، بلکه با رعایت اصول طراحی، فرصتهای بزرگی برای صرفهجویی در مصرف انرژی نیز بهدست میدهد. به هر حال، با توجه به پیچیدگی شبکه 5G و دشواری عملیات و مدیریت دادهها، استفاده از الگوریتمهای ثابت یا ساده برای تضمین عملکرد بهینه هنگام استفاده از فناوریهای مختلف صرفهجویی در مصرف انرژی، دشوار است. بنابراین، باید از هوشمصنوعی[6] استفاده شود و چگونگی استفاده از فناوری هوشمصنوعی برای تحقق صرفهجویی در مصرف انرژی در عملیات و مدیریت واحدهای ارتباطی بیسیم بیشتر و مهمتر میشود [1] و [6].
یک موضوع مهم که بایستی به آن توجه شود تاثیر روش استفاده شده بر کیفیت شبکه است؛ چرا که هر یک از روشهای پیش رو میتواند روی عملکرد و کیفیت شبکه اثر داشته باشد و در نتیجه تجربه کاربر را تحت تاثیر قرار دهد. نکته این که در تمامی روشها همواره بین میزان صرفهجویی در انرژی و کیفیت شبکه یک مصالحه وجود دارد. بنابراین لازم است در انتخاب روش دقت لازم وجود داشته باشد تا کمترین افت در کیفیت شبکه حاصل شود.
صرفهجویی در مصرف انرژی در حوزه زمان
زمانبند تعدادی سمبل مشخص برای دادههای فروسو[7] را بر اساس بار سیستم و پیشبینیهای لازم تخصیص میدهد و هنگامی که نیاز به ارسال اطلاعات نیست، تقویتکننده توان را خاموش میکند تا در مصرف انرژی صرفهجویی شود. بهعلاوه، امکان ایجاد سمبلهای خالی، اسلاتهای زمانی و حتی زیرفریمها با استفاده از برنامهریزی هوشمند وجود دارد.
صرفهجویی در مصرف انرژی در حوزه فضا
در صرفهجویی در مصرف انرژی در حوزه فضایی، تعدادی از کانالها در سناریوهای با بار کم غیرفعال میشوند. بهعنوان مثال در شکل 1، خاموشکردن بخشی از آنتن MIMO، نشان دادهشدهاست. دقت شود که ظرفیت باقیمانده باید برای خدمت رسانی به ترافیک کافی باشد اما به هر حال پوشش و نرخ انتقال داده ممکن است تحتتأثیر قرار گیرد چون برخی از ماژولهای تقویت کننده توان و در نتیجه توان خروجی موجود از دسترس خارج میشوند. البته روشهایی برای جبران این موضوع وجود دارد. از آنجا که 5G و بهطور کلی mMIMO[8] از تعداد بیشتری آنتن و کانال RF نسبت به نسلهای قبلی استفاده میکند، صرفهجویی در مصرف انرژی در حوزه فضایی یک فناوری صرفهجویی مهم در شبکه 5G است [1].
شکل 1: توصیف صرفهجویی انرژی در حوزه فضایی. در هنگام کمبار بودن سیستم، تعدادی از آنتنها و کانالهای مربوطه خاموش میشوند.
صرفهجویی در مصرف انرژی در حوزه فرکانس
منظور از صرفهجویی انرژی در حوزه فرکانس، کاهش پهنای باند و در نتیجه کاهش مصرف توان است که به دو دسته بزرگ تقسیم میشود:
در مقیاس بزرگ: در این حالت یک حامل بهطور کامل قطع میشود و به همین دلیل گاهی به آن خاموشی (قطع) حامل میگویند. در این روش، همان طور که در شکل 2 نشان دادهشدهاست، حاملهای مربوط به برخی باندهای فرکانسی قطع میشوند. وقتی این حاملها به اجزای سختافزاری فیزیکی مستقلی نگاشت میشوند (مانند یک واحد رادیو)، اجزای متناظر میتوانند خاموش شده و از این طریق انرژی را صرفهجویی کنند.
در مقیاس کوچک: مانند کاهش پهنای باند و قطع زیر حامل؛ در این حالت، امکان قطع کامل یک یا چند حامل وجود ندارد بلکه فقط با تغییر در اختصاص واحدهای پردازشی میتوان مصرف انرژی را کاهش داد که این همان مفهوم قابلیت پویا برای صرفهجویی انرژی است.
شکل 2: توصیف صرفهجویی انرژی در حوزه فرکانس؛ یکی از دو حامل (و بخش رادیویی مربوطه) غیر فعالشدهاند.
با راهاندازی شبکه 5G در باندهای فرکانسی جدید، صرفهجویی در مقیاس بزرگ در حوزه فضای فرکانسی، مانند قطع حامل، یک فناوری صرفهجویی مهم در حوزه انرژی خواهد بود.
در شبکه با بار کم و همپوشانی شبکهها، برخی از حاملها قابلیت قطع را برای صرفهجویی در انرژی دارند. این عملکرد همچنین میتواند بر روی فناوریهای دسترسی رادیویی مختلف به کار گرفته شود. بهعنوان مثال، با در نظر گرفتن شبکه همپوشانیNR[9] و LTE، میتوانیم فرض کنیم که NR سیستم ظرفیت بالا و LTE سیستم پوشش پایه است. اگر ترافیکNR کم باشد، NR را میتوان بهصورت هوشمندانه قطع کرده و همزمان ترافیک را به LTE منتقل کرد. هنگامی که ظرفیت سرویس LTE از مقدار آستانه عبور میکند، حامل NR مجدداً فعال میشود. به این ترتیب، مصرف انرژی کل شبکه با حجم ترافیک تغییر میکند.
تقسیمبندی راهکارهای صرفهجویی در انرژی
راهکارهای صرفهجویی انرژی 5G اغلب به دو بخش تقسیم میشوند که عبارتند از حالت دستی و حالت یادگیری مبتنی بر هوشمصنوعی و یادگیری ماشین که در ادامه به آنها پرداخته میشود.
حالت دستی
بر اساس تجزیه و تحلیل اولیه پوشش و ترافیک، راهکار صرفهجویی انرژی دستی برای سناریوهای ساده با استراتژی یکپارچه به کار میرود. بهعنوان مثال، وقتی در بازه زمانی 10 شب تا 6 صبح، استفاده از PRB[10] کمتر از 10% است، خاموشی کانال فعال میشود. استراتژی لازم بر روی سامانه مدیریت عملیات [11]توسط نیروی انسانی پیکربندی میشود و میزان صرفهجویی در انرژی محاسبه میشود، همچنین شاخصهای عملکرد توسط نیروی انسانی نظارت میشوند تا عملکرد شبکه تضمین شود. شکل 3 روند گام به گام صرفهجویی انرژی 5G بر اساس حالت پیکربندی دستی را نشانمیدهد.
در وهله اول اثر صرفهجویی در حالت دستی بسیار خوب است. اما با افزایش تعداد کاربران و بار ترافیکی شبکه، خطر تضعیف شاخصهای عملکرد شبکه افزایش مییابد. با توسعه مداوم شبکههای 5G و کاربران آن، حالت سنتی دستی که عمدتاً بر تجربه مهندسان تکیه میکند، دیگر کارایی لازم را ندارد و نمیتواند به نیازهای کاربران پاسخ دهد.
شکل 3: فلوچارت صرفهجویی انرژی در 5G با استفاده از روش سنتی دستی [1]
حالت یادگیری ماشین بر اساس هوشمصنوعی
در این روش ابتدا پیکربندی مختص به هر سایت، سابقه ترافیک و شاخصهای عملکرد شبکه جمعآوری خواهند شد و با ترکیب الگوریتمهای پیشبینی سری زمانی مانند LSTM[12]، الگوریتم بهینهسازی، پوشش شبکه، توزیع کاربران و آستانه اولیه پیش بینی خواهد شد. با پیشبینی ترافیک و ارزیابی استفاده از منابع رادیویی بهصورت زمانبندی بلادرنگ، استراتژی صرفهجویی در انرژی مرتبط با هر سلول به شبکه اعمال خواهد شد تا تعادل بین عملکرد شبکه و مصرف انرژی حفظ شود. شکل 4 نموداری از روش کار برنامهکاربردی صرفهجویی در انرژی مبتنی بر هوشمصنوعی در شبکه 5G را نشانمیدهد. در این روش الگوریتم هوشمصنوعی برای دستیابی به تعادل بیشینه بین عملکرد سیستم و اثر صرفهجویی در انرژی استفاده میشود تا با استفاده از دادههای پایه مانند پیکربندی، آمار و گزارش اندازهگیری یا پیگیری جزئیات تماس شبکه موجود، صرفهجویی بهینه در انرژی شبکه و کاهش مصرف انرژی را تحقق بخشد [1].
شکل 4: فلوچارت صرفهجویی در انرژی 5G بر اساس AIا[1]
نمونههایی از صرفهجویی انرژی 5G مبتنی بر AI
صرفهجویی سرویس-آگاه
نتایج حاصل در این نمونه که در شهر چنگدو[13] واقع در غرب چین بهصورت تجاری پیادهسازی شده، نشانمیدهد که بیش از 35% از مصرف انرژی شبکه 4G/5G بدون تأثیر بر عملکرد شبکه و تجربه کاربر قابل کاهش است. این آزمایش شامل سه مرحله است. ابتدا فقط با استفاده از عملکرد صرفهجویی انرژی ابتدایی، در هر سایت در حدود 9 کیلووات ساعت انرژی در روز ذخیره میشود؛ هنگامی که پیشبینی ترافیک با استفاده از هوشمصنوعی فعال شود، در هر سایت حدود 12 کیلووات ساعت انرژی در روز ذخیره میشود. پس از فعالسازی خدمات مبتنی بر هوشمصنوعی، تا 14 کیلووات ساعت انرژی در روز در هر سایت قابل صرفهجویی است. نسبت صرفهجویی انرژی از 16.6% به 24.5% افزایش مییابد (همان طور که در شکل 5 نشان دادهشدهاست).
شکل 5: میزان صرفهجویی انرژی در هر سایت بر اساس روشهای مختلف [1]
با استقرار راهحل آزمایشی فوق در کل شبکه 4G/5G شهر چنگدو، تخمین زده میشود که بیش از 5 میلیون کیلووات ساعت در سال در هر هزار ایستگاه ذخیره میشود و حداقل 2500 تن از انتشار کربن کاهش مییابد.
معماری جدید AAU با بهینهسازی الگوی پرتو
بهینهسازی الگوی پرتو بین سلول و UE میتواند از تشعشع بیهدف ایستگاه پایه جلوگیری کند. عملکرد این نوع صرفهجویی انرژی هنوز در حال آزمایش و تحقیق است. در ادامه توضیحاتی از نتایج آزمایش اولیه آورده شدهاست.
برای آرایه آنتن AAU[14]، اندازه بزرگتر آرایه آنتن، شعاع باریکتر پرتو و در نتیجه تمرکز بیشتر انرژی کانال را پدید میآورد که در نتیجه فاصله پوشش شبکه را بیشتر میکند. با معرفی یک آرایه آنتن بسیار بزرگ، پوشش UL/DL میتواند بهطور همزمان بدون افزایش توان ارسالی افزایش یابد. بنابراین، استفاده از آرایههای آنتن بسیار بزرگ یک جهتگیری نوآورانه مهم برای بهبود پوشش و کاهش مصرف انرژی است. از طریق یکپارچهسازی و نوآوری ساختارها و الگوریتمهای جدید، هم عملکرد شبکه و هم صرفهجویی انرژی میتوانند ارتقا یابند و به اپراتورهای شبکههای 5G به ساخت شبکههای بهتر و سبز تر کمک کنند.
نمونه جدید AAU با استفاده از آرایه آنتن بسیار بزرگ در شهر شیامن[15] چین پیادهسازی شده است که اندازه آرایه آنتن آن دو برابر (از ۱۹۲ به ۳۸۴ عنصر) شده است. این آزمایش از بهینهسازی پرتو بهصورت تطبیقی استفاده میکند و بهطور هوشمند به تغییرات کانال بیسیم کاربران تطبیق پیدا میکند تا کارایی استفاده از منابع رابط هوایی را بهبود بخشد؛ و از کاهش نویز در دامنه شعاع بالا با رزولوشن بالا برای بهبود کارایی استفاده میکند. مقایسه و بهرهوری عملکرد این نمونهبرداری جدید در شکل 6 و جدول 1 نشان داده شده است. نتایج آزمایش نشان میدهد که در مقایسه با راهحل سنتی، AAU جدید میتواند گذردهی[16] ارسال و دریافت سلول را 30% افزایش دهد.
شکل 6: مقایسه AAU رایج و AAU با معماری جدید با افزایش المانهای آنتن از 192 به 384 [1]
در صورتی که شاخص پوشش سلول در مناطق لبه ثابت بماند، ایستگاه پایه با توان انتقال کمتری پیکربندی میشود و از این طریق مصرف انرژی ایستگاه پایه کاهش مییابد. در مقایسه با AAU سنتی، میزان مصرف انرژی حدود 30% کاهش مییابد [1].
جدول 1: مقایسه نتایج کارایی AAU با معماری جدید نسبت به معماری قدیمی [1]
| New architecture AAU | Traditional AAU | Performance gains |
| UL + 3dB DL + 3dB | Baseline | Coverage |
| 30% ~ 40% | Baseline | DL throughput rate at edge area |
| 40% ~ 60% | Baseline | UL throughput rate at edge area |
| -10% ¯ | Baseline | Power consumption |
نتیجهگیری
در این مقاله، اصول صرفهجویی در مصرف انرژی و فناوریهای کاربردی مانند خاموشی حامل، خاموشی کانال و خاموشی سمبل که از دوران 4G برای شبکههای ارتباطی سیار ارائهشده و برای کاهش مصرف انرژی در 5G نیز استفاده میشوند، بحث شد. همچنین، به بررسی برخی از فناوریهای پیشرفته مانند خواب عمیق و خاموشی تجمیع سمبل که در دوران 5G در حال توسعه هستند، پرداخته شد. بهعنوان نمونهای از کاربردها، در این مقاله دو روش برتر برای راهحلهای هوشمند صرفهجویی در انرژی مبتنی بر هوشمصنوعی ارائه شد. یکی از آنها، راهحل صرفهجویی در انرژی مبتنی بر هوشمصنوعی برای شبکه 4G / 5G است و دیگری، بهرهگیری از معماری جدید AAU با بهینهسازی پرتو مبتنی بر هوشمصنوعی. هر دو این راهحلها میتوانند به دستیابی به شبکه با کارایی بالا و هزینههای عملیاتی پایین کمک کنند.
با جمعآوری مداوم دادهها از شبکههای تجاری، الگوریتم یادگیری ماشین اجازه خواهد داد تا راهحلهای صرفهجویی در انرژی مبتنی بر هوشمصنوعی بهتدریج بهبود یابند. الگوریتم هوشمصنوعی تکامل خواهد یافت تا دستیابی به کارایی بالاتر و استراتژی دقیق در هنگام تغییرات توپولوژی شبکه و مدل ترافیک ممکن شود.
منابع
[1] R. Tan, Y. Shi, Y. Fan, W ZHU and T. WU, “Energy Saving Technologies and Best Practices for 5G Radio Access Network, ” IEEE Access, vol. 10, May, 2022, pp. 51747_2022, doi: 10.1109/ ACCESS.2022.3174089.
[2] Mobile Net Zero: State of the Industry on Climate Action 2021, GSMA, London, U.K., 2021. B Setting Climate Targets: A Step by Step Guide for Mobile Network Operators to Set Science Based Targets, GSMA, London, U.K., 2020.
[3] GHG Emissions Trajectories for the ICT Sector Compatible With the UNFCCC Paris Agreement, document ITU-T L.1470 (01/2020), Recommendation ITU-T, 2020.
[4] A. S. G. Andrae, “New perspectives on internet electricity use in 2030,” Eng. Appl. Sci. Lett., vol. 3, pp. 19_31, Jun. 2020.
[5] Going Green: Benchmarking the Energy Ef_ciency of Mobile, GSMA, London, U.K., 2021. F B. Debaillie, C. Desset, and F. Louagie, “A _exible and future proof power model for cellular base stations, ” in Proc. IEEE 81st Veh. Technol. Conf. (VTC Spring), May 2015, pp. 1_7, doi: 10.1109/VTCSpring.2015.7145603.
[6] Smart Energy Saving of 5G Base Station: Based on AI and Other Emerging Technologies to Forecast and Optimize the Management of 5G Wireless Network Energy Consumption, document FG-AI4EE D.WG3-02, ITU-T Technical Report, 2021.
پینوشت
[1] Groupe Spécial Mobile
[2] 5th generation
[3] Base station
[4] 4th generation
[5] Scheduler
[6] Artificial intelligence
[7] Down-link
[8] Massive MIMO
[9] New radio
[10] Physical resource blocks
[11] Operations management system
[12] Long short-term memory
[13] Chengdu
[14] Acrive antenna system
[15] Xiamen
[16] Throughput
