基於效用的綠色蜂窩網路再生能源分配策略

1. 緒論

無線數據需求的爆炸性成長，導致蜂窩網路的能源消耗與碳排放量顯著增加。本文旨在解決以再生能源（例如太陽能、風能）為這些網路供電的挑戰，這些能源本質上具有間歇性與不均勻性。核心問題在於如何在正交分頻多工存取（OFDMA）蜂窩網路中，有效地將有限的可收集再生能源分配給用戶。所提出的策略獨特地整合了三個關鍵因素：總可用再生能源、個別用戶的服務品質（QoS）要求，以及即時通道品質。目標是在能源限制下，最大化一個量化用戶滿意度的全網路效用函數。這項工作定位於「綠色通訊」典範之內，超越了純粹的能源效率，邁向可持續性的智慧資源管理。

2. 系統模型與問題描述

2.1 網路與能源模型

我們考慮一個單一蜂巢的OFDMA網路，其中一個基地台（BS）由混合能源供電：傳統電網與現場再生能源收集器（例如太陽能板）。該基地台服務K個用戶。再生能源間歇性地到達，並儲存在一個容量有限的電池中。在給定時間槽內可供分配的再生能源表示為 $E_{total}$。用戶 $k$ 的通道增益為 $h_k$，其隨時間變化。

2.2 效用函數與服務品質

此策略的基石是效用函數 $U_k(e_k)$，它將分配給用戶 $k$ 的再生能源量 $e_k$ 映射到該用戶滿意度的度量。此函數旨在反映用戶的QoS要求。例如，一個對延遲敏感的用戶（例如視訊串流）可能具有急遽增加並快速飽和的效用，而一個盡力而為的用戶（例如檔案下載）可能具有更線性的效用。聚合的網路效用為 $U_{sum} = \sum_{k=1}^{K} U_k(e_k)$。

2.3 最佳化問題

能源分配問題被描述為一個受限最佳化問題： $$\max_{\{e_k\}} \sum_{k=1}^{K} U_k(e_k)$$ 受限於： $$\sum_{k=1}^{K} e_k \leq E_{total}$$ $$e_k \geq 0, \quad \forall k \in \{1,...,K\}$$ $$R_k(e_k, h_k) \geq R_{k}^{min}, \quad \forall k$$ 其中 $R_k$ 是用戶 $k$ 的可實現資料速率（分配能源 $e_k$ 和通道增益 $h_k$ 的函數），而 $R_{k}^{min}$ 是滿足其QoS所需的最低速率。

3. 提出的能源分配演算法

3.1 啟發式演算法設計

考慮到問題的非凸性與組合性質（特別是在OFDMA中離散子載波分配的情況下），作者提出了一種低複雜度的啟發式演算法。該演算法以類似貪婪的方式運作：

用戶優先順序排序：根據一個結合了通道品質（$h_k$）和每單位能源的邊際效用增益（$\Delta U_k / \Delta e_k$）的綜合指標對用戶進行排名。
迭代分配：從最高優先順序的用戶開始，以離散步驟分配能源，直到其效用增益遞減或其QoS得到滿足。
限制條件檢查：每次分配後，檢查總能源限制 $E_{total}$。如果還有剩餘能源，則繼續處理下一個用戶。
終止：當 $E_{total}$ 耗盡或所有用戶都已被服務時，演算法停止。

這種方法確保在能源稀缺的情況下，首先服務具有優良通道條件（高能源效率）的用戶，以最大化整體效用。

3.2 演算法複雜度

由於初始需要對K個用戶進行排序，隨後進行線性分配，因此演算法的複雜度為 $O(K \log K)$。這使其具有高度可擴展性，適合在網路控制器中即時實現，與相關文獻（如[8]）中提出的複雜動態規劃或凸最佳化解決方案形成對比。

4. 數值結果與效能評估

4.1 模擬設定

透過模擬評估效能。關鍵參數包括：蜂巢半徑500公尺，20-50個隨機分佈的用戶，瑞利衰落通道，以及不同水準的總再生能源 $E_{total}$。效用函數定義為即時流量的S型函數和盡力而為流量的對數函數，與網路經濟學中使用的模型一致。

4.2 結果分析

結果展示了兩種關鍵行為：

能源稀缺狀態：當 $E_{total}$ 非常低時，演算法幾乎將能源完全分配給通道增益最佳的用戶。這犧牲了公平性，但最大限度地提高了總效用和網路效率，因為服務通道條件差的用戶會浪費寶貴的能源。
能源充足狀態：隨著 $E_{total}$ 增加，演算法開始滿足更多用戶的QoS需求，包括那些通道品質中等的用戶。一旦所有用戶的核心QoS需求得到滿足，聚合效用便會增加並趨於飽和。

結果顯示，所提出的策略在總效用方面顯著優於基準的等量能源分配方案，特別是在能源稀缺的情況下。一個關鍵圖表將繪製總網路效用 vs. 總可用再生能源，比較所提出的啟發式演算法與等量分配基準以及理論上限。

5. 核心洞見與分析師觀點

核心洞見：本文的根本貢獻在於將再生能源分配從一個純粹的吞吐量最大化問題，重新定義為一個效用驅動、QoS感知的資源經濟學問題。它承認在綠色網路中，能源不僅是成本，更是主要的稀缺商品。真正的創新在於將分配直接與用戶感知的滿意度（效用）掛鉤，並根據物理現實（通道狀態）進行調節，為網路營運商創造了一個更全面、更務實的控制手段。

邏輯流程：論證是合理的：1) 再生能源是有限且間歇的。2) 用戶需求是異質的。3) 因此，需要一種同時考慮供給（能源、通道）和需求（QoS）的智慧分配。4) 效用函數優雅地量化了這種權衡。5) 低複雜度的啟發式演算法使其具有實用性。從問題定義到解決方案的流程連貫一致，並解決了先前工作中常被忽略的多元QoS要求這一明顯缺口，正如作者正確指出的那樣。

優點與缺點： 優點： 效用理論的整合非常有力，並很好地借鑒了網路經濟學。啟發式演算法很務實——它承認在即時網路控制中，一個良好、快速的解決方案勝過一個完美但緩慢的方案。對QoS差異化的關注對於充滿物聯網、視訊和關鍵任務流量的現代網路至關重要。 缺點： 模型有些簡化。它假設單一蜂巢，忽略了透過智慧電網實現蜂巢間能源協作的潛力——這是其他人（如Zhou等人在《IEEE Transactions on Wireless Communications》發表的「Energy Cooperation in Cellular Networks with Renewable Powered Base Stations」）探索的一個有前景的領域。效用函數被假定為已知；實際上，為每種服務類型定義和學習這些函數是一項不小的挑戰。本文也缺乏穩健的公平性分析；在稀缺情況下「犧牲通道條件差的用戶」的策略可能對服務等級協定造成問題。

可執行的洞見： 對於電信營運商而言，這項研究為軟體定義的能源控制器提供了藍圖，這在5G-Advanced和6G網路中至關重要。立即的步驟是在具有真實太陽能/風能資料的測試平台上對該演算法進行原型設計。此外，營運商應開始將其流量分類為不同的效用等級。對於研究人員來說，下一步很明確：1) 納入多蜂巢協調與能源共享。2) 整合機器學習，從用戶體驗資料中動態學習效用函數。3) 擴展模型以包含能源儲存退化成本。這項工作類似於「cycleGAN」透過引入循環一致性在圖像到圖像轉換領域帶來的基礎性轉變，為一類新的綠色資源分配問題引入了一個一致的框架（效用 + 限制條件）。

6. 技術細節與數學公式

核心最佳化問題在第2.3節中定義。用戶在OFDMA子載波上的可實現速率 $R_k$ 通常由下式給出： $$R_k = B \log_2 \left(1 + \frac{e_k \cdot h_k}{N_0 B}\right)$$ 其中 $B$ 是資源區塊的頻寬，$N_0$ 是雜訊功率譜密度。對延遲受限服務的效用函數可以建模為S型函數： $$U_k(e_k) = \frac{1}{1 + \exp(-a(R_k(e_k) - b))}$$ 其中參數 $a$ 和 $b$ 控制函數的陡峭度和中心點，反映了QoS門檻。對於彈性流量，通常使用凹對數函數 $U_k(e_k) = \ln(1 + R_k(e_k))$。

7. 分析框架：範例案例

情境： 一個基地台有5個用戶和 $E_{total} = 10$ 單位的再生能源。

用戶1（視訊通話）： QoS：$R_{min}=2$ Mbps，通道：極佳（$h_1$ 高），效用：S型。
用戶2（檔案下載）： QoS：無，通道：良好，效用：對數型。
用戶3（物聯網感測器）： QoS：$R_{min}=0.1$ Mbps，通道：差（$h_3$ 低），效用：類階梯型。
用戶4 & 5： 類似的混合設定檔。

演算法執行：

計算每個用戶的優先順序分數（例如，$h_k \times (\text{邊際效用})$）。
對用戶排序：假設順序為用戶1、用戶2、用戶4、用戶5、用戶3。
分配給用戶1直到其視訊QoS得到滿足（成本：3單位）。效用急遽上升。
分配給用戶2。每單位能源提供不錯的效用增益。分配4單位。
剩餘能源 = 3單位。分配給用戶4以部分滿足其需求（成本：3單位）。
能源耗盡。用戶5和用戶3（通道條件差）獲得零分配。

結果： 透過首先滿足高優先順序、高效率的用戶，總效用得以最大化。用戶3被犧牲——這是該策略在稀缺情況下的明確權衡。

8. 應用展望與未來方向

短期（1-3年）： 整合到宏觀和微型基地台的網路能源管理系統（EMS）中。這對於主要依賴再生能源供電的離網或農村部署尤其相關，正如GSM協會的「Green Power for Mobile」計畫所記錄的專案。

中期（3-5年）： 成為6G願景中整合感知、通訊與能源的核心。網路不僅將消耗能源，還將管理和分配能源。此演算法可能演進為控制對物聯網設備的無線電力傳輸，或管理來自行動網路基礎設施的車輛到電網（V2G）能源流。

未來研究方向：

AI/ML整合： 使用深度強化學習（DRL）在高度動態的環境中學習最佳分配策略，無需預先定義的效用模型。
多資源聯合分配： 在統一框架中聯合最佳化頻譜、時間和能源資源。
基於市場的機制： 在網路內實施即時能源市場，用戶/代理根據其需求競標再生能源，靈感來自基於區塊鏈的微電網概念。
標準化： 推動開放式無線接取網路（O-RAN）架構中能源感知控制介面的標準化，允許第三方能源管理應用程式（xApps）。

通訊網路與能源電網的融合，通常稱為「能源互聯網」，將使此類演算法變得不可或缺。

9. 參考文獻

國際能源署（IEA）。「資料中心與資料傳輸網路。」《IEA報告》，2022年。[線上]。可取得：https://www.iea.org/reports/data-centres-and-data-transmission-networks
Z. Zhou 等人，「Energy Cooperation in Cellular Networks with Renewable Powered Base Stations,」《IEEE Transactions on Wireless Communications》，第13卷，第12期，第6996-7010頁，2014年12月。
GSMA。「Green Power for Mobile: The Global M2M Association on Sustainability.」GSMA，2021年。
O. Ozel 等人，「Transmission with Energy Harvesting Nodes in Fading Wireless Channels: Optimal Policies,」《IEEE Journal on Selected Areas in Communications》，第29卷，第8期，第1732-1743頁，2011年9月。（在PDF中引用為[8]）
J. Zhu 等人，「Toward a 6G AI-Native Air Interface,」《IEEE Communications Magazine》，第61卷，第5期，第50-56頁，2023年5月。
J.-Y. Zhu, T. Park, P. Isola, A. A. Efros. 「Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks.」《IEEE International Conference on Computer Vision (ICCV)》，2017年。（作為基礎框架轉變的範例引用）。

目錄