[论文解读] A Survey on 5G Energy Efficiency: Massive MIMO, Lean Carrier Design, Sleep Modes, and Machine Learning.

David López‐Pérez, Antonio De Domenico+5 more|arXiv (Cornell University)|Jan 27, 2021

Advanced MIMO Systems Optimization参考文献 133被引用 12

一句话总结

本综述全面分析了5G网络中的能效问题，重点关注大规模MIMO、精简载波设计、先进休眠模式以及机器学习的集成。它评估了理论与实际的权衡，为绿色5G部署的最优运行点和关键挑战提供了洞见。

ABSTRACT

Cellular networks have changed the world we are living in, and the fifth generation (5G) of radio technology is expected to further revolutionise our everyday lives, by enabling a high degree of automation, through its larger capacity, massive connectivity, and ultra-reliable low latency communications. In addition, the third generation partnership project (3GPP) new radio (NR) specification also provides tools to significantly decrease the energy consumption and the green house emissions of next generations networks, thus contributing towards information and communication technology (ICT) sustainability targets. In this survey paper, we thoroughly review the state-of-the-art on current energy efficiency research. We first categorise and carefully analyse the different power consumption models and energy efficiency metrics, which have helped to make progress on the understanding of green networks. Then, as a main contribution, we survey in detail -- from a theoretical and a practical viewpoint -- the main energy efficiency enabling features that 3GPP NR provides, together with their main benefits and challenges. Special attention is paid to four key technology features, i.e., massive multiple-input multiple-output (MIMO), lean carrier design, and advanced idle modes, together with the role of artificial intelligence capabilities. We dive into their implementation and operational details, and thoroughly discuss their optimal operation points and theoretical-trade-offs from an energy consumption perspective. This will help the reader to grasp the fundamentals of -- and the status on -- green networking. Finally, the areas of research where more effort is needed to make future networks greener are also discussed.

研究动机与目标

• 分析当前5G网络中的功耗模型与能效度量指标，以支持可持续ICT发展。
• 评估关键5G能效技术（包括大规模MIMO、精简载波设计和先进休眠模式）的理论与实际性能。
• 考察人工智能与机器学习在优化5G网络功能能效方面的角色。
• 识别5G网络组件在能耗方面的最优运行点与固有权衡。
• 突出实现更绿色未来5G及更远期网络所面临的开放研究挑战。

提出的方法

• 系统性回顾与分类现有5G研究中使用的功耗模型与能效度量指标。
• 深入分析3GPP NR规范，以评估节能功能，包括大规模MIMO波束成形与动态资源分配。
• 评估精简载波设计技术，以减少低流量场景下的信令与电路功耗。
• 研究先进空闲与休眠模式（如RRC_INACTIVE、eICIC）以最小化低活动期间的能耗。
• 考察机器学习在预测流量模式与优化传输参数以实现节能方面的应用。
• 综合分析所调研技术在频谱效率、时延与能效之间存在的理论权衡。

实验结果

研究问题

• RQ1 不同的功耗模型与能效度量指标如何影响绿色5G网络的评估？
• RQ2 在5G NR部署中，大规模MIMO可实现的理论与实际节能效果如何？
• RQ3 精简载波设计如何在不损害网络性能的前提下降低能耗？
• RQ4 5G基站中先进休眠模式的最优运行点与权衡关系是什么？
• RQ5 机器学习在提升5G网络功能与资源管理能效方面有哪些应用方式？

主要发现

• 大规模MIMO通过波束成形与空间复用显著提升频谱效率，并降低每比特能耗。
• 精简载波设计通过减少低流量条件下的未使用带宽与控制开销，降低电路与信令功耗。
• 先进休眠模式（如RRC_INACTIVE与动态休眠周期）可在低活动期间将基站能耗降低高达30–50%。
• 机器学习技术在预测流量需求与实现主动节能措施方面展现出潜力，但实时部署仍面临挑战。
• 在超可靠低时延通信（URLLC）场景中，能效与时延之间存在关键权衡。
• 尽管已取得进展，但在标准化能效度量指标以及在异构5G网络部署中集成AI驱动优化方面，仍存在显著研究空白。