[论文解读] Deploying Dense Networks for Maximal Energy Efficiency: Small Cells Meet Massive MIMO

Emil Björnson, Luca Sanguinetti+1 more|arXiv (Cornell University)|May 5, 2015

Advanced MIMO Systems Optimization参考文献 33被引用 9

一句话总结

该论文提出了一种基于随机几何的分析框架，通过联合优化基站（BS）密度、发射功率、天线数量、每小区用户设备数以及导频复用，以优化超密集蜂窝网络中的能量效率（EE）。结果表明，通过利用阵列增益抑制干扰并降低每个用户的能耗，大规模MIMO与小细胞结合可实现最大EE，且在高BS密度下EE增益趋于饱和。

ABSTRACT

How would a cellular network designed for maximal energy efficiency look like? To answer this fundamental question, tools from stochastic geometry are used in this paper to model future cellular networks and obtain a new lower bound on the average uplink spectral efficiency. This enables us to formulate a tractable uplink energy efficiency (EE) maximization problem and solve it analytically with respect to the density of base stations (BSs), the transmit power levels, the number of BS antennas and users per cell, and the pilot reuse factor. The closed-form expressions obtained from this general EE maximization framework provide valuable insights on the interplay between the optimization variables, hardware characteristics, and propagation environment. Small cells are proved to give high EE, but the EE improvement saturates quickly with the BS density. Interestingly, the maximal EE is achieved by also equipping the BSs with multiple antennas and operate in a "massive MIMO" fashion, where the array gain from coherent detection mitigates interference and the multiplexing of many users reduces the energy cost per user.

研究动机与目标

• 解决在数据流量需求持续增长的背景下，设计蜂窝网络以实现最大能量效率的根本挑战。
• 利用随机几何方法对具有小细胞和大规模MIMO的超密集网络进行建模，推导出可处理的能量效率（EE）表达式。
• 联合优化关键网络参数——BS密度、发射功率、天线数量、每小区用户数以及导频复用因子，以实现最大EE。
• 量化硬件特性、传播条件与优化变量之间的相互作用，以实现高EE。
• 为实际部署节能型5G网络提供分析指导。

提出的方法

• 使用泊松点过程（PPP）对蜂窝网络中基站（BS）的随机空间分布进行建模。
• 应用随机几何方法推导上行链路频谱效率的下界，从而实现可处理的能量效率（EE）最大化。
• 通过针对BS密度、发射功率、天线数量、每小区用户数以及导频复用因子的优化，推导出EE的闭式表达式。
• 在PPP框架下，利用典型用户关联模型和典型性论证，对上行链路干扰和信道估计误差进行建模。
• 采用控制收敛定理和矩计算方法，评估PPP中随机距离上的复杂期望值。
• 利用赫尔德不等式和几何概率方法，对干扰项进行界定，并推导出EE的紧致解析边界。

实验结果

研究问题

• RQ1 在小细胞部署中，蜂窝网络的能量效率（EE）如何随基站（BS）密度的增加而变化？
• RQ2 在结合大规模MIMO与小细胞时，每BS的最优天线数量是多少，以实现最大EE？
• RQ3 每小区用户数和导频复用因子如何影响密集网络中可实现的EE？
• RQ4 与传统MIMO相比，大规模MIMO在超密集部署中能将每个用户的能耗成本降低多少？
• RQ5 随着BS密度的增加，小细胞带来的EE提升是否会趋于饱和？如果是，原因是什么？

主要发现

• 小细胞显著提升了能量效率，但由于电路功耗随BS密度增加而上升，EE增益会迅速趋于饱和。
• 部署大规模MIMO（每BS使用100多个天线）可通过利用阵列增益抑制干扰并降低辐射功率，实现最大EE。
• 最优配置通过平衡大规模MIMO带来的频谱效率增益与密集硬件部署带来的电路功耗成本，实现最大EE。
• 推导出的闭式表达式表明，当每小区用户数与天线数成正比时，EE达到最大值，从而实现高效的多用户复用。
• EE指标在有限的BS密度下达到最大值，表明仅靠网络超密集化并不能在某一点之后持续提升EE。
• 分析表明，导频污染和邻小区干扰限制了EE增益，但这些影响可通过大规模MIMO波束成形和最优导频复用得到缓解。