Energy-Efficient IRS-Assisted Green Cellular Networks With Ground Base Station Sleep Mode

Technische Samenvatting: Energie-efficiënt IRS-ondersteund Groen Cellulair Netwerk met Grondstation Slaapmodus

Probleemformulering
Dit onderzoek adresseert de uitdaging om de energie-efficiëntie (EE) te maximaliseren in beyond-fifth-generation (B5G) en sixth-generation (6G) draadloze netwerken. Het specifieke scenario betreft een downlink cellulair netwerk dat drie kerncomponenten integreert: Grondstations (GBS'en), een enkel Luchtbasisstation (ABS) en Intelligent Reflecting Surfaces (IRS'en). Het kernprobleem ontstaat uit de noodzaak om energiebesparing te balanceren met de eisen voor de Quality of Service (QoS). Hoewel slaapmodi voor GBS'en het statische stroomverbruik verminderen, kunnen ze dekingsgaten creëren en de prestaties verslechteren, met name voor gebruikers aan de rand van de cel. Daartegenover staan ABS'en die flexibele dekking bieden, maar platformenergiekosten introduceren (bijv. zweven), en IRS'en die de signaalvoortplanting verbeteren, maar gezamenlijke optimalisatie van faseverschuivingen vereisen.

De auteurs formuleren dit als een gemengd integer niet-convex optimalisatieprobleem. Het doel is om de ratio van de totale netwerkdoorvoer ten opzichte van het totale stroomverbruik te maximaliseren. De optimalisatievariabelen omvatmen:

• Discrete variabelen: GBS-activatiestanden (slaap/actief) en gebruikersassociatie (welke zender dient welke gebruiker op welk subkanaal).
• Continue variabelen: Transmissiestroomverdeling voor GBS'en en de ABS, de horizontale positionering van de ABS, en de faseverschuivingen van IRS-elementen.

Het probleem wordt beperkt door stroombudgetten, QoS-eisen (minimale datasnelheid), unit-modulus restricties voor IRS-elementen, en de expliciete modellering van co-kanaal interferentie tussen actieve terrestrische en lucht-transmitters. De niet-convexe aard van het probleem, gedreven door fractionale doelstellingen, binaire variabelen en gekoppelde interferentietermen, maakt conventionele optimalisatiemethoden computationeel onuitvoerbaar.

Methodologie
Om dit complexe optimalisatieprobleem op te lossen, stellen de auteurs een Hybrid Deep Reinforcement Learning (DRL) framework voor. Deze aanpak deelt de beslissingsruimte op in discrete en continue componenten, waarbij gebruik wordt gemaakt van de sterke punten van twee verschillende algoritmen:

1. Double Deep Q-Learning (DDQL): Wordt gebruikt voor discrete besluitvormingstaken. Specifiek bepaalt de DDQL-agent de GBS slaapmodus indicatoren ($\alpha_m$) en gebruikersassociatie variabelen ($\beta_{k,m,l}, \beta_{k,a,l}$). Deze module leert de optimale netwerktopologie en activatiepatronen om onnodig energieverbruik te minimaliseren terwijl de dekking behouden blijft.
2. Deep Deterministic Policy Gradient (DDPG): Wordt gebruikt om continue controlevariabelen te optimaliseren. De DDPG-agent past de horizontale positie van de ABS aan, de transmissiestroomverdeling voor zowel grond- als luchtnodes, en de IRS-faseverschuivingsmatrices. Deze module past zich aan dynamische kanaalcondities en interferentiepatronen aan.

Het systeem wordt gemodelleerd als een Markov Beslissingsproces (MDP). De toestandsruimte omvat kanaaltoestandsinformatie (CSI), huidige GBS-activiteit, gebruikersassociaties, stroomniveaus, ABS-positie en IRS-configuraties. De beloningsfunctie is ontworpen om de energie-efficiëntie te maximaliseren, terwijl er boetes worden opgelegd voor QoS-schendingen (gebruikers die niet aan de minimale snelheid voldoen) en schendingen van restricties (bijv. stroomlimieten).

Belangrijkste Bijdragen
Het artikel zet de volgende specifieke bijdragen uiteen:

• Framework Ontwikkeling: Het ontwerp van een energie-efficiënt netwerkframework dat de ondersteuning van IRS, ABS-mobiliteit en GBS-slaapmodi gezamenlijk integreert.
• Interferentie-bewuste Modellering: De creatie van een systeemmodel dat expliciet rekening houdt met co-kanaal interferentie tussen terrestrische en luchttransmissies binnen een orthogonale bronallocatie.
• Optimalisatie Formulering: De formulering van een gemengd integer niet-convex probleem dat slaapindicatoren, gebruikersassociatie, vermogen, positionering en faseverschuivingen gezamenlijk optimaliseert.
• Hybride Algoritme: Het voorstel van een hybride DRL-oplossing die DDQL en DDPG combineert om efficiënt door de hoogdimensionale, gemengde variabele beslissingsruimte te navigeren.
• Prestatie Validatie: Demonstratie dat het voorgestelde aanpak de energie-efficiëntie verbetert terwijl het QoS-restricties waarborgt, waarbij conventionele benchmarks worden overtroffen.

Numerieke Resultaten
Het voorgestelde framework werd geëvalueerd via numerieke simulaties met 3 GBS'en, 6 gebruikers en 2 IRS'en binnen een straal van 500 meter. De resultaten werden vergeleken met drie benchmark-schema's: een systeem zonder IRS'en, een systeem zonder ABS, en een systeem waarbij alle GBS'en actief blijven (geen slaapmodus).

• Convergentie: Het hybride DRL-framework vertoonde stabiele convergentie, waarbij de energie-efficiëntie toenam van ongeveer $3 \times 10^6$ bit/J naar tussen de $5,5$ en $6,5 \times 10^6$ bit/J na training.
• Trade-offs: Het systeem slaagde erin een dubbele verbetering te realiseren: het verhogen van de gemiddelde gebruikersdatasnelheid terwijl tegelijkertijd het totale stroomverbruik werd verminderd.
• Effectiviteit van de Slaapmodus: Het geleerde beleid verminderde progressief het aantal actieve GBS'en over de trainings-episoden. De resultaten geven aan dat IRS-ondersteunde verbindingen en ABS-ondersteuning ervoor zorgen dat het netwerk de QoS kan handhaven, zelfs met minder actieve grondstations.
• Vergelijkende Prestaties: De voorgestelde methode behaalde de hoogste energie-efficiëntie van alle vergeleken schema's. Het prestatieverschil met de "No-IRS" en "No-ABS" baselines benadrukte de specifieke voordelen van signaalreflectieversterking en respectievelijk de flexibiliteit van de luchtcomponent.

Betekenis en Claims
Het artikel claimt dat de integratie van ABS-flexibiliteit, IRS-ondersteunde voortplanting en intelligente slaapmodus-controle een zeer efficiënte en adaptieve netwerkoperatie mogelijk maakt. De auteurs stellen dat hun hybride DRL-aanpak een veelbelovende oplossing biedt voor het aanpakken van energie-efficiëntie-uitdagingen in toekomstige draadloze netwerken door effectief de balans te vinden tussen dekking, interferentiebeheer en energieverbruik. De studie concludeert dat het voorgestelde framework de energie-efficiëntie aanzienlijk verbetert vergeleken met schema's die geen IRS-ondersteuning, ABS-ondersteuning of slaapmodus-optimalisatie hebben, zonder de gebruikersdatasnelheden in gevaar te brengen.

De auteurs houden een bescheiden reikwijdte aan met betrekking tot toekomstig werk, waarbij zij opmerken dat toekomstige onderzoeksrichtingen onder meer het uitbreiden van het framework naar scenario's met meerdere ABS'en, dynamische IRS-implementatiestrategieën en meer realistische mobiliteits- en verkeersmodellen omvatten.