1 引言

在未来的5G网络中，网络吞吐量将提高近1 000倍，网络密集化是解决网络吞吐量问题的有效途径之一[1,2]，可通过部署大量低功率基站来达到改善系统容量和实现无缝覆盖的目的，这也意味着部署密集的基站将会带来巨大的能源损耗[3,4]。参考文献[5]的研究表明，移动网络的能耗60%～80%来自基站单元的消耗，参考文献[6]研究表明，在一天之内，网络内30%～45%基站负载低于峰值的 10%，很大部分基站在绝大多数时间内都没有得到充分利用。因此，如何提高基站能效成为绿色通信的研究热点。

目前，基站休眠技术被认为是解决网络能耗问题的最有效方法之一，主要分为分布式基站休眠和集中式基站休眠[7,8]。分布式休眠算法通常基于预设的阈值判断基站是否需要休眠[9]。该算法仅考虑自身和相邻基站的运行情况，算法复杂度较低，但一般只能实现网络局部优化，无法获得整体网络能效的提高。集中式休眠算法通过集中式管控模块收集网络中全部基站的负载信息，从全网络的角度出发实施休眠算法，使整体网络达到能效最优状态。相对而言，集中式休眠算法网络能效优于分布式休眠算法，但算法复杂度较高[10]。在针对集中式休眠算法的研究中，参考文献[11]提出了一种启发式集中休眠算法，该算法通过SON（self organization network，自组织网络）服务器收集网络中所有基站的运行状态信息并计算所有基站的能效，尽量关闭能效小的基站。但该算法需要遍历网络所有基站，对于基站部署数量庞大的密集异构网络而言，算法的复杂度太大。同时，参考文献[11]中又提出了循环渐进式集中式休眠算法，该算法将开启的基站按照能效大小分为高低能效两组，根据测试低能效组中基站关闭的比例来判断是否进行下一组的关闭测试，避免遍历网络中所有基站。但是在算法的执行过程中，用户的转移造成相邻基站能效的变化，SON服务器不能及时更新基站能效的排序，从而影响分组后能效排序的准确性，使得本组关闭基站的比例降低，可能致使下一组测试无法进行，网络的能效无法得到全面的优化。参考文献[12]提出了分簇的集中式基站休眠算法，在算法执行过程中，关闭一个基站的前后，网络都要进行簇的能效对比和更新，对于密集异构网络来说，网络信令负担严重，算法效率低。参考文献[13,14]提出了一种根据基站业务量判断并执行关闭一定比例活动基站的休眠算法，在保证邻近小区可以接受其业务量转移的前提下，关闭业务量低的基站。然而，该算法并没有考虑到用户的实际位置对用户成功转移的影响，可能造成部分业务量低的基站无法休眠。

安装AIS后，船舶可以从VHF能够覆盖的海域内识别对方（国际营运船舶，强制要求安装AIS，国内营运船舶目前也大多安装了AIS）的船型、船长、吃水、船名、呼号、航向、航速、船籍港等。对国际营运船舶而言，从公海上识别对方船舶信息是非常重要的。如果国际营运船舶在2004年7月1日后未安装AIS，那么就有嫌疑是海盗船，船舶就要作好应对措施并和主管机关方联系。

针对上述问题，本文提出了基于非邻区关系分簇的集中式基站休眠算法。该算法首先对不具有用户直接相互切换关系的基站进行分簇，使得簇内的基站能效变化互不影响，减少集中管理模块统计和更新基站能效信息的频率，降低网络信令负担。然后，在每个簇内建立潜在休眠基站的判决机制，减少算法执行过程中不必要基站的测试，有效降低运算复杂度；同时，根据用户到基站的距离，设置基站运行模式的判决机制，合理转移用户，避免出现连续多个相邻低能效基站间用户相互转移，造成低能效基站无法关闭而浪费能源的情况。最后，所有簇依次执行簇内的判决机制，经过多次准确的基站能效排序、合理用户转移以及基站运行模式的选择，可以关闭更多低能效的基站，同时也降低了出现连续多个相邻基站休眠的可能性，分散化基站休眠带来的覆盖漏洞，避免网络拥塞率的提高。

然而，我们似乎应当在惊恐中保持一份冷静，向上述逻辑推理的起点回溯，就法律监督是否影响审判机关在民事诉讼中的独立地位作出事实上的判断而不仅仅是依靠理论的推演。只要查阅一下抗诉案件维持原审结果的裁判文书，就能知晓检察机关对民事诉讼的法律监督主要是程序上的启动权。如果一定要说法律监督会对审判机关在民事诉讼中的审判造成影响，那么这种影响主要体现在抗诉案件裁判文书说理性的增强，而裁判文书的说理恰恰是对个案公正的论证，与审判独立的目标相契合。

2 系统模型

2.1 网络架构

考虑有M个宏蜂窝形成基本覆盖的异构网络模型，其中，以每个宏基站为中心，形成理想的六边形的覆盖宏小区，如图1所示。每个宏小区通过宏基站配置的定向天线划分为3个宏扇区。在每个宏小区内，高密度地部署低功耗的小蜂窝，这些小蜂窝均配置全向天线，无扇区划分，同时采用开放式用户接入方式，允许覆盖范围内的所有用户接入。

图1 系统场景模型

2.2 接入模型

假设在业务强度周期性变化的网络中，将用户到达建模成一个强度为λ(t)的泊松随机过程，λ(t)是一个周期T=24 h的变量[15]：

基站的输出功率和基站的功耗之间存在线性关系，参考文献[13]给出了其功耗模型：

基于LTE下行传输信道模型，带宽B被分为NRB个资源模块，每个RB（resource block，资源块）在某一时刻只能被一个用户占用。宏扇区m服务用户mk的用户速率计算式为：

其中，IRB,mk,m表示第 m个宏扇区分配给用户 mk的RB集合，BRB表示一个RB的带宽，表示用户mk在宏扇区m的第i个RB上接收的信干噪比。

三生，佛家指前生、今生、来生。幸，幸运。合为成语，三生都幸福，那是极大的幸运，如“久闻先生大名，今日得睹尊颜，三生有幸”。

小蜂窝覆盖形成的第 f个小小区服务用户 fk的用户速率计算式为：

步骤4 从列表集合L中选取邻区基站数最大值对应的小蜂窝标记为 1，独立的小蜂窝也标记为1。标记后将该基站在列表集合L中的排序删除。

其实江大亮跑到对面的布拉格维申斯克经商做买卖并不是心血来潮，大凡在黑河市做生意的都有长期护照，时不时的跑到人家的城市里观观光，撒撒野，是常有的事儿，就像是家常便饭一样。人啊，真是没有时不好说，过去老实巴脚的江大亮，在黑河做了几年生意后心也活泛了，到那边看看艳舞，到赌城里过把瘾，找个模特般的俄罗斯美女开开荤，江大亮也不是没干过，更何况肖点点的表姐早在两年前就跑到那里做生意了，江大亮在肖点点表姐的店里考察了十多天，这一考察不要紧，真就让他动心了，那边的生意比咱们这边好做得多，除了房租贵一点外，什么各种收费，什么行政管理部门都比咱们这里少得多，江大亮一咬牙一跺脚就跑到布拉格维申斯克了。

2.3 能效模型

其中，A表示控制业务强度变化曲线幅度的参数，B表示控制业务强度变化曲线峰值位置的角度参数，C表示业务强度变化曲线的常数项，b∈{1,3}表示用户调节业务强度变化曲线的梯度。设定参数 A=19，B = -11/12，C=1，b=1[16]。

其中，P0是非休眠状态下每根天线的最小输出功率，Pout表示满足用户需求的功率，ΔP是与负载相关的功耗的斜率, NTRX是基站的发射天线数,Psleep表示基站休眠状态下的功率。

小蜂窝分簇后，为进一步降低算法的复杂度，减少不必要的基站测试，本节建立了一个潜在休眠基站判决机制。考虑到网络整体能效主要受部分低能效基站的影响，因此，可把每个簇内基站能效的均值作为阈值，集中测试能效值小于的小蜂窝。根据式（6）、式（7）判断潜在休眠基站。

步骤2 集合A中每个小蜂窝根据收集到的信息计算与其他小蜂窝之间的距离，若距离小于给定的阈值d（d=2D，D表示小蜂窝的覆盖半径），则认为两个小蜂窝相邻，并更新集合Bn。

3 基于非邻区关系分簇的集中式基站休眠算法

在解决网络能耗优化问题的过程中，贪婪算法能够得到网络能效的最优解，但随着基站数量的增加，贪婪算法的复杂度会非常高甚至无法计算。在采用邻区关系分簇或者基站能效排序的算法时，由于用户在算法执行过程中的转移，造成基站能效排序不准确。此时，对于不能及时更新能效排序的网络，部分低能效基站无法关闭，而对于频繁更新能效排序的网络，无疑增加了网络信令负担。因此，本文提出了一种适用于密集异构网络的基于非邻区关系分簇的集中式基站休眠算法。该算法首先基于非邻区关系准则，将不存在用户直接相互切换关系的低功率基站分为一簇，然后根据每簇内基站能效均值以及用户和基站的位置关系，分别建立潜在休眠基站判决机制和基站运行模式判决机制，最后所有簇依次执行簇内判决机制。

3.1 基于非邻区关系的分簇算法

为将不具有邻区关系的小蜂窝分为一簇，首先需要对所有小蜂窝做不同的标记，区分相互关系属性。在标记过程中可以根据网络的规模选择多种标记方式，由于过多种类的标记会影响算法的复杂度及运算时间，因此，在小范围的网络中，可以根据小蜂窝邻区个数的奇偶性，选择至多4种编号标记的方式，将所有存在邻区关系的小蜂窝做不同的标记，然后将相同标记的小蜂窝分为一簇，达到非邻区关系分簇的目的。

根据小蜂窝邻区的个数，首先将邻区个数最多的小蜂窝和独立的小蜂窝标记为1，然后根据邻区个数的奇偶性，加以区分标记。当邻区个数为偶数时，只需要两种数字即可将它们分开，即2、3；当邻区个数为奇数，等于或者大于3时，则需要3种数字标记，即2、3、4；对于只存在一个邻区的基站，一种数字标记即可，如图2所示。

图2 小蜂窝邻区关系的标记情况

所有小蜂窝标记完成后，将相同标记编号的小蜂窝分为一簇。具体的分簇步骤如下。

本研究利用赫芬达尔指数、地理集中指数分析亲子游网络关注度的空间集聚程度，并利用百度指数自定义时间段功能和地区筛选功能，统计2013—2016年全国31个省市自治区亲子游网络关注度，分析亲子游网络关注度的规模位序变化。

其中，Mk表示第k个小蜂窝服务用户的集合，表示第k个小蜂窝服务的第m个用户的速率表示第k个小蜂窝的功耗。

当系统发生短路故障时，切断变压器的二次侧电流，停止磁通补偿，此时接入到电网中的变压器阻抗为一次侧阻抗和励磁阻抗。由于励磁阻抗较大，可以在发生短路故障时限制短路电流大小。变压器的等效模型如图3所示。

步骤3 集合A中，每个小蜂窝计算自己邻区的个数，更新|Bn|，将|Bn|按照递减顺序排列，形成列表集合L。

其中，表示第 f个小小区分配给用户 fk的RB集合， γ f k ,i, f 表示用户fk在小小区的第i个 RB上接收信号的信干噪比。

步骤5 对标记为1的小蜂窝对应的Bn中的基站进行标记，相邻的小蜂窝大致成环状分布。依次对相邻基站每隔一个小蜂窝做相同的标记：当邻区个数为偶数时，做232323标记；当为奇数时，做234234标记。

步骤 6 将已标记小蜂窝对应的排序从列表集合L中删除。

步骤7 若列表集合L不为空集，返回步骤4；若为空集，转入步骤8。

步骤8 集合A中的基站全部标记完成后，按照基站的标记编号进行分簇。相同标记编号的分为一簇，即簇1、簇2、簇3、簇4。

3.2 基于簇内判决机制的休眠算法

定义第 k个小蜂窝的能效为该基站的吞吐量和基站的功耗的比值，具体计算式为：

第三，我们还有承前启后、继往开来的社会主义先进文化。社会主义先进文化是对中华民族优秀传统文化和红色革命文化的继承和发展，是以马克思主义为指导创造的新型文化成果。社会主义先进文化的核心是中国特色社会主义的共同理想、以爱国主义为核心的民族精神和以改革创新为核心的时代精神，以及社会主义荣辱观。在短短几十年的社会主义实践中，我们创造了属于自己的中国道路、中国模式、中国奇迹，这说明社会主义先进文化是一种有生命力的文化，是一种体现了人类文明发展进步方向的文化。

在潜在休眠基站尝试休眠的过程中，用户在基站覆盖范围内的分布位置对基站能否顺利休眠起到决定性作用，因此，需要根据用户的实际位置合理地选择基站运行模式。对于靠近周边邻区基站的用户，可以根据实际情况转移到周边邻区基站，但对于集中在基站中心附近的用户，成功转移到周边邻区基站的可能性较低，参考文献[12]中算法是继续保持该基站的工作状态，这样就产生了能源的浪费。参考文献[13]算法是将这些用户转移到室外的宏基站服务，由于存在墙壁遮挡和距离宏基站较远等问题，一般宏基站的信号质量在室内不太理想，用户转移成功率和基站关闭率都不高，即使转移成功，由于信道质量较低，用户占用较多的信道资源，提高了网络拥塞率。因此，给出了基站运行模式的判决机制，根据用户在小蜂窝覆盖范围内的位置来判定基站是休眠还是进行功率收缩，合理地安排和转移用户。由于小蜂窝为低功率基站，不适合采用多级调节发射功率情况，因此，在基站选择收缩功率模式时，发射功率降为原来的一半。

（2018文数19，12分）某家庭记录了未使用节水龙头50天的日用水量数据（单位：m3）和使用了节水龙头50天的日用水量数据，得到频数分布表如下：

基站分成4个簇后，在每个簇内执行判决机制的具体步骤如下。

步骤1 根据SON收集簇内基站服务状态信息，计算簇内所有基站的能效值ηk并得到能效均值。

步骤 2 集合T表示簇内能效值小于能效均值（ηk≤）的所有小蜂窝的集合，将集合T内基站按照能效值递减序列排序。将集合T内能效值最大的基站表示为 tmax，统计 tmax内所有用户到基站的距离并求出距离均值，D为 tmax的最大覆盖半径。

步骤1 初始化。集合A表示所有的小蜂窝组成的集合，集合Bn表示第n个小蜂窝相邻基站组成的集合，初始化为空集，|Bn|表示第n个小蜂窝相邻的基站的个数。

步骤 3 若≤D/2，则判定tmax内的用户主要集中在基站附近，基站选择收缩功率模式。同时，尝试将距离 tmax较远的用户转移到邻近的小蜂窝或宏蜂窝。若成功转移，基站可以进入收缩功率模式，更新集合T，T=T-{tmax}，若不成功，则基站保持原先的运行模式，更新集合元素，T=T-{tmax}。

步骤4 若＞D/2，则判定tmax内的用户主要集中在基站外围，基站选择休眠模式，同时，尝试将距离 tmax较近的用户转移到宏蜂窝，较远的用户转移到邻近小蜂窝，若成功转移，基站可以进入休眠模式，更新集合元素，T=T-{tmax}，若不成功，则基站保持原先的运行模式，更新集合元素，T=T-{tmax}。

1、鸡蛋从外面打破的是食物，从里面打破的是生命。2、人生就像烙饼，得翻够了回合才能成熟。3、喝醉，从来就不是酒精的罪过，而是感情的度数太高。4、书到用时方恨少，肉遇减肥才嫌多。5、胖子的心里，要有多难瘦就有多难受。6、把漂亮当资本那是愚蠢，把漂亮当能源那是智慧。

步骤5 若集合T不是空集，则返回步骤2。

呈脉状产于早白垩世新县二长花岗岩内，为浸染(星点)状辉钼矿，地表出露长度为142 m，厚度1.26～4.11 m，产状310°∠69°。矿体地表露头较好，沿走向有收缩的现象。矿石金属矿物主要有辉钼矿、褐铁矿、黄铁矿、钼华；蚀变主要为硅化；脉石矿物主要为二长花岗岩及碎裂石英岩。围岩为二长花岗岩，矿体与围岩界线不明显，沿矿体两侧围岩产生钾化、硅化蚀变，矿石钼品位0.036%～0.053%，平均品位0.050%。

步骤 6 若集合 T为空集，则转入任意一个簇执行步骤1～步骤5。

观察组在对照组基础上联合三七皂苷成分为主的三七通舒胶囊（成都华神集团股份有限公司制药厂生产，国药准字Z20030109，规格200 mg，药品批号20160216）200 mg/次，3次/d，连续治疗6个月后观察治疗效果。

直到所有簇依次执行完上述判决机制，算法结束，并等待下一次执行算法的时间到来。在每个簇内的判决机制的流程如图3所示。

4 仿真结果和分析

为了更好地评估基于非邻区关系分簇的集中式基站休眠算法的性能，本节将与贪婪休眠算法和邻区关系的休眠算法进行比较，参与对比的性能包括：基站的平均开启数、网络能效、网络的拥塞率以及算法的运行时间。

本节搭建的密集异构网络中含有7个宏蜂窝，每个宏扇区内均匀随机分布着100个小蜂窝，仿真过程中采用 Wrap-around技术[17]，克服异构网络中的边界效应。同时采用郊区路径损耗模型[18]，并假设小蜂窝均位于一层的建筑物内，具体仿真参数见表1。

3种算法的基站平均开启数随时间变化情况如图4所示。由图4可知，3种算法的基站平均开启数很好地反映了网络负载的变化情况。即在23点至次日7点时间段，由于大部分用户处于休息状态，业务需求量较低，基站开启数较少；后续时间段，随着日常繁忙生活的开始，基站开启数逐渐增加直至趋于稳定。在采用非邻区关系分簇休眠算法时，基站的平均开启数较低，这是因为采用非邻区关系分簇，避免了邻区基站能效变化相互影响，准确排序基站能效，提高休眠算法准确性。同时，簇内潜在休眠基站判决机制，使算法针对性优化低能效基站；簇内基站运行模式判决机制使得用户转移更加合理，避免转移到距离较远的低能效基站，占用较多网络资源而无法关闭低能效基站。贪婪算法和邻区关系分簇休眠算法均未考虑邻区基站能效变化的相互影响以及连续多个相邻低能效基站执行算法的情况。因此，两者的基站平均开启数均较高。

图3 簇内判决机制流程

表1 部分仿真参数

仿真参数 宏蜂窝 小蜂窝基站传输功率/dBm 46 20系统带宽/MHz 10 10 RB数量 50 50小区覆盖半径/m 289 10基站天线模式 3D定向天线 全向天线基站最大天线增益/dBi 14 5信道模型 瑞利衰落信道 瑞利衰落信道热噪声功率谱密度/(dBm·Hz-1) -174 -174阴影衰落标准方差/dB 8 10用户最低速率要求/（kbit·s-1） 400 400最小距离要求dmin/m 宏蜂窝—小蜂窝：75宏蜂窝—UE： 35小蜂窝—小蜂窝：5小蜂窝—UE：1

图4 不同算法基站平均开启数随时间的变化情况

3种算法的网络拥塞率随时间变化如图 5所示。在业务低谷期，用户数量以及服务需求变化量较低，开启的基站足以满足用户的服务需求，拥塞概率较低。随着网络业务量的增加，基站开启数增加，但由于网络中存在较多的覆盖空洞，网络拥塞概率不断增加。在业务高峰期，基站开启数较多，3种算法的网络拥塞率均低于1%且处于一个较稳定的状态，满足一般通信服务网络拥塞概率的要求。邻区关系分簇算法由于簇头时刻保开启状态，监测新用户的出现，拥塞率较低。非邻区关系分簇休眠算法由于基于非邻区关系分簇和所有簇依次执行簇内判决，在经过多次准确的基站能效排序、合理的用户转移以及基站运行模式的选择后，降低了出现连续多个相邻基站休眠的可能性，分散化基站休眠带来的覆盖漏洞，避免出现大面积覆盖漏洞的情况，同时，簇内的基站运行模式判决机制也降低了用户转移到较远基站通信的可能性，减少了通信过程中因信道质量较差而占用较多网络资源的情况。因此，在关闭更多基站的情况下，非邻区关系分簇休眠算法并没有明显地提高网络拥塞率。

图5 不同算法网络阻塞率随时间的变化情况

图6给出了在保证网络具有良好的拥塞概率的情况下，3种算法的网络能效以及未执行任何休眠算法网络能效随时间变化的情况。由图6可知，3种休眠算法的网络能效变化随着网络业务量和基站开启数变化而变化，变化趋势基本相同。邻区关系分簇休眠算法由于要时刻保持簇头的开启，基站开启数略多于贪婪休眠算法，因此网络能效要低于贪婪休眠算法。非邻区关系分簇休眠算法具有较高的算法准确性、更加合理的用户转移方式和基站的运行模式，便于优化更多低能效基站。因此，网络整体能效要优于其他两种方法。

图6 未执行休眠算法网络能效以及不同算法网络能效随时间的变化情况

图7显示了不同算法在运行时间上随时间变化的差异性。由图7可知，3种算法运行时间的变化趋势与业务量和基站开启数的变化趋势基本相同。贪婪算法需要遍历网络中所有的基站，因此耗时较长，虽然邻区分簇休眠算法采取分簇的方式降低算法的复杂度，但在每个簇内算法仍需遍历簇内所有基站，所以从整体网络来说，两种算法的运行时间基本相同。非邻区关系分簇休眠算法通过非邻区关系分簇提高基站能效排序的准确性，降低执行休眠算法过程中 SON频繁收集基站能效和更新能效排序消耗的时间，同时簇内设置潜在休眠基站判决机制，减少不必要基站的测试。因此，非邻区关系分簇休眠算法的执行时间要明显少于其他两种算法。

图7 不同算法运行时间随时间的变化情况

5 结束语

为了避免传统集中式休眠算法执行过程中，因用户相互转移而造成邻区基站能效排序准确性受到影响的情况，提出了一种非邻区关系分簇的集中式休眠算法，该算法提高基站能效排序准确性，减少不必要基站测试以及合理安排用户转移方式和基站运行模式，实现了网络能效的提高。仿真结果表明，非邻区关系分簇休眠算法在网络拥塞率略高的情况下，基站平均关闭数、网络能效和算法执行时间上都要优于其他两种算法。考虑到在分簇较多的情况下，由于所有簇需依次执行休眠算法，算法的运行时间及复杂度会受到影响，因此，在更大范围的网络中建议多级混合分簇，缩小休眠算法运行时间，提高网络优化的效率。

参考文献：

[1]陈山枝.发展 5G 的分析与建议[J].电信科学, 2016, 32(7)：1-10.CHEN S Z.Analysis and suggestion of future 5G directions[J].Telecommunications Science, 2016, 32(7)： 1-10.

[2]韩东升, 郑冰, 陈智雄.基于能量损耗与能源代价均衡的基站休眠机制[J].电信科学, 2017, 33(7)： 9-18.HAN D S, ZHENG B, CHEN Z X.Base station sleep mechanism based on power consumption and energy cost balance[J].Telecommunications Science, 2017, 33(7)： 9-18.

[3]BOUSIA A, KARTSAKLI E, ANTONOPOULOS A, et al.Multi objective auction-based switching off scheme in heterogeneous networks to bid or not to bid [J].IEEE Transactions on Vehicular Technology, 2016, 65(11)： 9168-9180.

[4]周朋光, 黄俊伟, 张仁迟, 等.超密集网络中一种基于人工蜂群的节能分簇算法[J].电信科学, 2017, 33(2)： 90-97.ZHOU P G, HUANG J W, ZHANG R C, et al.An energy saving clustering algorithm based on artificial bee colony in ultra dense network[J].Telecommunications Science, 2017, 33(2)： 90-97.

[5]BJORNSON E, SANGUINETTI L, KOUNTOURIS M.Deploying dense networks for maximal energy efficiency： small cells meet massive MIMO[J].IEEE Journal on Selected Areass in Communications, 2016, 32(4)： 832-847.

[6]李渝舟, 江涛, 曹洋, 等.5G 绿色超密集无线异构网络：理念、技术及挑战[J].电信科学, 2017, 33(6)： 34-40.LI Y Z, JIANG T, CAO Y, et al.Green 5G ultra-dense wireless heterogeneous networks： guidelines, techniques and challenges[J].Telecommunications Science, 2017, 33(6)： 34-40.

[7]陈登昭.异构蜂窝网络下基站节能技术研究 [D].长春： 吉林大学, 2016.CHEN D Z.Study on the energy-saving technology of base station of heterogeneous cellular network [D].Changchun： Jilin University, 2016.

[8]CHIARAVIGLIO L, CIULLO D, MEO M, et al.Energy-efficient management of UMTS access networks[C]//The 21st IEEE International Teletraffic Congress, Sept 15-17, 2009,Paris, France.[S.l.： s.n.], 2009： 1-8.

[9]GUO W S, O’FARRELL T.Dynamic cell expansion： traffic aware low energy cellular network[C]//2012 Vehicular Technology Conference, Sept 1, 2012, Quebec City, Canada.Piscataway： IEEE Press, 2012： 1-5.

[10]LIU C, WAN Y, TIAN L, et al.Base station sleeping control with energy-stability tradeoff in centralized radio access networks[C]//The 2015 IEEE Global Communications Conference, Dec 6-10,2015, San Diego, USA.Piscataway： IEEE Press, 2015： 1-6.

[11]JIE W, SHI J, LEI J, et a1.Dynamic switching off algorithms for pico base stations in heterogeneous cellular networks[J].EURASIP Journal on Wireless Communications and Networking, 2015(1)： 117.

[12]WEI Z, WEI L, XIE Y, et al.Hybrid BS-cooperative power management scheme with self-organized sleep mode in virtual cell-based femto networks[J].International Journal of Distributde Sensor Networks, 2012： 178-193.

[13]BOUSIA A, KANSAKLI E, ALONSO L, et al.Dynamic energy efficient distance-aware base station switch on/off sheme for LTE-Advanced[C]//IEEE Global Communications Conference(GLOBECOM), Dec 3-7, 2012, Anaheim, CA, USA.Piscataway： IEEE Press, 2012： 1532-1537.

[14]ABDUKLAFI A A, KIONG T S, CHIENG D, et al.Energy efficiency improvements in heterogeneous network through traffic load balancing and sleep mode mechanisms[J].Wireleess Personal Communication, 2014, 75(4)： 2151-2164.

[15]MARSAN M A, MEO M.Energy efficient management of two cellular access networks [J].ACM Sigmetrics Performance Evaluation Review, 2010： 69-73.

[16]AUE G, GIANNINI V, DESSET C.How much energy is needed to run a wireless network[J].Wireless Communications, 2011,18(5)： 40-49.

[17]3GPP.Simulation assumptions and parameters for FDD HeNB RF requirements： TSG RAN WG4 R4-092042[S].2009.

[18]BJÖRNSON E, SANGUINETTI L, KOUNTOURIS M.Deploying dense networks for maximal energy efficiency： small cells meet massive MIMO[J].IEEE Journal on Selected Areas in Communications, 2016, 34(4)： 832-847.