增强 HAPS 辅助的 6G 网络中的可持续性：负载估计感知小区切换-计算机科学-垂直异构网络-交通负载估计-深度学习.pdfVIP

增强HAPS辅助的6G网络中的可持续性：负载

估计感知小区切换

MaryamSalamatmoghadasi,MetinOzturk,HalimYanikomeroglu

摘要—本研究介绍了并解决了垂直异构网络(vHetNets)中小克服这一障碍的关键在于准确估计休眠SBS的交通负

区切换的交通负载估算关键挑战。小区切换的有效性因睡眠模式载，这在理论与实践之间架起了桥梁，并释放了小区切换

下小型基站(SBSs)缺乏准确的交通负载数据而受到显著限制，使在垂直异构网络（vHetNets）中提升可持续性的全部潜力。

得许多依赖于负载的节能方法变得不切实际，因为这些方法假设

这些网络整合了卫星、高空平台站（HAPS）、无人驾驶飞

对交通负载有完美的了解——这一假设在SBSs不活跃时是不现

实的。换句话说，当SBSs处于睡眠模式时，它们的交通负载无法行器（UAV）和地面基站以确保全面的全球覆盖[7]。特别

直接知晓，只能进行估算，这不可避免地会带来相应的误差。我是，HAPS提供了广域、视距（LoS）覆盖和大容量回程链

本们并未提出新的切换算法，而是专注于通过探索有效的预测技术路，使其成为支持地面网络的理想超级宏基站（SMBS）候

来消除这一基础障碍。考虑了一种新型vHetNet模型，该模型集选者。这促使我们在vHetNets模型中使用HAPS。因此，在

译成了高空平台站(HAPS)作为超级宏基站(SMBS)。我们研究了

本研究中，我们没有采取小步前进并开发另一种先进的单

中空间和时间负载估算方法，包括三种空间插值方案——随机邻域

选择、基于距离的选择和多级聚类(MLC)，以及一种基于长短期元切换算法，而是专注于消除现有先进技术与其实际应用

1

v记忆(LSTM)网络的时间深度学习方法。使用真实世界的数据集之间的障碍，因为文献中存在的大多数算法由于流量负载

8进行实证验证，我们的结果显示，空间和时间方法都显著提高了估计问题而不切实际。

2估算精度，特别是MLC和LSTM方法表现尤为突出。

7关于单元切换的研究广泛集中在更有效的BS停用策

4IndexTerms—HAPS，vHetNet，交通负载估计，小区切换，

1能耗，可持续性，6G略上，以减少网络能耗。例如，[2]中的研究考察了一个包

7.含HAPS作为SMBS的vHetNet模型，同时包括一个宏基

0I.介绍站（MBS）和多个小基站（SBS），旨在优化SBS的休眠

5

2随着第六代（6G）蜂窝网络的到来，预计每平方公里将模式管理，并利用HAPS-SMBS的能力降低能源使用，同

:

v支持空前数量的设备，提高连接性和效率变得至关重要。然时保持用户的服务质量（QoS）。类似地，[3]中的研究解

i

x而，这一扩展面临重大挑战，包括在无线电接入网络（RAN）决了带有HAPS-SMBS的单元切换挑战，特别是通过一个

r

a中能耗显著增加的问题，其中基站（BS），特别是小型基排序算法优先停用交通负载较低的基站来卸载停用基站上

的流量。在[4]中提出了一种分层休眠模式系统，根据设

站（SBS），是主要贡献者[1]。在此背景下，在低活动时段

备活动调整休眠深度，并具有去中心化控制以实现可扩展

战略性地停用基站或将它们置于休眠模式成为提高能源效

性和效率。此外，[5]中的研究考虑了分离的控制数据架构

率和网络可持续性的可行方案