NOMA双层CRAN能效优化

基于NOMA的多层CRAN下行链路能效优化

摘要

非正交多址接入（NOMA）在云无线接入网络（CRANs）中正变得越来越有吸引力，以进一步提升此类网络的整体频谱效率、连接性和容量。本文研究了基于NOMA的双层CRAN下行链路能效（EE）优化问题。采用泊松点过程（PPP）分布表示的随机几何方法来确定覆盖区域内每层基站（BSs）的数量和位置。获得了数值最优解，并将其与所提出的次梯度解以及基于错误定位方法的非优化解进行比较。为了便于比较，还提出了另外两种功率分配技术，用于向不同类别的基站分配不同的功率；一种是根据各基站到云端中央站的相对距离进行功率分配，另一种是基于二分法的方案。提出了两个仿真场景，用于评估双层NOMA‐CRAN的性能，在两种情况下每层均采用NOMA作为多址接入方式。第一个场景考虑异构CRAN（NOMA‐HCRAN）情况，每层使用两类不同的基站，即宏基站（macro‐BSs）和远程射频头（RRHs）。第二个场景考虑同构CRAN（NOMA‐CRAN）情况，两层均使用远程射频头（RRHs），但每层具有不同的频率层，以避免跨层干扰。

仿真结果表明，相对于现有方法，所提出的技术可实现显著的性能增益。具体而言，所提出的基于次梯度的NOMA‐CRAN性能优于基于错误定位的NOMA‐CRAN，而后者又优于现有技术，特别是基于二分法和基于距离的NOMA‐CRAN。

索引术语

非正交多址接入（NOMA），云无线接入网络（CRAN），错误定位方法，资源分配，能效。

一、引言

EFFECTIVE 性能、低功耗、智能流量管理以及高可靠性，是下一代网络设计中日益紧迫且必须满足的要求。因此，有必要在保持高效功率管理范式的同时，满足对容量提升、覆盖范围优化和高吞吐量的更高需求。同时，迫切需要降低能源成本并最小化碳排放。这些挑战可通过一种创新的云无线接入网络架构结合低功率小型小区来克服，以减少消耗功率[1],[2]。这是因为大部分消耗功率集中在无线接入网络，特别是基站。它们消耗比标准移动网络系统所需的总功率的75%还要低[2]–[4]。

云无线接入网络（CRAN）和非正交多址接入（NOMA）被认为是解决预期第五代移动通信（5G）挑战的两项关键技术。两者均被视为实现高频谱效率（SE）和能效（EE）的关键[5]–[7]。为了有效提升移动数据网络的密度并应对近期出现的诸多网络挑战，升级当前的小小区无线接入网络（SC‐RAN）架构至关重要，例如采用云无线接入网络（CRAN）。SC‐RAN为解决网络扩展中的多项问题提供了可扩展、成本效益高且自组织的解。CRAN由远程射频单元（RRHs）组成，其中包含无线电设备、放大器、滤波器和天线。远程射频头通过通用公共无线电接口（CPRI）或开放式基站架构倡议（OBSAI）链路连接至基带处理单元（BBU）。将SC‐RAN与异构网络（HetNets）相结合，可用于实现混合网络部署场景。

云无线接入网络（CRAN）的概念建议采用低功耗远程射频单元（RRHs）来替代传统的覆盖区域较大的基站（BSs）。这些远程射频头负责射频信号的处理，而资源分配和信号处理等其他任务则由云端的中央处理单元完成[5],[8]。CRAN架构具有广阔前景，因为它允许通过基于云的中央站（CCS）聚合并协调多个基站[9],[10]。它还有助于在不同类型的RRH层中建立无线能力，支持多种服务，并解决诸如切换控制和干扰管理等问题[4],[9],[10]。CRAN架构通过为其云相关应用的非同质资源提供协作接口，有助于提高基于云服务的可靠性[11]。

图1展示了一个双层异构云无线接入网络（HCRAN）平台，该平台被认为在多小区环境中高效地分配功率和频率无线资源，并有效应对干扰问题。根据云无线接入网络的结构，宏基站（macro‐BSs）的功能是持续提供覆盖和网络控制。控制操作包括对宏小区的切换管理和干扰控制[1],[8]。集中控制站（CCS）中的基带处理单元（BBU）协调整个网络的性能方面，如能效（EE）和频谱效率（SE），并在远程射频头（RRHs）之间建立干扰消除技术。此外，所有基带信号处理均通过云计算技术由基带处理单元（BBU）完成，其中BBU充当计算服务器，而远程射频头（RRHs）则提供高速数据传输[1]–[3]。

另一方面，NOMA被证明是满足第五代移动通信（5G）网络上下行链路巨大流量需求以及扩展可服务用户数量的有效解。NOMA允许多个用户占用相同的时频资源，这使其区别于传统的多址接入技术，例如时分多址（TDMA）和频分多址（FDMA），其中用户占用各自独立的资源[12]–[14]。NOMA用户可以在功率域或码域进行复用[12],[15],[16]。在码域NOMA中，用户通过扩频序列共享资源[12],[13],[15]。而在功率域NOMA中，则根据复用用户之间的信道增益差异，通过功率分配实现复用。因此，NOMA与CRAN可被定制应用于满足第五代移动通信（5G）网络预期需求和挑战的场景[12],[16],[17]。CRAN‐NOMA架构中的可用资源与其它蜂窝网络中的资源相同，包括计算资源和无线资源。计算资源通常在基站（BS）处需要，包含处理能力、带宽、内存、时间以及数据存储[18]。对基带处理单元池（BBU池）中的资源进行管理有助于计算资源的管理。而无线资源则包括稀缺的射频频谱，其管理通过实现动态信道分配、发射功率控制、联合优化、频谱和/或缓存管理的算法和策略来完成[18]。

因此，预计云无线接入网络与非正交多址的结合有望满足未来无线网络的高数据速率需求，因为非正交多址允许完全共享带宽资源；这得益于功率域中的叠加编码[3],[19]

A. 前期工作与动机

最近的文献研究提出，非正交多址作为下一代无线网络中高能效和高频谱效率的空中接口[7],[17],[19]。

一般来说，关于覆盖区域内的多小区分布，已有多种方案用于建模基站的位置。然而，根据文献研究，随机技术能够提供最真实的表征。例如，[20]的作者综述了使用随机几何模拟多层网络中基站分布的方法，并对最常见且适用的随机技术及其挑战进行了分类；这些技术包括网格模型、泊松点过程（PPP）、硬核点过程、二项式点过程和聚类点过程，其研究成果突出了随机几何在真实建模多层网络中的关键作用。此外，[21]的作者考虑了一种基于PPP的同质多小区方案，该方案用于考虑不同基站部署策略，例如网格和泊松分布。类似地，[22]中的作者提出了多层异构蜂窝网络的解析表示，其中使用泊松分布和网格方案对每一层进行建模。这两项工作的作者均得出结论：在具有可变数量基站的地理区域内，泊松分布对蜂窝网络的建模更加真实，因此，采用泊松点过程（PPP）来描述基站分布所得到的结果比使用其他分布更可靠且更贴近实际，这也是本文采用PPP的主要原因。

另一方面，值得一提的是，功率域NOMA的概念并非新概念，实际上已经存在多年。然而，由于其处理技术一度停滞，直到最近取得进展，才使得NOMA具备实际可实现性。这些进展重新激发了关于NOMA性能的文献研究浪潮。其中一些工作探讨了将NOMA与多输入多输出（MIMO）技术相结合，以提升系统吞吐量[23]–[27]。此外，大量研究考虑将NOMA概念引入设备到设备（D2D）通信中，以充分利用带宽资源并提高可实现的频谱效率[28]–[31]。NOMA检测技术和NOMA接收机结构也在相当数量的研究中被考察，以突出NOMA接收机处的SIC适用性和SIC解码顺序[32]–[34]。最后，一些作者也研究了NOMA上行链路的性能[35]–[38],，这些工作旨在阐明用户如何与服务基站通信，并突出上行链路与下行链路之间的差异。文献中还讨论了NOMA的其他多个方面以实现更高性能；NOMA所获得的广泛关注清楚地证明了其巨大潜力。因此，本文延续了这一研究方向，但提出了新的贡献。

在一些文献中介绍了NOMA和CRAN的结合[5],[9],[10],[39],[40]。特别是，[41]的作者推导出了NOMA‐CRAN系统中用户对中断概率的闭式表达式。此外，[40]研究了下行链路异构云无线接入网络（HCRAN）中无线回传的性能。作者研究了HCRAN支持的最优小区数量。除了研究不同类型基站的功耗外，[9]中的作者还研究了NOMA‐HCRAN，并解决了在考虑有限功率资源的情况下每个小区能够支持的最大基站数量问题。[10]中的作者研究了下行NOMA‐HCRAN中共享相同时频资源的问题。他们证明基于NOMA的HCRAN性能优于其基于正交的对应系统四倍。其他相关工作总结于表I。

B. 主要贡献与文章结构

所有这些工作，加上非正交多址与云无线接入网络结合所带来的潜力，构成了本文的动机基础。本文的主要贡献如下：

• 首先，我们提出了两种用于NOMA‐HCRAN组合的功率分配技术，即基于优化次梯度的方法和非优化的虚假位置法（FPM）。以往关于NOMA‐CRAN的研究工作未考虑用户服务质量（QoS）要求对服务于这些用户的基站所分配功率的影响。

• 其次，与以往关于NOMA‐CRAN的研究不同，每种类型基站分配的功率将取决于该基站的QoS需求，而QoS需求表示由该基站服务的用户所需的最小速率之和，即其负载。这有助于提升整体可实现吞吐量，从而提高整个网络的能效。

• 所获得的结果证实，所提出的功率分配方案能够实现比传统技术更高的能效，并且性能趋势接近最优方案。此外，将非正交多址与云无线接入网络结合应用，能够获得更大的多用户分集增益和基站密集化增益。

• 最后，本文考虑了两种场景情况，每种场景通过在各层中部署不同类型的基站来考虑整体性能，并且在该层内应用非正交多址。第一种场景研究了两种类型的基站的性能，特别是宏基站和远程射频头；这在整个文中被称作HCRAN场景。第二种场景考虑了所有服务基站类型相同时的整体性能，此处选择为远程射频头。在此场景中，远程射频头仍部署在两层中，并且在各自层内的远程射频头之间应用非正交多址；然而，每个层被分配不同的频率资源以避免跨层干扰。

这两种场景的目的是解决用低发射功率的远程射频头替代高发射功率的宏基站层所带来的缺点及其结果。

本文的其余部分组织如下。第二节介绍了所考虑的基于非正交多址的系统模型。第三节介绍了所建立的能效优化问题、获得的解以及提出的功率分配方案。在第四节中，讨论了仿真场景和性能评估结果，最后，第五节给出了本文的结论。

II. 系统模型

所考虑的系统由一个基于非正交多址的超密集云无线接入网络的 τ‐层下行链路组成，其中每一层具有不同类型基站的同时，采用不同的频率层；这是为了抑制下行链路中的层间干扰。该技术适用于多个场景，包括智慧城市的空口、智能健康系统的底层连接、工业互联网、无线车联网以及物联网（IoT）基础设施。

假设建模系统中的每一层都有其自己的无线资源块，并且在每一层内应用非正交多址。换句话说，每一层都有其自身的带宽，且所有层的基站共享该带宽。对于宏基站层中的给定无线资源块，假设每个宏基站为 K个单天线用户提供服务。另一方面，在远端射频头层中，假设每个远程射频头与一个单天线用户相关联。

由于在每一层内应用了非正交多址，因此存在层内干扰；然而，通过应用连续干扰消除（SIC）将消除该干扰。SIC的细节将被省略，以避免重复文本，因为其已在许多研究中被深入探讨，例如[7],[32],[33],[49]。每一层有 βi个基站根据密度为 λi的泊松点过程在覆盖区域内分布。采用泊松点过程是因为它能更真实地模拟基站部署，更接近实际场景。不失一般性，所考虑的模型包含一个宏层，其余的多层均为远程射频头层。第 i层中的每个用户接收到来自该层所有基站的组合信号 zi。分别考虑宏层和远程射频头层，则第 i个远程射频头层中的叠加信号zi,b表示为

zi,b=√Pi,bxi,b, (1)

K而宏基站层的为z1=∑√P1,kx1,k，其中下标1表示该模型中仅考虑一个宏基站层。注意Pi,b和xi,b分别表示第 i层中第 b个基站的传输功率和发送信号。

另一方面，第 i层RRH中与第 b个基站相关联的用户接收到的信号由以下公式给出

yi,b=∑βib=1hi,bzi,b+ ni,b, (2)

其中hi,b表示第 i层中第 b个基站与其相应用户之间的信道效应，而变量ni,b表示影响它们的噪声功率。值得一提的是，在宏基站层的情况下，(2)式中的表达式为 y1= ∑K =1 hkzk+ nk。为了分析第 i层基站的功率分配，令 PTi 表示集中控制站为第 i层基站提供的总发射功率，即

P T i =∑βib=1P i,b . (3)

总体而言，云无线接入网络下行链路中消耗的总功率为[40]：

P tot =∑τi=1[βi( P ( C )i + P ( FH )∑βib=1P i,b] , (4)

其中 P ( C )i 是每个基站电路消耗的功率第i层，而 P(FH) b表示连接CCS与两层中每个基站的前传链路消耗功率。该功率消耗分为两部分：集中控制单元的汇聚交换机消耗的功率和无线交换机的下行链路接口消耗的功率，可表示为[9],[46],[50]

P(FH) b= Pint+ubP(SWmax) b +(1 − ub)T(SW)bT(SWmax)bP(SWmax)bS(int) b,(5)

其中 Pint表示汇聚交换机接口处的消耗功率， ub表示交换机功耗（P(SWmax）b与相对于T(SW）b的功率量之间相互关系的加权因子，其中 T(SW）b指通过交换机的流量数量，而 T(SWmax) b是交换机可占用的最大流量。最后，S(int) b表示每个交换机中接口的数量。另一方面，单个远程射频头可实现的吞吐量表示为

Ri,b= WT log2(1+ γ k i,b), (6)

其中γ k i,b表示与第i层中第 b个RRH相关联的第 k个用户的信号干扰噪声比（SINR），其表达式为γ k i,b=Pi ,b|h k i b| 2∑b−1 m=1 Pi m|hik,,,b| 2 +N0WT。此外， WT表示每层的总带宽， N0为噪声功率谱密度。

∣ ∣ ∣hik,b∣ ∣ ∣2= ξ|gi,b| 2d−υ b是信道增益，包含瑞利平坦衰落|gi,b| 2和对数正态阴影效应 ξ，而 d−υ b是从每个RRH到CCS的距离， υ为路径损耗指数。由于我们考虑每个RRH仅有一个激活用户，上标 k将被省略，以提高公式的可读性。

III. 能效优化：问题建模与提出方案

从(6)可以得出，整体吞吐量是

R=∑τi=1∑βib=1Ri,b. (7)

然后，NOMA‐HCRAN的整体能效为

EE= R∑τi=1[βi(P (C)i + P(FH) i)+∑ β ib=1 Pi,b], (8)

这将被视为所构建的C‐RAN能效优化问题的目标函数，可表示为

maximizeP i,bEE (9)

Subject to

∑τi=1∑βib=1P i,b ≤ P t (10)

P i,b ≥ 0, ∀ i, b (11) R b ≥Φ b . (12)

(10)中的约束表示总传输功率约束，(11)保证了传输功率为正值。值得一提的是，Pi 表示集中控制站（CCS）用于向各层中每个基站（BS）传输数据和通信的功率。因此，(10)中给出的约束限制了所有层中每个基站的这部分功率之和不得超过 Pt，即 CCS 的总可用功率。另一方面，(12)表示每个基站的最小速率约束，其中 Φb 表示预定义的最小速率。从 (9)到 (12)可以明显看出，目标函数的性质是非凸、分数型和非线性的。为求解此类问题，可利用迪克尔巴赫方法[51],[52]将目标函数转化为减法形式。迪克尔巴赫方法的思想是：对于每一个具有分数形式的目标函数，均存在一个等效的减法形式，且需注意两种形式具有完全相同的最优解[51],[53]。应用迪克尔巴赫方法需要在得到的目标函数[51],[53], 中引入一个权重因子 α，其表达式为

Γ(Pi,b, α)= χ(Pi,b)− αΛ(Pi,b), (13) 其中， Γ(Pi,b, α)表示关于优化变量Pi,b以及引入的权重 α的转换后目标函数。 χ是原始分数型目标函数的分子，表示总和速率； Λ是原始目标函数的分母，由云无线接入网络下行链路中的总消耗功率表示。值得一提的是， χ(Pi,b)代表信息传输带来的整个云无线接入网络系统收益，而 αΛ(Pi,b)代表整体系统功耗成本，即所有云无线接入网络组件中的消耗功率。最后， α表示一个负权重，其最优值用于平衡功耗成本与系统收益，并影响云无线接入网络内的总消耗功率。需要注意的是， α可设为常数[52]。在应用迪克尔巴赫方法后，所构建的优化问题表达为

maximize Γ(Pi,b, α) (14) Subject to (10),(11),(12). (15)

A. 提出的基于次梯度的功率分配解

通过利用分数规划变换，可根据迪克尔巴赫概念将目标函数转化为参数化的目标函数，之后应用双循环迭代算法以克服非凸性问题。考虑P ∗ i,b为(14)和(15)中问题的最优解，由(13)可得。根据迪克尔巴赫方案，当 α= χ(P ∗ i,b)O(P ∗ i,b)时，(14)和(15)中优化问题的解可通过求解Γ(P ∗ i,b , α)= 0的根获得。之后，应测试得到的Γ(P ∗ i,b, α)的值，若为正值，则 α小于其最优值；若为负值，则意味着 α大于最优值。然而，当 α等于零时，可找到 α的最优值，因为此时达到最大能效，即χ(P ∗ i,b) − α ∗ Λ(P ∗ i,b) = 0。通过分析[53],中提出的优化技术，可以将(14)和(15)中优化问题的拉格朗日函数表示为

Γ(Pi,b, α)= WT ∑τi=1∑βib=1log2(1+ γi,b)− α(Ptot)−κ( ∑τi=1∑βib=1 Pi,b − PT)−Θ ∑βib=1( Φb − WT log2(1+ γi,b)), (16)

其中 κ和 Θ表示拉格朗日乘子。可以简化此表达式为

Γ(Pi,b, α)= WT ∑τi=1∑βib=1log2(1+ γi,b)− α(Ptot)−Θ∑βib=1( Φb − WT log2(1+ γi,b))− κ( ∑τi=1∑βib=1 Pi,b − PT).(17)

考虑除信道增益最高的基站（即第 βi个基站）外所有基站的式(17)。关于Pi,b的导数如下所示

dΓdPi,b=WT|hi,b| 2+ WT|hi,b| 2Θ( ∑βim=b+1Pi,m|hi,b| 2+ N0WT)(1+ γi,b)− α − κ.(18)

另一方面，对于具有最高信道增益的基站，(17)的导数为

dΓdPi,β i=|hi,β i |2N0(1+ γi,β)−|hi,β|2Θβ iN0(1+ γi,β)− α − κ. (19)

为了获得最优解，找到必要的注水表达式为

Pi,b= [(Φb+Θb) Φb(α+ κ)−∑βim=b+1Pi,m|hi,b| 2+ N0WT|hi,b| 2 ]+(20)

P i,β i = [(Φβ i−∑β i −1b=1ϕ b)β i (α+ κ)− N 0 W T |hi,β i |2 ]+.(21)

通过应用次梯度方法，使用以下表达式更新拉格朗日乘子

κ (j +1 )b=[κ (j)b−Θ (j)(PT −∑τi=1∑βib=1P i,b)]+(22)

Θ(j+1) b=[Θ(j) b − Υ(j)( ∑βib=1( Φb − WT log2(1+ γi,b))]+,(23)

其中 κ(j)和 Θ(j)是在每次迭代时更新的小步长，且选择为 0.1/√j[53]。简而言之，该优化问题的解如算法1所示。

B. 提出的试位法（FPM）

FPM被用于在预定义的速率需求水平下，为每个基站计算适当的传输功率。我们首先通过消除负值来改进传统的假位法，因此将该方法命名为FPM。该方法基于图2所示的三角形结构推导而来，其中纵轴表示每个基站（即本文中的远程射频头和宏基站）所需的数据速率，横轴表示功率。需要明确的是，FPM通过在上下两个边界之间寻找最优解值来工作。在本文中，这两个边界分别表示基站传输功率的下限功率和上限功率，记作 P l和 P u。然后，假设基站传输功率的范围从 P l = 0分贝毫瓦（0.001 瓦）变化到 P u = P bs ，其中P bs = P Tβ i；而 R p l 和R p u 分别表示基于两个功率边界 P l 和 P u 计算出的基站的下限和上限比特率。现在，FPM将确定一个新的功率值P fp m ，该值位于这些边界范围内，并为每个基站实现合适的比特率，从而使基站达到所需的目标速率。

接下来，通过从 Rpu和 Rpl分别向 Pfpm画一条直线，则会形成两个三角形，即图2所示的ABC和DCE。应用三角形1与三角形2之间的三角形相似性规则，我们可以确定 Pfpm的值

DE AB= CE CB −→ Rpl Rpu = Pmfp−Pl Pu−Pfpm (24)

Rpu.Pmfp − Rpu.Pl= Rpl.Pu − Rpl.Pfpm (25)

Pmfp.(Rpu+ Rpl)= Rpl.Pu+ Rpu.Pl (26)

Pfpm= Rpl.Pu+ Rpu.Pl Rpu+ Rpl,(27)

并且简单来说， Pfpm表示应分配给基站的最终功率值。

完整的算法步骤列于算法2中。

IV. 性能评估

所考虑的场景模拟了一个直径为= 2000m的圆形覆盖区域，该区域包含 τ= 2层，即RRH层和宏基站层，每层分别有 β i个基站按照泊松点过程以密度 λ i分布。宏基站的消耗功率为 1350瓦，远程射频头的消耗功率为754.8瓦，其余参数列于表II [50]。

如前所述，所考虑的场景研究了每层具有不同类型基站的两种情况，即异质和同质化云无线接入网络。在异质场景中，模拟的场景包含两种不同类型的基站：宏基站和远程射频头。每层中的基站在与其他层不同的频率层上运行，以避免跨层干扰。然而，非正交多址仍在每一层内部应用。

在第二个场景中，所有考虑的基站都是远程射频头，尽管它们类型相同，但在第二个场景中的远程射频头也部署在两层中，且每层使用与对等场景相比，使用不同的频率资源以避免跨层干扰。由于各层内的远程射频头（RRH）通过非正交多址（NOMA）共享相同的带宽资源，因此将存在层内干扰。与异质场景相比，宏基站被远程射频头（RRH）取代，从而降低了宏基站所需的传输功率，相较于远程射频头（RRH），这有助于降低整个网络的功耗，进而提升可实现的能量效率性能。

表II 仿真参数

参数名称	值
路径损耗指数 (υ)	3.76
层数 (τ)	2
P(SWmax)b	300W
Pint	1W
每个宏基站消耗的功率	1350瓦
每个RRH消耗的功率	754.8瓦
直径覆盖区域	2000m
阴影衰落标准差	8 dB
N0	‐174 dBm / Hz
Imax	50
S(int) b	24
ub	0.5
T (SW)b	1Gbps
T(SWmax) b	24Gbps
Φ b	2 Mbps
W T	20MHz

图4展示了第一种场景的性能，其中使用宏基站和 RRH层模拟了一个异质网络。具体而言，RRH层的密度为 λ，是其宏基站层密度 0.5λ的两倍。另一方面，这两个层的传输功率也进行了模拟，其中宏基站的传输功率约为RRH的5倍。

RRH层。该图显示，总体而言，随着传输功率的增加，各对比方案的趋势逐渐下降。这明确表明，增加传输功率并不是提高可实现的能量效率的有效手段，因为每个基站倾向于满足所需的服务质量（QoS）水平，而忽略了超出需求的功率，从而导致可用资源的低效使用。

此外，所提出的子NOMA‐异构云无线接入网络能够提供接近最优的性能，相较于其他模拟技术表现最佳。显然，所提出的FPM优于基于二分法的超密集云无线接入网络及其他对比技术。这是因为FPM考虑了 Rpu和 Rpl的相对大小，而二分法仅使用 Pl和 Pu区间的中点；这意味着二分法需要更多时间来检查区间[Pl,Pu]内的每一半。此外，FPM除了考虑 Rpu和Rpl外，还考虑了区间 [Pl,Pu]，使其比二分法更加精确。

图5展示了同质场景下性能随不同基站密度的变化情况。相比图4，各种功率分配技术的优越性趋势相似。通过对比图4和图5可以看出，异质场景相较于同质场景具有轻微优势。这是由于每个宏基站相较于远程射频头具有更高的传输功率所致。

与图4中的情况相同，各方案之间的比较结果显示，所提出的Sub‐NOMA‐HCRAN方案非常接近最优方案，并且性能优于所有其他技术。该图还表明，所提出的FPM优于二分法和基于距离的方法，尽管其性能表现低于所提出的Sub‐NOMA‐HCRAN，但FPM方案具有更低的复杂度。

图6中同质场景的性能在图7中给出。这两张图证实了异质场景相较于同质场景具有轻微的优势。从同质场景的角度来看，这一微小的性能增益可能是为了获得灵活的基站部署（即通过部署与宏基站相比，小型远程射频头的尺寸更小。此外，由于远程射频头的传输功率较低，产生的跨层干扰也较小。

接下来，作为服务质量（QoS）的体现，能效与最低速率要求之间的权衡关系分别在图8和图9中给出。对于给定的最低速率要求值，从这些图中可以明显看出，在较低的速率要求下，所有方案的能效均随速率要求增加而提高。此外，在低速率要求区域，能效逐渐上升，这是因为在该区域许多用户获得了足够的传输功率以轻松满足其速率需求，因此无需额外的能量消耗。另一方面，在高QoS要求下，所有方案的能效开始逐渐下降。这是因为在高QoS（高速率要求）情况下，为了达到所需的最低服务质量，需要向各层中的基站分配更多的发射功率，从而导致更高的能量消耗。

与图8相比，图9进一步证明了同质场景情况的性能水平低于异质场景。为了进行更具体的比较，将第一场景情况（来自异质场景情况）中宏基站‐BS层所达到的和速率与第二场景情况中替代的RRH层所达到的和速率进行对比（即来自同质场景情况的情况）。

在图10中，异构场景的和速率是根据生成图6所采用的相同参数得出的。另一方面，同质场景情况的和速率是使用与图7中相同的参数获得的。

此外，图10显示，在两种场景下，总体可实现总速率均随总体传输功率的增加而成比例增长。同时，该图明确表明，异构场景相比同质场景具有轻微优势。然而需要注意的是，由于远程射频头使用的传输功率较低，因此它们对其他设备造成的干扰也较小。此外，它们的特性在覆盖区域内的部署提供了灵活性。显然，同质和异质情况均适用，且两者之间存在细微差异，但它们之间的选择主要可能取决于平台、覆盖区域的特性以及所需提供的服务类型。

为进一步评估性能，在不同场景下针对各种基站密度对替换层的可实现总速率进行了比较，如图11所示。用于生成异质和同质场景的参数与图4和图5中所使用的类似，主要是为了确保该比较能够清晰反映模拟场景的结果，并为所比较技术的行为提供明确的评估。图11显示，总体而言，随着基站密度的增加，可实现的总速率成比例下降。这是因为无论基站类型如何，增加基站数量将导致对可用资源的竞争加剧，并且还会增加造成的干扰。特别是，图11表明，在异质场景中性能优于同质场景，因为宏基站层的传输功率明显高于其替代的 RRH层。需要注意的是，与远程射频头相比，宏基站的部署更为复杂，且造成的干扰也更加严重。

值得一提的是，用户是随机部署的，据作者所知，使用泊松点过程（PPP）部署用户并结合蒙特卡洛方法对结果进行平均后，所考虑技术之间的比较结果在优势方面不会太大变化。

结论与未来展望

本文重点研究了基于两层NOMA的云无线接入网络中的资源分配，以优化可实现的能量效率。文中提出了新的功率分配方法，包括优化和非优化方案。通过次梯度方法结合丁克尔巴赫定理，建立了一个能效优化问题并求得其解。第二种分配方案基于试位搜索技术，用于寻找最优解以优化能效。

为应对用低功率远程射频头（RRH）层替代高功率宏基站（macro‐BS）层的影响，本文提出了两种场景：异质的非正交多址‐超密集异构云无线接入网络（NOMA‐HCRAN）场景和同质的非正交多址‐云无线接入网络（NOMA‐CRAN）场景，每种场景均在每一层内应用非正交多址（NOMA）。两种场景下的结果表明，所提出的次梯度方法性能与最优方案非常接近，这是因为次梯度方法具有迭代特性，能够对最优值进行深度搜索。

尽管所提出的FPM在性能趋势上略低于次梯度方法和最优方案，但其复杂度更低，且相较于基于二分法和基于距离的 NOMA‐HCRAN（NOMA‐CRAN情况类似）仍能提供更好的性能。这是因为FPM同时考虑了 R p u 和Rp l ，而二分法仅使用 P l和P u 的中点。

此外，FPM 考虑了区间 [Pl ,Pu] 以及 Rp u 和 Rp l ， 这使得其在寻找最优根时比仅关注区间的二分法更准确[Pl,Pu]区间。最后，从两种场景中获得的结果表明， NOMA‐HCRAN场景比NOMA‐CRAN具有更好的性能，这说明在NOMA‐HCRAN中利用宏基站相比在 NOMA‐CRAN中使用RRHs能够提供更优的性能，但代价是需要更高的传输功率，从而导致更高的干扰。总之，在高度密集区域（如足球场）等用户距离服务基站较近的场景下，应用NOMA‐CRAN场景可能比NOMA‐HCRAN更为有利。

在未来的科研方向方面，引入云无线接入网络（CRAN）的主要动机之一是为远程射频头（RRHs）分配带宽，从而即使在用户流量存在非均匀空间分布的情况下，也能维持服务质量（QoS）。因此，这将是未来研究中需要解决的一个可能方向。此外，还可以通过使CRAN与一些新兴的创新技术及平台（例如人工智能（AI）、区块链和物联网（IoT））协同工作，进一步优化CRAN的智能化水平。然而，这种协作可能会面临诸多挑战，例如云资源稀缺，难以在特定运行时间内完成应用处理。另外，未来的研究还可探索通过去中心化资源管理，并利用雾计算和/或边缘计算的概念，将资源管理从CRAN数据中心转移到边缘网络，从而扩展CRAN的边界。人工智能（AI）的一个主要特点是能够提供一个基础平台，通过自适应决策机制而非依赖人工的启发式编码器，高效地优化处理大量数据的大型系统。另一方面，区块链技术最近兴起，用于在物联网（IoT）领域和实时系统中保障数据保护。

由于在云无线接入网络上运行的物联网应用种类繁多，未来的研究中几乎必须解决不同服务质量要求之间的权衡问题，以确保这些应用能够在最小开销的情况下保持最优的服务质量特性。此外，未来的研究还可以将容器技术与云无线接入网络结合，因为容器技术提供了轻量级云环境来部署应用。这是因为容器在执行用户工作负载期间能够限制各个单元之间的数据依赖，且具有独立性和自包含性。同时，容器允许多个应用在同时独立运行时实现资源共享。