Автоматика и телемеханика, № 1, 2020

А.В. КРОТОВ (krotov@iitp.ru),

Е.М. ХОРОВ, канд. техн. наук (khorov@iitp.ru)

(Институт проблем передачи информации им. А.А. Харкевича РАН, Москва)

И.Ф. АКИЛДИЗ, д-р наук (ian@iitp.ru)

(Институт проблем передачи информации им. А.А. Харкевича РАН, Москва;

Технологический институт Джорджии, Атланта, Джорджия, США)

ПОВЫШЕНИЕ ЭНЕРГОЭФФЕКТИВНОСТИ ПЛОТНЫХ

СЕТЕЙ WI-FI С ПРИМЕНЕНИЕМ

ОБЛАЧНЫХ ТЕХНОЛОГИЙ¹

В современном мире одним из лидеров в области беспроводных сете-

вых технологий, несомненно, является технология Wi-Fi. Рост плотности

устройств в сетях Wi-Fi и числа самих сетей привел к высокой интерфе-

ренции и, как следствие, к снижению производительности сетей Wi-Fi.

Одним из эффективных решений для снижения интерференции в сце-

нариях плотного размещения станций является использование облачных

систем управления. В статье представлен алгоритм централизованной на-

стройки параметров сети Wi-Fi для такой облачной системы. Алгоритм

нацелен на максимизацию энергоэффективности путем решения оптими-

зационной задачи с ограничениями, в которой необходимо максимизиро-

вать разность двух монотонных функций. Валидация и оценка эффек-

тивности разработанного алгоритма проводится в среде имитационного

моделирования NS-3.

Ключевые слова: энергоэффективность, Wi-Fi, 802.11ax, плотные сети,

оптимизация, облачные технологии.

DOI: 10.31857/S0005231020010080

1. Введение

Как было отмечено аналитиками компании Cisco, в 2018 г. объемы данных,

передаваемые с использованием технологии Wi-Fi в качестве последней ми-

ли, превысили объемы данных, при передаче которых используются только

технологии проводной передачи данных [1]. Постоянное увеличение объемов

трафика, числа устройств беспроводных сетей и их плотности порождают все

новые и новые проблемы, связанные с увеличением пропускной способности

сети и обеспечением высокого качества обслуживания различных типов тра-

фика. Сложность в решении данных проблем возникает вследствие большой

внутрисетевой и межсетевой интерференции, избежать которую в сетях Wi-Fi

довольно сложно. Это во многом обусловлено методом случайного доступа к

каналу, который используется в сетях Wi-Fi и допускает возникновение кол-

лизий пакетов, в отличие от сетей LTE, в которых ресурсы беспроводного

канала распределяются централизованно, что предотвращает возникновение

коллизий.

¹ Исследование выполнено в ИППИ РАН за счет гранта Правительства Российской Фе-

дерации (договор No 14.W03.31.0019).

117

Чтобы повысить производительность плотных сетей Wi-Fi, международ-

ный комитет по стандартизации IEEE 802 разрабатывает новое дополнение

IEEE 802.11ax [2] к стандарту Wi-Fi. Дополнение IEEE 802.11ax содержит

набор методов, которые будут использоваться для уменьшения внутрисете-

вой и межсетевой интерференции, повышения спектральной эффективности

и качества обслуживания пользователей в сценариях с плотным размещением

станций: в крупных офисных и жилых зданиях, торговых центрах, аэропор-

тах, стадионах и др.

Кроме того, стоит отметить набирающий популярность тренд исполь-

зования Wi-Fi сетей — развертывание крупных корпоративных и домаш-

них сетей на базе технологии Wi-Fi, управляемых одним оператором связи.

При такой архитектуре сети оказывается полезным наличие единого центра

координации, который будет обеспечивать наиболее эффективную совмест-

ную работу соседних точек доступа Wi-Fi. Многие производители устройств

Wi-Fi, среди которых HP/Aruba Networks, Cisco/Miraki, Huawei, Quantenna

Communications и др., уже разработали собственные облачные инфраструк-

туры для совместного управления множеством точек доступа [3]. Очевидно,

что такие облачные системы могут существенно снизить межсетевую интер-

ференцию, так как центр координации имеет исчерпывающее представление

об интерференционной картине на каждой из контролируемых точек досту-

па и теоретически может оптимально распределить канальный ресурс между

различными точками доступа. Среди параметров сетей Wi-Fi, значения кото-

рых имеет смысл выбирать централизованно, можно отметить номер исполь-

зуемого частотного канала, мощность передатчика, чувствительность прием-

ника, необходимость использования механизма RTS/CTS и даже временное

разделение канального ресурса.

Кроме этого, в современных крупных беспроводных сетях число точек до-

ступа Wi-Fi может измеряться сотнями или даже тысячами. В таких сцена-

риях использования немаловажную роль в операционных расходах на под-

держание работоспособности беспроводной сети начинают играть расходы на

электроэнергию. С учетом этой особенности важной чертой разрабатывае-

мых решений для плотных сетей Wi-Fi является их энергоэффективность.

В данной статье рассматривается задача централизованного управления

параметрами работы множества точек доступа Wi-Fi в плотной беспровод-

ной сети с целью повышения пропускной способности сети, достижения низ-

кого энергопотребления и справедливого распределения канального ресурса

между различными устройствами. В статье ставится задача глобальной опти-

мизации и предлагается алгоритм ее решения, который позволяет определить

оптимальные значения параметров точек доступа Wi-Fi.

Дальнейшее изложение материала построено следующим образом. В раз-

деле 2 приводится краткий обзор публикаций по данной теме. В разделе 3

формулируется задача глобальной оптимизации, а в разделе 4 приводится

описание предложенного алгоритма для ее решения. Исследование эффек-

тивности разработанного алгоритма представлено в разделе 5, заключитель-

ные выводы приведены в разделе 6.

118

2. Исследования по теме

В связи со стремительным ростом числа базовых станций и точек доступа

в беспроводных сетях расходы на потребление энергии в таких сетях ста-

новятся все более существенными. Помимо обеспечения высокой пропуск-

ной способности сети, важным аспектом становится энергопотребление сети

в целом. Для повышения энергоэффективности сети могут использоваться

различные подходы, среди которых аккумулирование энергии от внешних

источников, использование более энергоэффективного аппаратного обеспе-

чения, грамотное планирование сети и распределение сетевых ресурсов [4].

В данной статье упор делается на разработку энергоэффективного алгорит-

ма распределения сетевых ресурсов в плотных сетях Wi-Fi с использованием

облачных технологий.

Авторы [5] предложили определить энергоэффективность как отношение

объема данных, успешно переданных по каналу связи, к количеству затра-

ченной энергии. В [5] авторы рассматривают передатчик, обладающий огра-

ниченным запасом энергии, и сравнивают энергоэффективность различных

алгоритмов повторной передачи недоставленных пакетов.

При оптимизации энергопотребления устройств необходимо принимать во

внимание не только энергию, потребляемую непосредственно при передаче

данных, но и учитывать постоянные энергозатраты, возникающие вне зави-

симости от передачи данных. В противном случае, как показано в [6], наибо-

лее эффективной стратегией является использование самой низкой скорости

передачи, которая достигается при наименьшей мощности передатчика.

В приведенных выше публикациях рассматривалось только одно беспро-

водное соединение. Очевидно, что определение энергоэффективности долж-

но быть расширено на системы с множеством приемо-передающих устройств.

В [7] предложено обобщенное определение энергоэффективности

∑

r_i

(1)

U = U_i =

p_i + p_c

i=1

где U — функция полезности, характеризующая общую энергоэффектив-

ность, U_i — функция, характеризующая энергоэффективность соединения i,

n — число соединений, r_i — скорость передачи данных по соединению i, p_i —

средняя мощность передачи по соединению i, p_c — мощность, потребляемая

в режиме ожидания. Основным недостатком предложенной функции полез-

ности является тот факт, что она не отражает суммарный объем потреблен-

ной энергии, а представляет собой “сумму энергоэффективностей” отдельных

соединений, что имеет менее явный физический смысл.

В [8] предлагается рассмотреть ряд других функций полезности, среди

которых произведение энергоэффективностей, а также так называемая гло-

бальная энергоэффекивность (GEE, Global Energy Efficiency). Глобальная

энергоэффективность определяется как отношение суммарной скорости пе-

редачи данных по всем соединениям к общей потребляемой мощности. В [8]

предлагаются быстрые алгоритмы для решения задач максимизации данных

функций полезности. Однако для задачи максимизации глобальной энерго-

119

эффективности оптимальное решение найдено только для случая отсутствия

интерференции от соседних передающих устройств.

Задача максимизации глобальной энергоэффективности может быть ре-

шена с использованием одного из методов решения задач монотонной опти-

мизации, заключающегося в последовательном приближении множества ре-

шений набором гиперпрямоугольников, имеющих общую вершину в начале

координат и задаваемых координатами противоположной вершины [9]. Недо-

статком данного подхода является слишком медленная сходимость в случае,

когда значение одной или нескольких переменных оказывается близким к ну-

лю. Чтобы избежать такого поведения, в данной статье предлагается исполь-

зовать метод ветвей и границ [10], который лишен отмеченного недостатка.

Несмотря на то что метод ветвей и границ успешно использовался для реше-

ния задачи максимизации глобальной энергоэффективности в сетях LTE [11],

его использование для решения подобной задачи в сетях Wi-Fi оказывает-

ся затруднительным. В частности, это обусловлено использованием в сетях

Wi-Fi метода множественного доступа с контролем несущей и избеганием

коллизий (CSMA/CA, Carrier Sense Multiple Access with Collision Avoidance)

и наличием регуляторных ограничений на порог чувствительности приемни-

ка, которые необходимо принимать во внимание. Применение метода ветвей

и границ для решения задачи максимизации пропускной способности в се-

тях Wi-Fi описано в [12], где на основе данного метода разработан алгоритм

динамической настройки мощности передачи устройств Wi-Fi. Даже при по-

стоянной нагрузке предложенный алгоритм динамически изменяет мощность

передачи и позволяет достичь большей пропускной способности сети.

В данной статье обобщается алгоритм, предложенный в [12], для решения

задачи максимизации глобальной энергоэффективности в сетях Wi-Fi с уче-

том требования на справедливое распределение канального ресурса между

разными станциями сети.

3. Постановка задачи и ее анализ

Рассмотрим беспроводную сеть, в которой имеется M точек доступа и

N пользовательских устройств, каждое из которых ассоциировано (т.е. сое-

динено) с одной точкой доступа. Будем полагать, что данные передаются

преимущественно в нисходящем канале, т.е. от точек доступа к пользова-

тельским устройствам. Для обозначения соединения, передатчика или полу-

чателя будем использовать один и тот же индекс i. Мощность излучаемого

сигнала при передаче данных по соединению i обозначим p_i. При этом затра-

чиваемая на передачу сигнала мощность равна φ_ip_i, где¹ — КПД усилителя._φ

Мощность, потребляемую точкой доступа в режиме ожидания, обозначим p_c.

Для простоты будем считать p_c равной для всех точек доступа, тогда сум-

марное энергопотребление всех точек доступа в режиме ожидания равно Mp_c.

В беспроводной среде сигнал передатчика j может быть принят не только по-

лучателем j, но и другими устройствами. Пусть 0 ≤ a_ij ≤ 1 — коэффициент

передачи сигнала между передатчиком j и получателем i, а 0 ≤ b_ij ≤ 1 — ко-

эффициент передачи сигнала между передатчиком j и передатчиком i. Будем

полагать, что получатели имеют возможность принимать сигнал ненулевой

120

мощности от соответствующего передатчика, т.е. ∀i a_ii > 0. Кроме этого, есте-

ственно положить ∀i b_ii = 0.

Функция полезности (1) имеет следующие недостатки. Во-первых, макси-

мизация такой функции может приводить к несправедливому распределению

канального ресурса, например, если p_c ≫ p_i. В таком случае функция полез-

ности направлена на максимизацию общей пропускной способности, что при-

ведет к несправедливому распределению ресурса. Во-вторых, сумма энерго-

эффективностей различных соединений не является величиной, отражающей

энергоэффективность сети в целом. Исходя из этого, в данной статье предла-

гается определить энергоэффективность сети в целом как отношение средней

пропускной способности к средней потребляемой мощности. В общем случае

усредненная пропускная способность может быть определена как

(

)

∑

(2)

U-1

U (r_i)

i=1

где

⎧

⎨log(ri), α = 1,

U (r_i) =

⎩r^i-α

(α ≥ 0) ∧ (α = 1).

1-α

Например, если α = 0, то (2) превращается в арифметическое среднее, если

же α = 1, то — в геометрическое среднее.

Таким образом, функция полезности^Û может быть определена следую-

щим образом:

(

)

U-1

∑ U(r_i)

Û₌

i=1

(3)

∑

Mp_c + φ_ip_i

i=1

В случае α = 0 задача становится эквивалентной максимизации глобаль-

ной энергоэффективности.

Отметим, что скорость передачи данных r_i представляет собой неубываю-

щую функцию от SINR (signal to interference plus noise ratio) — отношения

сигнала к сумме интерференции и шума) γ_i, — которая может быть оце-

нена при помощи существующих моделей ошибок передачи для известных

сигнально-кодовых конструкций

(4)

r_i = f(γ_i

(p)).

В свою очередь SINR на получателе i вычисляется так:

a_iip_i

(5)

γ_i(p) =

∑

n_i +

a_ijp_j

j=1

j=i

121

где n_i — тепловой шум на получателе i. Таким образом, независимыми пере-

менными в (3) являются мощности передачи p_i.

Рассматриваемая в статье задача заключается в выборе таких мощно-

стей передачи p_i, чтобы максимизировать (3) с учетом ряда ограничений,

возникающих при использовании технологии Wi-Fi:

maxbijpj ≤ ĉ ∀i,таких что pi > 0;

(6)

maxaijpj ≤ ĉ ∀i,таких что pi > 0;

0 ≤ p_i ≤ p_i ∀i.

Первое ограничение представляет собой принцип прослушивания канала

перед началом передачи, которому обязаны следовать все устройства Wi-Fi,

так как передача ведется в нелицензируемом спектре. Начать передачу разре-

шено только в том случае, если принимаемая мощность сигнала не превыша-

ет некоторого порогового значения (т.е. устройство не синхронизировалось

на прием текущей передачи). Второе условие гарантирует, что получатель

также не синхронизован в текущий момент ни на какую чужую передачу.

Третье условие отражает ограничение на мощность излучаемого сигнала.

3.1. Анализ функции полезности

Для решения задачи максимизации функции полезности (3) при ограниче-

ниях (6) проведем некоторые преобразования. Представим (3) как функцию

вектора r скоростей передачи данных. Это можно сделать, решая систему

линейных уравнений (5) с учетом известной монотонной зависимости (4).

Прологарифмировав выражение (3), представим его как разность двух

неубывающих функций, зависящих от вектора r скоростей передачи данных:

(7)

logU

(r) = V (r) - W (r),

где

(

)

∑

(8)

V (r) = log U-1

U (r_i)

i=1

(

)

∑

(9)

W (r) = log Mp_c + φ_ip_i(γ_i(r_i))

i=1

Очевидно, что (8) является неубывающей функцией r. Покажем, что (9)

также является неубывающей функцией r. В [13, лемма 2] показано, что для

двух векторов SINR γ^′ и γ, таких что γ^′ ≽ γ (т.е. каждая компонента векто-

ра γ^′ не меньше, чем соответствующая компонента вектора γ) следует, что

для соответствующих векторов мощностей передачи p^′ и p верно утвержде-

ние p^′ ≽ p. Известно, что если r^′ ≽ r, то γ^′ ≽ γ. Таким образом, (9) действи-

тельно является неубывающей функцией от скорости передачи данных.

122

Представив (7) как разность двух монотонных функций, можно приме-

нить известные оптимизационные методы [10, 11.1.2 DM Functions and DM

Constraints]. Согласно [10, теорема 11.1] задача максимизации (7) может быть

сведена к задаче максимизации монотонной функции полезности при нали-

чии монотонных ограничений. Для этого необходимо ввести дополнительную

переменную w ∈ [- exp(W_max), - exp(W_min)] и переформулировать постанов-

ку задачи следующим образом:

(10)

max

V (r) - log(-w)

r,w

при условии

(11)

exp(W (r)) + w ≤ 0.

Новая функция полезности (10) является неубывающей функцией от r

и w.

Учитывая существующую линейную зависимость между компонентами

векторов r и p, все ограничения в задаче будут иметь вид

g(r, w) ≤ 0,

где g(r, w) — неубывающая функция.

Таким образом, задача оптимизации энергоэффективности сведена к

максимизации монотонной функции (10) при монотонных ограничениях

(11) и (6) с учетом зависимостей (4) и (5).

4. Алгоритм

4.1. Статическое решение

Решение изложенной выше оптимизационной задачи максимизации моно-

тонной функции при наличии монотонных ограничений может быть найдено

с помощью метода ветвей и границ. Основная идея данного метода состоит

в том, чтобы представить рассматриваемую задачу в виде дерева подзадач.

В данном случае каждая подзадача описывается областью в пространстве

поиска (r, w), представляющей собой гиперпрямоугольник с нижней грани-

цей (r, w)(-) и верхней границей (r, w)⁽⁺⁾.

Далее дадим краткое описание алгоритма и описание особенностей его

применения для решения поставленной задачи. Подробное описание всех ша-

гов алгоритма для оптимизации пропускной способности сети в простран-

стве r описано авторами в [12].

В качестве входных данных алгоритм принимает параметр ε, задающий

требуемую точность решения. Алгоритм оптимизации энергоэффективности

состоит из шагов инициализации, ветвления, разбиения и оценивания.

1. Инициализация. Создается список подзадач, состоящий из одной подза-

дачи, описываемой гиперпрямоугольником, для нижней границы (r, w)(-)

которого вектор r является нулевым и w = - exp(W_max), а для верхней

(

)

aii pi

границы (r, w)⁽⁺⁾ r_i = f

и w = -exp(W_min).

n_i

123

(r, w)⁽⁾

r₁

(r, w)⁽⁾

Рис. 1. Шаг оценивания.

Ветвление. Выбирается одна из подзадач из списка подзадач. В данном

алгоритме выбирается последняя добавленная подзадача, т.е. используется

алгоритм поиска в глубину аналогично [12].

Разбиение. Выбирается наиболее длинная сторона гиперпрямоугольника,

представляющего выбранную подзадачу, и гиперпрямоугольник разбива-

ется пополам вдоль нее. Заметим, что при этом сравниваются величины,

имеющие разные размерности, так как скорости передачи данных (компо-

ненты вектора r) измеряются в Мбит/c, а энергопотребление w — в мВт.

Так как в этих единицах величины имеют схожий порядок, то для упро-

щения реализации дополнительная нормализация данных величин перед

сравнением не проводится.

Оценивание. Для каждой из полученных в результате разбиения подзадач

методом дихотомии находится приближенное решение внутри рассматри-

ваемого гиперпрямоугольника. Для этого вводятся вспомогательные пере-

менные l и h. Изначально l = (r, w)(-) и h = (r, w)⁽⁺⁾. Затем вычисляется

вектор m =¹² l +¹² h и проверяется, удовлетворяет ли этот вектор услови-

ям (11) и (6). Если условия выполнены, то вектор m заменяет l, иначе h.

Таким образом, происходит приближение к поверхности, ограничивающей

область допустимых значений (см. рис. 1). После некоторого фиксиро-

ванного числа итераций полученный вектор l = (r_l, w_l) является прибли-

женным решением подзадачи и используется для обновления наилучшего

найденного решения, если значение функции полезности V (r_l) - log(-w_l)

оказывается больше, чем соответствующее значение для уже найденного

решения. Вектор h используется для оценивания верхней границы значе-

ния функции полезности с использованием процедуры, описанной в [12].

Если оценка верхней границы оказывается более чем на ε меньше, чем

значение функции полезности для наилучшего найденного решения, то

подзадача отбрасывается. В противном случае подзадача добавляется в

список рассматриваемых подзадач.

124

5. Завершение алгоритма. Когда список рассматриваемых подзадач стано-

вится пустым, алгоритм завершается. Если список рассматриваемых под-

задач непустой, то алгоритм переходит к следующей итерации, начинаю-

щейся с шага 2.

Результатом работы алгоритма является наилучшее найденное к моменту

завершения решение. Так как в процессе работы алгоритма не отбрасыва-

ются решения, позволяющие улучшить значение функции полезности более

чем на ε, то, уменьшая параметр ε, можно получить решение, сколь угодно

близкое к оптимальному.

4.2. Динамическое решение

Решение изложенной оптимизационной задачи должно периодически пе-

ресчитываться по следующим причинам. Во-первых, канальные условия, се-

тевой трафик и активность станций меняются со временем. Во-вторых, в ряде

случаев невозможно передавать данные одновременно по всем соединениям

даже при сниженной мощности передачи. Это приводит к тому, что в опти-

мальном решении передачи между некоторыми станциями будут запрещены.

Чтобы избежать блокировки соединений, необходимо время от времени пе-

ресчитывать найденное решение с учетом объема данных, переданного по

разным соединениям.

Обозначим через P и R_i суммарную энергию, потраченную с начала экс-

перимента, и общий объем переданных данных по соединению i с начала экс-

перимента. Тогда логарифм функции полезности может быть представлен в

виде

(

)

∑

(12)

log^Û = log U-1

U (R_i)

− log P.

i=1

В таком случае каждый раз необходимо максимизировать приращение

функции полезности, т.е. максимизировать ее производную. Для этого про-

дифференцируем (12), принимая во внимание (2). Для всех α ≥ 0

∑

R^′i

P^′

(13)

(log^Û)^′ =

R^αi

∑ R1-αi i=1

i=1

С учетом того что R^′i = r_i и P^′ = -w необходимо максимизировать функ-

цию

∑

r_i

(14)

(log^Û)^′ =

R^αi

∑ R1-αi i=1

i=1

Эта функция также является монотонной функцией от переменных (r, w),

поэтому для ее оптимизации используется описанный в подразделе 4.1 алго-

ритм.

125

5. Численные результаты

Представим результаты имитационного моделирования по оценке произ-

водительности предложенного решения. Рассматривается область простран-

ства размером 100 × 100 метров, внутри которой равновероятно случайным

образом размещаются 10 беспроводных клиентов (получателей). Клиенты об-

служиваются точками доступа Wi-Fi (передатчиками), число которых изме-

няется от 1 до 30. Точки доступа Wi-Fi располагаются внутри данной обла-

сти, макcимизируя минимальное расстояние между любыми двумя точками

доступа Wi-Fi и расстояние между точками доступа и границей области.

Для моделирования распространения сигнала используется модель, пред-

ложенная в [14]. Согласно этой модели ослабление сигнала на расстоянии d

от передатчика рассчитывается следующим образом:

d(r) = 40,05 + 20 log₁₀(f_c/2,4) + 20 log₁₀(min(r, 10)) + 1r>10 · 35 log₁₀ 0,1r,

где f_c = 5,21 ГГц, 1r>10 — функция-индикатор, равная единице, если r > 10,

и нулю в остальных случаях.

Задача оптимизации, описанная в разделе 3, рассматривается для слу-

чая α = 1. Как было отмечено, для решения задачи необходимо опреде-

лить зависимость скорости передачи данных от соотношения SINR сигнал-

шум. Данная зависимость для алгоритма выбора скорости передачи данных

Minstrel HT была получена с помощью имитационного моделирования в сре-

де NS-3 [15] и может быть аппроксимирована ступенчатой функцией, см.

рис. 2.

В данной статье проводится сравнительный анализ эффективности сле-

дующих решений.

1. СТД (работа сети согласно стандарту). Моделируется работа сети Wi-Fi

по умолчанию без каких-либо изменений или дополнительных настроек.

Все станции получают доступ к каналу согласно методу множественного

доступа с контролем несущей и избеганием коллизий (CSMA/CA).

Рис. 2. Зависимость скорости передачи данных от соотношения SINR сигнал-шум.

126

5, 6

, 7, 8

3, 4

1, 2

Число точек доступа

5, 6

3, 4

1, 2

Число точек доступа

Рис. 3. Пропускная способность сети в зависимости от числа

то-

чек доступа: 1 - решение СТД; 2 - решение СТД + ВЫКЛ; 3 -

ре-

шение РАСП; 4 - решение РАСП + ВЫКЛ; 5 - решение КМ + РАСП;

6 - решение КМ + РАСП + ВЫКЛ; 7 - решение ЭКМ + РАСП; 8 -

решение ЭКМ + РАСП + ВЫКЛ.

2. РАСП (передача по расписанию). Передачи различных точек доступа осу-

ществляются согласно расписанию таким образом, чтобы максимизиро-

вать среднее геометрическое пропускных способностей различных точек

доступа. Для этого решается оптимизационная задача, изложенная в [12].

3. К.М. + РАСП (контроль мощности и передача по расписанию). В допол-

нение к составлению расписания передач также осуществляется настройка

мощности передатчиков, как описано в [12].

4. Э.К.М. + РАСП (энергоэффективный контроль мощности и передача по

расписанию) Решение, предложенное в данной статье.

Так как в режиме ожидания точки доступа потребляют значительное ко-

личество электроэнергии, то для каждого из решений рассмотрены два сце-

нария: в первом сценарии все точки доступа включены, в то время как во

втором сценарии точки доступа, к которым не подключен ни один клиент,

выключены (“ВЫКЛ”).

127

Основные параметры имитационного моделирования

Параметр

Значение

Высота антенны на точке доступа, м

Высота антенны на клиенте-получателе, м

Максимальная мощность передачи p_i ∀i, мВт

Плотность мощности шума, дБм/Гц

-174

Ширина канала, МГц

Мощность шума усилителя, дБ

Чувствительность приемника, дБм

-96

Алгоритм выбора скорости передачи

Minstrel HT

Энергопотребление точки доступа в режиме ожидания p_c, мВт

820

КПД усилителя, 1/φ_i ∀i

0,1

∑

На рис. 3 показана зависимость средней пропускной способности1N R_i

i=1

(

)1/N

∏

и среднего геометрического пропускной способности

R_i

от числа

i=1

обслуживающих точек доступа. При наличии только одной точки доступа

результаты всех решений, кроме предложенного в данной статье, практиче-

ски совпадают. Это объясняется тем, что при присутствии лишь одной точки

доступа не имеет значения, как организован доступ к среде: данная точка

доступа в любом случае получает все канальные ресурсы. Однако при по-

пытке оптимизировать энергоэффективность, на что нацелено предложенное

в данной статье решение, мощность передачи может быть снижена в целях

экономии энергии, что приводит к некоторому снижению пропускной способ-

ности.

При использовании стандартных настроек работы сети Wi-Fi увеличение

числа обслуживающих точек доступа не приносит дополнительной выгоды и

даже наоборот может приводить к снижению пропускной способности. Это

объясняется появлением скрытых станций и, как следствие, коллизиями па-

кетов, чего можно избежать при помощи координации работы соседних то-

чек доступа, как предложено в данной статье. При увеличении числа обслу-

живающих точек доступа пропускная способность растет из-за уменьшения

среднего расстояния между передатчиком и приемником, влекущего за собой

использование более быстрых сигнально-кодовых конструкций и увеличение

скорости передачи данных. Несмотря на то что использование стандартных

настроек работы сети Wi-Fi позволяет достичь довольно высокой средней

пропускной способности, оно не обеспечивает равномерного распределения

канального ресурса между различными клиентами, что выражается в низ-

ком значении среднего геометрического пропускной способности.

При использовании расписания передач наблюдается увеличение пропуск-

ной способности сети при небольшом числе обслуживающих точек досту-

па, что объясняется уменьшением среднего расстояния между передатчиком

и приемником и, следовательно, использованием более быстрых сигнально-

кодовых конструкций. После этого пропускная способность остается постоян-

ной и не изменяется с ростом числа точек доступа, так как в каждый момент

времени происходит только одна передача и при этом используется самая

быстрая сигнально-кодовая конструкция, а коллизии отсутствуют. Дальней-

128

Число точек доступа

Рис. 4. Энергопотребление сети: 1 — решение СТД; 2 — решение

СТД + ВЫКЛ; 3 — решение РАСП; 4 — решение РАСП + ВЫКЛ;

5 — решение КМ + РАСП; 6 — решение КМ + РАСП + ВЫКЛ; 7 —

решение ЭКМ + РАСП; 8 — решение ЭКМ + РАСП + ВЫКЛ.

Число точек доступа

Рис. 5. Энергоэффективность сети: 1 — решение СТД; 2 — решение

СТД + ВЫКЛ; 3 — решение РАСП; 4 — решение РАСП + ВЫКЛ;

5 — решение КМ + РАСП; 6 — решение КМ + РАСП + ВЫКЛ; 7 —

решение ЭКМ + РАСП; 8 — решение ЭКМ + РАСП + ВЫКЛ.

шее уменьшение среднего расстояния между передатчиком и приемником не

приносит дополнительной пользы.

Кривые, соответствующие совместному контролю мощности и расписанию

передач, а также энергоэффективному контролю мощности и расписанию пе-

129

300

250

200

150

100

3, 4

5, 6, 7, 8

1, 2

Число беспроводных клиентов

300

250

200

5, 6, 7, 8

150

100

3, 4

1, 2

Число беспроводных клиентов

Рис. 6. Пропускная способность сети: 1 — решение СТД; 2 — решение

СТД + ВЫКЛ; 3 — решение РАСП; 4 — решение РАСП + ВЫКЛ;

5 — решение КМ + РАСП; 6 — решение КМ + РАСП + ВЫКЛ; 7 —

решение ЭКМ + РАСП; 8 — решение ЭКМ + РАСП + ВЫКЛ.

редач, располагаются довольно близко друг другу. Для обоих данных реше-

ний динамическая настройка мощности передачи позволяет получить выиг-

рыш в значении среднего геометрического пропускной способности до двух

раз. Главное различие данных решений заключается в их энергоэффектив-

ности. На рис. 4 и 5 показаны энергопотребление всей сети в ваттах и энер-

гоэффективность, измеренная в Мбит/Дж. Энергоэффективное управление

мощностью позволяет существенно снизить энергопотребление, обеспечивая

130

2,00

1,75

1,50

1,25

1,00

0,75

0,50

0,25

Число беспроводных клиентов

Рис. 7. Величина, обратная энергоэффективности сети: 1 — ре-

шение СТД; 2 — решение СТД + ВЫКЛ; 3 — решение РАСП;

— решение РАСП + ВЫКЛ; 5 — решение КМ + РАСП; 6 —

решение КМ + РАСП + ВЫКЛ; 7 — решение ЭКМ + РАСП;

8 — решение ЭКМ + РАСП + ВЫКЛ.

при этом практически такую же пропускную способность, как и разработан-

ное ранее решение К.М. + РАСП.

На рис. 4 также присутствует сплошная линия, которая показывает ми-

нимально возможное энергопотребление сети, обусловленное только компо-

нентой p_c — потребляемой мощностью в режиме ожидания. Результаты при-

менения энергоэффективного контроля мощности и расписания передач ока-

зываются довольно близкими к данному нижнему пределу, который может

быть достигнут только в том случае, если сеть не передает данные.

Выключение точек доступа, к которым не подключена ни одна станция

(кривые с меткой “ВЫКЛ”), позволяет значительно понизить энергопотреб-

ление в сетях с большим числом точек доступа (см. рис. 4) за счет умень-

шения слагаемого Mp_c в (3). При этом, как видно из рис. 3, незначительно

уменьшается среднее геометрическое пропускной способности, так как сла-

∑_N

гаемое

φ_ip_i, связанное с мощностью передачи, начинает оказывать более

i=1

существенное влияние на значение функции полезности, что с точки зрения

энергоэффективности делает более выгодным выбор меньшей мощности пе-

редачи. Заметим, что в случае выключения неиспользуемых точек доступа

применение разработанного решения позволяет значительно повысить энер-

гоэффективность по сравнению с использованием стандартных настроек при

всех рассмотренных значениях числа точек доступа, см. рис. 5.

На рис. 6 и 7 показаны зависимости пропускной способности и энерго-

эффективности сети с 25 точками доступа при изменении числа клиентских

устройств. Для всех рассматриваемых решений пропускная способность сети

оказывается выше, чем в случае отсутствия централизованного управления.

131

Для удобства представления результатов на рис. 7 показана величина, об-

ратная энергоэффективности. Как видно из данного рисунка, преимущество

использования централизованного управления сетью растет с увеличением

числа беспроводных клиентов в сети.

6. Заключение

В данной статье предложен новый алгоритм управления передачей в плот-

ных сетях Wi-Fi с целью повышения энергоэффективности. В основе алгорит-

ма лежит решение оптимизационной задачи по максимизации энергоэффек-

тивности с применением метода ветвей и границ. Для оценки эффективно-

сти разработанного решения предложенный алгоритм был реализован в сре-

де имитационного моделирования NS-3. Результаты моделирования показали

повышение энергоэффективности до 75 % по сравнению с разработанным ра-

нее алгоритмом, при этом обеспечивались схожие среднее геометрическое и

среднее арифметическое пропускной способности. В качестве дальнейшего

направления исследований планируется оценить эффективность разработан-

ных решений в сценариях с динамически меняющимся трафиком.

СПИСОК ЛИТЕРАТУРЫ

Barnett T., Jain S., Andra U., Khurana T. Cisco Visual Networking Index (VNI),

Complete Forecast Update, 2017-2022 // Americas/EMEAR Cisco Knowledge

Network (CKN) Presentation. December, 2018.

Khorov E., Kiryanov A., Lyakhov A., Bianchi G. A Tutorial on IEEE 802.11ax High

Efficiency WLANs // IEEE Communications Surveys & Tutorials. 2019. V. 21. No. 1.

P. 197-216. Firstquarter.

Khorov E., Ivanov A., Lyakhov A., Akyildiz I.F. Cloud Control to Optimize Real-

Time Video Transmission in Dense IEEE 802.11aa/ax Networks // Proc. IEEE 15th

Int. Conf. on Mobile Ad Hoc and Sensor Systems (MASS). 2018.

Buzzi S., Chih-Lin I., Klein T.E., Poor H.V., Yang C., Zappone A. A Survey of

Energy-Efficient Techniques for 5G Networks and Challenges Ahead // IEEE J-SAC.

2016. V. 34. No. 4. P. 697-709.

Zorzi M., Rao R.R. Energy-Constrained Error Control for Wireless Channels //

IEEE Pers. Comm. Mag. 1997. V. 4. No. 6. P. 27-33.

Li G.Y., Xu Z., Xiong C., Yang C., Zhang S., Chen Y., Xu S. Energy-Efficient

Wireless Communications: Tutorial, Survey, and Open Issues // IEEE Wirel.

Commun. 2011. V. 18. No. 6. P. 28-35.

Miao G., Himayat N., Li Y.G., Koc A.T., Talwar S. Interference-Aware Energy-

Efficient Power Optimization // Proc. 2009 IEEE ICC. 2009 P. 1-5.

Venturino L., Zappone A., Risi C., Buzzi S. Energy-Efficient Scheduling and Power

Allocation in Downlink Ofdma Networks with Base Station Coordination // IEEE

T. Wirel. Commun. 2015. V. 14. No. 1. P. 1-14.

Zappone A., Jorswieck E. Energy Efficiency in Wireless Networks via Fractional

Programming Theory // Found. Trends Commun. Inform. Theory. 2015. V. 11.

No. 3-4. P. 185-396.

10.

Tuy H. Convex Analysis and Global Optimization. Germany. Springer, 2016.

132

11. Zappone A., Bjornson E., Sanguinetti L., Jorswieck E. Globally Optimal Energy-

Efficient Power Control and Receiver Design in Wireless Networks // IEEE T. Signal

Proces. 2017. V. 65. No. 11. P. 2844-2859.

12. Кирьянов А.Г., Кротов А.В., Ляхов А.И., Хоров Е.М. Алгоритм динамического

управления мощностью и составления расписания передач в инфраструктурных

сетях IEEE 802.11 ax // Информационные процессы. 2019. Т. 19. № 1. С. 16-32.

13. Стефанюк В.Л., Цетлин М.Л. О регулировке мощности в коллективе радио-

станций // Пробл. передачи информации. 1967. Т. 3. № 4. С. 49-57.

14. Merlin S. TGax Simulation Scenarios. [Online].

https://mentor.ieee.org/802.11/dcn/14/11-14-0980-16-00axsimulation-scenarios.docx

15. The NS-3 Network Simulator. [Online]. http://www.nsnam.org/

Статья представлена к публикации членом редколлегии А.И. Ляховым.

Поступила в редакцию 26.06.2019

После доработки 17.07.2019

Принята к публикации 18.07.2019

133