徐丹，曾宇，孟維業(yè)，李力卡

（中國電信股份有限公司研究院AI研發(fā)中心，北京 102209）

1 引言

5G時代的到來將為海量設(shè)備提供網(wǎng)絡(luò)服務(wù)，以滿足泛在的連接及海量數(shù)據(jù)傳輸需求。根據(jù)《5G時代運營商數(shù)據(jù)和存儲架構(gòu)白皮書》[1]的預(yù)測，到2025年，5G網(wǎng)絡(luò)中每月數(shù)據(jù)量將達到17.75 ZB，5G網(wǎng)絡(luò)容量需求顯著提升。為了滿足5G網(wǎng)絡(luò)的容量需求，在當(dāng)前的5G架構(gòu)下，網(wǎng)絡(luò)使用了更寬的頻譜資源[2]，同時引入了大規(guī)模多輸入多輸出（massive multiple input multiple output，massive MIMO）技術(shù)，使得5G網(wǎng)絡(luò)的能耗大幅增加[3]。未來5G全面普及之后，預(yù)計到2030年，我國5G基站數(shù)量將達到1 500萬個[4]，而單個5G基站的功耗是4G基站的3～4倍[5]，這會帶來巨大的能源開銷。依靠現(xiàn)有網(wǎng)絡(luò)范式和體系結(jié)構(gòu)來實現(xiàn)該目標(biāo)將不可避免地導(dǎo)致能源緊縮，并帶來嚴重的經(jīng)濟和環(huán)境問題。為應(yīng)對全球能源短缺和環(huán)境保護面臨的挑戰(zhàn)，5G系統(tǒng)的節(jié)能技術(shù)成為當(dāng)前學(xué)術(shù)界和運營商研究的重點[6]。

近年來，學(xué)術(shù)界已經(jīng)開展了一系列研究，從理論上探索5G網(wǎng)絡(luò)潛在的節(jié)能范式和體系架構(gòu)。傳統(tǒng)的網(wǎng)絡(luò)節(jié)能主要通過合理的網(wǎng)絡(luò)規(guī)劃和多層關(guān)閉實現(xiàn)[7]，合理的網(wǎng)絡(luò)規(guī)劃意味著通過網(wǎng)絡(luò)規(guī)劃和優(yōu)化，減少站點部署數(shù)量，以滿足網(wǎng)絡(luò)容量和節(jié)電的要求，提高覆蓋效率，同時也可以減少無效的系統(tǒng)開銷。然而5G網(wǎng)絡(luò)的復(fù)雜性使得傳統(tǒng)依賴于人工的運維手段無法滿足節(jié)能需求，具體表現(xiàn)在：第一，解決方案不靈活。為了簡化部署的復(fù)雜性，將在一個區(qū)域甚至整個網(wǎng)絡(luò)中配置統(tǒng)一參數(shù)，而無須進行場景識別，這可能無法與實際流量變化相匹配；第二，該解決方案不支持可持續(xù)發(fā)展。一旦網(wǎng)絡(luò)架構(gòu)發(fā)生變化（例如小區(qū)數(shù)量的增加或減少、相鄰小區(qū)關(guān)系的變化或流量的變化），先前的節(jié)能策略可能會完全無效；第三，該解決方案的適應(yīng)性較差，需要大量的現(xiàn)場或遠程支持人員。隨著人工智能（artificial intelligence，AI）技術(shù)的蓬勃發(fā)展，基于AI的智能化節(jié)能方案成為未來新的技術(shù)研究熱點，通過網(wǎng)絡(luò)預(yù)測、策略調(diào)整和優(yōu)化以及實時KPI監(jiān)視，基于AI設(shè)計閉環(huán)省電解決方案，在省電和網(wǎng)絡(luò)性能之間找到平衡[8]。

同時，運營商及產(chǎn)業(yè)界對5G節(jié)能也展開了一系列的實踐探索，利用AI技術(shù)對網(wǎng)絡(luò)歷史數(shù)據(jù)進行學(xué)習(xí)，構(gòu)建業(yè)務(wù)的模型，同時引入實時數(shù)據(jù)不斷訓(xùn)練修正模型，實現(xiàn)對業(yè)務(wù)場景的精準預(yù)測，進而在當(dāng)前環(huán)境下進行節(jié)能場景的識別、負荷的智能預(yù)測、節(jié)能策略的智能推薦，提高節(jié)能觸發(fā)的靈活性，達到智慧節(jié)能的效果[9]。

隨著5G的增長，預(yù)計到2025年，無線接入網(wǎng)能耗占網(wǎng)絡(luò)總能耗的 50.6%，數(shù)據(jù)中心占23.3%，邊緣和核心網(wǎng)占2.2%[10]。因此，在5G各個單元（如基站、核心網(wǎng)元、數(shù)據(jù)中心機房等）應(yīng)用智慧節(jié)能技術(shù)勢在必行，并將期待實現(xiàn)5G端到端能效提高。

2 能效模型

2.1 接入網(wǎng)絡(luò)能效

在不考慮部署場景的情況下，能源效率可以表示為[11]：

其中，i表示第i個載荷，Vi表示網(wǎng)絡(luò)每秒的流負載（byte），Ei表示處理流量負載所消耗的能量（J），iα為流量負載級別的權(quán)重。

根據(jù)式（1），能效的提升可以分為兩個方面：第一，利用更寬的頻譜資源、更多的天線、更高的調(diào)制階數(shù)等來增加流負載；第二，降低處理有效負載所消耗的能量。

2.2 核心網(wǎng)絡(luò)能效

參考文獻[12]中提出一種潛在的5G核心網(wǎng)絡(luò)能效KPI，可表示為：

其中，DV表示5G核心網(wǎng)絡(luò)測量的數(shù)據(jù)量，EC表示核心網(wǎng)絡(luò)消耗的能量。DV測量包括5G核心網(wǎng)絡(luò)僅用戶面測量，或者用戶面和控制面測量。

根據(jù)式（2），能效的提升可以分為兩個方面：第一，通過提高單位時間有效流量負載；第二，降低處理有效負載所消耗的能量。

2.3 數(shù)據(jù)中心能效

在數(shù)據(jù)中心中，將常用的電源使用效率（PUE）作為能效衡量指標(biāo)[13]：

其中，總用電量包括IT負載能耗、冷卻系統(tǒng)的能耗、場地和核心房間的照明、電力與配電損耗等。由于冷卻和設(shè)備散熱、設(shè)備配置、設(shè)備機房環(huán)境和大氣條件之間的關(guān)聯(lián)，在運維達到一定的成熟度后，人力或?qū)＜医?jīng)驗無法滿足進一步降低能耗的要求。降低數(shù)據(jù)中心總能耗，可以通過動態(tài)負載調(diào)節(jié)優(yōu)化服務(wù)器能耗[14]，以及降低水冷主機、冷卻塔、熱交換器和水泵等能耗調(diào)節(jié)優(yōu)化服務(wù)器能耗。

3 AI使能的節(jié)能技術(shù)

3.1 基站節(jié)能

5G基站是5G網(wǎng)絡(luò)的核心設(shè)備，提供無線覆蓋功能，實現(xiàn)有線通信網(wǎng)絡(luò)與無線終端之間的無線信號傳輸。基站的架構(gòu)、形態(tài)直接影響5G網(wǎng)絡(luò)如何部署。由于頻率越高，信號傳播過程中的衰減也越大，與4G網(wǎng)絡(luò)相比，5G網(wǎng)絡(luò)需要更高的基站數(shù)量和密度，隨著覆蓋范圍、容量和站點數(shù)量的增加，基站的功耗占移動網(wǎng)絡(luò)的一半以上，甚至高達80%。因此，5G基站的節(jié)能迫在眉睫。

基站的能量消耗可以定義為：

其中，NC是組件的載波數(shù)，Nse表示每個站點的扇區(qū)數(shù)，PΔ表示負荷與功耗的斜率關(guān)系，χ為傳輸資源元素（RE）的數(shù)量與總RE的數(shù)量之比，0P為基站最小輸出功率，Pmax為射頻模塊每個載波上的最大輸出功率，Psleep為基站睡眠模式下的功率。從式（4）可以看出，χ=0狀態(tài)下的基站能耗更小[15]。

在LTE網(wǎng)絡(luò)中，基站節(jié)能技術(shù)應(yīng)用主要通過人工設(shè)定的門限來決定是否需要開關(guān)。這種方法參數(shù)設(shè)置保守，節(jié)能效果有限，且所有的參數(shù)都是由基站統(tǒng)一設(shè)置的，無法在復(fù)雜多變的環(huán)境下做到對網(wǎng)絡(luò)環(huán)境自適應(yīng)。

在5G網(wǎng)絡(luò)中，靈活的參考信號設(shè)計使基站的睡眠模式更加高效。通過設(shè)計靈活的參考信號，在不需要基站組件時將其關(guān)閉，使得基站在更長的時間內(nèi)處于χ=0的狀態(tài)，從而降低了能耗Ei。例如，基站的大多數(shù)組件都不使用時，可以通過關(guān)閉其大部分組件的能量來使其進入睡眠模式。尤其在小區(qū)多層覆蓋時，通過流量預(yù)測和決定微基站的睡眠狀態(tài)，并將流量遷移到宏基站，實現(xiàn)非常低的覆蓋損耗，在保障區(qū)域QoS的同時提供可能的最佳能源效率[16]。

（1）AI使能的5G基站節(jié)能技術(shù)

人工智能技術(shù)可以令基站節(jié)能技術(shù)更加智能化，實現(xiàn)全網(wǎng)運行效率最優(yōu)、綜合節(jié)能效率最優(yōu)的節(jié)能目標(biāo)[17]。通過數(shù)據(jù)預(yù)測和實時監(jiān)控，基于AI的基站節(jié)能可以分為以下3個方向。

· 基于時間的節(jié)能：網(wǎng)絡(luò)負載和用戶行為可以通過歷史數(shù)據(jù)分析來預(yù)測，如自回歸綜合移動平均（autoregressive integrated moving average，ARIMA）模型、長短期記憶（long short-term memory，LSTM）和Facebook的Prophet用于時間序列預(yù)測[18]?；趩卧臅r間窗口無須設(shè)置統(tǒng)一的參數(shù)，而是可以確保更長的激活時間以節(jié)省功耗。

· 基于閾值的節(jié)能：通過預(yù)測RRC連接的用戶和PRB的使用情況，將不同的觸發(fā)閾值用于不同的情況[19]。將預(yù)測值與基于15 min粒度的實時流量進行比較，預(yù)測準確性超過90%，這意味著逐個單元的策略和方案識別可提高可執(zhí)行性。

· 基于KPI的節(jié)能：實時監(jiān)控網(wǎng)絡(luò)KPI（例如呼叫建立成功率、掉線率、切換成功率和吞吐量、平均功耗和用戶體驗）以優(yōu)化策略，在AI省電中允許實時策略回滾[20]。

AI使能的基站節(jié)能方案需要采集無線端負載、感知數(shù)據(jù)等[21]，使用AI技術(shù)識別業(yè)務(wù)場景[22]，如商業(yè)區(qū)、居民區(qū)、高鐵線路等?；跉v史業(yè)務(wù)負荷數(shù)據(jù)訓(xùn)練預(yù)測模型，在預(yù)測未來業(yè)務(wù)量增大時，適當(dāng)關(guān)閉一些節(jié)能手段，或在預(yù)測的節(jié)能小區(qū)和節(jié)能時段觸發(fā)該小區(qū)的負荷轉(zhuǎn)移到其鄰區(qū)，負荷轉(zhuǎn)移完成后立即觸發(fā)該小區(qū)的節(jié)能[23]。業(yè)務(wù)流量預(yù)測模型主要根據(jù)歷史小區(qū)信息以及環(huán)境因素的特征，利用神經(jīng)網(wǎng)絡(luò)找到這些特征值和模型的對應(yīng)關(guān)系，確定權(quán)重矩陣和梯度后構(gòu)造，表1給出一些網(wǎng)絡(luò)流量預(yù)測模型。根據(jù)預(yù)測結(jié)果進行節(jié)能策略最優(yōu)選擇、實時調(diào)整、自動更新和執(zhí)行，實行差異化的閾值調(diào)整門限，滿足預(yù)設(shè)的KPI和節(jié)能目標(biāo)[24]。多基站協(xié)同節(jié)能的方法是將相鄰基站的歷史信息加入上述的模型進行聯(lián)合模型的預(yù)測，使預(yù)測結(jié)果更精確[25]。同時也可以自動識別多層覆蓋小區(qū)、基礎(chǔ)覆蓋小區(qū)和補熱小區(qū)，熱點覆蓋小區(qū)可根據(jù)業(yè)務(wù)量變化、多網(wǎng)覆蓋狀態(tài)等進入節(jié)能模式，實現(xiàn)節(jié)能效果。

（2）AI使能的基站節(jié)能試點應(yīng)用

某試點區(qū)域5G站點采用AI節(jié)能技術(shù)，首先進行數(shù)據(jù)（包括OMC數(shù)據(jù)、DPI數(shù)據(jù)、MR/工參、話單數(shù)據(jù)等）采集，然后對數(shù)據(jù)進行融合處理包括清洗（去噪、填充）、關(guān)聯(lián)、稽核。通過試點小區(qū)的歷史數(shù)據(jù)構(gòu)建無監(jiān)督學(xué)習(xí)分析潮汐結(jié)構(gòu)、模式，挖掘試點小區(qū)在不同周期（月內(nèi)、周內(nèi)）的無線資源、業(yè)務(wù)負荷等特征，為其建立不同周期級別的潮汐檔案?；谠圏c小區(qū)的潮汐結(jié)構(gòu)和業(yè)務(wù)指標(biāo)的時序預(yù)測結(jié)果，結(jié)合場景識別、共覆蓋分析情況，生成試點小區(qū)的安全節(jié)能建議（包含小區(qū)最佳節(jié)能時段、節(jié)能功能（符號關(guān)斷、載波關(guān)斷、通道關(guān)斷等）的推薦），然后配置OMC及指令集，并自動完成執(zhí)行策略實施后的網(wǎng)絡(luò)性能、節(jié)能情況分析，利用強化學(xué)習(xí)（Q-learning）與操作交互結(jié)果獲得最大獎賞/懲罰（預(yù)先設(shè)定）優(yōu)化參數(shù)調(diào)整。

5G基站應(yīng)用AI節(jié)能策略的同時亦評估對網(wǎng)絡(luò)業(yè)務(wù)的影響，支持突發(fā)事件早期感知智能剎車/喚醒?；贏I的預(yù)見性基站節(jié)能能夠?qū)崿F(xiàn)節(jié)能時段的精細選擇，延長節(jié)能時長，同時保障用戶感知。

表1 網(wǎng)絡(luò)流量預(yù)測模型

3.2 5G核心網(wǎng)絡(luò)節(jié)能

核心網(wǎng)作為“管理中樞”，負責(zé)管理數(shù)據(jù)，對數(shù)據(jù)進行處理和路由交換。由于數(shù)據(jù)密集型應(yīng)用程序不斷普及，連接到互聯(lián)網(wǎng)的設(shè)備數(shù)量不斷增加，互聯(lián)網(wǎng)流量已經(jīng)呈指數(shù)級增長。在經(jīng)濟、環(huán)境和社會影響的驅(qū)動下，學(xué)術(shù)界和工業(yè)界對核心網(wǎng)的能耗開展了一系列研究，目標(biāo)為有效提高能源效率。

隨著軟件定義網(wǎng)絡(luò)（software defined network，SDN）和網(wǎng)絡(luò)功能虛擬化（network functions virtualization，NFV）的出現(xiàn)，核心網(wǎng)元的功能實現(xiàn)可以通過SDN進行定義，進而通過網(wǎng)絡(luò)云中的虛擬網(wǎng)絡(luò)功能（virtualized network functions，VNF）來實現(xiàn)。虛擬化可能成為一種非常有用的降低能源消耗的方法，硬件充當(dāng)同時運行多個應(yīng)用程序的承載，可節(jié)省額外部署專用硬件和軟件組件[32]的成本。參考文獻[33]提出了在接入網(wǎng)絡(luò)和核心網(wǎng)絡(luò)中使用虛擬網(wǎng)元節(jié)點，相比于使用物理網(wǎng)元節(jié)點執(zhí)行單一功能的結(jié)構(gòu)，虛擬網(wǎng)元有顯著節(jié)能優(yōu)勢（如資源分配的靈活性、單個節(jié)點運行多個虛擬化接入/核心網(wǎng)功能）。虛擬化網(wǎng)元在不工作時休眠，根據(jù)工作負載隨時準備激活這些功能。

在3GPP框架下，3GPP SA5正在針對5G核心網(wǎng)以及切片的能效 KPI 進行標(biāo)準化研究，利用3GPP R17的管理服務(wù)框架有可能實現(xiàn)利用管理服務(wù)對網(wǎng)元的能效KPI進行標(biāo)準化測量和收集[25]。

5G核心網(wǎng)中應(yīng)用AI技術(shù)，可以根據(jù)網(wǎng)絡(luò)流量的變化趨勢，調(diào)節(jié)虛擬網(wǎng)元資源占用情況，在不影響網(wǎng)絡(luò)提供服務(wù)關(guān)鍵性能指標(biāo)的前提下，降低能量消耗，提高網(wǎng)絡(luò)的能量效率，從而達到節(jié)能的目的。

針對核心網(wǎng)控制面和用戶面的資源使用和流量變化趨勢調(diào)整資源分配，需要采集相關(guān)數(shù)據(jù)，包括但不限于：各網(wǎng)元實例的業(yè)務(wù)量、最大服務(wù)用戶數(shù)、能耗數(shù)據(jù)、資源使用數(shù)據(jù)、NF級性能測量數(shù)據(jù)和網(wǎng)絡(luò)級KPI數(shù)據(jù)等。

基于網(wǎng)絡(luò)流量的歷史數(shù)據(jù)，需要對網(wǎng)絡(luò)流量變化趨勢進行預(yù)測。網(wǎng)元實例流量的精準預(yù)測可以幫助推動節(jié)能的網(wǎng)絡(luò)決策，然而網(wǎng)絡(luò)流量在時間和空間上具有不均勻性、用戶在一天的不同時刻和不同的地方有不同的QoS要求以及用戶的移動性等使網(wǎng)絡(luò)流量預(yù)測面臨挑戰(zhàn)，所以模型算法需要根據(jù)監(jiān)測數(shù)據(jù)不斷更新迭代。

基于網(wǎng)絡(luò)流量的預(yù)測數(shù)據(jù)，可以智能地調(diào)整VNF的資源分配，例如根據(jù)VNF實例上的負載統(tǒng)計及預(yù)測情況，將資源利用率低的VNF實例上的負載遷移到特定的少數(shù)專用VNF實例上，從而產(chǎn)生更多的空負載的VNF實例，對這些VNF實例占用的資源進行重分配（或回收），提高核心網(wǎng)的能量效率KPI。參考文獻[34]提出一種基于半監(jiān)督機器學(xué)習(xí)的資源需求新模型，參考文獻[35]使用深度學(xué)習(xí)實現(xiàn)NFV中的資源分配。

以節(jié)能為目的，同時考慮用戶的QoS（QoE）需求，在滿足用戶需求的前提下，降低VNF的資源占用，從而在節(jié)能和網(wǎng)絡(luò)需求層面達到均衡。參考文獻[36]使用了Facebook數(shù)據(jù)中心的真實生活數(shù)據(jù)，在已經(jīng)建立的包括移動管理實體、服務(wù)網(wǎng)關(guān)、分組數(shù)據(jù)網(wǎng)網(wǎng)關(guān)和策略、收費功能等基礎(chǔ)設(shè)施之上進行了真實的估算，在工作隊列下通過改變不同的因素（包括VNF的總數(shù)、可用的服務(wù)器總數(shù)以及傳入的速度、整個系統(tǒng)容量和虛擬機的設(shè)置時間等不同參數(shù)），比較了消耗功率和服務(wù)器的響應(yīng)時間，旨在基于動態(tài)自動縮放算法（dynamic auto scaling algorithm，DASA），為運營商提供一種更好地理解其成本與性能之間的權(quán)衡的方法。

3.3 數(shù)據(jù)中心節(jié)能

隨著5G時代的到來，各類數(shù)據(jù)的需求增長，數(shù)據(jù)中心大量能耗帶來的問題也引起了廣泛的關(guān)注。

影響數(shù)據(jù)中心能耗主要由3個部分組成，分別是IT設(shè)備、制冷系統(tǒng)和配供電系統(tǒng)。其中，IT設(shè)備和制冷系統(tǒng)能耗占數(shù)據(jù)中心總能耗的80%以上，因此對IT設(shè)備和制冷系統(tǒng)的運行模式和控制方式進行優(yōu)化對數(shù)據(jù)中心節(jié)能具有重要意義。

（1）AI使能的數(shù)據(jù)中心節(jié)能技術(shù)

服務(wù)器主要進行數(shù)據(jù)傳輸和路由交換，服務(wù)器設(shè)計通常會提供對數(shù)據(jù)的最大處理和路由交換能力，但是在使用的數(shù)據(jù)量較少時，服務(wù)所提供流量會產(chǎn)生冗余，并且傳輸大部分時間遠高于實際的使用流量，也就是說即使服務(wù)器空閑也會發(fā)生大量的能耗。

通過使用人工智能技術(shù)，可以基于歷史數(shù)據(jù)訓(xùn)練學(xué)習(xí)得到業(yè)務(wù)模式變化和服務(wù)器運轉(zhuǎn)對能耗的影響規(guī)律，對未來業(yè)務(wù)負載進行預(yù)測并迭代更新，當(dāng)業(yè)務(wù)負載較少時進行業(yè)務(wù)遷移，將一部分服務(wù)器轉(zhuǎn)到休眠狀態(tài)。此外，當(dāng)預(yù)測業(yè)務(wù)負載顯著增加時，可以將必要數(shù)量的服務(wù)器喚醒并重新進行業(yè)務(wù)負載的引導(dǎo)和分配。通過分析數(shù)據(jù)中心不同業(yè)務(wù)的負載特征，發(fā)掘節(jié)能潛質(zhì)，實現(xiàn)設(shè)備休眠和喚醒，達到綠色節(jié)能的效果[37]。

數(shù)據(jù)中心通常采用過度冷卻的方法，將溫度設(shè)定為較低的溫度以確保服務(wù)器穩(wěn)定運行不出現(xiàn)較熱的問題，這會導(dǎo)致極大的能源浪費。傳統(tǒng)的溫度控制方法依靠定時采集溫度數(shù)據(jù)作為判定依據(jù)，具有很大的時延。同時溫度特性及環(huán)境的復(fù)雜性導(dǎo)致傳統(tǒng)控制難以達到需求。

利用AI的機房節(jié)能策略可以以機房冷卻系統(tǒng)為監(jiān)控對象，進行機房溫度信息采集、溫度數(shù)據(jù)采集、溫度的預(yù)測和機房溫度的控制[38]。

數(shù)據(jù)采集除了機房溫度信息，還包括但不限于IT負載耗電量、末端空調(diào)耗電量、風(fēng)機輸出、溫度設(shè)置、水冷機組各部件耗電量（此為水冷數(shù)據(jù)中心需要）等。

基于AI的智能控制通過對知識信息的學(xué)習(xí)和推理，并通過啟發(fā)式的方法求解，神經(jīng)網(wǎng)絡(luò)控制是指在控制系統(tǒng)中應(yīng)用神經(jīng)網(wǎng)絡(luò)技術(shù)，對難以精確建模的復(fù)雜非線性對象進行神經(jīng)網(wǎng)絡(luò)模型辨識。神經(jīng)網(wǎng)絡(luò)控制的基本思想：假設(shè)被控對象輸入u與輸出y滿足非線性關(guān)系y=g(u), 控制的作用就是確定最佳的輸入，從而使系統(tǒng)輸出達到期望值。參考文獻[39]利用BP算法作為控制器用于車站溫度的控制；參考文獻[40]將徑向神經(jīng)網(wǎng)絡(luò)和常規(guī)的PID結(jié)合，達到控制室內(nèi)溫度的目的；參考文獻[41]將機房溫度值和設(shè)備負載輸入神經(jīng)網(wǎng)絡(luò)，輸出空調(diào)的節(jié)能控制參數(shù)，使環(huán)境溫度維持在正常范圍。

數(shù)據(jù)中心利用AI技術(shù)對機房溫度進行預(yù)測可以有效地解決利用經(jīng)驗對溫度的預(yù)測和估計帶來的可靠性低的問題[42]。

參考文獻[43]提出一種基于強化學(xué)習(xí)算法的數(shù)據(jù)中心機房控制方法，獲取當(dāng)前時刻來自環(huán)境的狀態(tài)量（包括機房各個通道中傳感器的數(shù)值），基于預(yù)先訓(xùn)練的強化學(xué)習(xí)模型得到當(dāng)前時刻的控制參數(shù)，控制數(shù)據(jù)中心機房的溫度調(diào)節(jié)設(shè)備的工作狀態(tài)，直至數(shù)據(jù)中心機房的溫度穩(wěn)定，達到節(jié)能的目的。

除了對末端機房制冷設(shè)備控制，水冷數(shù)據(jù)中心的水冷機組的能效控制尤為重要。參考文獻[44]利用神經(jīng)網(wǎng)絡(luò)模型建立PUE預(yù)測模型，實施制冷系統(tǒng)參數(shù)設(shè)定，優(yōu)化了PUE指標(biāo)。通過分析不同數(shù)據(jù)中心的PUE差異，水冷機組可以采用控制制冷主機運行臺數(shù)、降低冷卻塔出水溫度和提升冷凍水水溫等措施實現(xiàn)能效優(yōu)化[45]。

（2）AI使能的制冷設(shè)備節(jié)能試點應(yīng)用

某試點數(shù)據(jù)中心采用冰蓄冷技術(shù)，即可在用電低谷期使用電制冷機制冰，將冷量儲存在冰池中，在用電高峰期將儲存的冷量釋放，在不同季節(jié)不同負載的情況下可選擇不同的工況運行模式。

在該試點數(shù)據(jù)中心的末端機房部署有機柜級溫/濕度傳感器，采集IT設(shè)備和空調(diào)設(shè)備能耗的智能電表。通過采集4個月的歷史數(shù)據(jù)，采集頻率為每小時1條，數(shù)據(jù)包括機柜溫度、末端空調(diào)運行參數(shù)、機柜功率、末端空調(diào)功率、主機功率、主機運行參數(shù)等，訓(xùn)練機器學(xué)習(xí)模型，輸出制冷設(shè)備的參數(shù)設(shè)置包括末端空調(diào)參數(shù)設(shè)置（空調(diào)啟停、空調(diào)溫濕度設(shè)置等）以及主機參數(shù)設(shè)置（主機運行模式、泵頻率設(shè)定、冷凝溫度設(shè)定值等），從而制定該試點數(shù)據(jù)中心制冷設(shè)備的節(jié)能調(diào)整策略并實施。通過應(yīng)用AI技術(shù)建模分析制冷冗余，降低了試點機房的制冷能耗。

4 未來方向

雖然AI使能的節(jié)能技術(shù)在學(xué)術(shù)界引起了廣泛的研究，并在產(chǎn)業(yè)界獲得一些應(yīng)用基礎(chǔ)，然而在系統(tǒng)級建模、綜合能效評估等方面仍存在一些挑戰(zhàn)，基于此提出以下未來的研究和發(fā)展方向。

4.1 基于數(shù)字孿生的系統(tǒng)建模

數(shù)字孿生是虛擬世界與真實世界的動態(tài)連接，通過建立數(shù)字孿生模型，可實現(xiàn)物理系統(tǒng)與虛擬模型結(jié)合，具有可見性、預(yù)測性、假設(shè)分析支持和多系統(tǒng)互聯(lián)的特征。

通過數(shù)字孿生建模接入網(wǎng)絡(luò)，模型能夠擬合和反映物理網(wǎng)絡(luò)的環(huán)境和特點，可模擬虛擬系統(tǒng)在覆蓋小區(qū)的用戶移動，業(yè)務(wù)流量的增加、減小，以及不同節(jié)能功能使用時的響應(yīng)，在復(fù)雜動態(tài)空間通過智能分析決策找到不同環(huán)境下最適宜的節(jié)能方式，既能夠提高無線系統(tǒng)能效又不影響用戶體驗。

通過數(shù)字孿生建模數(shù)據(jù)中心，是一種實現(xiàn)數(shù)據(jù)中心精密空調(diào)節(jié)能運行的潛在方案。在虛擬模型中，可模擬IT負載、外部環(huán)境溫度以及空調(diào)控制設(shè)定值等變更即時響應(yīng)機房內(nèi)的熱環(huán)境變化，通過調(diào)試可以彌補經(jīng)驗數(shù)據(jù)的不足，輸出空調(diào)控制的優(yōu)化設(shè)定值，既能滿足機房內(nèi)的制冷需求，又能降低機房PUE指標(biāo)。

數(shù)字孿生和人工智能結(jié)合應(yīng)用在系統(tǒng)節(jié)能時，可模擬環(huán)境狀態(tài)動態(tài)變化以及節(jié)能策略執(zhí)行對系統(tǒng)的影響，有效保障在應(yīng)用節(jié)能策略時避免影響系統(tǒng)性能。

4.2 系統(tǒng)級能效設(shè)計

綠色通信的研究必須從整體上考慮，這涵蓋了通信生態(tài)系統(tǒng)的方方面面，有必要從系統(tǒng)的角度考慮能效解決方案。首先，除了系統(tǒng)使用階段所消耗的能量外，用于制造電信設(shè)備的隱含能量在任何能效解決方案的評估中也起著重要的作用。任何用于能效改進的新體系結(jié)構(gòu)和設(shè)備的引入都應(yīng)該考慮系統(tǒng)生命周期中消耗的總能量[46]。此外，系統(tǒng)某一點的能效優(yōu)化可能導(dǎo)致其他點的次優(yōu)結(jié)果，需采用端到端的視角來評估網(wǎng)絡(luò)能源效率和能源消耗[47]。

各類節(jié)能技術(shù)的有效集成有望優(yōu)化系統(tǒng)能源消耗，但是整個系統(tǒng)的能源消耗建模、能效指標(biāo)的使用和系統(tǒng)級能效設(shè)計面臨挑戰(zhàn)。系統(tǒng)級能效設(shè)計的目標(biāo)是改善整個系統(tǒng)/網(wǎng)絡(luò)的能效，同時不影響QoS。

4.3 基于AI應(yīng)用的數(shù)據(jù)約減

現(xiàn)有的機器學(xué)習(xí)（ML）算法能識別大型數(shù)據(jù)集的分析規(guī)律性，但是當(dāng)在應(yīng)用程序級關(guān)聯(lián)時，其功效性和外部有效性不足[48]。

當(dāng)前AI算法應(yīng)用在系統(tǒng)節(jié)能時，依賴于大量數(shù)據(jù)。在存量數(shù)據(jù)中心中，數(shù)據(jù)條件具備情況差異很大，按照具備較好數(shù)據(jù)的數(shù)據(jù)中心訓(xùn)練的AI模型可能在其他機房完全不具備部署條件，因為很多數(shù)據(jù)中心在設(shè)計建設(shè)之初未考慮各類機房狀態(tài)和參數(shù)監(jiān)控。數(shù)據(jù)中心應(yīng)用AI技術(shù)需要基礎(chǔ)的訓(xùn)練數(shù)據(jù)集，但是對于已投入使用的數(shù)據(jù)中心，各類數(shù)據(jù)采集涉及的改造是一個很大的挑戰(zhàn)。

為了使AI算法具備更好的部署性和外部適用性，需要研究訓(xùn)練數(shù)據(jù)縮減方法以開發(fā)完全自主的系統(tǒng)。

4.4 綠色人工智能

專用硬件平臺不斷增長的計算能力為ML解決方案提供了基礎(chǔ)，然而不斷提高模型精度所需的計算資源和產(chǎn)生的能源消耗不容忽視。利用分布式、計算高效和能量高效的方式訓(xùn)練ML將成為一種研究方向，如聯(lián)邦學(xué)習(xí)[49]，可緩解傳統(tǒng)的、集中的ML方法造成的低能效問題。此外，當(dāng)找到接近最優(yōu)的解決方案時，也可以使用定制的及時停止來終止訓(xùn)練過程，從而減少訓(xùn)練ML模型所需的迭代次數(shù)和相關(guān)的能量消耗[50]。

ML的綠色應(yīng)用還需要在優(yōu)化算法的設(shè)計階段評估計算和能源消耗，即在評估ML模型時除了準確性和優(yōu)化指標(biāo)外，還必須考慮計算效率和能源消耗。使用這些指標(biāo)，可以設(shè)計得到收斂速度更快和消耗計算資源和能耗更少的ML模型。

5 結(jié)束語

對5G接入網(wǎng)絡(luò)、核心網(wǎng)絡(luò)和數(shù)據(jù)中心的能源效率評估方法進行了調(diào)研，基于降低系統(tǒng)能耗及提高能效，介紹了AI使能的基站節(jié)能技術(shù)，包括無線網(wǎng)絡(luò)數(shù)據(jù)采集、場景識別、業(yè)務(wù)流量預(yù)測、節(jié)能策略推薦、基站協(xié)同節(jié)能控制及試點應(yīng)用；其次介紹了AI應(yīng)用于5G核心網(wǎng)的節(jié)能方式，包括核心網(wǎng)控制面和用戶面的數(shù)據(jù)采集、網(wǎng)絡(luò)流量預(yù)測以及VNF的資源分配；并介紹了AI用于降低數(shù)據(jù)中心制冷設(shè)備能耗的技術(shù)和試點應(yīng)用；最后提出了節(jié)能技術(shù)的未來研究和發(fā)展方向，提供了端到端AI節(jié)能技術(shù)的全景?！澳苄Ч芾?、綠色發(fā)展”是未來網(wǎng)絡(luò)發(fā)展的目標(biāo)，端到端AI智能化節(jié)能手段的應(yīng)用能夠緩解運營商的能耗壓力，并提升運維效率，將促進企業(yè)轉(zhuǎn)型升級及可持續(xù)發(fā)展，從而實現(xiàn)經(jīng)濟、社會、生態(tài)效益的多贏局面。