QoS感知的下行寻呼控制：用于无人机辅助的5G-Advanced网络及按需覆盖技术 作者：李聪豪（Conghao Li）、于海志（Haizhi Yu）、高卫东（Weidong Gao）、王登彦（Dengyan Wang）、赖守辉（Shouhui Lai）、赵旭（Xu Zhao）、张洪志（Hongzhi Zhang）和刘庚硕（Gengshuo Liu）

《Drones》：QoS-Aware Downlink Paging Control for UAV-Assisted 5G-Advanced Networks with On-Demand Coverage Conghao Li, Haizhi Yu, Weidong Gao, Dengyan Wang, Shouhui Lai, Xu Zhao, Hongzhi Zhang and Gengshuo Liu

　　**亮点**

**主要发现是什么？**
提出了一种基于服务质量（QoS）意识的5G-Advanced网络中无人机辅助的寻呼控制框架，该框架将用户设备（UE）侧的监控能量和无人机（UAV）侧的转发能量整合到一个统一的优化目标中。开发了一种基于离线长短期记忆（LSTM）的预测器，可以有效估计寻呼事件的下一次到达时间（TTNA），为按需触发提供可靠的紧急信号。

**主要发现的意义是什么？**
该框架实现了可控的能量-可靠性权衡，推动了基础设施受限区域中的可持续下行控制。闭环阈值适应策略确保即使在动态流量负载变化和预测不确定性下也能满足目标QoS约束。

**摘要**
为了满足第三代合作伙伴计划（3GPP）5G-Advanced（5G-A）网络中处于无线资源控制空闲/非活动状态（RRC_IDLE/RRC_INACTIVE）的用户设备（UE）的节能要求，新无线电（NR）下行寻呼过程依赖于周期性监控和频繁的同步信号块（SSB）测量，这在没有寻呼到达时会造成能量浪费。同时，异构的服务质量（QoS）约束使得固定参数的空闲不连续接收和寻呼提前指示机制（IDRX/PEI）难以平衡能量、延迟和可靠性。本文开发了一种无人机辅助的5G-A寻呼控制框架，该框架将服务映射到多个QoS类别中，并在统一核算下建模QoS违规风险和系统能耗，包括UE监控/接收能量和无人机（UAV）转发能量。然后，我们提出了一种基于QoS的风险驱动寻呼策略：训练一个离线的LSTM预测器来估计寻呼事件的下一次到达时间（TTNA），并产生一个有界的紧急/风险信号来初始化与类别相关的阈值，而在线触发和基于QoS反馈的阈值适应则根据负载变化调节实际违规率，从而实现可控的能量-延迟权衡。通过基于仿真的评估，将所提出的方法与代表性基线（增强型寻呼监控（EPM）、分割寻呼时机（SPOP）和预测寻呼提前指示（PPEI）进行比较，并研究SSB开销和UAV中继对能量-延迟-可靠性权衡的影响。

**1. 引言**
作为3GPP Release 18及其后续版本的演进，5G-Advanced（5G-A）旨在实现更广泛的工业连接性，同时追求更高的能源效率和可持续性[1,2,3]。在工业[4]、能源[5]和农业[6]等垂直领域的大规模物联网部署中，许多终端的能源有限，网络必须在不牺牲可达性和可靠性的前提下减少下行控制开销和待机功耗。与LTE相比，新无线电（NR）寻呼通常涉及寻呼周期内的同步和波束相关处理，这会增加UE的唤醒时间和空闲功耗[7]。因此，3GPP一直在研究和标准化5G-A中的多种节能特性，包括网络侧节能机制和低功耗唤醒信号/接收器，以在不活跃期间实现协调节能[8,9,10]。然而，节能接收方案本质上会导致延迟和可达性之间的权衡，在多服务场景中服务质量（QoS）和节能之间的紧张关系变得不可避免[11]。由于寻呼是将处于无线资源控制空闲/非活动状态（RRC_IDLE/RRC_INACTIVE）的UE重新带入连接状态的关键触发因素[12]，因此在5G-A下行控制中实现可控的能量-延迟平衡仍然是一个基本问题[10,13,14]。
空闲不连续接收（IDRX）是一种主要的寻呼相关节能机制。在IDRX下，UE在大部分周期内关闭其接收器，并在预定义的寻呼时机（POs）唤醒以监控物理下行控制信道（PDCCH）以获取寻呼消息或系统信息[15]。然而，在低负载情况下，周期性唤醒往往在没有寻呼到达时发生，导致不必要的唤醒和无效监控，从而浪费能量[16]。为了减轻这种开销，3GPP Release 17引入了寻呼提前指示（PEI），允许处于RRC_IDLE/RRC_INACTIVE状态的UE首先检查PEI，然后决定是否继续监控后续的寻呼相关控制信道。然而，许多现有的PEI实现依赖于静态和周期性的信号。虽然它们可以减少一些无效监控[12,17]，但可能会引入额外的控制开销和/或延迟，并且难以与实际的寻呼密度和服务到达动态相匹配[18]。更重要的是，简单地延长寻呼相关周期可以减少能耗，但会降低可达性并增加到达时间，使得在异构QoS要求下的能量-延迟紧张关系更加明显。
大多数先前的寻呼研究假设UE是由固定的地面基站进行寻呼的[12,19,20]。这一假设在偏远地区、受灾地区[21]或临时高需求事件中可能不成立，因为在这些地方地面基础设施缺失、受损或部署成本过高。因此，已经探索了无人机辅助的连接性作为一种灵活的手段，以提供按需和临时的覆盖扩展[22,23,24]。由于无人机具有高移动性和灵活的部署能力[25]，并且在空地链路中通常具有更高的视距（LoS）概率，无人机可以在农村地区、救灾和密集事件中支持通信，这些地方地面部署困难[21,24,26]。在本文考虑的架构中，无人机主要作为中继来扩展覆盖范围和转发寻呼/控制信号，而不是完全替代地面基站。然而，无人机辅助寻呼引入了额外的挑战。首先，三维部署和空地移动性使得控制平面组织和资源消耗更加敏感[27]。其次，无人机受到尺寸、重量和功率（SWAP）的限制，这限制了其续航能力。尽管推进和悬停通常占无人机能耗的主要部分，但中继操作引入了额外的通信和处理能量以及控制平面资源使用；因此，寻呼设计应考虑这种开销以延长任务时间[24,28]。第三，异构服务表现出明显的延迟和可靠性要求差异：对延迟敏感的服务需要及时唤醒以确保低延迟的可靠访问，而许多物联网服务可以容忍更长的睡眠间隔以提高能源效率[29]。因此，在无人机辅助环境中，固定周期的PEI或静态IDRX策略往往不够充分，因为它们无法同时适应异构的QoS需求和UE及无人机中继的综合能源约束。这些挑战促使人们开发了一种既考虑服务又考虑到达时间的寻呼控制机制，从而在复杂环境下实现能源消耗和QoS之间的可控权衡。
近年来，在寻呼/DRX节能改进方面取得了实质性进展。一些工作专注于调整DRX/eDRX参数，以在延迟约束下平衡能源和可达性。例如，Dash等人提出了一种适用于VoWiFi设备的自适应DRX机制，以提高能源效率同时减少寻呼相关延迟[30]。Chang和Chen模拟了空闲状态用户的寻呼和跟踪区域更新成本之间的权衡，并在延迟约束下推导出了可调整的扩展DRX周期[31]。其他研究改进了寻呼监控和资源组织，以减少不必要的唤醒并提升用户体验。Agiwal等人提出了增强型寻呼监控（EPM），该机制明确考虑了同步和同步信号块（SSB）测量开销对寻呼监控的影响，从而减少唤醒前的能耗，并可以与PEI结合使用[32]。随后，Agiwal等人提出了分割寻呼时机（SPOP）寻呼，该机制细化了POs并利用提前指示来避免不必要的SSB测量和寻呼相关监控，进一步减少了唤醒前的开销[16]。此外，Lauridsen等人对5G NR中的UE节能寻呼增强选项进行了系统研究，并提供了面向实现的比较[14]。此外，基于学习的方法越来越多地用于按需寻呼/唤醒。Choi等人提出了一种基于机器学习的寻呼增强方法，该方法利用移动性/行为建模来提高寻呼效率并减少不必要的广播开销[33]。Ruíz-Guirola等人开发了一种基于流量感知的长短期记忆（LSTM）预测框架，以适应机器类型设备的唤醒信号，从而实现更长的深度睡眠周期和减少监控能耗[34]。尽管取得了这些进展，现有设计通常优化平均延迟类型的目标或通用约束，并且很少（i）在统一的可靠性/风险框架中明确建模多类QoS异质性，以及（ii）将无人机中继转发能量纳入寻呼控制权衡中。这些差距在无人机辅助下行寻呼中尤为重要，因为基于中继的转发和控制平面操作可以改变尾延迟和系统能源核算。
为了解决上述问题，本文提出了一种基于QoS的风险驱动寻呼协调机制，用于无人机辅助的5G-A下行寻呼。在IDRX和PPEI框架的基础上，所提出的设计实现了按需触发和自适应调节。我们在确保寻呼丢失/超时风险的类别级可靠性约束的同时，最小化了UE和无人机中继的总系统能耗，从而在异构QoS要求下实现了可控的能量-可靠性权衡。特别是，我们离线训练了一个基于LSTM的TTNA预测器，并将预测的TTNA映射到一个有界的紧急/风险信号，用于PPEI触发；一个较慢时间尺度的QoS反馈循环根据流量漂移调整类别阈值，以调节实际违规率。主要贡献总结如下：
- 统一的无人机辅助寻呼模型和QoS约束优化：我们建立了无人机辅助下行寻呼的时隙级时间框架，统一了异构QoS的延迟容忍度和可靠性约束，并将UE无效监控能量和无人机转发能量整合到一个目标中，从而为能源-可达性-QoS权衡提供了一个可行的优化公式。
- 两阶段风险驱动寻呼控制：我们开发了一种离线-在线机制，其中离线阶段从历史寻呼/服务轨迹训练预测器（例如LSTM）并校准与类别相关的阈值，而在线阶段执行轻量级推理并按需触发PPEI/监控控制。
- 动态负载下的闭环阈值适应：我们设计了一种基于反馈的阈值适应方法，使用窗口化的QoS违规统计在较慢的时间尺度上更新类别阈值，以便在变化的流量统计和预测不完美情况下仍满足可靠性约束，从而实现可部署的快速触发和慢速校正的闭环控制过程。
本文的其余部分组织如下。第2节介绍了无人机辅助寻呼系统模型、QoS/可靠性指标和问题表述。第3节描述了所提出的风险驱动寻呼算法，包括离线预测器训练和在线PPEI触发。第4节报告了仿真结果和讨论。第5节总结了本文并概述了未来方向。

**2. 系统模型**
**2.1. 网络场景和寻呼时间线**
我们考虑了一个无人机辅助的5G-Advanced下行寻呼场景，如图1所示，其中无人机作为空中中继在地面基础设施有限或部署成本高的区域扩展控制平面覆盖范围。地面用户设备（UE）主要处于RRC_IDLE或RRC_INACTIVE状态，并在IDRX下进行周期性寻呼监控[12]。大多数时间，UE保持睡眠模式以减少能耗，仅在预配置的POs唤醒以检测寻呼相关控制信号。图1. 无人机辅助寻呼场景。为了捕捉寻呼的时间动态，我们将时间离散化为由?? ∈{1,2,…}索引的时隙，时隙持续时间为Δ???。用??表示UE集合。我们使用二进制变量????,?? ∈{0,1}来表示UE u在时隙t是否有寻呼需求（或聚合寻呼请求）：????,?? =1表示寻呼到达，否则????,?? =0。用??rx??,??表示UE u成功完成寻呼接收的时隙。下行寻呼延迟定义为????,???(??rx??,?????)?Δ???，（1）这衡量了从寻呼请求生成到UE实际唤醒并完成寻呼接收的端到端时间。
**下一次到达时间（TTNA）**。为了支持预测辅助触发，我们定义了UE u在时隙t的TTNA（以周期计）为直到下一次寻呼到达的决策周期数：????,???min?{Δ≥1:????,??+Δ=1}。（2）实际上，我们应用一个右截断上限??max来保持标签在有限范围内：??cap??,???min?{????,??,??max}。（3）第3节中的预测器被训练用来从历史观测数据中估计??cap??,??。

**2.2. QoS模型和可靠性指标**
在无人机辅助的下行寻呼中，不同UE承载的异构服务对寻呼延迟和可靠性有不同的要求。为了建模服务异质性，我们引入了一个基于QoS的可靠性公式。
设服务类别集合为?? ={1,2,…,??}。当发生寻呼到达（????,?? =1）时，网络可以根据触发原因和UE会话上下文将寻呼事件标记为服务类别????,?? ∈??[35]。对于每个类别?? ∈??，其QoS要求由参数元组（????,????,????）表征，其中????是最大可容忍的唤醒/访问延迟限制，????是目标丢失概率约束，????是反映服务重要性的类别权重。
除非另有说明，我们为所有类别设置???? =1以避免主观优先级，即???? =1, ??? ∈??。
对于对延迟敏感的服务，如果寻呼延迟超过????，则相应的连接设置可能被视为失败或服务可能被丢弃。我们采用“晚到即丢失”的假设：如果事件的寻呼延迟超过特定类别的界限，则将其视为有效丢失。定义缺失指示器 ????,?????(????,??=1,?????,??>??????,??)，（4）其中 ???( ·) 在条件成立时等于1，否则等于0。在长度为W个时隙的监控窗口内，类别k的经验缺失率定义为 ??????∑??∈??∑??∈?????(????,??=1,????,??=??)?????,??∑??∈??∑??∈?????(????,??=1,????,??=??)+??，（5）其中 ?? 表示当前窗口中的时隙集合，?? >0 是一个小的常数，用于避免除以零。类别级别的可靠性要求是 ?????≤????,???∈??。（6）为了报告总体可靠性指标，我们还使用总体违规率 ???all?∑??∈??∑??∈??∑??∈?????(????,??=1,????,??=??)?????,??∑??∈??∑??∈??∑??∈?????(????,??=1,????,??=??)+??。（7）2.3. 能量消耗模型我们采用相同的离散时隙模型来计算能量消耗。在每个时隙t中，用户设备（UE）的操作状态分为三种典型模式：睡眠、监控和接收。设 ????,?? ∈{S,M,R} 表示时隙t中UE u的状态，这三种状态下的平均功耗分别为 ??S、??M 和 ??R。那么，每个时隙的UE能量消耗模型为 ??UE??,??=?{ {?{ {???S?Δ???,????,??=S,??M?Δ???,????,??=M,??R?Δ???,????,??=R。（8）在窗口 ?? 内，UE的累积能量为 ??UE?∑??∈??∑??∈????UE??,??。（9）无人机（UAV）作为gNB和目标UE之间的下行控制/数据平面转发的空中中继[24]。在单个任务间隔内，UAV的能量通常由推进/悬停主导，而与寻呼相关的中继操作会引入额外的（但相对较小的）通信和处理能量[24,28]。在本文中，我们关注由中继转发引起的与寻呼相关的通信开销。设 ????,?? ∈{0,1} 表示UAV在时隙t是否执行与寻呼相关的转发（例如，转发增强指示或寻呼控制信号），其中 ????,?? =1 表示发生了转发动作。假设每次转发动作的平均通信能量成本为 ??UAV；那么，窗口内的UAV通信能量为 ??UAV?∑??∈??∑??∈??????,????UAV。（10）结合UE侧和UAV侧的因素，窗口内的总系统能量定义为 ??sys???UE+??uav???UAV，（11）其中 ??uav ≥0 是一个权重系数，反映了UAV转发开销在系统级能量计算中的相对重要性。为了捕捉NR寻呼中的同步/波束测量开销，我们进一步引入了一个SSB/波束开销因子 ??SSB ≥1。设 ????,?? ∈{0,1} 表示寻呼增强触发决策（在下面的问题表述中定义）。当触发在周期内没有导致任何成功的寻呼服务时（例如，由于没有到达或没有授权），相关的SSB/波束测量被视为浪费。设 ????,?? ∈{0,1} 表示在（??,??）处浪费的触发。由此产生的SSB/波束开销能量模型为 ??SSB?(??SSB)???SSB??ssb?∑??∈??∑??∈??????,??，（12）其中 ??ssb 是每个SSB的能量代理。这个术语在实验4中用于量化寻呼方案对波束/同步测量开销的敏感性。为了将转发增益与UAV任务能量相关联，我们进一步写出 ??UAVmission???flybase+??UAV，（13）其中 ??flybase 表示在相同任务下的飞行/悬停基线，因此被视为跨寻呼方案的控制不变量，而 ??UAV 是上述的增量转发能量项。由于添加常数不会影响最优控制，我们的公式侧重于 ??sys 中的增量项 ??UAV。在评估中，我们通过扫描主导比率 ?????flybase??UAV?(MIN) 来量化任务级别的UAV侧敏感性，（14）其中 ??UAV?(MIN) 是在始终触发基线下的转发能量代理。2.4. 问题表述基于上述定义，系统决定在每个时隙是否触发UE u的寻呼增强指示，以减少无效的监控能量，同时满足异构QoS可靠性约束。我们引入一个二进制控制变量 ????,??∈{0,1}，（15）其中 ????,?? =1 表示在时隙t为UE u触发增强指示，否则 ????,?? =0。在统计窗口 ?? 内，我们在满足类别级别可靠性约束的前提下最小化总系统能量：min{????,??}???sys（16）s.t.?????≤????,???∈??，（17）????,??∈{0,1},???∈??,??∈??，（18）（状态演变和转发耦合约束）。（19）这种表述突出了在异构QoS下节能和寻呼可靠性之间的基本权衡。在第3节中，我们将开发一种低复杂度的在线控制策略，通过轻量级推理和时隙级触发决策来实现这种权衡。3. 面向QoS的风险驱动寻呼算法本节提出了一种面向QoS的风险驱动寻呼控制方法，用于UAV辅助的5G-Advanced下行寻呼，旨在在第2节中减少无效的UE监控能量。该方法遵循离线-在线框架，具有时隙级触发和窗口级阈值调整，如图2所示。整个过程总结在算法1中。图2. 离线-在线框架流程图。注释：在图中，推理块对应于TTNA推理和紧急性映射；图中的任何历史符号，如 ?????(??)，指的是整篇文章中使用的历史特征序列 ????,??。3.1. 离线TTNA预测器和阈值校准在离线阶段，网络从历史寻呼/服务轨迹中学习一个预测器，并为在线触发初始化类别依赖的阈值。设 ????,?? 表示步骤t中UE u的历史特征序列，由最近的到达和控制相关观察构建。在我们的实现中，????,??中的每个步骤都是从可观察信号（例如，最近到达指示 ????,·、触发决策 ????,· 和缺失/违规指示 ????,·）派生的紧凑向量，????,??堆叠最后L个步骤。我们将预测器实现为一个基于LSTM的序列模型（见图3以获取说明）。由于寻呼结果具有时间相关性和长期/短期依赖性，LSTM利用门控记忆单元来缓解循环神经网络（RNNs）的梯度消失问题，并且非常适合学习从历史观察到的未来到达间隔的映射[34,36]。图3. LSTM -注意力TTNA预测器和紧急性映射。历史特征序列 ????,?? 由LSTM编码并通过注意力聚合为 ????,??，然后映射到TTNA估计 ^????,??，再转换为有界紧急性分数 ^????,?? ∈[0,1] 用于基于阈值的触发。我们训练预测器来估计第2节中定义的受限TTNA标签 ??cap??,??：^????,??=?????(????,??)，^????,??∈?+，（20）其中 ?? 收集预测器的所有可训练参数（权重和偏置，包括LSTM、注意力和前馈层）。训练集和损失。我们从历史轨迹构建一个监督数据集 ?? ={(????,????)}????=1，其中每个样本索引i对应于一个UE-时间对（??,??），???? 是输入历史特征序列，???? =??cap??,?? 是真实的TTNA（以周期计）。预测器通过一个考虑尾部的加权回归目标进行训练：??★=arg?min?????∑??=1??(^????,?????),??(^??,??)=???(??)?(^?????)2，（21）其中 ???(??) ∈[1,??max] 随着 ?? 的增加而增加，以强调大TTNA（尾部）样本，并通过 ??max 截止以避免过大的梯度。有界紧急性/风险信号。对于在线触发，我们使用单调变换将预测的TTNA映射到一个有界紧急性分数 ^????,?? ∈[0,1]（较小的TTNA ? 更高的紧急性），例如，^????,???clip[0,1](1?^????,????max），（22）其中 clip[0,1]?(??) =min?{1,max?{0,??}} 且 ??max 是TTNA的上限。在本文中，^????,?? 作为触发的轻量级到达/紧急性代理：较高的 ^????,?? 表明预测的寻呼到达在时间上更接近。在获得 ??★ 之后，我们在保留的验证集上为每个类别校准一个初始阈值：??(0)??=max??∈[0,1]?{??:??????(??)≤????},???∈??。（23）离线输出包括部署的预测器参数 ??★ 和初始阈值向量 {??(0)??}??∈??。算法1: 面向QoS的风险驱动寻呼控制 3.2. 在线风险感知PPEI触发在在线阶段，控制器根据实时观察更新 ????,?? 并通过部署的预测器进行一次前向传递，以获得 ^????,?? 和 ^????,?? ∈[0,1]。对于每个由服务类别 ????,?? ∈?? 标记的寻呼事件（或UE上下文），控制器应用一个类别依赖的阈值来做出二进制PPEI触发决策：????,??=??(?????,??≥??????,??)，????,??∈{0,1}。（24）这里，????,?? =1 在步骤t触发UE u的PPEI/早期指示动作，以减少QoS缺失的风险，而 ????,?? =0 在可能的情况下保持UE处于睡眠状态，以避免不必要的唤醒。当寻呼/控制信号通过UAV中继转发时，相同的决策会引发UAV转发动作，并有助于 ??sys，实现仅需要轻量级推理和阈值比较的实时操作。3.3. 闭环阈值调整由于流量统计可能会波动，预测错误不可避免，固定阈值可能会导致在负载变化下不必要的触发或QoS违规。为了保持类别级别的可靠性约束 ????? ≤????，我们引入了一个基于窗口QoS反馈的慢时间尺度闭环阈值更新。在每个长度为W个决策步骤的窗口 ?? 内，我们计算每个类别 k 的 ????? 并更新 ????←clip[0,1](????+?????????(??????????))，???∈??，（25）其中 ?? >0 是步长，clip[0,1]?(·) 将其参数截断到 [0,1]，即 clip[0,1]?(??) =min?{1,max?{0,??}}。截断是必要的，因为 ???? 是应用于 ^????,?? ∈[0,1] 的有界阈值。更新提供了负反馈：当 ????? >???? 时，???? 减少以增加触发；否则，???? 增加以减少不必要的触发。总体而言，该方法提供了一种结合快速在线触发和慢时间尺度反馈校正的可用闭环设计。4. 性能评估 4.1. 仿真设置和评估协议所有仿真都是基于第2节中的系统模型和第3节中提出的算法进行的。我们在Python（v3.9）中实现了一个离散周期、事件驱动的仿真器，其中一个决策步骤对应一个寻呼/IDRX周期。通过固定种子来控制随机性；对于每种配置，我们重复蒙特卡洛运行并报告平均值（可选地带有标准差范围）。当启用预测器时，它使用TensorFlow（v2.10.0）和Keras（v2.10.0）进行离线训练，然后加载用于在线推理。TTNA预测器在公共室内感测轨迹（Intel Lab Data）https://db.csail.mit.edu/labdata/labdata.html（2026年1月10日访问）上进行训练，该轨迹被转换为每个UE的寻呼到达事件。尽管Intel Lab数据集来自室内环境，但它在这里主要用于抽象突发流量的随机到达模式，这些模式在统计上类似于UAV辅助紧急或远程场景中预期的零星寻呼触发。我们使用 ?? =50 个UE，并将时间离散化为周期，每个周期的时长为 ??DRX =0.32 秒。每个到达被分配一个QoS类别 ?? ∈{1,…,??}，我们使用基于时间的划分（8:1:1）来避免时间泄漏。对于TTNA标签，我们应用一个右截断上限 ??max =2000周期。我们考虑了一个gNB–UAV–UE下行控制链，其中UAV作为寻呼相关信号和转发的可选中继。UE在RRC_IDLE/RRC_INACTIVE状态下运行，并定期使用IDRX监控POs。为了捕获5G-Advanced波束/同步开销，我们通过一个可调因子 ??SSB 抽象SSB/波束相关测量成本。在仿真器中，??SSB 线性缩放（12）中的SSB/波束开销能量（浪费触发计算），从而增加了在相同负载下产生更多无效触发的方案的能量惩罚。每个寻呼事件与一个QoS类别 ?? ∈?? 相关联，其特征为（????,????,????），如第2节所定义。寻呼到达作为每个周期的独立伯努利/泊松事件生成（等效于由到达率 ?? 参数化），我们扫描 ?? 以测试从轻负载到重负载的鲁棒性。除非另有说明，我们假设UE之间的负载空间均匀，即具有相同每个UE速率 ?? 的独立同分布（i.i.d.）到达。我们评估（i）系统能量 ??sys（UE侧监控/唤醒/接收代理加上加权的UAV转发成本），（ii）尾部延迟（我们报告 ??95），以及（iii）通过总体违规率和每个类别的超额违规来评估QoS可靠性。对于UAV侧的敏感性，我们引入了一个控制不变的飞行/悬停基线 ??flybase 并报告 ??UAVmission =??flybase +??UAV；我们扫描 ?? =??flybase?/???UAV?(MIN) 并使用 ?? = 10 作为组成图的代表性设置。4.2. 基线和指标我们将提出的方法（OURS）与代表性的寻呼增强基线进行比较：MIN（始终触发/监控，即对所有（??,??），EPM（具有固定周期的周期性触发），SPOP（交错/分组周期性触发）和PPEI（具有固定阈值的预测辅助触发，没有QoS反馈更新）。OURS结合了基于TTNA的紧急性预测和每个类别的闭环阈值调整。对于报告，总体违规率是第2节中的总体缺失比率 ???all。尾部延迟 ??95 是在包括已交付和过期事件的有效延迟轨迹上计算的（延迟晚则丢失），以确保在重负载下尾部延迟和违规率之间的一致性。为了反映异构类别约束，我们还报告了代表性负载下的每个类别的超额违规 max?(0,????? ?????)。4.3. 参数设置表1总结了仿真中使用的系统级参数，表2列出了算法/模型超参数。除非另有说明，这些参数在所有实验中都作为默认值使用。表1. 仿真参数（系统级）。表2. 算法/模型超参数。4.4. 结果和讨论我们将评估组织为一个渐进的验证链，连接预测质量、流量动态和5G-Advanced/UAV特定的开销因素。我们首先验证学习到的预测器提供了一个稳定、信息丰富的紧急性信号，因为触发逻辑依赖于此信号进行在线决策。我们通过改变到达率??来量化不同交通条件下的能量-延迟-可靠性之间的相互作用，揭示了在不同负载情况下，各种方案在系统能量、尾延迟和QoS违规方面的响应情况。在证明了系统在不同负载下的鲁棒性之后，我们通过改变SSB/波束相关开销因子??SSB，突出了5G-Advanced的一个关键特性，表明当同步/波束测量成本较高时，抑制无效触发变得越来越重要。最后，我们进行了无人机侧的敏感性研究，通过一个控制不变的飞行/悬停基线和优势比率扫描，将增量转发节省与以推进为主导的无人机任务能量联系起来。

(1) 预测器/TTNA信号验证：图4将TTNA预测器与一个简单的基线进行了比较。这里，“GT”表示真实值，“CDF”表示累积分布函数。真实值TTNA是通过扫描每个UE的下一个到达时间并计算经过的周期来计算的（右端被??max截断）。简单基线使用基于最近到达间隔的简单持久性估计。绝对误差∣^??????|的累积分布函数（CDF）显示，学习到的预测器的误差始终较小，预测值与真实值的散点图表明预测器能够捕捉到有意义的TTNA趋势，为后续实验中的阈值触发逻辑提供了可靠的基础。图4. 实验1：在IntelREG轨迹上的下一个到达时间（TTNA）预测器验证。(左) 训练/验证RMSE的收敛情况（已缩放）。(中) 预测值与真实值TTNA（周期）的对比，其中虚线表示理想的?? =??。(右) 绝对预测误差∣^??????|的CDF。

(2) 能量与交通负载：接下来我们改变到达率??来评估系统在不同负载条件下的鲁棒性。如图5所示，由于更频繁的寻呼活动，能量通常会随着交通量的增加而增加。对于固定周期的基线（例如EPM和PPEI），由于触发频率是预先设计好的，能量曲线可能相对稳定。相比之下，在较重的负载下，OURS可能会表现出更高的增长率，因为闭环控制器会增加触发频率以将违规行为调节到目标约束范围内，这是在拥塞情况下实施QoS的预期成本。图5. 实验2：系统能量与到达率??的关系。

(3) 在交通负载变化下的尾延迟和QoS违规：节能应该与差异化的QoS保证同时实现。图6报告了随着??增加，尾延迟??95、总体违规率和每类超额违规的情况。??95的阶梯状行为主要是由于离散化的决策周期和固定的命中/转发延迟造成的。此外，由于不同的QoS类别有不同的延迟限制，右侧面板中的每类超额违规情况明确显示了在相同负载下哪些类别主导了可靠性差距。总体而言，OURS通过QoS反馈循环调整触发频率，减少了超额违规并控制了尾延迟。图6. 实验3：在不同到达率??下的尾延迟（??95）、总体违规率和每类超额违规max?(0,????? ?????）（数值越低越好）；右侧面板在?? ≈0.15时进行评估。(左) ??95。(中) 总体违规率。(右) 每类超额违规。

(4) 对SSB/波束开销的敏感性：5G-Advanced寻呼的一个关键动机是不可忽视的同步/波束测量开销。图7在两种代表性负载下改变了??SSB。为了量化敏感性，我们报告了相对于??SSB =1的增量能量：Δ????(??SSB) =??sys?(??SSB) ???sys?(1)。由于在(12)中??SSB?(??SSB)与??SSB成线性关系，Δ???大约与??SSB成线性增长。斜率与浪费的触发次数成正比，因此不同的方案表现出不同的敏感性。在较重的负载下，竞争/容量限制增加了浪费触发的频率，导致斜率增大，使得随着??SSB的增加，抑制不必要的触发变得更加关键。图7. 实验4：增量能量与SSB/波束开销因子??SSB的关系（两种负载），其中Δ????(??SSB) =??sys?(??SSB) ???sys?(1)。

(5) 以推进为主导的无人机操作下的能量：最后，图8通过添加一个控制不变的飞行/悬停基线??flybase来评估无人机任务能量。图8a显示，在代表性设置?? = 10时，与转发相关的能量只占任务能量的一小部分，证实了推进占主导地位。图8b进一步显示，随着??的增加，净无人机节能与MIN的比值减小，即在以推进为主导的条件下，转发能量的增益逐渐减少。图8. 实验5：以推进为主导的无人机操作下的无人机能量。(a) 在?? = 10时的任务能量组成，其中?? =??flybase?/???UAV?(MIN)；??flybase是一个控制不变的飞行/悬停基线（任务相同），??UAV是增量转发能量的代理。(b) 在添加??flybase后，净无人机节能与MIN的比值，显示了随着??的增加，转发增益是如何被稀释的。

5. 结论

本文讨论了3GPP 5G-Advanced下行寻呼的UE节能要求，以及在异构QoS约束下，无人机辅助场景中来自SSB测量和周期性监控的额外能量开销。我们提出了一种基于低复杂度离线-在线框架的QoS感知、风险驱动的寻呼控制方法：离线阶段训练TTNA预测器并校准类别依赖的阈值，而在线阶段执行基于紧急性的触发和自适应阈值更新，以将可靠性调节到目标约束范围内。我们通过基于仿真的评估来评估所提出的方法在不同交通负载和SSB开销水平下的性能，并将其与代表性基线进行比较。总体而言，将预测辅助触发与类别级闭环适应相结合，为在无人机辅助部署中平衡能量-延迟-可靠性提供了实用的机制。未来的工作将纳入更精细的无人机能量和移动性约束，并研究在线适应交通变化和多小区协作寻呼，以提高部署能力。