由于流量需求和网络连接用户数量的增加，移动网络的能耗不断增加。为了确保移动网络的可持续性，能源效率必须成为下一代移动网络的关键设计支柱。在本文中，我们从两个角度来提高 5G 及更高网络的能源效率，即最小化网络能耗和节能网络架构设计。在本文的第一部分，我们重点关注基站 (BS) 的节能方法，基站是移动网络中能耗最高的组件。我们从移动网络运营商那里获得了一个包含网络负载信息的数据集。由于数据的时间粒度较粗，使用移动网络流量数据训练 ML 算法进行睡眠模式管理决策是一项挑战。我们提出了一种考虑到到达突发性的移动网络流量数据再生方法。我们提出了基于 ML 的算法来决定何时以及将 BS 置于睡眠状态的深度。目前关于在网络管理中使用 ML 的文献无法保证任何服务质量。为了解决这个问题，我们将基于分析模型的方法与 ML 相结合，其中前者用于网络中的风险分析。我们定义了一种新的指标来量化决策风险。我们设计了一个数字孪生，它可以模拟具有高级睡眠模式的真实 BS 的行为，以持续评估风险并监控 ML 算法的性能。仿真结果表明，与基线相比，使用所提出的方法可以获得相当大的能源节省，而延迟用户数量可以忽略不计。在论文的第二部分，我们研究并模拟了基于虚拟化云 RAN 的云原生网络架构的端到端能耗和延迟，从而形成了开放式 RAN 的基础。如今，大型电信运营商就基于混合 C-RAN 的开放式 RAN 架构达成了共识，本文将对此进行研究。从传统的分布式 RAN 架构迁移到基于混合 C-RAN 的网络架构在能耗和成本方面具有挑战性。我们从 OPEX 和 CAPEX 两个方面对迁移成本进行建模，并考虑未来流量预测对虚拟化云原生架构进行经济可行性分析。考虑到前传和光纤链路的基础设施成本，尚不清楚在什么条件下基于 C-RAN 的架构比 D-RAN 更具成本效益。我们制定了一个整数线性规划 (ILP) 优化问题，以优化设计前传，从而最小化迁移成本。我们使用商业求解器以最佳方式解决问题，并提出基于 AI 的启发式算法来处理大问题规模的可扩展性问题。处理网络能耗和延迟之间的权衡是网络设计和管理中的一个挑战性问题。在多层混合 C-RAN 架构中，我们制定了一个 ILP 问题，通过将热门内容存储在更靠近用户的边缘来优化延迟并最小化网络能耗。此外，我们研究了网络中总能耗和占用带宽之间的权衡。我们证明智能内容放置不仅可以减少延迟，还可以通过在性能指标之间找到折衷来节省能源。为了实现最小化网络能耗的类似目标，我们提出了一种端到端网络切片方法，其中逻辑网络针对特定服务进行量身定制。根据文献，端到端网络切片针对