超密集网络中基于多基站博弈均衡的分布式无线资源管理算法

移动边缘计算和超密集网络技术在扩大移动设备计算能力和增加网络容量方面有明显的优势.然而,在两者融合的场景下,如何有效降低基站之间的同信道干扰,减少任务传输的时延和能耗是一个重要研究课题.本文设计了一个基于多基站博弈均衡的分布式无线资源管理算法.将小基站之间的无线资源管理问题转化为博弈问题,提出一种基于奖励驱动的策略选择算法.基站通过迭代不断更新其策略的选择概率,最终优化子信道分配和发射功率的调控.仿真结果表明,我们的算法在提高信道利用率和降低任务处理的时延和能耗方面具有优势.

超密集网络中基于BCD的联合频谱资源优化方法

针对超密集网络(ultra dense network,UDN)中基站密集部署导致的严重层间干扰问题,构建了考虑频谱复用和共信道干扰条件下最大化系统总吞吐量问题模型,提出了一种基于块坐标下降(block coordinate descent,BCD)法的联合频谱资源优化(joint resource optimization based on BCD,JROBB)方法。该方法将原问题分解为分簇、子信道分配和功率分配三个子问题,通过BCD法迭代优化子信道分配和功率分配,逼近原问题的最优解。仿真分析表明,在复杂度提升有限的情况下,系统总吞吐量比现有典型算法平均至少提升22%,可以有效提升频谱利用率。

非完美频谱感知下认知超密集网络的资源分配

针对实际认知超密集网络场景中认知无线电存在非完美频谱感知的情况,提出了一种基于非完美频谱感知的资源分配方案,目标是在考虑跨/同层干扰约束、保障用户服务质量下,最大化非完美频谱感知下认知超密集网络中次级网络的能效。为此,依据网络模型构建能效优化问题,其为混合整数非凸规划问题,先通过分时共享松弛法和丁克尔巴赫法将其转换成等价的凸优化问题,再使用拉格朗日对偶法求其最优解,以此获得最优能效时的子信道和功率分配策略。基于此,提出了一种迭代的子信道和功率分配算法;为权衡计算复杂度,还提出了一种实用的子信道和功率分配算法。仿真结果表明,所提算法都有效地提升了网络能效。

基于NOMA的超密集网络中资源分配与计算卸载

针对移动边缘计算(MEC)中计算卸载的通信资源有限和任务完成时间难以保证的问题。在论文中,将非正交多址接入技术(NOMA)应用到超密集网络中,并提出了一个联合计算卸载和资源分配方案,以最大限度地降低任务完成时间,提高系统卸载收益。首先,用匹配联盟方法和二分法解决资源分配问题。然后,基于资源分配的结果,提出了一种计算卸载决策算法,以获取最优的任务卸载方案。通过与其他方案相比,论文所提出的方案能够显著地提高系统地卸载收益。

5G通信中基于超密集网络的小区部署与资源优化策略

文章深入探讨了5G通信中基于超密集网络的部署和资源优化策略。首先,概述超密集网络在5G网络中的应用及其主要特征;其次,分析超密集网络背景下的5G小区部署策略,包括小区密度、布局设计、覆盖优化以及小区间干扰管理;再次,深入研究超密集网络的资源优化方法,涵盖频谱利用、功率与能耗管理、传输资源的优化配置;最后,分析超密集网络环境下5G通信的性能优化和运维策略,提出相应的管理与维护方案。

多载波超密集网络的抗干扰分布式节能功率分配

该文研究多载波超密集网络(UDN)上行链路能效最优功率分配方案,基于非合作博弈论提出一种抗干扰分布式功率分配方案,使每个小区独立优化能效的同时抑制邻小区干扰。由于最大传输功率和QoS约束下的能效函数具有不易解决的非凸特性,且小小区间存在严重干扰。针对以上挑战,该文在最佳响应过程中设计了一种高精度低复杂度的阶梯注水算法,基于该算法利用干扰信道增益提出了一种多用户抗干扰功率分配算法。仿真结果和数值分析表明该算法运算复杂度低,且能在保证系统频谱效率的同时大幅度提升系统能效。

超密集网络中基于多连接的用户归属和功率控制联合优化

超密集网络是第五代移动通信系统提升容量的关键技术之一。针对基站密集部署场景,考虑用户基于多连接用户归属方式接入多个基站,以充分利用基站资源。为进一步提高用户吞吐量,研究多连接场景下的用户归属与功率控制策略。从兼顾系统吞吐量与用户公平性角度出发,将问题建模成对数速率最大化问题。通过将优化问题分解为用户归属和功率控制两个子问题,得出一种高效的次优解法。仿真结果表明所提算法在系统吞吐量上较已有算法具有明显的增益.

室内超密集网络中基于干扰图的自适应干扰协调方法

针对超密集网络的室内场景,提出了一种基于干扰图的自适应干扰协调方法。该方法以最大化系统吞吐量为目标,首先将系统中的干扰关系建模为干扰图,并利用迭代着色算法确定各小小区基站的可用资源;然后,由小小区基站采用优化吞吐量的资源分配算法将资源分配给各用户。所提方法能够根据网络拓扑结构及信道条件自适应地选择资源分配策略,从而降低系统内干扰。仿真结果表明,相比于现有方法,所提方法通过较小的额外信令开销,在明显提升吞吐量性能的同时有效地降低了系统中断概率。

基于迭代联合传输的超密集网络动态干扰协调方案

鉴于超密集网络中急剧增长的小区和用户数量,研究了如何通过合理地选择联合传输用户来实现动态干扰协调,以此提高小区边缘用户频谱效率。通过动态协作簇划分和动态联合静默传输2种手段,将所有用户分类;再利用迭代优化算法进一步提高系统性能,同时解决了联合传输用户的数量选择问题。仿真结果表明,与传统的协作多点方案相比,所提方案在不损失小区平均频谱效率的前提下,在小区边缘频谱效率方面存在显著的性能增益。

超密集网络中小小区分簇和子载波分配算法

超密集网络中,严重的小区间干扰制约了终端用户尤其是边缘用户的数据速率。有效地对干扰进行管理、提升边缘用户的数据速率是超密集网络中的研究难点。在超密集网络架构的基础上,提出一种基于图论的不完全染色算法,对网络架构中的基站划分簇,同簇内的不同基站共享频带资源。同时,提出一种子载波分配算法,优先为边缘用户分配信道增益较优的子载波。通过仿真表明,不完全染色算法能够有效地减小小区间干扰,提升系统吞吐量,子载波分配算法在不影响系统吞吐量的基础上能够优化边缘用户的吞吐量。

基于博弈论和启发式算法的超密集网络边缘计算卸载

超密集网络与边缘计算相结合时,高密度的基站分布可能会对同一用户重复覆盖,该用户选择不同基站进行卸载将会对系统性能产生不同影响,由此引出卸载对象选取问题。同时边缘计算可以将部分任务卸载到边缘服务器进行处理,选择合适的卸载比例能够显著降低所需的时延和能耗,由此引出卸载比例选取问题。提出一种超密集网络环境中基于博弈论和启发式算法的边缘计算卸载策略。针对卸载对象选取问题,根据边缘服务器到用户之间的距离和工作负载定义偏好度指标,各用户根据偏好度进行博弈后选择卸载对象,并对用户进行分组,将原问题分解为若干个并行的子问题。针对卸载比例选取问题,基于萤火虫群优化算法对各用户的卸载比例进行优化,得到适当的卸载比例。与全本地处理(ALP)策略、全卸载策略(AOS)和基于粒子群优化(PSO)算法的卸载策略进行对比,实验结果表明,ALP和AOS策略在总能耗和平均时延上具有一定的局限性,相比基于PSO的卸载策略,所提策略的时延降低22%,能耗降低20%,可以有效减少系统损失。

超密集网络中基于MEC的任务卸载和资源分配

随着计算密集型和数据密集型应用程序的激增,移动边缘计算(Mobile Edge Computing, MEC)被提出,可为无线网络边缘的用户提供强大的计算能力。然而当大量用户将计算任务卸载到边缘服务器时,反而会增加网络负载和传输时延。文中针对计算资源有限的超密集网络中的计算负载,考虑任务卸载和资源分配的联合优化问题,提出了算法以最小化超密集网络(Ultra-Dense Network, UDN)总开销。文中将该联合优化问题划分为多个子问题。首先计算最小本地开销;然后为计算最小边缘开销,将任务卸载与资源分配问题划分为信道分配子问题和功率分配与卸载决策子问题;最后引入相应的拉格朗日函数,并采用内点惩函数法和Frank-Wolfe方法递归地解决子问题。仿真结果表明,与传统的基本算法相比,文中所提算法可有效减少系统总开销,同时有效减少能源开销和传输时延。

热模式分析结合网络自适应跳变算法的超密集网络攻击预测方法

针对超密集网络安全性的问题,提出一种热模式分析结合网络自适应跳变算法的超密集网络攻击预测方法。研究发现超密集网络中漫游用户的安全与其增加的切换百分比有关。提出一种基于热模式分析(Thermal Pattern Analysis, TPA)的网络攻击预测新方法,通过跟踪热能模式的足迹(能量和频谱效率)来确定高速用户的可能攻击区域。引入网络自适应跳变算法,采用网络威胁感知和跳变策略设计指导网络跳变机制的选择。实验结果表明,该方法能够更加准确地在超密集网络环境中找到可能低安全性区域,相比其他较新的同类型预测方法,具有更好的预测性能。

5G超密集网络面临的挑战与解决方案研究

超密集组网能够大幅提升无线网络容量,成为解决5G网络数据流量爆炸式增长问题的关键技术之一,但是这种各类无线接入点超密集部署的新型网络形态带来了新的挑战。文章从干扰管理、移动性管理、能效管理、网络架构等四个方面讨论了超密集网络在应用时所面临的挑战,并阐述了相应的解决方案。

超密集网络中病毒攻击优化识别算法

超密集网络是根据汇聚节点的拓扑属性进行测度中心加权融合的网络模型,超密集网络中容易受到类似于DOS等病毒的拒绝服务攻击。由于DOS病毒特征具有频谱混迭特性,在超密集网络难以有效识别。目前采用联合特征检测方法进行病毒攻击信息的检测识别,性能随着环境干扰影响起伏较大。提出一种基于幅频响应带宽检测的病毒攻击识别算法。进行病毒攻击的数学模型构建和信号分析,然后设计格型陷波器实现攻击信号的干扰抑制和滤波,根据病毒攻击信号的检测带宽和攻击带宽,选取不同的陷波器频率参数和带宽参数,进行频谱特征混迭加权处理,提取幅频响应特征进行病毒攻击的带宽检测,实现攻击特征识别。仿真结果表明,采用该算法对超密集网络中的病毒攻击进行幅频响应特征提取,具有较好的抗干扰性能,准确检测识别概率优越于传统算法,在网络安全领域具有较好的应用价值。

超密集网络中基于MEC的动态任务卸载方案

超密集网络(Ultra-dense Network,UDN)中集成移动边缘计算(Mobile Edge Computing,MEC),是5G中为用户提供计算资源的可靠方式,在多种因素影响下进行MEC任务卸载决策一直都是一个研究热点。目前已存在大量任务卸载相关的方案,但是这些方案中很少将重心放在用户在不同条件下的能耗需求差异上,无法有效提升用户体验质量(Quality of Experience,QoE)。在动态MEC系统中提出了一个考虑用户能耗需求的多用户任务卸载问题,通过最大化满意度的方式提升用户QoE,并将现有的深度强化学习算法进行了改进,使其更加适合求解所提优化问题。仿真结果表明,所提算法较现有算法在算法收敛性以及稳定性上具有一定提升。

5G超密集网络虚拟化解决方案

密集部署传输节点,减少小区半径,获得更大的小区分裂增益是5G超密集网络实现容量提升目标的关键手段。本文首先介绍了5G超密集网络的含义、典型覆盖场景和面临的挑战;其次,分析了5G虚拟化网络架构;最后介绍了5G移动通信系统以用户为中心的虚拟化技术,重点介绍了小区虚拟化和终端虚拟化技术在解决移动性和干扰问题方面的优势。

超密集网络中基于改进DQN的接入选择算法

在超密集网络环境中,各个接入点密集部署在热点区域,构成了复杂的异构网络,用户需要选择接入合适的网络以获得最好的性能。如何为用户选择最优的网络,使用户自身或网络性能达到最佳,称为网络接入选择问题。为了解决超密集网络中用户的接入选择问题,综合考虑网络状态、用户偏好以及业务类型,结合负载均衡策略,提出了一种基于改进深度Q网络(deep Q network,DQN)的超密集网络接入选择算法。首先,通过分析网络属性和用户业务的偏好对网络选择的影响,选择合适的网络参数作为接入选择算法的参数;其次,将网络接入选择问题利用马尔可夫决策过程建模,分别对模型中的状态、动作和奖励函数进行设计;最后,利用DQN求解选网模型,得到最优选网策略。此外,为了避免DQN过高估计Q值,对传统DQN的目标函数进行优化,并且在训练神经网络时,引入了优先经验回放机制以提升学习效率。仿真结果表明,所提算法能够解决传统DQN的高估问题,加快神经网络的收敛,有效减少用户的阻塞,并改善网络的吞吐能力。

超密集网络中负载均衡感知的初始关联控制算法

为了解决移动数据流量和大量移动终端的空前增长问题,超密网络部署已作为一种经济高效的解决方案来减轻小蜂窝网络的负载。不同的超密集网络的拓扑结构将导致不同的覆盖范围,每个用户设备将会有多个可接入点。针对这种情况,研究了软件定义的超密集网络下基于分布式和集中式两种方式的初始连接控制。提出了一种集中式的、稳定的、可负载平衡感知的关联控制算法来减少数据面的切换次数。这是一种统一的初始关联控制和负载均衡的管理方式。最后,评估了基于分布式接入和集中式接入的初始关联控制的依照切换次数的稳定性。结果表明,集中式接入的关联控制算法性能比分布式接入更好。

基于DQN的超密集网络能效资源管理

小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量(QoS)并提高网络能效,构建一种基于深度强化学习(DRL)的资源分配和功率控制联合优化框架。综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题。针对该联合优化问题的NP-Hard特性,提出基于DRL框架的资源分配和功率控制联合优化算法,并定义联合频谱和功率分配的状态、动作以及回报函数。利用强化学习、在线学习和深度神经网络线下训练对网络资源进行控制,从而找到最佳资源和功率控制策略。仿真结果表明,与枚举算法、Q-学习算法和两阶段算法相比,该算法可在保证用户QoS的同时有效提升网络能效。