大规模机器通信(massive machine type communication,mMTC)是5G网络的主要应用场景之一,各式各样物理设备连接互通的时代将要来临。在5G mMTC场景中常会遇到大规模设备同时请求接入网络,造成网络拥塞、影响系统通信性能的问题。针对这...大规模机器通信(massive machine type communication,mMTC)是5G网络的主要应用场景之一,各式各样物理设备连接互通的时代将要来临。在5G mMTC场景中常会遇到大规模设备同时请求接入网络,造成网络拥塞、影响系统通信性能的问题。针对这一问题,文章对5G蜂窝物联网中大规模设备接入算法进行研究,提出一种基于对蜂窝物联网终端数据和网络资源信息进行分析的设备接入算法。通过考虑场景中的设备终端相关信息以及网络资源,结合聚类分析的方法对终端进行聚类划分,并映射至空闲的网络资源块中,实现高效的蜂窝物联网设备接入,使其适用于当前mMTC场景,为目前5G蜂窝物联网设备提供一种有效的接入网络方法。展开更多
大规模机器类通信(massive Machine Type Communications,mMTC)旨在实现海量的物联网设备通信,被广泛应用于工业自动化、智能交通、智慧城市、智慧医疗等领域。面对数量巨大的用户设备,基于授权的随机接入技术存在接入失败概率高和信令...大规模机器类通信(massive Machine Type Communications,mMTC)旨在实现海量的物联网设备通信,被广泛应用于工业自动化、智能交通、智慧城市、智慧医疗等领域。面对数量巨大的用户设备,基于授权的随机接入技术存在接入失败概率高和信令开销大的弊端。为了解决这些弊端,学术界和工业界提出了免授权随机接入(Grant-Free Random Access,GFRA)技术,此技术能够使活跃用户设备在发送导频序列后直接传输数据而无需等待基站授权。因此,在基于免授权接入的mMTC中,基站的一个关键任务是进行用户设备活跃性检测。而在实际场景中,用户设备往往在连续时隙上呈现活跃状态,即存在时间相关性。特别地,利用时间相关性的先验信息可以降低用户设备活跃性的错误检测概率。本文从该出发点提出一种基于最大后验(Maximum A Posteriori,MAP)概率的坐标下降算法。具体而言,该算法首先从最大后验概率的角度构建目标函数,并通过Markov链模拟连续时隙中的状态转移。其次,使用坐标下降法处理接收信号的协方差得到活跃用户设备集合。最后,对当前时隙的用户设备最可能发生的情况进行决策。仿真结果表明,相比经典的活跃用户检测算法,本文算法拥有更低的错误检测概率。并且,当导频序列长度较短及活跃用户数量增加时,仍能表现出较好的检测性能。此外,随着接收天线增多,本文算法相比经典算法的性能增益更显著。展开更多
在大规模机器类通信(Machine Type Communication,MTC)中,短时间内大量的设备涌入LTE-A(Long Term Evolution-Advanced)网络,这些设备同时发起随机接入会引起严重的网络拥塞,需要采取合适的措施对拥塞加以控制。为此,提出了一种基于强...在大规模机器类通信(Machine Type Communication,MTC)中,短时间内大量的设备涌入LTE-A(Long Term Evolution-Advanced)网络,这些设备同时发起随机接入会引起严重的网络拥塞,需要采取合适的措施对拥塞加以控制。为此,提出了一种基于强化学习的D3QN(Dueling Double Deep Q-network)算法。D3QN以DQN(Deep Q-Network)为基础,使用Double和Dueling两种方法进行改进,并采用优先经验回放对训练数据进行采样,使算法收敛速度更快并且更加稳定。考虑多基站的场景,设备可以对其所在区域内的任一基站发送接入请求。该方案中,使用具有无记忆特性的泊松过程对采用二步的随机接入的MTC设备的到达进行建模,设备通过基站广播的发生冲突的前导码数量,改变强化学习中的奖励,使得MTC设备能够找到拥塞少的基站进行接入,减少可能的前导码冲突。在不同的负载场景中,将所提方案与传统方案以及其他基于强化学习的方案进行了比较,证明了所提方案在解决大规模问题时的实用性和有效性。展开更多
文摘大规模机器通信(massive machine type communication,mMTC)是5G网络的主要应用场景之一,各式各样物理设备连接互通的时代将要来临。在5G mMTC场景中常会遇到大规模设备同时请求接入网络,造成网络拥塞、影响系统通信性能的问题。针对这一问题,文章对5G蜂窝物联网中大规模设备接入算法进行研究,提出一种基于对蜂窝物联网终端数据和网络资源信息进行分析的设备接入算法。通过考虑场景中的设备终端相关信息以及网络资源,结合聚类分析的方法对终端进行聚类划分,并映射至空闲的网络资源块中,实现高效的蜂窝物联网设备接入,使其适用于当前mMTC场景,为目前5G蜂窝物联网设备提供一种有效的接入网络方法。
文摘大规模机器类通信(massive Machine Type Communications,mMTC)旨在实现海量的物联网设备通信,被广泛应用于工业自动化、智能交通、智慧城市、智慧医疗等领域。面对数量巨大的用户设备,基于授权的随机接入技术存在接入失败概率高和信令开销大的弊端。为了解决这些弊端,学术界和工业界提出了免授权随机接入(Grant-Free Random Access,GFRA)技术,此技术能够使活跃用户设备在发送导频序列后直接传输数据而无需等待基站授权。因此,在基于免授权接入的mMTC中,基站的一个关键任务是进行用户设备活跃性检测。而在实际场景中,用户设备往往在连续时隙上呈现活跃状态,即存在时间相关性。特别地,利用时间相关性的先验信息可以降低用户设备活跃性的错误检测概率。本文从该出发点提出一种基于最大后验(Maximum A Posteriori,MAP)概率的坐标下降算法。具体而言,该算法首先从最大后验概率的角度构建目标函数,并通过Markov链模拟连续时隙中的状态转移。其次,使用坐标下降法处理接收信号的协方差得到活跃用户设备集合。最后,对当前时隙的用户设备最可能发生的情况进行决策。仿真结果表明,相比经典的活跃用户检测算法,本文算法拥有更低的错误检测概率。并且,当导频序列长度较短及活跃用户数量增加时,仍能表现出较好的检测性能。此外,随着接收天线增多,本文算法相比经典算法的性能增益更显著。
文摘在大规模机器类通信(Machine Type Communication,MTC)中,短时间内大量的设备涌入LTE-A(Long Term Evolution-Advanced)网络,这些设备同时发起随机接入会引起严重的网络拥塞,需要采取合适的措施对拥塞加以控制。为此,提出了一种基于强化学习的D3QN(Dueling Double Deep Q-network)算法。D3QN以DQN(Deep Q-Network)为基础,使用Double和Dueling两种方法进行改进,并采用优先经验回放对训练数据进行采样,使算法收敛速度更快并且更加稳定。考虑多基站的场景,设备可以对其所在区域内的任一基站发送接入请求。该方案中,使用具有无记忆特性的泊松过程对采用二步的随机接入的MTC设备的到达进行建模,设备通过基站广播的发生冲突的前导码数量,改变强化学习中的奖励,使得MTC设备能够找到拥塞少的基站进行接入,减少可能的前导码冲突。在不同的负载场景中,将所提方案与传统方案以及其他基于强化学习的方案进行了比较,证明了所提方案在解决大规模问题时的实用性和有效性。
