基于深度Q网络的云演艺延迟敏感业务QoE优化

网络中的资源分配问题一直备受关注,特别是在超高清视频流的传输中,对资源的有效管理至关重要。然而,随着网络服务的多样化和不断增加的业务类型,传统的资源分配策略往往显得不够灵活和智能。深度Q网络(Deep Q-Network,DQN)是一种能够自适应地学习和调整资源分配策略的神经网络模型。它基于神经网络与Q-Learning算法,通过不断尝试和学习来决策最佳的资源分配方案。本文旨在研究一种在云演艺场景下基于深度Q网络的延迟敏感业务资源调度算法,以满足当今网络中多样化的业务需求。仿真结果表明,基于深度Q网络的延迟敏感业务资源调度算法使得用户体验质量(Quality of Experience)指标显著提升,表明所提算法能够更好地满足延迟敏感业务的需求。

瑞利衰落信道下延迟敏感业务的CR频谱管理

在平坦的瑞利衰落信道条件下,针对认知无线电网络中的延迟敏感型业务,考虑其延迟时限的要求,提出一个动态信道选择方案.为了管理分布式的可用频谱资源,认知用户通过一个虚拟排队模型的接口进行信息交换并使用优先虚拟排队分析估计期望延迟,并利用了相应的动态策略学习算法,使延迟敏感业务能够动态适应信道选择方案以达到最小化丢包率目的.

延迟敏感型业务的带宽在线优化

本文研究Ｎ个延迟敏感型业务流对共享时隙带宽资源的实时在线最优配置问题。延迟业务的特点是如果在阈值ｎ时隙内没有可分配带宽，则新业务会被阻塞，优化目标是诸业务流被阻塞的概率最小，优化问题是整数规划问题。本文把离散型问题转化为连续型优化问题，基于网络阻塞率的实时测量值，采用梯度估计的搜索算法，给出诸业务流的最优时隙配置比例。然后，引入一种集成了确定性和随机性的转换方法，等价地给出原离散型问题的最优时隙配置。