基于图形表示的异构超密集网络的机器学习技术研究

异构超密集网络(H-UDN)被认为是一种通过网络密集化来维持爆炸性的移动业务需求的解决方案。通过将接入点、处理器和存储单元放置得尽可能靠近移动用户,H-UDN带来了许多优势,包括较高的频谱利用率、较高的能量利用率和低延迟。尽管如此,H-UDNs中网络实体的高密度和多样性给协同信号的处理和资源管理带来了巨大的设计挑战。该文阐述了机器学习技术在解决这些挑战方面的巨大潜力。特别地,展示了如何利用H-UDN的图形表示来设计有效的机器学习算法。

5G超密集异构网络双连接技术架构设计

双连接(Dual Connectivity,DC)技术是一种创新型技术,可以满足5G超密集异构网络(Heterogeneous Network,HetNet)日益增长的高数据速率传输需求。在5G超密集HetNet中,DC切换是对传统移动网络切换的进一步优化和发展。因此,以DC技术的一般概念为基础,设计了5G非独立接入(Non-Standalone Access,NSA)架构和独立接入(Standalone Access,SA)架构。同时,为确保5G超密集HetNet业务的连续性,避免小蜂窝之间频繁切换和乒乓效应的发生,设计了基于DC的切换程序。

超密集异构无线网络中基于位置预测的切换算法

在密集异构蜂窝网络和无线局域网络构成的超密集异构无线网络中,变速移动的车辆终端会面临更加频繁的切换,导致用户服务质量(QoS)变差。该文针对上述问题,首先,利用高斯马尔可夫移动模型,预测车辆下一时刻的位置,筛选出满足终端服务质量的候选网络集,与当前的候选网络集做交运算,其次,当前接入网络不在交集中,则使用变步长的萤火虫算法寻找最佳网络;再次,对因预测误差导致的切换失效,则把终端用户迁移到宏蜂窝,以保证通信的持续性。仿真结果表明,在超密集异构无线网络中,使用该文所提算法能够减少乒乓切换等频繁切换现象,同时,提升了用户的服务质量和网络吞吐量。

超密集异构网络中的一种混合资源分配方法

针对在宏小区覆盖范围内高密度部署小小区所带来的跨层干扰和同层干扰,研究了超密集异构蜂窝网络中的资源分配问题,采用了一种共享频谱与分离频谱共存的混合频谱分配方案。依据簇中小基站与宏基站的干扰是否超过设定的阈值,将簇进行分类并以不同的方式进行资源分配,超过阈值的簇采用分离频谱的方式分配资源,反之,可共享整段频谱。而在每个小基站簇内,在相应的约束条件下采用对偶分解法求出规划的优化目标,为每个小基站分配子信道和功率。基于联合分配方案提出算法1和算法2(次梯度算法),算法1最接近最优解决策略,而算法2可以解决高复杂度问题,具有更高的实用性。仿真结果表明,所提方案能够有效地抑制干扰、提升系统容量,同时兼顾用户间公平性。

5G绿色超密集无线异构网络:理念、技术及挑战

超密集无线异构网络被公认为是大幅提升无线网络容量、解决蜂窝网所面临的1 000倍数据量挑战最富有前景的一种5G组网技术。但是,与5G愿景背道而驰的是网络的超密集化部署在提升谱效的同时也极度地增大了系统的能耗,降低了通信能效。旨在利用超密集异构网络具有的全网管理能力和网络分集效应,从宏观的网络匹配与微观的资源聚合两方面探索超密集异构网络绿色演进的关键理论与技术。首先论述了绿色演进的基本理念,然后提出了利用负载自适应的基站开关控制、主动缓存和干扰感知的跨网资源分配三大关键技术来提升网络的能效,同时也讨论了每种技术在应用时所面临的挑战。

5G超密集异构网络带内无线回传资源分配方案

为实现5G超密集异构网络中无线回传链路和接入链路之间的最优资源分配,研究多用户场景下双层异构网络的联合用户调度和功率分配问题,在队列稳定和无线回传资源有限的情况下,综合考虑用户调度、功率分配和干扰控制等因素,对带内无线回传的最优资源分配问题进行数学建模并求解,基于李雅普诺夫优化理论提出联合用户调度和功率分配的优化算法。将优化问题解耦为网络内各个用户的调度以及宏基站和小基站的功率分配过程,采用MOSEK求解器和二分类方法获得用户调度向量,利用拉格朗日乘子法求解功率分配问题,并通过队列的时刻更新过程实现最优资源分配。仿真结果表明,在多用户场景下,该方案能够有效提升网络总吞吐量以及网络效用,并且毫米波频段的通信性能优于传统蜂窝网络频段。

新一代超密集异构蜂窝无线网络研究

近年来,随着移动互联网的蓬勃发展和智能终端的快速普及,对无缝网络覆盖和高速数据传输要求日趋增强,超密集异构蜂窝无线网络通过减小小区半径,增加低功率节点数量进行超密集组网,提高无线资源利用率和频谱效率,因而引起了国内外研究学者的广泛关注。然而,超密集异构蜂窝无线网络中愈发密集的网络部署也带来了各种严峻的问题,包括超密集异构蜂窝无线网络中的系统干扰问题、无线信息的安全传输问题、以及网络运营的能量供给问题等。为此,本文首先简单介绍了超密集异构蜂窝无线网络架构,接着从干扰管理、物理层安全和能量效率等方面,深入分析了超密集异构蜂窝无线网络中的关键技术和当前挑战,最后,进一步展望了超密集异构蜂窝无线网络的未来发展。

超密集异构无线网络中基于移动轨迹预测的网络切换算法

随着5G技术的广泛应用,网络超密集化部署已成为必然趋势。超密集异构无线网络在实现网络高流量密度、高峰值速率性能的同时,给传统的网络切换算法带来了挑战,处于变速移动的终端会面临更频繁的切换问题,这将导致乒乓效应频率的显著提高,进而影响用户在网体验。针对上述问题,该文提出一种基于终端移动轨迹预测的网络切换算法,适用于各类型用户在高密度无线网络中的垂直切换和水平切换问题。首先,为了更高精度的移动轨迹预测,提出一种基于模糊核聚类和长短期记忆(LSTM)神经网络的预测方法,可以有效预测不同移动模式下用户终端的短时移动轨迹;之后,基于用户当前和预测位置,获取候选网络集合,通过候选集交运算法和指标阈值判断网络切换时机;当切换触发时,使用帝企鹅算法最优化网络选择。仿真结果表明,相比于其他类型的时间序列预测算法,该文提出的轨迹预测算法精度较高;同时相较对比算法,该文所提网络切换算法的切换次数适中,有效避免了乒乓效应,且提高了用户连接的网络质量。

基于移动边缘计算的超密集异构网络数据存储

针对目前超密集异构网络数据存储方法存储速率过慢,导致存储量较小,难以满足人们的要求,提出了基于移动边缘计算的超密集异构网络数据存储方法。构建基于移动边缘的网络结构模式,采用网络结构层次分析法,对超密集异构网络建立相应的选择层次模型,并根据网络数据收集和处理将其分类为数据收集网络和数据处理网络,最后,利用移动边缘计算技术,将写入的网络数据下沉到网络边缘,实现超密集异构网络数据的持久存储。实验结果表明,基于移动边缘计算的超密集异构网络数据存储方法能有效提高存储速率,扩大存储量。

超密集异构网络中基于用户关联和频谱分割的无线回传方案

超密集异构网络能够有效满足5G业务需求,但无线回传仍存在着一些问题需要解决。考虑回传链路容量有限的情况,研究多用户场景下的双层超密集异构网络的用户关联和频谱分割的联合优化问题。首先,在基站端设计预编码器来进行干扰控制。然后,以最大遍历可达速率为关联准则对问题进行建模,提出了联合用户关联和频谱分割的优化算法,求解并给出了最佳用户关联向量和最佳频谱分割系数。仿真结果表明所提算法能有效提升超密集异构网络的网络性能。

基于贝叶斯决策的超密集异构网络切换研究

针对移动用户在超密集异构网络中切换耗时和网络选择错误的问题,提出了一种基于区域感知的贝叶斯策略。首先根据用户在超密集异构网中的位置和用户实际接收到的RSS,计算用户接入区域中的各基站的概率。其次,结合最大似然估计计算移动用户在各基站覆盖下切换的概率。再次,根据贝叶斯定理计算各基站的贝叶斯概率。最后,选择贝叶斯概率最大的基站作为移动用户切换的目标基站,从而实现用户的无缝接入。仿真结果证明,提出的基于区域感知的贝叶斯切换策略能够很好地解决超密集异构网络切换时的网络选择不正确和耗时的问题。

超密集异构蜂窝网多维资源联合优化算法

作为5G的关键技术,超密集组网(UDN)可以大幅度提高网络容量和用户体验,但其性能严重受限于小区间干扰。针对超密集异构蜂窝网络的无线资源高效管理问题,提出了一种多维无线资源联合分配算法。为了在保障用户服务质量的前提下,最大化系统能效,将时频资源与功率资源的最优分配问题建模为有约束的组合优化问题。由于这是一个NP-hard问题,求解比较困难。因此,采用分步优化+迭代搜索策略:首先基于模拟退火算法进行时频资源优化分配,并引入粒子删减和回火升温过程以提高搜索速度和避免落入局部最优陷阱;然后采用拉格朗日乘子法进行功率最优分配;最后,通过多次迭代,逼近全局最优解。仿真结果表明,提出的联合资源分配算法能够保障用户间的公平性并且有效提高系统能效与网络吞吐量,同时具有更快的收敛速度和更高的收敛精确度。

超密集异构网中基于配对理论的用户关联算法

超密集异构网络作为提升网络数据流量和用户速率的有效手段,成为5G关键技术中的一员。但超密集部署的小小区基站势必会导致系统总能耗的增加,以及用户接入公平性等问题。解决给定目标速率条件下基于能效优化的用户关联(也称为用户接入)问题。改进了原有的功耗优化模型,使之更准确地反映基站的实际发射功率和总功耗。在此基础上,利用拉格朗日对偶和二分法对关联过程中用户分配到的资源比例和基站为每个关联用户提供的发射功率进行优化和调节;同时结合配对理论,提出一种综合考虑能效和接入公平度的用户关联算法。性能仿真和对比结果表明,算法在保持良好的用户接入公平性的基础上有效提升了系统能效。

基于改进深度Q学习的网络选择算法

在引入休眠机制的超密集异构无线网络中,针对网络动态性增强,导致切换性能下降的问题,该文提出一种基于改进深度Q学习的网络选择算法。首先,根据网络的动态性分析,构建深度Q学习选网模型;其次,将深度Q学习选网模型中线下训练模块的训练样本与权值,通过迁移学习,将其迁移到线上决策模块中;最后,利用迁移的训练样本及权值加速训练神经网络,得到最佳选网策略。实验结果表明,该文算法显著改善了因休眠机制导致的高动态性网络切换性能下降问题,同时降低了传统深度Q学习算法在线上选网过程中的时间复杂度。

5G网络关键技术发展现状及趋势研究

移动通信经过多年的发展和改进,经历了GSM、TD-SCDMA、TD-LTE等阶段,目前已经迈入5G网络时代。5G网络利用先进的SON、D2D、异构超密集网络和软件定义网络等技术,可以大幅度提升通信带宽及用户接入数量,进一步提高移动通信的数据速度,对移动通信具有重要的作用和意义。

5G网络架构和关键技术

2014年,IMT-2020(5G)推进组发布了第一份白皮书,第五代移动通信系统被提上日程,有望在2020年完成整个网络与系统的部署。未来的数据流量,网络连接设备总量将会发生爆炸式增长,业务需求将会发生颠覆性变化,物联网与移动互联网将会相互融合,为人们提供多元化服务,如车联网,智能家居,智慧医疗,工业监测系统,超高清3D时频等。文章介绍实现以上高速率,靠可靠性,低时延,智能化,功能多元化的5G网络实现的网络架构以及关键技术,如大规模MIMO,软件定义网,自组网技术等。

5G网络技术

总结了当前移动通信网络面临的问题和挑战,分析了移动通信系统的发展趋势及5G移动通信网络需求的源驱动力,深入探讨与分析了5G移动通信网络所基于的各种新技术的原理、典型特点、细分应用场景及其当前研究存在的困难,通过对5G网络关键技术的探讨,指出5G移动通信系统的发展方向。

5G移动通信网络结构浅析

尽管5G移动通信标准尚未面世,但相关的技术脉络已然日渐清晰。本文分析了未来5G网络结构的三个重要特征,并对其基本原理、功能及实际意义作了简要介绍。

5G通信网络中大数据智能化技术的应用探究

通信质量是保证信息正常传递的重要内容,对于各个领域发展具有重要意义,有必要对其进行深入研究。本文将5G通信网络作为研究对象,简单叙述其基本概念,再研究大数据智能化技术在5G通信网络中的重要价值,从数据收集分析、数据挖掘存储、D2D通信技术、移动云计算、超密集异构网络技术、毫米波通信技术等维度,详细分析5G通信网络中大数据智能化技术的具体运用,最后描述5G通信网络中大数据智能化技术的未来展望,旨在为更多领域提供思考方向,提升大数据智能化技术应用效果,推动社会经济有序发展。

5G网络结构演进及关键技术探讨

5G网络的信息传递量和传递速度会比4G网络倍增,信息的时效性也很高。它会改变一些业务的表现形式,通过该技术,可以将5G网络与物联网进行深度结合,实现传统行业的移动网络改革,例如在智能医疗行业、行车自动化等行业中的运用。本文对5G网络的发展做了合理的预测,接着对其结构进行了简单论述,对应分析了它的特点,并对其关键技术进行了总结,主要有超密集异构网络、FBMC等技术。