基于QoE的MIMO-NOMA系统功率分配方案

在多输入多输出非正交多址接入（MIMO-NOMA）系统中,衡量通信质量时仅仅考虑了用户的服务质量（QoS）,而没有考虑用户终端的满意度.为此,提出一种基于Stackelberg博弈的优化用户体验质量（QoE）的动态定价功率分配算法.在网页浏览业务场景下,用平均意见分数（MOS）值来衡量用户终端的满意度,将用户设置为买方,基站设置为卖方,小区内各用户从基站处以瞬时单位功率价格购买功率,提升其MOS值;同时,卖方基站不断调整单位功率价格,以实现自身最大化收益,最终达到Stackelberg均衡.仿真结果表明,所提算法与基于QoS的功率分配算法相比,在公平性上提升了22.73%;与传统的定价算法相比,在吞吐量和MOS值上有明显提升;与基于凸差规划的功率分配算法相比,在时间复杂度上有明显降低.     

密集网络下基于Self-Backhaul感知的用户接入负载均衡算法

针对密集异构网络自回程场景中带宽分配不合理引起的负载不均衡问题,提出一种基于self-backhaul感知的用户接入负载均衡方案.首先根据密集异构网络下各个小基站接入与回程资源的负载状态提出一种用户接入负载均衡策略;其次利用Q-Learning算法对各个小基站带内无线接入与回程带宽分配进行学习,用户在不同带宽分配因子下,根据用户接入负载均衡策略进行重新接入,得到不同接入情况下的系统效用,进而得到最优带宽分配策略,保证负载均衡性的同时实现系统效用最大化.仿真结果表明,该方案在密集异构网络自回程场景中提高了网络负载均衡性,同时提升了用户速率体验.     

无线局域网中业务流接入控制的博弈论算法

提出一种IEEE 802.11无线局域网中的用户流接入控制(AC)算法．通过建立用户流的QoS满意度(UQS)函数,将用户与接入点(AP)之间的接入控制决策过程建模为UQS最大化下的非协作博弈;根据此博弈的纳什均衡解,在不同的网络负载条件下,给出AP的最优接入控制策略(G-AC)．仿真结果表明:G-AC算法能够为接入的用户流提供定量的QoS保证;并且,同传统的截止优先权AC算法(CP)相比,G-AC算法可以根据网络负载状况自适应的改变接纳策略,从而获取更高的带宽资源利用率(平均吞吐量高于CP算法10％),并为服务商带来更高的网络收益．     

干扰约束下基于用户需求的多信道频谱接入机制

针对认知无线电网络中在干扰约束下基于用户需求的分布式多信道机会频谱接入问题,定义了用户满意度函数用来测度用户满意度,并基于博弈论构建了信道选择中的优化问题,在定义用户收益函数时引入干扰约束,即使认知用户综合考虑用户满意度和干扰两个因素,在最小化自身干扰量的同时兼顾满意度,以提高网络整体性能.证明了该博弈问题是至少具有一个纯策略纳什均衡的精确势能博弈,且纳什均衡点是上述优化问题的最优解.数值仿真结果表明:兼顾满意度和干扰约束可以使整个网络的总干扰显著降低;同时提高了公平性,提升了系统的总体性能.     

认知无线电网络频谱竞标和定价

为充分利用空闲的电视(TV)广播信道,给出了一个层次化频谱贸易模型,分析了TV广播机构、运营商、用户驻地设备间的交互. 将多个TV广播机构和多个运营商间的频谱贸易建模为双向拍卖,给出了简单易行的算法. 使用演化博弈理论描述认知用户在选择运营商时的动态行为,用中心化算法实现网络选择的演化过程;用非合作博弈描述运营商间的接入价格竞争. 为追求最大化利润,运营商应合理地联合决定所需的TV信道数和业务接入价格. 数值结果揭示了频谱贸易模型性能. 所提的方案改善了无线频谱使用效率,提高了经济和社会效益.     

移动广播融合网络中的资源分配和定价模型

应用博弈论中不完全信息理论来解决资源动态分配和定价问题,对服务提供商和用户之间的交互关系进行建模;通过求解静态博弈贝叶斯均衡问题以获得服务提供商的最佳价格策略和用户对应的对服务带宽购买的最佳选择。基于该模型,提出了基于用户需求强度的动态资源分配和定价管理机制及其算法。仿真表明,该算法相比于静态单一定价资源分配方法在网络效用和资源使用率等方面都得到了较大提高。     

一种基于博弈论的无线网状网络信道分配算法

为了解决无线Mesh网络中的信道分配问题,提出了一种基于博弈论的信道分配方法。该算法将网络中每一个节点模型实义为一个参与者,每个参与者的策略为信道的分配方案,收益函数的目标为最大化网络信噪比。参与者通过相互博弈来优化收益函数以最大化网络信噪比。针对节点的QoS提出了算法的改进方案。基于NS2的仿真结果表明:2种算法在收敛性、吞吐量和信道接入时延方面都有较好的性能。     

认知无线电系统转移接入概率的动态子载波分配

针对认知无线电系统可用子载波的动态变化,提出一种基于接入概率的动态子载波分配方法. 该方法通过控制认知用户在子载波上的接入概率最大化系统的吞吐量,保证了用户的服务质量需求. 为简化求解过程,提出一种基于接入概率转移的启发式算法,该算法可将子载波接入概率在用户间转移,直至所有用户的速率需求都得到满足. 仿真结果表明,在瑞利衰落信道环境下启发式算法能得到全局最优解. 同时,与现有动态分配方法和载波侦听多路接入方法相比,新方法能有效地提高系统吞吐量性能.     

骨干边缘分离网络联盟博弈入流量规划

针对骨干边缘分离网络下自私性对边缘自治域入流量规划的影响,提出了基于联盟博弈的入流量规划模型. 该模型以网络开销作为入流量规划性能的评价指标,建立了网络开销与网络运营商收益的关系. 边缘自治域通过与其他自治域形成联盟,优化其入流量规划性能,提高其网络运营商的收益. 同时,分析了联盟核心的特点,并提出基于SHAPLEY值的收益分配方法. 仿真结果表明,基于联盟博弈的入流量规划方法能提高边缘自治域的入流量规划性能,基于SHAPLEY值的收益分配方法实现了加入联盟核心的边缘自治域收益的公平分配. 边缘自治域能否组成联盟受到运营商收益与入流量规划性能关系的影响.     

定价机制下认知无线电网络频谱接入算法

为了研究认知无线电网络中认知用户频谱接入的决策问题,将认知用户的频谱接入过程视为非合作博弈过程,并考虑到授权用户享有频谱的优先使用权,基于带有服务台故障的M/G/1排队理论建立了系统模型,分析了认知用户个体最优接入策略和社会最优接入策略,并在此基础上提出定价机制使认知用户追求个体利益最大化的目标与社会目标一致,实现社会福利最大化.实验结果表明,基于定价机制的频谱接入策略可以使频谱资源得到相对的优化配置,满足社会整体利益需求.     

联合功率控制的D2D资源分配算法

针对D2D通信引入LTE网络中同频干扰以及能耗过大问题,首先基于模糊聚类算法,将D2D用户分成若干个D2 D用户组,并且基于中断概率最小为每个D2 D用户组寻找最优蜂窝用户资源,以降低用户间干扰、提高系统吞吐量。其次结合上述资源分配提出了一种有效的功率控制方案,调节资源分配后用户组内D2 D用户的发送功率,以提高系统能量效率。仿真结果表明：该算法降低了系统干扰,提高了系统吞吐量以及系统能量效率,同时又保证了D2 D用户获得无线资源的公平性。     

一个新颖的异构无线网络接入选择算法

针对目前已有的异构无线网络接入选择算法缺乏考虑用户之间的竞争性,引入非合作博弈理论对接入选择进行研究.首先考虑了无线网络资源分配方式对用户实际获得数据速率的影响,建立实际数据速率计算公式;然后利用非合作博弈理论描述用户之间自我优化的竞争行为,建立接入选择模型并使用纳什均衡来预测用户的接入选择结果;最后建立适应度函数并利用离散量子粒子群算法求解纳什均衡.通过与遗传算进行比较,得出离散量子粒子群算法具有更好的收敛速度.通过对在不同网络状态下的接入选择结果进行分析,得出本文所提的算法能够适应网络的动态变化,同时该结果也能够合理地解释用户之间以自我优化为目的的竞争行为.     

基于贪婪搜索的IEEE 802.16j带宽分配算法研究

为满足IEEE 802.16j网络中不同类型业务的带宽需求, 同时达到可接入用户数最多的目的, 提出了一种基于贪婪搜索的基站、中继站联合带宽分配算法. 其中, 固定带宽的主动授权业务由中继站分配带宽; 基站分配其他类型业务所需的最少带宽. 该算法利用贪婪搜索寻求最优用户组, 并将剩余带宽分配给该组的用户. 仿真结果表明, 该贪婪搜索带宽分配算法能保证网络接入的用户数最多, 且复杂度低于一般的穷举搜索带宽分配算法.     

认知无线电网络中的参数优化问题

针对在多协作用户宽带信道情况下,认知无线电网络中当信道增益固定时,检测时间、功率以及带宽分配等参数的优化问题,提出了各参数的联合优化算法.以信道容量为目标函数,给出了最优的资源分配算法.结果表明,该算法能够实现频谱接入并且极大地提高了次用户系统的总信道容量,且资源分配与主用户占用的概率、峰值发射功率和干扰约束等因素有关.在多认知用户网络中,参与合作的用户越多,接收信号的信噪比越高,次用户系统的总信道容量越大.     

异构网络中几乎空白子帧存在时干扰协调方法

针对异构网络中几乎空白子帧存在时用户接入选择和资源分配方法过于复杂的情况,以及吞吐量需求难以得到满足问题,以最大化系统总吞吐量为目标提出一种易于实现的蚁群算法.在考虑不同用户不同需求的前提下,根据微基站用户在几乎空白子帧和正常子帧时受到干扰的不同,把一个微基站划分为两个虚拟基站,将所存在的问题建模为广义分配问题进行求解,同时解决了用户接入选择和资源分配问题.仿真结果表明,所提出方法与参考文献方法及两种增强型小区干扰协调固定配置结果相比,可以有效提高系统总吞吐量,同时兼顾小区边缘用户吞吐量,实现了良好的综合性能,能够更好地满足用户需求并在实际系统中易于实现.     

异构网络中任务卸载与资源分配联合优化算法

在有限的网络边缘资源约束下,考虑到业务的多样性和网络接入的异构性对任务卸载和计算资源分配的影响,在本地和服务器共同处理任务的背景下,提出了一种异构网络场景下结合李雅普诺夫优化理论和搜索树算法对任务卸载和计算资源分配的联合优化方法,分析了卸载收益与延迟之间的折中关系,优化了任务卸载与计算资源分配。同时,为了对搜索树进行快速分支定界,设计了一种卸载优先级准则。最后,通过仿真实验验证了所提算法的有效性和合理性。     

意图驱动的自智网络资源按需服务

6G自智网络需要实现面向多层用户的网络自动化全场景按需服务,运营商用户亟需一种有效挖掘多层用户意图并实现资源自动化按需分配的方法,为此,提出了一种将用户意图转为策略对网络资源进行管理的全自动化框架。首先,考虑到意图挖掘数据的稀缺性,提出一种利用无标注语料以提高意图实体挖掘能力的方法。其次,综合考虑网络服务质量和用户业务需求,利用深度强化学习算法,对网络资源的划分进行优化和管理,提升用户使用体验的同时使网络负载均衡,资源达到最大化利用。实验结果表明,所提框架能够更准确挖掘用户意图、更精确划分网络资源,从而保障服务质量。     

MEC系统中面向网络切片的3C联合资源分配算法

移动边缘计算（MEC）相关研究已经成为未来移动网络的热点研究之一.在基于网络切片的雾无线接入网络中,提出了一种面向网络切片的MEC系统通信计算缓存（3C）联合的资源分配算法.给出了面向网络切片的多MEC协作资源分配模型,其中考虑了无线接入带宽与回程链路带宽的限制以及MEC系统计算与缓存资源分配对网络切片服务时延的影响;基于服务时延定义了用户获得资源的效用值,构造了系统效用值最大化问题优化不同网络切片下的用户接入、计算与缓存资源分配,并采用连续凸近似交替迭代方法获得近似最优解.对所提算法性能进行了仿真验证,仿真结果表明,所提算法实现了系统总效用值优化,提高了面向网络切片的MEC系统资源利用效率.