基于用户个性化服务质量的蜂窝车联网与车载自组织网异构车联网资源分配方法

蜂窝车联网(C-V2X)与车载自组织网络(VANET)的异构融合能够有效提高网络容量.然而,不同网络在非授权频段上共存而引起的信道冲突会导致系统吞吐量降低和用户接入时延增大,无法满足车联网用户对服务质量(QoS)的需求.针对该问题,该文提出一种基于用户个性化QoS需求的时频资源分配方法.首先,分别对C-V2X 和 VANET 的吞吐量和时延进行建模分析,刻画用户数据传输时间配置与吞吐量和时延的数学关系;然后,基于上述模型构建吞吐量-时延联合优化函数,根据用户的个性化QoS需求实现异构网络中吞吐量和时延的优化;最后,提出一种基于改进多目标粒子群优化的时延-吞吐量联合优化算法(DT-JOA)进行求解.仿真结果表明,该文所提网络资源分配算法可以有效地保证用户的个性化QoS需求,提升异构网络综合性能.     

基于能效的NOMA蜂窝车联网动态资源分配算法

在支持车与车直接通信(V2V)的非正交多址接入(NOMA)蜂窝网络场景下,针对V2V用户与蜂窝用户的干扰以及NOMA准则下的功率分配问题,该文提出一种基于能效的动态资源分配算法。该算法首先为了保证V2V用户的时延及可靠性同时满足蜂窝用户的速率需求,联合考虑子信道调度、功率分配和拥塞控制,建立了最大化系统能效的随机优化模型。其次,利用李雅普诺夫随机优化方法,通过控制可接入数据量保证队列稳定性以避免网络拥塞,并根据实时网络负载状态动态地进行资源调度,设计一种次优化子信道匹配算法获得用户调度方案,进一步,利用凸优化理论和拉格朗日对偶分解方法得到功率分配策略。最后,仿真结果表明,该文算法可以满足不同用户的服务质量(QoS)需求,并在保证网络稳定性前提下提高系统能效。

     

认知异构蜂窝网络中改进蜉蝣算法的资源分配策略

针对认知异构蜂窝网络中上行链路资源分配的优化问题,提出认知异构蜂窝网络中改进离散蜉蝣算法的资源分配算法。认知异构蜂窝网络模型中,考虑用户层间干扰和带外干扰引入功率控制策略控制发射功率来干扰抑制,基于用户服务质量（QoS）需求和干扰阈值约束,最大化能量效率为优化目标,利用改进离散蜉蝣算法优化求解得出最优分配方案。引入不完全Gamma和Beta分布函数的动态自适应权重、黄金正弦位置更新策略,提升蜉蝣算法的收敛速度和搜索能力。仿真实验表明,基于接收SINR的闭环功率控制动态调整用户端的发射功率,能有效抑制用户间的干扰,GSWBMA求解资源分配问题具有良好的寻优效率和收敛性能,有效提升系统能量效率和用户传输速率,保证用户QoS需求。     

有限反馈的异构蜂窝网络下行链路能效优化方法

研究了在有限反馈约束下的异构蜂窝网络下行链路中与宏蜂窝共存的小蜂窝能量效率最大化问题。其中,宏基站(Macro Base Station,MBS)和小基站(Small Base Station,SBS)通过共享频谱分别向宏用户(Macro User,MU)和小用户(Small User,SU)发送信号。提出了有限反馈和功率带宽联合优化方案来最大限度地提高小蜂窝中所有SU的平均能量效率。由于所构建的目标函数是分式形式并且具有非凸性,采用丁克尔巴赫方法将分式形式化为等价减法形式,并通过增广拉格朗日乘子法求解,提出两层迭代优化算法得到目标函数的最优解。仿真结果表明,相比于传统功率带宽等分配的反馈比特优化方案,所提方案明显地提升了小蜂窝所有SU的平均能量效率。     

服务于异构网络融合的虚拟网动态资源分配模型

在分析虚拟网研究意义的基础上,结合目前国内外的研究现状,提出一种服务于异构网络融合的新型商业模式,并在此基础上,为实现动态自适应的分配虚拟网络资源,达到资源的最大利用率,保证用户的服务质量,给出面向虚拟网络的动态资源分配模型,同时提出虚拟资源描述的示意图。     

基于谱聚类的异构蜂窝超密集网络高能效资源分配算法

为了解决5G移动通信超密集场景下功耗较大、频谱紧张、能效不高等问题,针对两层异构蜂窝非正交多址接入网络,提出了一种基于能效最大的资源分配算法.在超密集场景下行通信链路中,通过分步求解频率资源分配和功率分配方案将NP-hard优化问题转化为确定性的约束寻优问题,提出了基于谱聚类用户分组算法和改进的k-means基站聚类分...     

异构无线网络的自组织功能及其演进

随着无线网络的不断发展、多层次多制式的异构网络部署逐渐成为热点。针对异构网络中出现的资源受限、运维困难等问题,文章研究了通过网络自组织技术实施的解决方案,并探讨了异构网中自组织技术未来的发展趋势。     

协同异构蜂窝层叠网络基础理论与关键技术

从基础理论和关键技术两方面的研究进展与相关成果介绍首届国家重点基础研究发展计划(973计划)青年科学家专题项目——协同异构蜂窝层叠网络基础理论与关键技术。其中,基础理论包括协同异构蜂窝层叠网络的体系架构、信道建模、网络容量域、连接性等问题;关键技术包括协同异构蜂窝层叠网络的干扰管理、资源分配、空白频谱检测与利用等。研究表明,协同异构蜂窝层叠网络下的D2D(device-to-device)通信由于其具有能够进一步增大频谱利用效率、提升系统容量等优点,将发展成为下一代蜂窝网络支持的关键技术。     

车载自组织网络路由协议研究进展与比较

车载自组织网络（VANET）是一种新型移动自组织网络。作为移动无线网络的热点研究领域,车载自组织网络的间歇连通性使路由设计充满挑战。首先阐述了车载自组织网络的主要特征和应用;在对车载网络路由协议进行分类的基础上,详细描述了一批有代表性的路由协议;对比和总结了各类路由协议的特点,并提出相关研究建议,可为车载网络路由协议研究提供一定的参考价值。     

车载自组织网络路由协议研究进展与比较

车载自组织网络( VANET)是一种新型移动自组织网络。作为移动无线网络的热点研究领域,车载自组织网络的间歇连通性使路由设计充满挑战。首先阐述了车载自组织网络的主要特征和应用;在对车载网络路由协议进行分类的基础上,详细描述了一批有代表性的路由协议;对比和总结了各类路由协议的特点,并提出相关研究建议,可为车载网络路由协议研究提供一定的参考价值。     

H-CRAN网络下联合拥塞控制和资源分配的网络切片动态资源调度策略

针对异构云无线接入网络(H-CRAN)网络下基于网络切片的在线无线资源动态优化问题,该文通过综合考虑业务接入控制、拥塞控制、资源分配和复用,建立一个以最大化网络平均和吞吐量为目标,受限于基站(BS)发射功率、系统稳定性、不同切片的服务质量(QoS)需求和资源分配等约束的随机优化模型,并进而提出了一种联合拥塞控制和资源分配的网络切片动态资源调度算法。该算法会在每个资源调度时隙内动态地为性能需求各异的网络切片中的用户分配资源。仿真结果表明,该文算法能在满足各切片用户QoS需求和维持网络稳定的基础上,提升网络整体吞吐量,并且还可通过调整控制参量的取值实现时延和吞吐量间的动态平衡。

     

基于深度强化学习的异构云无线接入网自适应无线资源分配算法

为了满足无线数据流量大幅增长的需求,异构云无线接入网(H-CRAN)的资源优化仍然是亟待解决的重要问题。该文在H-CRAN下行链路场景下,提出一种基于深度强化学习(DRL)的无线资源分配算法。首先,该算法以队列稳定为约束,联合优化拥塞控制、用户关联、子载波分配和功率分配,并建立网络总吞吐量最大化的随机优化模型。其次,考虑到调度问题的复杂性,DRL算法利用神经网络作为非线性近似函数,高效地解决维度灾问题。最后,针对无线网络环境的复杂性和动态多变性,引入迁移学习(TL)算法,利用TL的小样本学习特性,使得DRL算法在少量样本的情况下也能获得最优的资源分配策略。此外,TL通过迁移DRL模型的权重参数,进一步地加快了DRL算法的收敛速度。仿真结果表明,该文所提算法可以有效地增加网络吞吐量,提高网络的稳定性。

     

基站协作OFDMA系统中面向混合业务的资源分配

基站协作是多小区OFDMA系统中抑制共信道干扰、提高系统容量的有效手段。如何分配无线资源以实现资源与业务最佳匹配是基站协作OFDMA系统中的关键问题。现有的研究大多面向单一业务。该文研究了尽力而为(BE)与有速率约束(RC)两类典型业务共存情况下的子载波与功率分配问题,提出了一种两阶段的启发式算法。算法的第1阶段仅为RC用户分配资源,通过引入子载波价值矩阵,最小化满足RC用户速率约束所需的子载波数;第2阶段将剩余子载波分配给BE用户以最大化他们的和速率。仿真结果表明,所提算法在系统中断概率及BE用户和速率两项指标上均优于已有方法。     

一种采用联邦深度强化学习的车联网资源分配方法

在车联网中,为了充分利用可用资源,车到车(Vehicle to Vehicle,V2V)链路需要动态地复用固定分配给车到基础设施(Vehicle to Infrastructure,V2I)链路的信道。传统的集中式信道资源分配方法会产生较大的通信开销,也难以适应转瞬即逝的车辆环境。为此,提出了一种基于分布式联邦深度强化学习(Federated Deep Reinforcement Learning,FDRL)的信道资源分配方法。首先,所有V2V智能体基于局部观察的环境信息独立地训练自己的模型,但彼此间保持相同的奖励以激励它们相互协作进而达成全局最优方案;然后,这些V2V智能体通过基站的帮助聚合部分模型参数,以增加接入公平性并加快模型学习效率。通过上述两阶段的迭代训练,每个V2V智能体训练出独特的决斗深度神经网络信道接入决策模型。仿真结果表明,所提出的FDRL方法与现有的优化方法相比具有更高的V2I链路总容量和V2V链路传输成功率。     

异构无线网络多链路接入动态资源分配算法

异构无线网络(Heterogeneous Wireless Networks, HWNs)环境下现有接入控制算法的主要问题是通过单一的传输链路建立移动用户和无线网络之间的连接,并且接入过程中的资源分配没有对全网的传输性能进行优化。为了解决上述问题,该文分析了HWNs中的资源分配模型和链路接入速率模型,提出一种支持多链路接入的动态资源分配算法MLA-DRA。算法以最大化系统传输速率为目标,将用户接入过程转化为前后相互联系的多阶段决策过程,利用前一阶段用户的资源分配状态计算下一阶段用户的最优解,从而推导出系统传输速率的最优值。在仿真平台上对MLA-DRA算法进行了性能分析,并且和其它算法进行了性能比较,实验结果表明,MLA-DRA算法能有效利用系统资源以及提高系统传输速率。     

基于BP和RBF神经网络的C-V2X无线资源管理

为了提升蜂窝车联网（Cellular Vehicle-to-Everything,C-V2X）资源复用的有效性和降低终端间的干扰,提出通过神经网络对未来时刻车流量的预测辅助无线资源管理方案。依据车载单元（On Board Unit,OBU）与路侧单元（Road Side Unit,RSU）间的车联网消息,获取RSU覆盖区域内各时刻的车流情况,分别采用BP（Back Propagation）神经网络和RBF（Radial Basis Function）神经网络进行短时交通流预测。RSU根据预测结果进行自适应分簇,簇间复用相同资源,簇内进行资源池的划分,RSU覆盖内的OBU在划分的资源池中选择发送资源,从而减少终端间的干扰,并保证热点区域车辆拥有更多的资源。仿真结果表明,在道路交通拥塞的场景下,所提方案的数据包接收率较标准中的方案提升14%,较典型文献方案提升10%,保证了通信的可靠性。     

一种基于VCG拍卖的分布式网络资源分配机制

 网络带宽资源分配的不合理是开放性网络环境中的一个突出问题.为抑制用户自私性行为,提出基于VCG(Vickrey-Clarke-Groves)机制的网络资源竞拍分配机制.该机制具有占优策略激励兼容特性,且仅需单维竞价信息.同时给出了指导用户进行策略选取的离散随机式学习算法,进一步分析了该算法的收敛性.仿真结果表明,本文所提出的分配机制通过有效的支付惩罚,使自私用户主动选择真实带宽需求策略,抑制说谎动机;离散随机式学习算法能够正确地引导用户选择出占优策略,合理分配带宽资源.     

异构云无线接入网架构下面向混合能源供应的动态资源分配及能源管理算法

针对面向混合能源供应的 5G 异构云无线接入网(H-CRANs)网络架构下的动态资源分配和能源管理问题,该文提出一种基于深度强化学习的动态网络资源分配及能源管理算法。首先,由于可再生能源到达的波动性及用户数据业务到达的随机性,同时考虑到系统的稳定性、能源的可持续性以及用户的服务质量(QoS)需求,将H-CRANs网络下的资源分配以及能源管理问题建立为一个以最大化服务提供商平均净收益为目标的受限无穷时间马尔科夫决策过程(CMDP)。然后,使用拉格朗日乘子法将所提CMDP问题转换为一个非受限的马尔科夫决策过程(MDP)问题。最后,因为行为空间与状态空间都是连续值集合,因此该文利用深度强化学习解决上述MDP问题。仿真结果表明,该文所提算法可有效保证用户QoS及能量可持续性的同时,提升了服务提供商的平均净收益,降低了能耗。

     

VLC-WiFi异构网络QoS感知的跨层动态资源分配

VLC-WiFi异构网络已经成为广受欢迎的短距离无线通信方式之一。然而,有限的频谱资源导致VLC-WiFi异构网络容量难以满足井喷式增长的用户数据带宽需求。该文结合物理层的动态链路传输性能以及媒体访问控制层的队列缓冲延迟性能,定义链路传输性能和链路服务质量(QoS)感知等级评估公式,根据用户数据包QoS需求,设计QoS感知的跨层动态资源分配(QoS-CLDRA)方法,并引入非正交多址接入的用户匹配与功率分配策略,进一步提升系统的吞吐量。仿真结果表明：所提方法能够有效提升系统吞吐量和降低缓冲队列长度。