面向多租户网络资源分配的博弈优化策略

为了应对5G及未来网络中用户间差异化的服务需求,改善多租户网络切片资源利用率低和部署成本高的问题,提出一种基于多租户网络资源分配的博弈优化策略。在多租户网络中,网络切片租户（NSTs）租用基础设施提供商基站的无线频谱资源,将接入服务切片构建为网络切片即服务,为用户提供网络接入服务。将NSTs和用户的关系建模为一个多主多从的Stackelberg博弈,引入切片流行度和服务命中率指标,建立博弈双方的策略空间和收益函数,并证明NSTs的切片订购策略存在唯一的纳什均衡。通过逆向归纳法分析博弈模型,提出一种分布式迭代算法求得用户的最优吞吐量需求以及NSTs的最优切片定价。仿真结果表明,与传统考虑切片资源分配的优化策略对比,基于多租户网络资源分配的博弈优化策略能够有效提高资源利用率和用户满意度,并降低切片部署能耗,较好地实现频谱带宽资源的合理分配。     

基于深度强化学习的智能电网RAN切片策略

随着智能电网的不断发展,电力服务种类的多样化引出了不同的服务需求.5G中的网络切片技术,可以为智能电网提供虚拟化无线专用网络,以应对智能电网安全性、可靠性、时延性等方面的诸多挑战.考虑到智能电网的差异化服务特性,本文旨在使用深度强化学习(DRL)来解决智能电网的无线接入网(RAN)切片的资源分配问题.文章首先回顾了智能电网的背景以及网络切片技术的相关研究,随后分析了智能电网的RAN切片模型,并且提出了一种基于DRL的切片分配策略.仿真表明,本文所提出的算法能够在降低成本的同时,最大限度地满足智能电网在RAN侧的资源分配需求.     

云计算基于随机进化博弈动态的资源优化配置

云资源优化分配研究中,用户策略难免存在失误,以用户完全理性为前提的资源分配方法在实际环境下会出现失效。分析非完全理性的云用户种群下的资源分配过程及其策略演化过程,提出一种随机动态模型求解有限云种群中的资源分配进化博弈问题。模型克服用户完全理性的限制,利用带有频率依赖选择的Moran过程,在重复博弈过程中寻找云用户策略的入侵指数和固定指数策略选择偏好的条件。根据经济学云环境的特征,建立云用户的固定效用矩阵,量化策略选择动态。数值仿真结果证明,为了最大化自身效用,不同大小云种群中的个体策略会向着不同策略方向演化,资源在有限理性用户之间可以实现优化分配,且最优分配策略最终会处于稳定状态。     

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。     

QoS驱动的电力通信网效用最大化资源分配机制

智能电网业务的多样性和对QoS的不同需求,是电力通信网资源分配时急需解决的问题.网络虚拟化是网络转型的关键技术,在保障业务QoS和提高资源利用率方面具有非常大的优势.本文基于网络虚拟化技术,对QoS驱动的电力通信网资源分配问题进行了形式化的描述,提出了基于三方博弈的两阶段资源分配模型.基于此模型,提出一种QoS驱动的电力通信网效用最大化的资源分配机制.通过对提出的资源分配机制的分配策略性能分析,证明了本文提出的资源分配机制满足占优策略激励兼容特性,并且可以实现系统利润最大化的目标.通过仿真实验,验证了本文提出的机制能够实现电力通信网的效用最大化,提高了电力通信网的资源利用率.     

认知无线电网络基于QoS的监听时间与资源联合分配

以最大化所有认知无线电用户(CRU)的吞吐量为目标,同时保证每个CRU的服务质量(QoS)约束,研究了联合最优监听时间和资源分配问题,并基于此提出了一种监听时间与资源联合分配算法.在多信道认知无线电网络中,频谱监听和资源分配都会影响网络的吞吐量.兼顾二者的联合优化问题可以被分解为两个子问题:固定监听时间的资源分配问题, 以及固定资源分配策略的最优监听时间一维穷举搜索问题.提出的算法可以通过穷举搜索获得最优监听时间,并通过次梯度算法获得最优资源分配策略.仿真结果表明,提出的最优监听时间与资源分配算法可以最大化认知无线网络的吞吐量; 此外,各认知用户的QoS需求也能得到保证.     

基于改进式贪婪算法的5G网络切片动态资源调度策略

为了解决移动通信网络中资源利用率和用户体验质量的瓶颈问题,5G 引入网络切片来应对用户的巨大资源需求。提出了一种基于改进式贪婪算法的网络切片动态资源调度策略,在切片调度和用户调度阶段,设计了一种两层模型,即切片?用户模型,并且结合改进式贪婪算法,使服务权重值最大的切片和优先级最高的用户组合,完成相应的服务。该方法是将全局资源最优问题简化为规模更小的子问题,通过每一次切片和用户的最佳组合,从而使整个系统的资源和用户的体验质量达到最优。Matlab的仿真结果表明,基于改进式贪婪算法的网络切片动态资源调度策略在系统剩余资源利用率、系统达到平均的QoE水平、系统吞吐量等方面都显优于现行的资源调度策略,能够更好地满足用户的需求。     

支持D2D通信的蜂窝网自适应资源分配算法

针对蜂窝与D2D混合网络中资源分配技术不具有自适应性、造成资源浪费的问题,提出一种根据实际网络环境自适应调整的资源分配方案,并设计两阶段的资源分配算法对该方案进行求解。第一阶段根据用户间的干扰自适应调整使用每个资源块的用户个数和D2D用户可使用的资源块个数,第二阶段利用改进的粒子群算法以吞吐量最大为目标分配功率。仿真结果表明,该算法的性能与穷举搜索最优算法最相近,且系统吞吐量和D2D用户的接入率都明显大于固定分配的算法。     

基于效益最大化的云虚拟机资源分配研究

针对云资源分配研究中缺乏对用户使用资源的效益情况进行研究的现状,借鉴网络带宽分配效用最大化的NUM(Network Utility Maximization)模型,提出了一种使用户效益最大化的云虚拟机资源分配模型。在分析分配模型时,通过拉格朗日函数将模型简化为求解拉格朗日对偶函数。最后,引入模糊次梯度算法在理论上证明了可以得到模型的最优解。仿真结果表明了方案的可行性和算法较好的收敛性。     

面向大规模云资源调度的可扩展分布式调度方法

云数据中心异构物理服务器的能耗优化资源分配问题是NP难的组合优化问题,当资源分配问题规模较大时,求解的空间比较大,很难在合理时间内求得最优解。基于分而治之的思想,从调度模式方面提出可扩展分布式调度方法,即当云数据中心待调度的物理服务器的数量比较大时,将待调度的服务器划分为若干个服务器集群,然后在每个服务器集群建立能耗优化的资源分配模型,并利用约束编程框架Choco求解模型,获得能耗最优的资源分配方式。将提出的基于可扩展分布式调度方法的能耗优化云资源调度算法与非扩展调度算法进行实验比较,实验结果表明,提出的基于可扩展分布式调度方法的能耗优化云资源调度算法在大规模云资源分配上有明显的性能优势。     

多基站下基于DRL的RAN切片资源分配

在第五代移动通信中,网络切片被用来为各种业务提供一个最佳的网络。针对多基站下的RAN切片场景,以往的资源分配方法在切片的数量发生变化时无法满足切片的需求而且只适用于特定的场景,针对这个问题,提出了一种实现最佳资源分配且与切片数无关的方法。该方法先利用Ape-X方法（一种DRL方法）将资源分配给切片,再经过切片到基站的资源映射和用户资源分配来满足用户的需求。仿真结果表明,所提出的方法能够根据切片的状态和需求分配资源,分配了必要数量的RB以满足切片的需求而且不受切片数量变化的影响,同时该方法也具有很高的通用性能和扩展性。     

基于改进BN模型的网络切片安全部署方法

为了满足5G垂直用户对于网络切片部署时细粒度安全隔离需求,同时兼顾用户的隔离需求和提高资源利用率,提出了一种基于改进BN模型的网络切片安全部署方法。首先提出了一种双层BN模型的网络切片部署架构,基于SBA（service based architecture）设计了虚拟机容器的双层虚拟化架构,将网络切片根据其所属用户的隔离需求分配利益冲突类标签,基于改进的BN模型部署规则确定网络切片的隔离部署策略;然后将该部署方法建立为整数线性规划模型,并将部署成本作为目标函数,通过最小化目标函数实现低成本部署网络切片;最后使用遗传算法对该问题仿真求解。实验结果表明,该安全部署方法在满足网络切片安全隔离需求的前提下降低了部署成本。     

多域网络中基于域间时延博弈的端到端动态协同切片方法

针对多域网络中的切片存在域间时延不均的问题,提出了一种基于域间时延博弈的端到端动态协同切片方法（inter-domain dynamic game algorithm,IDGA）。采用博弈论方法将端到端时延约束分配到不同的网络域,通过在域内部署切片来获得相应的博弈收益,采用DDPG算法不断更新博弈策略,最终得到最佳的时延分配比例和切片部署方案。实验表明,该算法与传统的静态分配算法对比有明显优势,与经验迭代的DSDP方法以及DQN-SNAF算法相比,IDGA算法在100个切片请求下,切片部署成功率分别提高了8%和3%左右,同时节点资源利用率提高了5.75%和1.96%左右,在降低部署成本方面也有显著优势。     

一种基于效用函数的网格资源优化策略

基于市场机制提出了一种以资源代理为基础、面向服务的网格资源管理模型——SBAGRM,在该模型的框架下提出了一种基于效用函数的网格资源分配方法,该方法以满足用户的QoS需求为出发点,旨在追求系统资源的全局最优化。SBAGRM模型可以避免非线性优化带来过高的计算复杂度,以市场模式根据效用函数配置资源,因此计算复杂度将大大降低,模拟结果显示性能明显提高。     

认知智能电网邻域网络的频谱分配策略

可靠、高效的通信网络是充分发挥智能电网潜力的前提。针对智能电网的无线通信环境存在频谱短缺、资源利用效率低等问题,文中将认知无线电技术应用于智能电网的邻域网络通信中,引入认知智能电网概念以保证业务传输的公平性和有效性,考虑了通信过程中的信噪比和路径损耗后,选择网络吞吐量作为信道效益,并在拓扑结构固定的城市居民小区进行建模仿真。在此基础上,提出了一种改进二进制猫群(Weight Binary Cat Swarm Optimization,WBCSO)优化的频谱分配算法。首先,在二进制猫群算法(Binary Cat Swarm Optimization,BCSO)的速度更新公式中加入非线性动态的惯性权重,它随着迭代次数的增加而非线性地递减,以防止算法早熟;其次,引入繁殖算子,产生子代猫群以增加种群的多样性,以获取更好的全局最优解;然后,选用了4个常用的基准函数对改进后的算法进行性能测试,测试结果表明WBCSO算法的优化均值和标准差都优于BCSO算法;最后,以系统总效益和用户公平性为优化目标,将其与二进制遗传算法(Binary Genetic Algorithm,BGA)和二进制粒子群算法(Binary Particle Swarm Optimization,BPSO)进行了对比实验,仿真实验表明,WBCSO算法最终的系统总效益和用户公平性指数比BCSO算法分别高出了13.7%和14.6%,且比二进制群算法和遗传算法的性能都要好,进而表明改进二进制猫群算法在认知智能电网邻域网的频谱分配中具有收敛速度快、搜索能力强的特点。     

一种基于效用函数的网格资源分配策略

针对网格资源分配中用户需求的异构性问题,提出了一种基于效用函数优化的分配策略。该策略综合考虑用户作业执行费用和执行时间两方面的因素,利用拉格朗日方法解决网格用户效用函数的优化问题,通过二分搜索最优解产生一组优化的用户出价,根据该组出价按比例划分资源的计算能力。该分配策略可对网格资源的价格以及资源的占用时间进行优化,对动态、异构的网格环境具有较好的适　　应性。     

基于可靠性的5G-低轨星座网络切片映射算法

随着国家天地一体化信息网络重大项目的 推进,5G-低轨星座网络切片的可靠映射成为业内的研究热点.在基于软件定义网络(software-defined network,SDN)和网络功能虚拟化(network function virtualization,NFV)的5G-低轨星座集成网络架构下,将5G-低轨星座网络切片的可靠映射问题建模为一个混合整数线性规划问题.在此基础上,研究了切片请求的资源编排,进而提出了基于广度优先搜索的可靠映射算法.该算法综合考虑切片请求的可靠性阈值及虚拟网络功能(virtual network function,VNF)的资源需求,在虚拟网络映射中根据节点的可靠重要度对节点进行排序.仿真结果表明,该算法在满足可靠性阈值约束的条件下,能够最大化收益开销比,提高虚拟网络映射成功率,在切片可靠性及接受率等方面优于对比算法.