虚拟化云无线接入网络下基于在线学习的网络切片虚拟资源分配算法

针对现有研究中缺乏云无线接入网络(C-RAN)场景下对网络切片高效的动态资源分配方案的问题,该文提出一种虚拟化C-RAN网络下的网络切片虚拟资源分配算法。首先基于受限马尔可夫决策过程(CMDP)理论建立了一个虚拟化C-RAN场景下的随机优化模型,该模型以最大化平均切片和速率为目标,同时受限于各切片平均时延约束以及网络平均回传链路带宽消耗约束。其次,为了克服CMDP优化问题中难以准确掌握系统状态转移概率的问题,引入决策后状态(PDS)的概念,将其作为一种“中间状态”描述系统在已知动态发生后,但在未知动态发生前所处的状态,其包含了所有与系统状态转移有关的已知信息。最后,提出一种基于在线学习的网络切片虚拟资源分配算法,其在每个离散的资源调度时隙内会根据当前系统状态为每个网络切片分配合适的资源块数量以及缓存资源。仿真结果表明,该算法能有效地满足各切片的服务质量(QoS)需求,降低网络回传链路带宽消耗的压力并同时提升系统吞吐量。     

基于云接入网络的多目标资源分配算法设计

由于可以有效地提高频谱效率,能量效率与前程效率,云接入网络（C-RAN）被认为是未来第五代无线网络中的重要组成部分。不同于传统蜂窝网络,在云接入网络中,基带处理单元（BBU）被从基站分离,并聚合成一个中央计算云。无论如何,这些优化目标（频谱效率,能量效率,前程效率）在大多数情况下相互冲突,并且单个目标性能提升通常会导致其他目标性能的下降。据作者所知,在云接入网络中的多目标优化(MOO)问题,仍未被考虑过。在本文中,我们针对基于正交频分多址(OFDMA)的云接入网络,设计对应的联合优化算法以解决多目标优化问题。仿真结果显示,比起仅考虑单目标优化,本文提出的算法可以有效的解决不同优化目标之间的权衡,并且为云接入网络的资源分配提供一个新的方向。      

基于包簇概念的云资源分配成本优化模型

针对云数据中心因传统资源管理方式造成云服务成本过高问题,文中提出一种基于包、簇概念的资源集中管理分配优化模型。将用户的具体需求抽象为一个个独立的需求包,将数据中心的各类资源整合成一个个资源簇,并将CPU、RAM、带宽作为指标,建立成本评估模型,利用基于包簇概念下的改进粒子群算法,实现需求包到资源簇的部署映射。仿真实验结果表明,该优化模型可以有效降低资源分配过程中的营运成本,稳定提高资源平均利用率。     

Resource Allocation for QoS-Aware OFDMA Using Distributed Network Coordination

This paper considers resource allocation for downlink orthogonal frequency-division multiple access (OFDMA). We propose a subcarrier and power-allocation method that differentiates users per service type to fulfill the quality-of-service (QoS) requirements of each user. Network coordination improves the performance of users at the border of the cells and, thus, decreases the minimum sum power for users with guaranteed performance (GP). Best effort (BE) users are then scheduled to maximize their sum capacity. The proposed method only assumes causal coordination between base stations and can be seen as a generalized macro diversity scheme suited for distributed networks. Numerical results show that network coordination increases the ratio of satisfied GP users, as well as the average data rate of BE users.     

对策论方法在信息网络资源分配中的应用

在研究复杂信息网络的资源分配问题时,网络资源提供者和用户之间对资源的使用存在不同的优化目标,导致对资源分配策略存在多种评价准则。为便于网络管理者进行分布式的资源管理和计费,采用对策论模型分析用户对资源的竞争和处理网络传输拥塞正日益受到广泛的重视。本文首先指出资源分配和计费管理的几个主要难点,比较了中心化与非中心化控制策略的差别,而后综述了采用对策论模型进行资源分配和管理的优点,重点讨论了在非中心化条件下对策均衡解与资源利用效率以及网络计费管理策略之间的关系,最后对基于对策论模型的信息网络流量控制与管理策略进行总体评述。     

Cloud Marginal Resource Allocation: A Decision Support Model

Mobile Networks and Applications - One of the significant challenges for cloud providers is how to manage resources wisely and how to form a viable service level agreement (SLA) with consumers to...     

能耗和时延感知的虚拟化云无线接入网络资源分配机制

针对现有虚拟化云无线接入网络(C-RAN)资源利用率低、能耗高、用户服务质量无法得到保证等问题,该文提出一种能耗和时延感知的虚拟化资源分配机制。根据虚拟化C-RAN的网络特点及业务流量特征,考虑资源约束和比例公平,建立能耗和时延优化模型。进而,利用启发式算法为不同类型虚拟C-RAN和用户虚拟基站分配资源,完成资源的全局优化配置。仿真结果表明,所提资源分配机制在提高网络资源利用率的同时,不但使能耗节省了62.99%,还使时延降低了32.32%。

     

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。

     

Hybrid Cloud Resource Provisioning (HCRP) Algorithm for Optimal Resource Allocation Using MKFCM and Bat Algorithm

Wireless Personal Communications - The basic purpose of resource allocation is to make the most efficient allocation of available resources. It contains resources and the number of tasks. The...     

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。

     

Encrypted Network Traffic Classification and Resource Allocation with Deep Learning in Software Defined Network

Wireless Personal Communications - The climate has changed absolutely in every area in just a few years as digitized, making high-speed internet service a significant need in the future. Future...     

面向成本优化的云计算资源分配方法研究

针对云计算运营环境中,云服务提供商租用云资源提供商的资源,向用户提供服务的场景,以优化云服务提供商的成本支出,增加其运营收益为目标,设计了一种面向成本优化的虚拟机资源分配方法.该方法全面考虑了现货、预约和按需3种资源分配模式,引入风险控制因子规避现货市场的资源风险,制定出成本优化的资源分配方案.所提方法在满足用户满意度基础上,有效实现了虚拟机资源成本的优化,增加了云服务提供商的收益.     

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。     

Learning-Based Data Envelopment Analysis for External Cloud Resource Allocation

A mature cloud system needs a complete resource allocation policy which includes internal and external allocation. They not only enable users to have better experiences, but also allows the cloud provider to cut costs. In the other words, internal and external allocation are indispensable since a combination of them is only a total solution for whole cloud system. In this paper, we clearly explain the difference between internal allocation (IA) and external allocation (EA) as well as defining the explicit IA and EA problem for the follow up research. Although many researchers have proposed resource allocation methods, they are just based on subjective observations which lead to an imbalance of the overall cloud architecture, and cloud computing resources to operate se-quentially. In order to avoid an imbalanced situation, in previous work, we proposed Data Envelopment Analysis (DEA) to solve this problem; it considers all of a user’s demands to evaluate the overall cloud parameters. However, although DEA can provide a higher quality solution, it requires more time. So we use the Q-learning and Data Envelopment Analysis (DEA) to solve the imbalance problem and reduce computing time. As our simulation results show, the proposed DEA+Qlearning will provide almost best quality but too much calculating time.     

基于介数加权模型的网络防御资源优化分配方法

网络防御资源的优化配置是长期困扰防御方的难题。本文提出了刻画网络单元脆弱性的幂函数模型,提出了描述网络风险的介数加权模型。基于网络风险最小原则给出了网络防御资源的优化分配方法。该方法对网络防御资源分配具有十分重要的价值。     

基于云雾混合计算的车联网联合资源分配算法

针对车联网业务的低时延、低功耗需求及海量设备计算卸载引起的网络拥塞问题,该文提出一种在云雾混合网络架构下的联合计算卸载、计算资源和无线资源分配算法(JODRAA)。首先,该算法考虑将云计算与雾计算结合,以最大时延作为约束,建立最小化系统能耗和资源成本的资源优化模型。其次,将原问题转化为标准二次约束二次规划(QCQP)问题,并设计一种低复杂度的联合卸载决策和计算资源分配算法。进一步,针对海量设备计算卸载引起的网络拥塞问题,建立卸载用户接入请求队列的上溢概率估计模型,提出一种基于在线测量的雾节点时频资源配置算法。最后,借助分式规划理论和拉格朗日对偶分解方法得到迭代的带宽和功率分配策略。仿真结果表明,该文算法可以在满足时延需求的前提下,最小化系统能耗和资源成本。

     

Learning to Optimize for Resource Allocation in LTE-U Networks

This paper proposes a deep learning(DL)resource allocation framework to achieve the harmonious coexistence between the transceiver pairs(TPs)and the Wi-Fi users in LTE-U networks.The nonconvex resource allocation is considered as a constrained learning problem and the deep neural network(DNN)is employed to approximate the optimal resource allocation decisions through unsupervised manner.A parallel DNN framework is proposed to deal with the two optimization variables in this problem,where one is the licensed power allocation unit and the other is the unlicensed time fraction occupied unit.Besides,to guarantee the feasibility of the proposed algorithm,the Lagrange dual method is used to relax the constraints into the DNN training process.Then,the dual variable and the DNN parameter are alternating update via the batch-based gradient decent method until the training process converges.Numerical results show that the proposed algorithm is feasible and has better performance than other general algorithms.     

异构云无线接入网场景下D2D通信资源共享与分配

针对异构云无线接入网中的前向链路受限问题,提出了一种基于干扰阈值的设备到设备(Device-to-Device,D2D)多用户分簇方案,并对系统信道和功率资源的分配进行优化。首先根据D2D用户之间的干扰级别,利用着色图理论对多用户进行分簇;然后,在满足D2D用户和蜂窝用户服务质量约束下,建立了基于D2D用户和速率最大化的资源分配模型,并进一步采用二分法对已分簇的D2D用户进行功率优化分配。仿真实验结果验证了所提方案相比传统方案,系统频谱利用率提高了55%以上。     

Load-Balancing Based Cross-Layer Elastic Resource Allocation in Mobile Cloud

The paper proposes a hybrid mobile cloud computing system, in which mobile applications can use different resources or services in local cloud and remote public cloud such as computation, storage and bandwidth. The cross-layer load-balancing based mobile cloud resource allocation optimization is proposed. The proposed approach augments local cloud service pools with public cloud to increase the probability of meeting the service level agreements. Our problem is divided by public cloud service allocation and local cloud service allocation, which is achieved by public cloud supplier, local cloud agent and the mobile user. The system status information is used in the hybrid mobile cloud computing system such as the preferences of mobile applications, energy, server load in cloud datacenter to improve resource utilization and quality of experience of mobile user. Therefore, the system status of hybrid mobile cloud is monitored continuously. The mathematical model of the system and optimization problem is given. The system design of load-balancing based cross-layer mobile cloud resource allocation is also proposed. Through extensive experiments, this paper evaluates our algorithm and other approaches from the literature under different conditions. The results of the experiments show a performance improvement when compared to the approaches from the literature.

     

非正交多址接入系统中基于受限马尔科夫决策过程的网络切片虚拟资源分配算法

针对无线接入网络切片虚拟资源分配优化问题,该文提出基于受限马尔可夫决策过程(CMDP)的网络切片自适应虚拟资源分配算法。首先,该算法在非正交多址接入(NOMA)系统中以用户中断概率和切片队列积压为约束,切片的总速率作为回报,运用受限马尔可夫决策过程理论构建资源自适应问题的动态优化模型;其次定义后决策状态,规避最优值函数中的期望运算;进一步地,针对马尔科夫决策过程(MDP)的“维度灾难”问题,基于近似动态规划理论,定义关于分配行为的基函数,替代决策后状态空间,减少计算维度;最后设计了一种自适应虚拟资源分配算法,通过与外部环境的不断交互学习,动态调整资源分配策略,优化切片性能。仿真结果表明,该算法可以较好地提高系统的性能,满足切片的服务需求。