移动边缘计算中的时延和能耗均衡优化算法

为了提升移动边缘计算（MEC）网络中的任务卸载效用,提出了一种基于任务卸载增益最大化的时延和能耗均衡优化算法.通过分析通信资源和计算资源对时延和能耗这2种性能指标的制约关系,将原问题分解为联合发射功率子信道分配子问题和MEC计算频率分配子问题.通过Karush-Kuhn-Tucker条件,导出了最优的MEC计算频率闭式解.此外,提出了一种基于二分法的发射功率分配算法和基于匈牙利二部图匹配的子信道分配算法.仿真结果表明,提出的算法相比传统算法可以显著提升用户的任务卸载效用.     

无人机移动边缘计算位置部署与资源分配方案

无人机辅助的移动边缘计算(Mobile Edge Computing,MEC)具有部署灵活和网络时延低的特点,是未来移动通信网络中一项非常有前景的技术.针对物联网场景中服务覆盖范围最大化问题,提出了一种无人机辅助的移动边缘计算无人机部署位置与资源分配优化算法.通过联合优化用户与无人机CPU时钟频率、用户卸载功率、地面用...     

一种优化基站服务状态的C-RAN联合波束设计

为实现云无线接入网络（C-RAN）系统低时延数据传输,提出了一种基站缓存和前向链路组播传输模式,通过联合优化前向链路波束和接入链路波束,使系统传输时延最小.采用L0范数逼近、连续凸逼近和半正定松弛技术,将非凸的时延最小化问题转化为凸问题,并提出了一种有效的迭代算法以获得问题的解.不同于传统基于缓存的C-RAN组播传输方案,所提方案可根据基站缓存内容和前向链路信道质量,决定基站的服务状态,即暂停服务和继续服务.仿真结果表明,相比于传统方案,所提方案可有效地降低系统的传输时延.     

移动网络SFC部署与计算资源分配联合算法

在网络功能虚拟化的移动核心网中,提出了一种基于服务功能链（SFC）部署与计算资源分配联合算法.首先考虑SFC中虚拟网络功能（VNF）计算资源分配对处理时延的影响,建立SFC部署与计算资源分配联合优化问题,实现SFC的部署成本和端到端时延加权和的最小化.其次,为了求解所提优化问题,利用多智能体深度确定性策略梯度算法,从SFC各VNF的历史数据中学习策略指导即时的通用服务器节点选择和计算资源分配,提出了相应的SFC部署与计算资源分配联合算法.仿真结果表明,所提算法可以在保证SFC的服务质量需求的条件下实现部署成本和端到端时延的有效权衡.     

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.     

基于网络切片的高频谱效率无线资源管理

为满足差异化业务场景下不同类型用户的服务质量需求,构建了基于网络切片的无线资源分配模型.为获得最佳资源调度方案,将用户服务质量需求转化为无线资源需求,以系统总速率最大化为目标,构建网络资源管理和分配机理及其优化问题.该优化问题为混合整数非线性规划,直接求解复杂度较高,因此提出了基于拉格朗日对偶理论的解决方案,并给出求解算法.通过与比例公平算法和最大系统容量算法进行对比及仿真分析,证明了所提算法在牺牲了部分公平性的前提下提高了系统容量,并验证了所提算法的有效性.     

具有QoS保障的多小区M2M负荷均衡算法

针对机器间通信终端分布不均引起的系统吞吐量减小和用户接入时延增大等问题,提出一种多小区机器间通信负荷均衡算法,综合考虑了各小区机器间通信接入负荷因子以及机器间通信设备的信号质量,建立了优化模型并将其近似为凸优化问题,实现了各小区间的负荷均衡. 仿真结果表明,当小区间负荷不均时,所提多小区机器间通信负荷均衡算法能够大大改善系统吞吐量和用户接入时延性能.     

智能反射面辅助的多用户边缘计算卸载研究

为了实现万物绿色高效互联,智能反射面技术作为提升频谱效率和能量效率的有效技术被引入,以辅助无线通信系统,构建智能反射面辅助的边缘计算系统。研究多用户随机接入的边缘计算卸载,通过在无线信道部署有源和无源智能反射面元件,改变入射信号幅度和相位,以改善信道环境。为了进一步改善该网络的计算卸载时延,提出了一种以最小化计算时延的资源分配方案,设计了一种有效的交替优化的算法,实现计算卸载变量、线性接收矢量和对角相移矩阵的设计。仿真结果表明,所提算法有效性与低时延性。     

无线自回传网络中基于Lyapunov的虚拟资源分配算法

为提高网络部署的灵活性,保障多样化虚拟网络的需求,针对无线自回传网络场景提出一种基于Lyapunov的虚拟资源分配策略.联合考虑系统稳定性、虚拟网络最小速率需求和小蜂窝回传容量限制,对无线接入资源和回传带宽进行联合分配,建立虚拟网络效用最大化模型;其次,运用Lyapunov优化理论设计了一种基于当前信道状态和队列状态的实时调度算法;最后,通过拉格朗日对偶算法和基于相似度随机变异的粒子群算法进行迭代求解.仿真结果表明,该方案可在保证系统队列稳定性的同时提高无线虚拟网络的平均总收益.     

一种集成学习辅助DDPG的资源优化算法

为了解决任务调度和资源分配的联合优化问题，构建了包括通信、计算和缓存(3C)的体系架构。为协调网络功能，动态分配有限的3C资源，采用深度确定性策略梯度(DDPG)算法，结合用户请求业务的多样性和动态的无线信道条件，获得移动虚拟网络运营商的最大利润函数。仿真结果表明，基于DDPG算法的资源分配方案明显优于其他2种方案。集成学习辅助DDPG算法的收敛速度更快，性价比更高。     

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。     

MEC计算卸载与资源分配联合智能优化方案

移动边缘计算(MEC)中的分布式基站部署、有限的服务器资源和动态变化的终端用户使得计算卸载方案的设计极具挑战。鉴于深度强化学习在处理动态复杂问题方面的优势,设计了最优的计算卸载和资源分配策略,目的是最小化系统能耗。首先考虑了云边端协同的网络框架;然后将联合计算卸载和资源分配问题定义为一个马尔可夫决策过程,提出一种基于多智能体深度确定性策略梯度的学习算法,以最小化系统能耗。仿真结果表明,该算法在降低系统能耗方面的表现明显优于深度确定性策略梯度算法和全部卸载策略。     

基于SDN与NFV的服务功能链编排算法

在服务功能链(SFC)部署的资源编排问题中, 基于软件定义网络(SDN)与网络功能虚拟化(NFV)融合的技术背景和SDN控制器、网络功能虚拟化与物理底层计算资源层组成的3层架构,提出了一种基于SDN和NFV的主动控制资源优化算法。首先通过多标准的聚合多准则效用算法对用户效用进行建模,将优化目标转化为最大化用户效用的问题;然后根据算法对未来状态的预测以及对网络利用率的实时监控,对到达的SFC请求进行决策并发出控制指令,以此为依据占用虚拟化网络功能持有的底层资源。仿真结果表明,与静态的时序资源分配算法相比,主动控制资源优化算法在资源利用率、接受率、创造用户效用等方面具有更好的性能。     

基于DRL的6G多租户网络切片智能资源分配算法

未来第6代移动通信系统（6G）网络服务支持虚实结合、实时交互,亟需快速匹配多租户个性化服务需求,对此,提出了一种两层递阶的网络切片智能管理方案,上层部署全局资源管理器,下层部署面向不同租户的本地资源管理器.首先,考虑不同租户多类型切片请求的差异性,基于端到端切片的实时状态描述建立服务质量评估模型.结合服务质量反馈,利用深度强化学习（DRL）算法,优化上层全局资源分配和下层局部资源调整,提升不同域多维资源的使用效益,并使能租户资源定制化.仿真结果表明,所提方案能够在优化资源供应商长期收益的同时,保障服务质量.     

一种基于遗传算法的OFDMA系统的跨层资源分配

针对现有的跨层资源分配算法计算量大、复杂度较高的问题,提出了一种基于遗传算法的OFDMA系统的跨层资源分配算法。利用遗传算法隐形并行处理、较好的全局搜索性能、易收敛到最优解的特点,在系统性能一定,且满足各个用户业务要求的条件下,对资源进行优化分配,较好地解决了跨层资源的分配问题。仿真结果表明,在满足用户间公平性的前提下,算法有效提高了系统的频谱利用率及吞吐量,减小了用户的平均等待时延,提高了服务质量,并且随着子载波数和用户数的增加,算法在复杂度方面优势更突出。     

缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

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。