基于迁移深度强化学习的低轨卫星跳波束资源分配方案

针对低轨(LEO)卫星场景下,传统资源分配方案容易造成特定小区资源分配无法满足需求的问题,该文提出一种基于迁移深度强化学习(TDRL)的低轨卫星跳波束资源分配方案。首先,该方案联合星上缓冲信息、业务到达情况和信道状态,以最小化卫星上数据包平均时延为目标,建立支持跳波束技术的低轨卫星资源分配优化模型。其次,针对低轨卫星网络的动态多变性,该文考虑动态随机变化的通信资源和通信需求,采用深度Q网络(DQN)算法利用神经网络作为非线性近似函数。进一步,为实现并加速深度强化学习(DRL)算法在其他目标任务中的收敛过程,该文引入迁移学习(TL)概念,利用源卫星学习的调度任务快速寻找目标卫星的波束调度和功率分配策略。仿真结果表明,该文所提出的算法能够优化卫星服务过程中的时隙分配,减少数据包的平均传输时延,并有效提高系统的吞吐量和资源利用效率。     

小蜂窝网络中不活跃用户的最优能量效率资源分配方案

针对5G网络中因小区重叠覆盖区域的干扰问题,为缓解密集小蜂窝网络中移动用户的业务连续性,提高频谱资源利用率,进而最大化整个网络平均能量效率问题。该文提出一种基于不活跃用户的最优能量效率资源分配方案(EEI)。首先,该方案依据不活跃用户通知区域,建立以用户为中心的虚拟小区,小区内小蜂窝基站可协作为用户提供通信服务,提高用户通信质量,缓解小蜂窝同层干扰,减少切换信令开销。其次,基于Lyapunov优化理论,该方案将整体网络平均能量效率优化问题,转换为用户最优传输资源分配和最优功率分配两个子问题,在最大化系统平均能量效率同时保证系统队列稳定性。由于该文将原优化问题进行了松弛,所得结果是局部最优解,而不是全局最优解。仿真结果表明,该文提出的基于不活跃用户的最优能量效率资源分配算法,其系统能量效率优于对比算法而计算复杂度较高。     

基于业务感知的增强型小区间干扰协调算法

针对异构密集网络中宏基站对微基站用户干扰严重,用户业务变化剧烈,以及系统边缘频谱效率低下的问题,提出了一种基于业务感知的增强型小区间干扰协调算法。该算法首先利用离散马尔科夫调制过程对用户业务进行建模,然后提出了一种基于部分可观察马尔科夫决策过程的感知算法来感知用户业务变化,最后在感知结果的基础上提出了一种适应用户业务变化的动态ABS调整方案。仿真结果表明,所提方案有效提升了系统边缘频谱效率,同时用户平均丢包率也得到了显著地下降。     

车载自组织网络中基于时分复用的异步多信道MAC协议

为解决车载自组织网络负载较重时控制信道拥塞和信道利用率低的问题,提出一种时分复用机制的异步车载自组织网多信道MAC(Media Access Control)协议-ATMP (Asynchronous TDMA-based multi-channel MAC Protocol).ATMP协议采用时分复用的异步接入机制实现节点分时段接入控制信道,减少并发接入控制信道的节点数目,降低碰撞概率;进一步,为了解决多信道协调信息丢失问题,ATMP协议使用节点协作机制来获取节点遗漏的信道协调信息,有效降低因协调信息缺失造成的数据信道服务信息碰撞概率.仿真结果表明,ATMP协议在碰撞概率、安全消息时延及控制信道吞吐量指标上优于IEEE 1609.4标准、AMCP协议和AMCMAC协议.     

认知无线网络中基于博弈的频谱共享*

研究了认知无线网络环境中基于价格动态性的频谱共享,主要用户服务提供商以不同的频谱价格向认知用户服务提供商出售空闲频谱,认知用户根据获得的收益调整对频谱的需求。在全体服务提供商对频谱价格满意的基础上,为最大化认知用户的收益,提出了基于静态博弈和动态博弈的频谱共享方案。仿真结果表明,通过合理设置学习速率,动态博弈达到了接近静态博弈的性能,最大化认知用户的收益。     

认知无线网络中基于进化博弈的动态频谱接入*

研究了认知无线网络环境中基于价格动态性的动态频谱接入,即不同的授权网络服务商以不同的价格将空闲频谱出售给认知网络,且认知用户可以根据自己获得的报酬动态地接入不同的网络。为最大化认知网络的效用,提出了基于进化博弈的动态频谱接入方案。仿真结果表明,当认知用户群体到达进化均衡时,接入每个主网络的认知用户数量的比例达到稳定状态,最大化了认知用户和网络的效用。     

蜂窝小区内基于网络编码技术的中继协作传输机制研究*

针对中继协作传输机制在蜂窝小区内应用的问题,基于物理层网络编码(physical network coding, PNC)的调制/解调方式,提出一种中继-物理层网络编码(relay-physical network coding,R-PNC)的中继协作传输机制.通过将网络编码-解码转发(networ coding-de...     

基于用户分群的低轨卫星系统切换管理策略

低轨（LEO）卫星系统具有通信距离远、覆盖范围广等诸多优势,在应急通信、灾害预警等领域发挥着重要作用,尤其能有效弥补地面基站无法服务偏远山区、海洋等盲区的缺陷。然而,LEO卫星高速移动会导致用户终端频繁切换,同时在用户聚集场景下,用户群组并发切换将导致LEO卫星系统发生网络拥塞问题。为此,提出一种基于用户分群的多波束LEO卫星系统切换管理策略。建立多波束覆盖模型,基于该模型设计群组切换管理机制,在成员选择的过程中考虑切换触发时刻和最佳波束小区2个因素,将具有相似切换行为的用户分为一组,以此降低系统的信令开销。在此基础上,从分群处理、群组切换、资源释放3个方面设计完整的切换流程以及切换信令交互机制,并基于OPNET软件搭建LEO卫星系统仿真平台。测试结果表明,该策略能够简化切换管理过程中的重复操作,降低系统信令开销和平均切换时延,提高切换成功率,且用户聚集数目越多,其性能相对传统用户独立切换方案的提升效果越明显。     

基于异步优势演员-评论家学习的服务功能链资源分配算法

考虑网络全局信息难以获悉的实际情况,针对接入网切片场景下用户终端(UE)的移动性和数据包到达的动态性导致的资源分配优化问题,该文提出了一种基于异步优势演员-评论家(A3C)学习的服务功能链(SFC)资源分配算法。首先,该算法建立基于区块链的资源管理机制,通过区块链技术实现可信地共享并更新网络全局信息,监督并记录SFC资源分配过程。然后,建立UE移动和数据包到达时变情况下的无线资源、计算资源和带宽资源联合分配的时延最小化模型,并进一步将其转化为马尔科夫决策过程(MDP)。最后,在所建立的MDP中采用A3C学习方法,实现资源分配策略的求解。仿真结果表明,该算法能够更加合理高效地利用资源,优化系统时延并保证UE需求。