基于用户偏好的异构网络选择算法研究

针对当前大多数网络选择算法没有充分考虑用户基于业务的网络偏好这一问题,提出了一种基于用户偏好的异构网络选择算法。该算法充分考虑业务需求、用户偏好及网络性能差异,通过层次分析法和距离分析法分别计算用户对各候选网络的主观和客观偏好权重,根据用户策略动态确定综合权重,并由此结合各属性权重计算网络性能,选出最优网络。仿真结果表明该算法可以准确选择接入网络,并当用户在网络边缘做兵乓运动时有效减少切换次数。     

泛在网络下的群组移动模型研究现状及展望

群组移动模型的研究对泛在网络下通信协议的设计、算法性能的评价等问题具有重要意义。泛在网络涉及多种终端同时为移动用户服务的场景,有效地整合终端能力需要有效的群组移动模型进行指导。总结了以往Ad Hoc网络下各种群组移动模型的特点和适用场景,结合泛在网络下多终端多网络的环境特点,以用户和业务为中心,对个人服务场景中的群组移动模型的构建方案进行了探讨和展望,提出了关键的技术要求。     

基于多终端协同的终端与网络协同选择算法研究

异构无线网络环境下采用多终端协同机制可以在单终端或网络能力有限的情况下提升用户的业务体验,即时性地选择合适的终端和相应的网络成为其中一个关键的问题。为此提出了一种多终端协同机制,将终端与其接入网络看作一个整体称之为虚拟终端单元,采用终端与网络协同选择算法选择一个或多个虚拟终端单元形成协同终端集提供业务。仿真结果表明,多终端协同机制可以在保证业务数据速率的前提下有效地减少能量的消耗。     

面向边缘智能的车联网通信和计算资源联合管理策略

海量数据驱动未来车联网向智能化演进,计算密集型业务的激增给网络中通信和计算资源的管理带来了极大的挑战。为了解决上述问题,提出了面向边缘智能的车联网通信和计算资源联合管理策略,在考虑各边缘节点内存容量的前提下,通过模型切分将适量计算任务卸载到最优边缘节点,提高任务执行率并降低系统能耗。上述资源联合管理策略可建模为动态优化问题,传统的优化方法难以求解。因此,将人工智能技术应用到边缘计算领域,采用多智能体深度强化学习方法合理分配网络频谱资源和计算资源,提升网络性能。