CN104780614B - 一种基于amab模型的信道分配与用户关联策略 - Google Patents
一种基于amab模型的信道分配与用户关联策略 Download PDFInfo
- Publication number
- CN104780614B CN104780614B CN201510210513.XA CN201510210513A CN104780614B CN 104780614 B CN104780614 B CN 104780614B CN 201510210513 A CN201510210513 A CN 201510210513A CN 104780614 B CN104780614 B CN 104780614B
- Authority
- CN
- China
- Prior art keywords
- channel
- sta
- probability
- calculates
- round
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 18
- FMMTUUIZTMQIFC-UHFFFAOYSA-M trimethyl(prop-2-enyl)azanium;bromide Chemical compound [Br-].C[N+](C)(C)CC=C FMMTUUIZTMQIFC-UHFFFAOYSA-M 0.000 title claims abstract 6
- 238000000034 method Methods 0.000 claims description 11
- 230000001186 cumulative effect Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims 2
- 238000012935 Averaging Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 101100172132 Mus musculus Eif3a gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于AMAB模型的信道分配与用户关联策略,其步骤为:每个AP和STA将决策概率序列设为等概分布;每个AP根据各自的概率序列选择信道,并统计STA的平均数据到达率、时延和吞吐量等信息,计算当前选择信道的增益;AP计算累计代价参数;AP根据指数平均加权策略,计算新的概率序列;每个STA根据各自的概率序列选择AP关联,并统计平均数据到达率、时延和吞吐量等信息,计算当前关联AP的增益;STA计算累积代价函数;STA根据指数加权平均策略,计算新的概率序列,并继续执行直到策略收敛到最优化。本发明可收敛到纳什均衡并得到最优解,有效解决了密集场景中的同信道干扰导致的网络时延大的问题。
Description
技术领域
本发明涉及无线局域网领域,特别的,尤其涉及一种基于AMAB模型的信道分配与用户关联策略。
背景技术
为了适应移动设备的快速发展引起的数据服务需求的增长,在诸如商场、饭店和旅馆等公共场所都设有WiFi网络,在以上体娱场所中,WiFi网络的应用也被认为可以提高顾客的体验并扩大经济收益。但与常见的办公室网络不同,许多体育馆都有数万个座位,用户密集度是普通办公室网络的数百倍。例如,在一个具有50000个座位的体育馆中,大约需要400个AP来提供足够的网络容量并覆盖整个场所。因此,在这些场所中,WiFi网络呈现高密集,大容量和实时服务的特点,导致网络运营和管理更加复杂。
在高密集的网络环境中,由于正交信道的数量远远少于邻近AP的数量,所以同信道干扰成为了限制网络性能的主要因素。因此,必须采用信道分配策略来减缓邻近AP之间的同信道干扰。
另外,由于用户的高密集性,与同一个AP关联的STA数量将是数十甚至数百个,并且在用户分布不均匀时,部分区域的用户密集程度将更高。在这种情况下,以CSMA/CA为基础的信道接入机制将导致超负荷AP下的STA的性能显著下降。因此,必须采用用户关联策略来均衡AP间的负载。
现有技术中主要采用以下用户关联策略来均衡AP间的负载:
1、现有技术一的技术方案(专利号CN103997790)
此方案是一种基于联盟的WLAN设备动态信道分配方法,其步骤为:DFS控制节点收集维护AP节点的当前信道、邻居AP节点ID等信息,产生DFS网络拓扑图;将DFS网络拓扑图分割成独立的连通子图,最终的分割子图形成DFS分组;对于没有边界分割节点的DFS分组,选择组内总接收信号强度最高的节点作为动态信道选择算法的开始节点;对于有多个边界分割节点的DFS分组,选择总接收信号强度最高的分割节点作为动态信道选择算法开始节点;从开始节点开始,优先选择总接收信号强度最高的邻居进行信道选择。本发明通过分组技术加快了整网动态信道调整的收敛速度,缩短了信道选择收敛时间。
2、现有技术二的技术方案(专利号CN101132600)
该发明是一种无线网络中动态信道分配方法与装置,将无限局域网络中复杂的动态信道分配的问题构建成为译码的问题。本发明建立标准图来模型化无线网络中接入点与用户之间的环境,然后规范出该标准图在所有接入端节点与客户端节点的区域限制规则,并反复地通过和积算法,来得到动态信道分配的近似最佳化的解。本发明不仅是全分布式低复杂度的动态信道分配技术,并且大幅提高无线网络的数据传输量。本发明进一步采用用户互斥区域,来保证每个用户与接入点之间的链接质量。
3、现有技术三的技术方案(专利号CN102143590)
该发明统计所有AP的发送时延作为其负载度量,其值为所关联的所有STA的发送时延之和。通过排序获得全局负载最大的AP,依次判断其关联的STA是否满足特定的切换条件。选出满足切换条件,并且切换增益(切换前后负载迁移量)最大的STA,该STA与重新选出的AP进行重新关联。
4、现有技术四的技术方案(专利号CN103313306)
该发明采用AP+AC的网络架构,当AP收到STA发送的扫描请求帧时,将自身统计得到的负载信息、网络性能质量信息汇报给AC。AC根据各个AP的负载信息、网络性能质量信息,执行负载均衡策略来选出该STA的最佳关联AP。然后由收到扫描请求帧的AP将选择结果通告给STA,由STA与最佳关联AP执行关联操作。
但上述四种方案分别存在一定的技术缺点:
1、现有技术一的缺点
该发明在网络密集程度增加时,控制节点产生DFS网络拓扑图并分割成DFS分组的过程会对系统造成很大的负担,并难以适应快速变化的网络动态。
2、现有技术二的缺点
该发明需要全局的信道状态信息来得到信道分配的策略,但由于网络的动态特性,全局的信道状态信息是很难及时获得的。
3、现有技术三的缺点
该发明对STA的信道接入时延的计算是基于网络流量处于饱和状态的假设,并根据802.11b协议给出了固定的信道接入时延和协议开销参数,这种方法不能刻画网络流量处于非饱和状态时STA的信道接入时延与AP的实际负载之间的关系。
4、现有技术四的缺点
该发明针对STA发起的接入式负载均衡问题,AC得到关联方案之后还需要将关联结果通告STA,且需要STA的参与来完成最佳关联操作,关联过程复杂且耗时大,需要对STA的协议栈进行修改,不利于实现。
因此,本领域的技术人员致力于开发一种性能优异、功能完善、应用可靠的用户关联策略来均衡AP间的负载。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是密集场景中的同信道干扰导致的WLAN网络时延大的问题。
本发明的目的是通过以下技术方案实现:一种基于AMAB(Adversarial Multi-armed Bandit)模型的信道分配与用户关联策略,其步骤为:
(S1)、每个AP和STA将决策概率序列设为等概分布;
(S2)、每个AP根据各自的概率序列选择信道,并统计STA的平均数据到达率、时延和吞吐量等信息,计算当前选择信道的增益;
(S3)、AP计算累计代价参数;
(S4)、AP根据指数平均加权策略,计算新的概率序列;
(S5)、每个STA根据各自的概率序列选择AP关联,并统计平均数据到达率、时延和吞吐量等信息,计算当前关联AP的增益;
(S6)、STA计算累积代价函数;
(S7)、STA根据指数加权平均策略,计算新的概率序列,并返回执行步骤(S2)。
所述步骤(S1)具体为:对与当前场景中任意AP,可分配信道数量为M。每个AP分别保存一个选择信道的概率分布序列,AP在第t轮决策时选择信道的概率序列记为:
Pt=(p1,t,p2,t,…,pM,t)
(1)其中pj,t为在第t轮决策时选择信道的概率;
(2)每个AP的概率序列的初值均为等概分布。
所述步骤(S2)具体为:每个AP根据当前轮次t的概率序列Pt=(p1,t,p2,t,…,pM,t)选择信道,并统计各STA的平均数据到达率、时延和吞吐量等信息,再根据这些信息得到AP于当前轮次t选择的信道的增益。
所述步骤(S3)具体为:若在第t轮决策时AP选择了信道,那么计算若决定选择信道的累积代价函数为
(2)其中
为对增益的无偏估计。
其中为AP在第t轮选择的信道。
所述步骤(S4)具体为:AP a计算新一轮的信道分配的概率序列,具体方式如下
(1)令
(2)AP a基于指数加权平均策略计算新的概率序列,首先根据累计代价函数计算权数
(3)求解定点方程
(4)对方程的解作如下处理,得到新一轮信道分配的概率序列
所述步骤5具体为:每个STA a根据当前轮次t的概率序列Pt=(p1,t,p2,t,…,pM,t)选择信道,并统计各自的平均数据到达率、时延和吞吐量等信息,再根据这些信息得到STAa于当前轮次t关联的APi的增益w(a,i,t)。
所述步骤(S6)具体为:若在第t轮决策时STA与AP关联,那么计算若决定与AP关联的累积代价函数为
(1)其中
为对增益的无偏估计。
(3)其中It为STA a在第t轮关联的AP。
所述步骤(S7)具体为:STA a计算新一轮的信道分配的概率序列,具体方式如下
(1)令
(2)STA a基于指数加权平均策略计算新的概率序列,首先根据累计代价函数计算权数
(3)求解定点方程
(4)对方程的解作如下处理,得到新一轮信道分配的概率序列
并返回执行步骤2,进入下一个轮次。
本发明的实施步骤还包括每个AP或者STA执行策略时无需其他信道的状态信息或其他AP的负载信息。
本发明的有益效果是:本发明综合考虑了信道分配与用户关联问题,并且创造性地引入了AMAB模型,将AP和STA视为AMAB问题中的两种参与者,得到了信道分配与用户关联的联合优化策略,该策略可收敛到纳什均衡并得到最优解,且每个参与者执行策略时无需其他信道的状态信息或其他AP的负载信息,有效解决了密集场景中的同信道干扰导致的WLAN网络时延大的问题。
以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1是本发明的一个较佳实施例的工作流程图;
图2是本发明的一个较佳实施例的信道分配概率分布的收敛性图;
图3是本发明的一个较佳实施例的用户关联概率分布的收敛性图。
具体实施方式
如图1所示,一种基于AMAB模型的信道分配与用户关联策略,其步骤为:
(1)、每个AP和STA将决策概率序列设为等概分布;
(2)、每个AP根据各自的概率序列选择信道,并统计STA的平均数据到达率、时延和吞吐量等信息,计算当前选择信道的增益;
(3)、AP计算累计代价参数;
(4)、AP根据指数平均加权策略,计算新的概率序列;
(5)、每个STA根据各自的概率序列选择AP关联,并统计平均数据到达率、时延和吞吐量等信息,计算当前关联AP的增益;
(6)、STA计算累积代价函数;
(7)、STA根据指数加权平均策略,计算新的概率序列,并返回执行步骤(2)。
实施例一
一种基于AMAB模型的信道分配与用户关联策略,其步骤为:当一个高密集网络中分布着AP与STA,一个新的AP接入了网络,采用如下信道分配与用户关联策略。
步骤1:对与当前场景中任意AP,可分配信道数量为M。每个AP分别保存一个选择信道的概率分布序列,该AP在第t轮决策时选择的信道概率序列记为:
(1)其中pj,t为在第t轮决策时选择信道的概率;
Pt=(p1,t,p2,t,…,pM,t)
(2)该AP的信道选择概率序列的初值均为等概分布。
步骤2:每个AP根据当前轮次t的概率序列Pt=(p1,t,p2,t,…,pM,t)选择信道,并统计各STA的平均数据到达率、时延和吞吐量等信息,再根据这些信息得到AP于当前轮次t选择的信道的增益。
步骤3:若在第t轮决策时AP选择了信道,那么计算若决定选择信道的累积代价函数为
(1)其中
为对增益的无偏估计。
(2)其中为AP在第t轮选择的信道
步骤4:AP a计算新一轮的信道分配的概率序列,具体方式如下
(1)令
(2)AP a基于指数加权平均策略计算新的概率序列,首先根据累计代价函数计算权数
(3)求解定点方程
(4)对方程的解作如下处理,得到新一轮信道分配的概率序列
实施例二
当一个高密集网络中分布着AP与STA,一个新的STA接入了网络,采用如下信道分配与用户关联策略。
步骤1:对与当前场景中任意STA,可关联的AP数量为M。STA分别保存一个关联AP的概率分布序列,STA在第t轮决策时选择的概率序列记为:
Pt=(p1,t,p2,t,…,pM,t)
(1)其中pj,t为在第t轮决策时选择AP的概率;
(2)每个STA的概率序列的初值均为等概分布。
步骤2:每个STA a根据当前轮次t的概率序列Pt=(p1,t,p2,t,…,pM,t)选择AP关联,并统计各自的平均数据到达率、时延和吞吐量等信息,再根据这些信息得到STA a于当前轮次t关联的AP i的增益w(a,i,t)。
步骤3:若在第t轮决策时STA与AP关联,那么计算若决定与AP关联的累积代价函数为
(1)其中
为对增益的无偏估计。
(4)其中It为STA a在第t轮关联的AP。
步骤4:STA a计算新一轮的信道分配的概率序列,具体方式如下
(3)令
(4)STAa基于指数加权平均策略计算新的概率序列,首先根据累计代价函数计算权数
(3)求解定点方程
(4)对方程的解作如下处理,得到新一轮信道分配的概率序列
并返回执行实施例一的步骤2,进入下一个轮次。
同时,以上每个AP或者STA执行策略时无需其他信道的状态信息或其他AP的负载信息。
综上所述,本发明针对AP的信道分配问题,其特点是AP仅采集当前所使用信道的相关数据(例如吞吐量,时延等),来决定下一次信道选择的概率序列。同时,针对STA的用户关联问题,其特点是STA仅采集当前关联的AP的相关数据,来决定下一次用户关联的概率序列。本发明综合考虑信道分配和用户关联问题。在每一轮循环中,AP的信道分配策略和STA的用户关联策略各被执行一次。随着循环次数的增加,信道分配与用户关联问题可收敛到最优解。
具体实现中,本发明可以应用在基于cloud-wifi架构的异构网络中,在Cloud-WiFi架构下,Cloud-AC可以通过OpenFlow协议获取WiFi网络中各AP节点的实时/准实时状态信息,可以优化终端用户的负载迁移、负载均衡等决策与AP节点的信道分配决策。
本实施例所研究的场景包含高密集的AP与STA,其中噪声水平为-95dbm,AP的传输功率为15dbm,路径衰减指数为4。根据所使用的802.11协议,可计算出AP的最大传输半径和干扰半径。当STA与AP的距离小于最大传输半径,则认为该STA和AP是可以关联的。同时,当两个AP之间的距离小于干扰半径,则认为当它们选择同一信道时,会产生同信道干扰。
仿真实验研究了信道分配与用户关联联合策略的收敛性。图2和图3为同一个网络场景下AP的信道分配策略和STA的用户关联策略联合执行时,AP与STA的概率序列收敛性。
图2给出了对于特定的一个AP和3个可用的正交信道,信道分配概率分布随循环次数的变化。从图2中可以看出,概率分布在约600轮循环之后趋近于(1,0,0),这说明信道分配算法选择了信道1,同时也是纳什均衡中的最优策略。
图3表示特定STA的用户关联的概率分布,该STA周围有4个AP可以关联。图3中概率分布最终收敛到(0,1,0,0),表明用户关联算法寻找最优AP的有效性。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (4)
1.一种基于AMAB模型的信道分配与用户关联方法,其特征在于,步骤为:
(S1)、每个AP和STA将决策概率序列设为等概分布;
步骤(S1)具体为:对于当前场景中任意AP,可分配信道数量为M,每个AP分别保存一个选择信道的概率分布序列,AP在第t轮决策时选择信道的概率序列记为:
Pt=(p1,t,p2,t,…,pM,t)
(S1-1)其中pj,t为在第t轮决策时选择信道的概率;
(S1-2)每个AP的概率序列的初值均为等概分布;
(S2)、每个AP根据各自的概率序列选择信道,并统计STA的平均数据到达率、时延和吞吐量信息,计算当前选择信道的增益;
(S3)、AP计算累计代价参数,具体为:若在第t轮决策时AP选择了信道,那么计算若决定选择信道的累计代价函数为
(S3-1)其中pi,l表示AP在时刻l选择第i个信道的概率;
(S3-2)其中
为对增益的无偏估计,
(S3-3)其中a代表AP a,It为AP在第t轮选择的信道,w(a,It,t)为AP a于当前轮次t选择的信道It的增益,pk,t是pt的第k项,表示一个AP在时刻t选择第k个信道的概率;
(S4)、AP根据指数平均加权策略,AP a计算新一轮的信道分配的概率序列,具体方式如下:
(S4-1)令
其中γt和ηt为自定义的常数变量;
(S4-2)AP a基于指数加权平均策略计算新的概率序列,首先根据累计代价函数计算权数
(S4-3)求解定点方程
其中, 是基于Pt变换而来的,具体如下:首先,令因此是一个有M项的向量;然后,将其中的第i项的概率加到第j项上,则第j项的值变为pi,t+pj,t,而第i项的值置为零,其他剩余的项(用省略号表示)的值保持不变,表示将Pt的第i项设为0,将其中的第j项设为pi,t+pj,t;
(S4-4)对方程的解作如下处理,得到新一轮信道分配的概率序列
其中M为对于当前场景中的任意AP,可分配信道数量;
(S5)、每个STA根据各自的概率序列选择AP关联,并统计平均数据到达率、时延和吞吐量信息,计算当前关联AP的增益;
(S6)、STA计算累积代价函数,若在第t轮决策时STA与AP关联,那么计算若决定与AP关联的累积代价函数为
(S6-1)其中pi,l表示AP在时刻l选择第i个信道的概率;
(S6-2)其中
为对增益的无偏估计,
(S6-3)其中a代表STA a,It为STA a在第t轮关联的AP,w(a,It,t)为STA a于当前轮次t关联的AP i的增益,pk,t是pt的第k项,表示一个AP在时刻t选择第k个信道的概率;
(S7)、STA根据指数加权平均策略,计算新的概率序列,并返回执行步骤(S2),具体为:STA a计算新一轮的信道分配的概率序列,具体方式如下
(S7-1)令
其中γt和ηt为自定义的常数变量;
(S7-2)STA a基于指数加权平均策略计算新的概率序列,首先根据累计代价函数计算权数
(S7-3)求解定点方程
其中, 是基于Pt变换而来的,具体如下:首先,令因此是一个有M项的向量;然后,将其中的第i项的概率加到第j项上,则第j项的值变为pi,t+pj,t,而第i项的值置为零,其他剩余的项(用省略号表示)的值保持不变,表示将Pt的第i项设为0,将其中的第j项设为pi,t+pj,t;
(S7-4)对方程的解作如下处理,得到新一轮信道分配的概率序列
并返回执行步骤(S2),进入下一个轮次,其中M为对于当前场景中任意STA,可关联的AP数量。
2.根据权利要求1所述的一种基于AMAB模型的信道分配与用户关联方法,其特征在于,步骤(S2)具体为:每个AP根据当前轮次t的概率序列Pt=(p1,t,p2,t,…,pM,t)选择信道,并统计各STA的平均数据到达率、时延和吞吐量信息,再根据这些信息得到AP于当前轮次t选择的信道的增益。
3.根据权利要求1所述的一种基于AMAB模型的信道分配与用户关联方法,其特征在于,步骤(S5)具体为:每个STA a根据当前轮次t的概率序列Pt=(p1,t,p2,t,…,pM,t)选择信道,并统计各自的平均数据到达率、时延和吞吐量信息,再根据这些信息得到STA a于当前轮次t关联的AP i的增益w(a,i,t)。
4.根据权利要求1所述的一种基于AMAB模型的信道分配与用户关联方法,其特征在于,还包括每个AP或者STA执行策略时无需其他信道的状态信息或其他AP的负载信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510210513.XA CN104780614B (zh) | 2015-04-27 | 2015-04-27 | 一种基于amab模型的信道分配与用户关联策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510210513.XA CN104780614B (zh) | 2015-04-27 | 2015-04-27 | 一种基于amab模型的信道分配与用户关联策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104780614A CN104780614A (zh) | 2015-07-15 |
CN104780614B true CN104780614B (zh) | 2018-07-13 |
Family
ID=53621759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510210513.XA Active CN104780614B (zh) | 2015-04-27 | 2015-04-27 | 一种基于amab模型的信道分配与用户关联策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104780614B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110233762B (zh) * | 2019-06-14 | 2021-03-09 | 厦门大学 | 一种利用mab提升全双工csma网络吞吐量的方法 |
CN111867110B (zh) * | 2020-06-17 | 2023-10-03 | 三明学院 | 一种基于开关切换策略的无线网络信道分离节能方法 |
CN112104558B (zh) * | 2020-10-30 | 2021-09-07 | 上海交通大学 | 区块链分发网络的实现方法、系统、终端及介质 |
CN112566223B (zh) * | 2020-12-01 | 2022-11-15 | 江苏科技大学 | 基于多属性加权的wlan接入点选择方法 |
CN112383932B (zh) * | 2021-01-12 | 2021-04-09 | 华东交通大学 | 基于分簇的用户关联和资源分配联合优化方法 |
CN118075786B (zh) * | 2024-04-23 | 2024-06-21 | 国网山东省电力公司电力科学研究院 | 一种异品牌ac-ap协同优化方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421104A (zh) * | 2011-11-14 | 2012-04-18 | 上海交通大学 | 混合无线网络中的网络选择与信道资源配置方法 |
CN103179633A (zh) * | 2012-12-28 | 2013-06-26 | 重庆邮电大学 | 一种联合信道分配的认知无线电网络路由方法 |
CN103476101A (zh) * | 2013-09-23 | 2013-12-25 | 北京邮电大学 | 基于信道分配和功率控制联合优化的无线资源分配方法 |
-
2015
- 2015-04-27 CN CN201510210513.XA patent/CN104780614B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102421104A (zh) * | 2011-11-14 | 2012-04-18 | 上海交通大学 | 混合无线网络中的网络选择与信道资源配置方法 |
CN103179633A (zh) * | 2012-12-28 | 2013-06-26 | 重庆邮电大学 | 一种联合信道分配的认知无线电网络路由方法 |
CN103476101A (zh) * | 2013-09-23 | 2013-12-25 | 北京邮电大学 | 基于信道分配和功率控制联合优化的无线资源分配方法 |
Non-Patent Citations (5)
Title |
---|
Approximate Online learning Algorithms for optimal monitoring in multi-channel wireless networks;Rong Zheng;《IEEE》;20140109;全文 * |
association games in IEEE 802.11 wireless local area networks;Ozgur Ercetin;《IEEE》;20081222;全文 * |
Channel assignment and user association game in dense 802.11 wireless networks;wenchao xu;《IEEE》;20110729;全文 * |
Learning multiuser channel allocations in cognitive radio networks:a combinatorial multi-armed bandit formulation;Yi Gai;《IEEE》;20100409;全文 * |
Spectrum bandit optimization;Marc Lelarge;《IEEE》;20130913;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN104780614A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104780614B (zh) | 一种基于amab模型的信道分配与用户关联策略 | |
CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
Li et al. | AP association for proportional fairness in multirate WLANs | |
Pantisano et al. | Matching with externalities for context-aware user-cell association in small cell networks | |
CN108391317B (zh) | 一种蜂窝网络中d2d通信的资源分配方法及系统 | |
CN103987085B (zh) | 小区间移动负荷均衡的方法和移动负荷均衡装置 | |
CN110098969A (zh) | 一种面向物联网的雾计算任务卸载方法 | |
CN111182570A (zh) | 提高运营商效用的用户关联和边缘计算卸载方法 | |
CN107911856B (zh) | 一种超密集异构网络中基于匹配博弈的分离多接入方法 | |
CN108965009B (zh) | 一种基于势博弈的负载已知用户关联方法 | |
Zhu et al. | Adaptive multi-access algorithm for multi-service edge users in 5G ultra-dense heterogeneous networks | |
CN108055677B (zh) | 基于软件定义无线网络的负载均衡方法 | |
Feng et al. | Cell selection in two-tier femtocell networks with open/closed access using evolutionary game | |
Lei et al. | A semi-matching based load balancing scheme for dense IEEE 802.11 WLANs | |
CN106912074A (zh) | 一种在异构网络中基于回传链路容量的用户关联方法 | |
Huang et al. | A scalable approach to SDN control plane management: High utilization comes with low latency | |
CN108810907B (zh) | 一种虚拟小区的合并方法、装置及网络系统 | |
CN110519776A (zh) | 一种雾计算系统中的均衡聚类和联合资源分配方法 | |
Jeunen et al. | A machine learning approach for IEEE 802.11 channel allocation | |
Wang et al. | Joint multicast routing and channel assignment for multi-radio multi-channel wireless mesh networks with hybrid traffic | |
Hui et al. | Wireless resource allocation based on multiplexing and isolation in sliced 5G networks | |
CN111711986B (zh) | 5g通信系统中uc-udn比例公平资源分配方法 | |
CN105208603A (zh) | 一种lte网络多目标负载均衡方法 | |
Wang et al. | Congestion aware dynamic user association in heterogeneous cellular network: a stochastic decision approach | |
Kim et al. | Spectrum breathing and cell load balancing for self organizing wireless networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |