CN108600002B - 一种基于半监督学习的移动边缘计算分流决策方法 - Google Patents

一种基于半监督学习的移动边缘计算分流决策方法 Download PDF

Info

Publication number
CN108600002B
CN108600002B CN201810342371.6A CN201810342371A CN108600002B CN 108600002 B CN108600002 B CN 108600002B CN 201810342371 A CN201810342371 A CN 201810342371A CN 108600002 B CN108600002 B CN 108600002B
Authority
CN
China
Prior art keywords
user
decision
task
data
cloud
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
Application number
CN201810342371.6A
Other languages
English (en)
Other versions
CN108600002A (zh
Inventor
黄亮
冯旭
钱丽萍
吴远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810342371.6A priority Critical patent/CN108600002B/zh
Publication of CN108600002A publication Critical patent/CN108600002A/zh
Application granted granted Critical
Publication of CN108600002B publication Critical patent/CN108600002B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

一种基于半监督学习的移动边缘计算分流决策方法，包括以下步骤：1)在一个由多个用户组成，并且每个用户都有多个独立的任务的移动通信系统中，计算出在给出分流决策下系统中所有的能量损耗；2)计算总的时间损耗考虑为所有时间消耗的总和；3)所有用户的分流决策将通过他们的发送数据DOnm和接收数据DInm的大小决定，半监督学习的作用则是将它们作为半监督学习中神经网络的输入，然后生成一个能使整个系统的能量损耗总和最小的分流决策。本发明通过半监督学习寻找出最优的分流决策方法，在保证用户体验的前提下最小化能量损耗，保证服务质量。

Description

一种基于半监督学习的移动边缘计算分流决策方法
技术领域
本发明属于通信领域，尤其是涉及移动边缘计算的通信系统以及用于基站节点的基于半监督学习的用户任务分流决策方法。
背景技术
随着无线通信技术的广泛发展，无线通信技术已经渗入到人类生活的方方面面。移动边缘计算拓展了移动设备的能力，在丰富的云资源的帮助下，用户体验得到极大提升。在一个多用户的移动通信系统中，所有用户共同占用传输资源。用户将自身的任务分流至基站或者云端时，可以减少自己的能量损耗，但这些被分流的任务的服务质量会受一些额外损耗的影响，比如传输延时。为了最小化所有的能量损耗，保证服务质量，最优的任务分流决策方法应用是很有必要的。
发明内容
为了克服现有的移动通信系统的能量损耗较大的不足，为了最小化系统中所有的能量损耗，保证服务质量，本发明提供了一种适用于移动边缘计算的基于半监督学习的分流决策方法，在保证用户体验的前提下最小化能量损耗。
本发明解决其技术问题所采取的技术方案是：
一种基于半监督的移动边缘计算分流决策方法，所述方法包括以下步骤：
1)在一个由多个用户组成，并且每个用户都有多个独立的任务的移动通信系统中，xnm为用户n的任务m的分流决策，如果xnm为1则表示用户n的任务m将被分流至基站或云端处理，xnm为0则表示在本地处理；当用户n的任务m被分流时，其上行传输速率
Figure BDA0001630988980000021
和下行传输速率
Figure BDA0001630988980000022
受传输总带宽CU和CD的限制；当用户n的任务m在本地处理时，本地移动设备所产生的能量损耗为
Figure BDA0001630988980000023
如果在云端处理时，所产生的能量损耗为
Figure BDA0001630988980000024
系统总损耗最小化表示为：
Figure BDA0001630988980000025
约束条件为：
Figure BDA0001630988980000026
Figure BDA0001630988980000027
Figure BDA0001630988980000028
Figure BDA0001630988980000029
式中：
Figure BDA00016309889800000210
Figure BDA00016309889800000211
其中，各参数定义如下：
N：用户人数；
M：每个用户的任务数；
xnm：用户n的任务m的分流决策，为1时表示在云端处理，为0时在本地处理；
Figure BDA00016309889800000212
用户n的任务m在本地处理时的能量损耗；
Figure BDA00016309889800000213
用户n的任务m被分流时，传输过程中能量损耗；
Figure BDA00016309889800000214
用户n的任务m在云端处理时的能量损耗；
ρ：在云端处理时，能量损耗的转化权重；
ωn：用户n延时损耗的转化权重；
Figure BDA00016309889800000215
用户n的任务m在本地处理时的延时损耗；
Figure BDA00016309889800000216
用户n的任务在云端处理时的总延时损耗；
2)为了保证服务质量，当任务在云端处理时，数据从本地上传到云端所消耗的时间以及处理时间都将被考虑在内，每个用户n的任务由发送数据DOnm和接收数据DInm组成，当任务分流至云端时，期间所消耗的时间与本地和基站间的传输速率RAC相关；在云端处理时，时间消耗由发送数据大小和云端处理速度fC决定，由于数据传输和处理时间会有重叠，而重叠部分难以估算，所以总的时间损耗考虑为所有时间消耗的总和
Figure BDA0001630988980000031
Figure BDA0001630988980000032
式中：
Figure BDA0001630988980000033
Figure BDA0001630988980000034
其中，各参数定义如下：
DInm：用户n的任务m的接收数据大小；
DOnm：用户n的任务m的发送数据大小；
Figure BDA0001630988980000035
用户n的上传速度；
Figure BDA0001630988980000036
用户n的下行速度；
RAC：基站与云端的传输速率；
ATnm：每处理单位的数据需要的处理循环次数；
fC：云端处理器的处理速度；
3)所有用户的分流决策将通过发送数据DOnm和接收数据DInm的大小决定，半监督学习的作用则是将它们作为半监督学习中神经网络的输入，然后生成一个能使整个系统的能量损耗总和最小的分流决策，即决定哪些用户的哪些任务在本地处理而哪些任务分流至云端处理；半监督学习中的神经网络用于分流决策预测，也是学习过程的核心，它接收所有用户的发送数据DOnm和接收数据DInm然后预测出一个分流决策，但这个分流决策不一定是最优的，所以之后将在预测出来的分流决策的基础上在生成另一个分流决策，然后通过计算选出这两个分流决策中最好的一个，最后在以好的那个分流决策作为神经网络的预测目标来优化神经网络，使其在下一次预测中能预测得更准；在不断重复这个过程中，神经网络将会预测得越来越准，直至收敛。
进一步，所述步骤3)中，半监督学习的迭代过程为：
步骤3.1：初始化半监督学习中的评估神经网络，迭代次数k初始化为1；
步骤3.2：当k小于或等于给定迭代次数K时，将所有用户的发送数据DOnm和接收数据DInm作为神经网络的输入，预测出初步的分流决策；
步骤3.3：在初步预测的分流决策的基础上，再产生另一种不同的分流决策；
步骤3.4：通过计算，选出这两种分流决策中能使总能量损耗更小的那个分流决策；
步骤3.5：将效果更好的分流决策和输入的所有用户的发送数据DOnm和接收数据DInm配对，组成一组带标签的数据，供神经网络学习；
步骤3.6：运用梯度下降算法和上一过程的数据，不断减小神经网络的误差，使其不断被优化，预测得更准，同时令k＝k+1，回到步骤3.2；
步骤3.7：当k大于给定迭代次数K时，学习过程结束，得到最优的分流决策。
本发明的技术构思为：首先，在一个多用户的移动通信系统中，所有用户共同占用传输资源。用户将自身的任务分流至基站或者云端时，可以减少自己的能量损耗，但这些被分流的任务的服务质量会受一些额外损耗的影响，比如传输延时。如果用户的所有任务都在云端处理那么云端的能量损耗和传输损耗将直线上升，如果全部在本地处理，又会消耗用户很多的能量和时间。为了最小化整体的能量损耗，保证服务质量，提出了一种能找到最优的任务分流决策的方法。
本发明的有益效果主要表现在：通过半监督学习寻找出最优的分流决策方法，在保证用户体验的前提下最小化能量损耗，保证服务质量。
附图说明
图1是系统模型示意图。
图2是找到最优的任务分流决策的方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1和图2，一种基于半监督学习的移动边缘计算分流决策方法，实行该方法能最小化整体的能量损耗，传输损耗和延时损耗，保证服务质量。本发明基于多用户的系统模型(如图1所示)，提出了一个分流决策方法来决定哪些用户的哪些任务会被分流至云端，以达到最小的能量损耗。所述分流决策方法包括有以下步骤(如图2所示)：
1)在一个由多个用户组成，并且每个用户都有多个独立的任务的移动通信系统中，xnm为用户n的任务m的分流决策，如果xnm为1则表示用户n的任务m将被分流至基站或云端处理，xnm为0则表示在本地处理。当用户n的任务m被分流时，其上行传输速率
Figure BDA0001630988980000051
和下行传输速率
Figure BDA0001630988980000061
受传输总带宽CU和CD的限制；当用户n的任务m在本地处理时，本地移动设备所产生的能量损耗为
Figure BDA0001630988980000062
如果在云端处理时，所产生的能量损耗为
Figure BDA0001630988980000063
综上所述，系统总损耗最小化表示为：
Figure BDA0001630988980000064
约束条件为：
Figure BDA0001630988980000065
Figure BDA0001630988980000066
Figure BDA0001630988980000067
Figure BDA0001630988980000068
式中：
Figure BDA0001630988980000069
Figure BDA00016309889800000610
其中，各参数定义如下：
N：用户人数；
M：每个用户的任务数；
xnm：用户n的任务m的分流决策，为1时表示在云端处理，为0时在本地处理；
Figure BDA00016309889800000611
用户n的任务m在本地处理时的能量损耗；
Figure BDA00016309889800000612
用户n的任务m被分流时，传输过程中能量损耗；
Figure BDA00016309889800000613
用户n的任务m在云端处理时的能量损耗；
ρ：在云端处理时，能量损耗的转化权重；
ωn：用户n延时损耗的转化权重；
Figure BDA00016309889800000614
用户n的任务m在本地处理时的延时损耗；
Figure BDA00016309889800000615
用户n的任务在云端处理时的总延时损耗；
2)为了保证服务质量，当任务在云端处理时，数据从本地上传到云端所消耗的时间以及处理时间都将被考虑在内，每个用户n的任务由发送数据DOnm和接收数据DInm组成，当任务分流至云端时，期间所消耗的时间与本地和基站间的传输速率RAC相关，在云端处理时，时间消耗由发送数据大小和云端处理速度fC决定，由于数据传输和处理时间会有重叠，而重叠部分难以估算，所以总的时间损耗考虑为所有时间消耗的总和
Figure BDA0001630988980000071
Figure BDA0001630988980000072
式中：
Figure BDA0001630988980000073
Figure BDA0001630988980000074
其中，各参数定义如下：
DInm：用户n的任务m的接收数据大小；
DOnm：用户n的任务m的发送数据大小；
Figure BDA0001630988980000075
用户n的上传速度；
Figure BDA0001630988980000076
用户n的下行速度；
RAC：基站与云端的传输速率；
ATnm：每处理单位的数据需要的处理循环次数；
fC：云端处理器的处理速度；
3)所有用户的分流决策将通过他们的发送数据DOnm和接收数据DInm的大小决定，半监督学习的作用则是将它们作为半监督学习中神经网络的输入，然后生成一个能使整个系统的能量损耗总和最小的分流决策，即决定哪些用户的哪些任务在本地处理而哪些任务分流至云端处理；半监督学习中的神经网络用于分流决策预测，也是学习过程的核心，它接收所有用户的发送数据DOnm和接收数据DInm然后预测出一个分流决策，但这个分流决策不一定是最优的，所以之后将在预测出来的分流决策的基础上在生成另一个分流决策，然后通过计算选出这两个分流决策中最好的一个，最后在以好的那个分流决策作为神经网络的预测目标来优化神经网络，使其在下一次预测中能预测得更准；在不断重复这个过程中，神经网络将会预测得越来越准，直至收敛。
所述步骤3)中，半监督学习的迭代过程为：
步骤3.1：初始化半监督学习中的评估神经网络，迭代次数k初始化为1；
步骤3.2：当k小于或等于给定迭代次数K时，将所有用户的发送数据DOnm和接收数据DInm作为神经网络的输入，预测出初步的分流决策；
步骤3.3：在初步预测的分流决策的基础上，再产生另一种不同的分流决策；
步骤3.4：通过计算，选出这两种分流决策中能使总能量损耗更小的那个分流决策；
步骤3.5：将效果更好的分流决策和输入的所有用户的发送数据DOnm和接收数据DInm配对，组成一组带标签的数据，供神经网络学习；
步骤3.6：运用梯度下降算法和上一过程的数据，不断减小神经网络的误差，使其不断被优化，预测得更准，同时令k＝k+1，回到步骤3.2；
步骤3.7：当k大于给定迭代次数K时，学习过程结束，得到最优的分流决策。

Claims (2)

1.一种基于半监督学习的移动边缘计算分流决策方法，其特征在于，所述方法包括以下步骤：
1)在一个由多个用户组成，并且每个用户都有多个独立的任务的移动通信系统中，xnm为用户n的任务m的分流决策，如果xnm为1则表示用户n的任务m将被分流至基站或云端处理，xnm为0则表示在本地处理；当用户n的任务m被分流时，其上行传输速率
Figure FDA0002824794340000011
和下行传输速率
Figure FDA0002824794340000012
受传输总带宽CU和CD的限制；当用户n的任务m在本地处理时，本地移动设备所产生的能量损耗为
Figure FDA0002824794340000013
如果在云端处理时，所产生的能量损耗为
Figure FDA0002824794340000014
系统总损耗最小化表示为：
Figure FDA0002824794340000015
约束条件为：
Figure FDA0002824794340000016
Figure FDA0002824794340000017
Figure FDA0002824794340000018
Figure FDA0002824794340000019
式中：
Figure FDA00028247943400000110
Figure FDA00028247943400000111
其中，各参数定义如下：
N：用户人数；
M：每个用户的任务数；
xnm：用户n的任务m的分流决策，为1时表示在云端处理，为0时在本地处理；
Figure FDA00028247943400000112
用户n的任务m在本地处理时的能量损耗；
Figure FDA00028247943400000113
用户n的任务m被分流情况下，云端计算结果回传时，接收过程中能量损耗；
Figure FDA00028247943400000114
用户n的任务m被分流时，传输过程中能量损耗；
Figure FDA00028247943400000115
用户n的任务m在云端处理时的能量损耗；
ρ：在云端处理时，能量损耗的转化权重；
ωn：用户n延时损耗的转化权重；
Figure FDA00028247943400000116
用户n的任务m在本地处理时的延时损耗；
Figure FDA00028247943400000117
用户n的任务在云端处理时的总延时损耗；
2)为了保证服务质量，当任务在云端处理时，数据从本地上传到云端所消耗的时间以及处理时间都将被考虑在内，每个用户n的任务由发送数据DOnm和接收数据DInm组成，当任务分流至云端时，期间所消耗的时间与本地和基站间的传输速率RAC相关；在云端处理时，时间消耗由发送数据大小和云端处理速度fC决定，由于数据传输和处理时间会有重叠，而重叠部分难以估算，所以总的时间损耗考虑为所有时间消耗的总和
Figure FDA0002824794340000021
Figure FDA0002824794340000022
式中：
Figure FDA0002824794340000023
Figure FDA0002824794340000024
其中，各参数定义如下：
DInm：用户n的任务m的接收数据大小；
DOnm：用户n的任务m的发送数据大小；
Figure FDA0002824794340000025
用户n的上传速度；
Figure FDA0002824794340000026
用户n的下行速度；
RAC：基站与云端的传输速率；
ATnm：每处理单位的数据需要的处理循环次数；
fC：云端处理器的处理速度；
3)所有用户的分流决策将通过发送数据DOnm和接收数据DInm的大小决定，半监督学习的作用则是将它们作为半监督学习中神经网络的输入，然后生成一个能使整个系统的能量损耗总和最小的分流决策，即决定哪些用户的哪些任务在本地处理而哪些任务分流至云端处理；半监督学习中的神经网络用于分流决策预测，也是学习过程的核心，它接收所有用户的发送数据DOnm和接收数据DInm然后预测出一个分流决策，但这个分流决策不一定是最优的，所以之后将在预测出来的分流决策的基础上再生成另一个分流决策，然后通过计算选出这两个分流决策中最好的一个，最后再以好的那个分流决策作为神经网络的预测目标来优化神经网络，使其在下一次预测中能预测得更准；在不断重复这个过程中，神经网络将会预测得越来越准，直至收敛。
2.如权利要求1所述的一种基于半监督学习的移动边缘计算分流决策方法，其特征在于：所述步骤3)中，半监督学习的迭代过程为：
步骤3.1：初始化半监督学习中的评估神经网络，迭代次数k初始化为1；
步骤3.2：当k小于或等于给定迭代次数K时，将所有用户的发送数据DOnm和接收数据DInm作为神经网络的输入，预测出初步的分流决策；
步骤3.3：在初步预测的分流决策的基础上，再产生另一种不同的分流决策；
步骤3.4：通过计算，选出这两种分流决策中能使总能量损耗更小的那个分流决策；
步骤3.5：将效果更好的分流决策和输入的所有用户的发送数据DOnm和接收数据DInm配对，组成一组带标签的数据，供神经网络学习；
步骤3.6：运用梯度下降算法和上一过程的数据，不断减小神经网络的误差，使其不断被优化，预测得更准，同时令k＝k+1，回到步骤3.2；
步骤3.7：当k大于给定迭代次数K时，学习过程结束，得到最优的分流决策。
CN201810342371.6A 2018-04-17 2018-04-17 一种基于半监督学习的移动边缘计算分流决策方法 Active CN108600002B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810342371.6A CN108600002B (zh) 2018-04-17 2018-04-17 一种基于半监督学习的移动边缘计算分流决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810342371.6A CN108600002B (zh) 2018-04-17 2018-04-17 一种基于半监督学习的移动边缘计算分流决策方法

Publications (2)

Publication Number Publication Date
CN108600002A CN108600002A (zh) 2018-09-28
CN108600002B true CN108600002B (zh) 2021-02-26

Family

ID=63622858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810342371.6A Active CN108600002B (zh) 2018-04-17 2018-04-17 一种基于半监督学习的移动边缘计算分流决策方法

Country Status (1)

Country Link
CN (1) CN108600002B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109981723B (zh) * 2019-01-23 2021-11-09 桂林电子科技大学 基于深度强化学习的文件缓存处理系统及方法、通信系统
KR20200109272A (ko) * 2019-03-12 2020-09-22 삼성전자주식회사 애플리케이션 요청의 처리를 최적화하는 방법 및 시스템
CN110417867B (zh) * 2019-07-03 2020-06-16 河海大学 移动边缘环境下的Web服务QoS监控方法
CN112911708A (zh) * 2019-11-19 2021-06-04 中兴通讯股份有限公司 资源分配方法、服务器及存储介质

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6954744B2 (en) * 2001-08-29 2005-10-11 Honeywell International, Inc. Combinatorial approach for supervised neural network learning
US7007103B2 (en) * 2002-04-30 2006-02-28 Microsoft Corporation Method to offload a network stack
CN102184364A (zh) * 2011-05-26 2011-09-14 南京财经大学 基于半监督学习的推荐系统托攻击检测方法
US9756571B2 (en) * 2012-02-28 2017-09-05 Microsoft Technology Licensing, Llc Energy efficient maximization of network connectivity
CN102611706A (zh) * 2012-03-21 2012-07-25 清华大学 一种基于半监督学习的网络协议识别方法及系统
CN103150580B (zh) * 2013-03-18 2016-03-30 武汉大学 一种高光谱图像半监督分类方法及装置
CN103324085B (zh) * 2013-06-09 2016-03-02 中国科学院自动化研究所 基于监督式强化学习的最优控制方法
CN103648106B (zh) * 2013-12-31 2017-03-22 哈尔滨工业大学 一种基于类别匹配的半监督流形学习的WiFi室内定位方法
CN107787017B (zh) * 2016-08-24 2019-11-12 大唐移动通信设备有限公司 一种自学习方式实现本地分流的方法

Also Published As

Publication number Publication date
CN108600002A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108600002B (zh) 一种基于半监督学习的移动边缘计算分流决策方法
CN109947545B (zh) 一种基于用户移动性的任务卸载及迁移的决策方法
Yang et al. Delay minimization for federated learning over wireless communication networks
CN108632861B (zh) 一种基于深度强化学习的移动边缘计算分流决策方法
CN111556572B (zh) 一种基于强化学习的频谱资源和计算资源联合分配方法
Wang et al. Unified offloading decision making and resource allocation in ME-RAN
CN111182582A (zh) 面向移动边缘计算的多任务分布式卸载方法
CN111405596B (zh) 莱斯信道下大规模天线无线携能通信系统资源优化方法
CN112867066B (zh) 基于5g多小区深度强化学习的边缘计算迁移方法
CN111328133A (zh) 基于深度神经网络的v2x资源分配方法
WO2023179010A1 (zh) 一种noma-mec系统中的用户分组和资源分配方法及装置
Zhu et al. Computing offloading strategy using improved genetic algorithm in mobile edge computing system
Nguyen et al. FedFog: Network-aware optimization of federated learning over wireless fog-cloud systems
Kuang et al. Client selection with bandwidth allocation in federated learning
CN108449737B (zh) 分布式天线系统中基于d2d的下行链路高能效功率分配方法
CN110190982B (zh) 基于公平时间的非正交多址接入边缘计算时间和能耗优化
Liu et al. Edge computing enabled mobile augmented reality with imperfect channel knowledge
Liu et al. Power allocation in ultra-dense networks through deep deterministic policy gradient
CN114615705B (zh) 一种基于5g网络下单用户资源分配策略方法
CN110602718A (zh) 基于交替方向乘子法的异构蜂窝网络功率分配方法及系统
Park et al. Successful edge computing probability analysis in heterogeneous networks
Wang et al. Joint offloading framework to support communication and computation cooperation
Wang et al. Robust federated learning in wireless channels with transmission outage and quantization errors
CN113342529B (zh) 基于强化学习的无小区大规模多天线架构下移动边缘计算卸载方法
CN108848519A (zh) 一种基于交叉熵学习的异构网络用户接入方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant