CN110475289B - 一种面向超密集组网的负载均衡方法及系统 - Google Patents
一种面向超密集组网的负载均衡方法及系统 Download PDFInfo
- Publication number
- CN110475289B CN110475289B CN201810441570.2A CN201810441570A CN110475289B CN 110475289 B CN110475289 B CN 110475289B CN 201810441570 A CN201810441570 A CN 201810441570A CN 110475289 B CN110475289 B CN 110475289B
- Authority
- CN
- China
- Prior art keywords
- wireless access
- access point
- dynamic change
- load
- network user
- 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
- 230000006855 networking Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000008859 change Effects 0.000 claims abstract description 161
- 230000006870 function Effects 0.000 claims abstract description 124
- 238000009826 distribution Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims description 25
- 238000005265 energy consumption Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 238000007728 cost analysis Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000010295 mobile communication Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H04W28/08—Load balancing or load distribution
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及移动通信领域，尤其涉及一种面向超密集组网的负载均衡方法及系统，超密集组网包括多个无线接入点，用于接入网络用户，其中，方法包括：构建无线接入点的成本目标函数构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为网络用户动态变化状态，k为超密集组网中无线接入点的个数；由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。本发明能够解决用户在不同小区之间的负载均衡问题，实现超密集组网网络中合理的负载分配。
Description
技术领域
本发明涉及移动通信领域，尤其涉及一种面向超密集组网的负载均衡方法及系统。
背景技术
在未来移动通信系统中，需要提供更大的移动数据流量和带宽来满足不断增长的服务需求。为了实现上述目的，一种关键技术是通过减小小区的覆盖面积，来得到更高的频谱效率和频谱复用率。此外，通过引入小型基站，可以提高覆盖区域内的用户覆盖率。因此超密集组网技术被提出，用来提高系统容量，实现上述需求。
RoF(Radio over Fiber，光载无线通信)技术，结合了光通信和无线通信技术，可以作为一种小型基站，应用到下一代移动通信系统中，用来组成超密集组网网络来实现更高的传输速率。RoF技术结合了光通信和无线通信的优点，如更高的容量，低能量消耗，低成本，简易配置安装等等，因此已经变成了当前移动通信领域的一个重要研究方向。
现有技术中，通常将一个集成RoF技术的小型基站作为组成超密集组网网络的基站，来提高网络覆盖率和系统容量。然而，由于RoF小区的覆盖面积有限，用户在不同小区之间的切换会影响系统的整体性能，存在不同小区之间负载不均衡的问题。现有技术中，通常采用固定负载分配方式来解决负载均衡问题，固定负载分配的方式并未随时间进行动态分配，具有负载均衡效果差的问题。
发明内容
为了解决现有技术中超密集网络负载均衡方法存在的上述问题，本发明提供一种面向超密集组网的负载均衡方法，所述超密集组网包括多个无线接入点，用于接入网络用户，所述方法包括：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明还提供一种面向超密集组网的负载均衡系统，所述超密集组网包括多个无线接入点，用于接入网络用户，面向超密集组网的负载均衡系统包括：
成本分析模块，用于构建各无线接入点的成本目标函数
用户变化分析模块，用于构建网络用户动态变化的微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
计算模块，用于由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明一实施例中，还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如下步骤：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明一实施例中，还提供一种计算机可读存储介质，所述计算机程序被处理器执行时实现如下步骤：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明提供的面向超密集组网的负载均衡方法及系统通过构建各无线接入点的成本目标函数，构建网络用户动态变化微分方程，由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，能够精确地确定各无线接入点的最优负载分配值，根据最优负载分配值配置无线接入点负载量，能够解决用户在不同小区之间的负载均衡问题，实现超密集组网网络中合理的负载分配。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的(5G)超密集组网网络架构的结构图；
图2为本发明实施例的面向超密集组网的负载均衡方法的流程图；
图3为本发明实施例的成本目标函数构建流程图；
图4为本发明实施例的网络用户动态变化的微分方程构建流程图；
图5为本发明实施例的求解纳什均衡解的流程图；
图6为本发明实施例的面向超密集组网的负载均衡系统的结构图。
具体实施方式
为了使本发明的技术特点及效果更加明显，下面结合附图对本发明的技术方案做进一步说明，本发明也可有其他不同的具体实例来加以说明或实施，任何本领域技术人员在权利要求范围内做的等同变换均属于本发明的保护范畴。
在本说明书的描述中，参考术语“一实施例”、“一具体实施例”、“一些实施例”、“例如”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
如图1所示，图1为本发明实施例的(5G)超密集组网网络架构图，超密集组网网络架构包括多个无线接入点(Radio Access Points,RAP)和一个虚拟基站(Virtual BaseStation,VBS)。无线接入点之间的距离足够远，超过载波的波长。每一个无线接入点可接入无线用户设备，通过光纤链路接入到虚拟基站。由无线接入点和虚拟基站所组成的网络可以看作是一个扁平化网络。具体的，每一个无线接入点由于其覆盖面积小，都可以看作是一个微小基站，每一个无线接入点都受虚拟基站的控制，虚拟基站可以看作是所有无线接入点所组成的RoF小区的路由。
如图2所示，图2为本发明实施例的面向超密集组网的负载均衡方法的流程图。本实施例中，假设网络中存在K＝{1,2,3,…,k}个无线接入点，每个无线接入点通过构建成本目标函数来控制其负载，达到网络整体的负载均衡。本实施例能够实现超密集组网中随机动态的负载均衡，具体的，包括：
步骤100：构建各无线接入点的成本目标函数其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态。详细的说，网络用户动态变化状态可由负载变化率、传输速率表示。
步骤200：构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为网络用户动态变化状态，k为超密集组网中无线接入点的个数。
步骤300：由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明一实施例中，如图3所示，步骤100构建无线接入点的成本目标函数过程包括：
步骤110：构建无线接入点小区内负载所需成本函数。
具体的，负载所需成本函数用来表示某个无线接入点具有一定的负载量所需要支付的带宽成本，负载所需成本函数可以表示为负载的线性值。对于第i个无线接入点来说，在t时刻的负载量为li(t)，则负载所需成本函数可表达为：
pi(t)＝αili(t) (1)
其中，pi(t)为第i个无线接入点小区内负载所需成本函数，αi为一个正常数，表示负载量与负载成本之间为线性关系，具体实施时，αi根据经验确定，一般设置为0.1～0.5之间的任意值。
进一步的，由于不同无线接入点小区之间存在用户的切换，实际的负载还受限于实际用户量的变化，因此，负载所需成本函数可进一步表达为：
其中，为第i个无线接入点与第j个无线接入点之间用户的切换概率，/>的具体取值可根据经验选取，一般设置为0.05～0.1之间的任意值。lj(t)为第j个无线接入点在t时刻的负载量。
步骤120：构建无线接入点所构成小区的能量消耗成本函数。
具体的，能量消耗成本函数用来表示无线接入点小区内负载所消耗的能量，对于第i个无线接入点来说，在t时刻的负载量为li(t)，该无线接入点所构成的RoF小区的能量消耗成本函数可以表达为：
其中，βi为单位能量成本参数，βi的具体取值可根据经验选取，一般设置为0.1～0.5之间的任意值。
步骤130：构建无线接入点小区内网络用户动态变化状态监测成本函数。
具体的，对于第i个无线接入点来说，在t时刻的负载量为li(t)，则网络用户动态变化状态监测成本函数可表达为：
mi(t)＝δix(t) (4)
其中，δi为用户状态监测成本参数。
步骤140：根据无线接入点小区内负载所需成本函数、负载能量消耗成本函数以及网络用户动态变化状态监测成本函数通过最小化观测时间段内成本消耗来构建无线接入点的成本目标函数。
对于每一个无线接入点来说，其目标是通过控制其所构成小区内的负载量，来最小化网络观测时间段T内的消耗成本，因此，其成本目标函数可以表示为：
其中，为第i个无线接入点的目标成本函数，T为观测时间段；
为第i个无线接入点小区内负载所需成本函数，αi为正常数，k为网络中无线接入点个数，/>为第i个无线接入点与第j个无线接入点之间用户的切换概率，lj(t)为第j个无线接入点在t时刻的负载量；
为第i个无线接入点小区内负载能量消耗成本函数，βi为单位能量成本参数；
δix(t)为网络用户动态变化状态监测成本函数，δi为用户状态监测成本参数；
为对T时刻用户动态状态变化的预测，x(T)为T时刻所有用户的动态变化值，gi为预测反馈参数,/>为第i个无线接入点的用户状态平均值，e-λT为T时刻的折扣率影响。
本发明一实施例中，如图4所示，构建网络用户动态变化微分方程的过程包括：
步骤210：计算超密集组网中负载变化引起的网络用户动态变化率。
具体的，超密集组网中负载变化引起的网络用户动态变化率的表达式为其中，k为超密集组网中无线接入点个数，ωi为负载变化对网络用户动态变化的影响参数，ωi为统计值，可根据实际情况统计得到。
步骤220：计算网络用户离开无线接入点小区引起的网络用户动态变化率。
具体的，网络用户离开无线接入点小区引起的网络用户动态变化率表达式为εx(t)，其中，εx(t)为网络用户离开无线接入点小区引起的网络用户动态变化率，ε为网络用户离开小区覆盖的平均速率，ε为统计值，可根据实际情况统计得到。
步骤230：将超密集组网中负载变化引起的网络用户动态变化率与网络用户离开无线接入点小区引起的网络用户动态变化率做差处理得到网络用户动态变化的微分方程。
具体的，网络用户动态变化的微分方程表达式为：
本发明一实施例中，利用贝尔曼微分方程求解微分博弈模型(5)，(6)，下面详细叙述纳什均衡解的求解过程：
本领域技术人员知道的是，如果存在一个连续微分方程组V(t,x)满足下述的贝尔曼微分方程(7)、(8)，则认为存在唯一最优负载分配值，可以表达为l*(t)＝φ*(t,x)，且该最优负载分配值也满足下述的贝尔曼微分方程(7)、(8)。
V(T,x)＝q(x) (8)
对于成本目标函数(5)及表示网络用户动态变化状态的微分方程(6)来说，连续微分方程组Vi(t,x)是时间段T内的价值函数，可以表示为：
微分方程组Vi(t,x)满足下述的贝尔曼微分方程：
求解贝尔曼方程得到纳什均衡解，即得到无线接入点的最优负载分配值：
其中，
本发明一实施例中，如图5所示，求解贝尔曼方程的过程包括：
步骤310：构造连续微分方程组的最简表达式。
具体的，连续微分方程组的最简表达式为：
Vi(t,x)＝[Ai(t)x+Bi(t)]e-λt (13)
步骤320：根据贝尔曼微分方程(10)(11)求解连续微分方程组最简表达式中的参数Ai(t)，Bi(t)。
具体的，对微分方程组(13)的变量t及x求偏导，可以得到，
Vt i(t,x)＝[Ai'(t)x+Bi'(t)]e-λt-λ[Ai(t)x+Bi(t)]e-λt (14)
将公式(14)(15)代入贝尔曼方程(10)(11)中，可以得到公式(16)(17)，
需要说明的是，公式(16)(17)中的x表示x(t)，li表示li(t)，lj表示lj(t)。
比较公式(16)左右两边可以得到如下公式(18)(19)(20)(21)。
Ai'(t)＝(λ+ε)Ai(t)-δi (18)
Ai(T)＝-gi (19)
根据公式(18)(19)(20)(21)可以计算得到参数Ai(t)，Bi(t)的表达式，
其中，
步骤330：根据计算得到的参数得到最优负载分配值为，
其中，
基于同一发明构思，本发明实施例中还提供了一种面向超密集组网的负载均衡系统，如下面的实施例所述。由于该系统解决问题的原理与面向超密集组网的负载均衡方法相似，因此该系统的实施可以参见面向超密集组网的负载均衡方法的实施，重复之处不再赘述。
如图6所示，图6为本发明实施例的面向超密集组网的负载均衡系统，所述超密集组网包括多个无线接入点，用于接入网络用户，包括：
成本分析模块610，用于构建各无线接入点的成本目标函数
用户变化分析模块620，用于构建网络用户动态变化的微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
计算模块630，用于由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明一实施例中，成本分析模块610构建无线接入点的成本目标函数的过程包括：
构建无线接入点小区内负载所需成本函数；
构建无线接入点小区内负载能量消耗成本函数；
构建无线接入点小区内网络用户动态变化状态监测成本函数；
根据无线接入点小区内负载所需成本函数、负载能量消耗成本函数以及网络用户动态变化状态监测成本函数通过最小化观测时间段内成本消耗来构建无线接入点的成本目标函数。
详细的说，成本目标函数的表达式为：
其中，为第i个无线接入点的目标成本函数，T为观测时间段；为第i个无线接入点小区内负载成本函数，αi为正常数，k为网络中无线接入点个数，/>为第i个无线接入点与第j个无线接入点之间用户的切换概率，lj(t)为第j个无线接入点在t时刻的负载量；/>为第i个无线接入点小区内负载能量消耗成本函数，βi为单位能量成本参数；δix(t)为网络用户动态变化状态监测成本函数，δi为为用户状态监测成本参数；/>为对T时刻用户动态状态变化的预测，x(T)为T时刻所有用户的动态变化值，gi为预测反馈参数,/>为第i个无线接入点的用户状态平均值，e-λT为T时刻的折扣率影响。
本发明一实施例中，用户变化分析模块620构建网络用户动态变化微分方程的过程包括：
计算超密集组网中负载变化引起的网络用户动态变化率；
计算网络用户离开无线接入点小区引起的网络用户动态变化率；
将超密集组网中负载变化引起的网络用户动态变化率与网络用户离开无线接入点小区引起的网络用户动态变化率做差处理得到网络用户动态变化的微分方程。
详细的说，网络用户动态变化微分方程的表达式为：
其中，为超密集组网中负载变化引起的网络用户动态变化率，k为超密集组网中无线接入点个数，ωi为负载变化对网络用户动态变化的影响参数；εx(t)dt为网络用户离开无线接入点小区引起的网络用户动态变化率，ε为网络用户离开小区覆盖的平均速率。
进一步的，利用贝尔曼微分方程求解得到的最优分配负载值的表达式为：
其中，
本发明一实施例中，还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现如下步骤：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明一实施例中，还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如下步骤：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值。
本发明提供的面向超密集组网的负载均衡方法及系统通过构建各无线接入点的成本目标函数，构建网络用户动态变化微分方程，由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，能够精确地确定各无线接入点的最优负载分配值，根据最优负载分配值配置无线接入点负载量，能够解决用户在不同小区之间的负载均衡问题，实现超密集组网网络中合理的负载分配。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅用于说明本发明的技术方案，任何本领域普通技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围应视权利要求范围为准。
Claims (5)
1.一种面向超密集组网的负载均衡方法，所述超密集组网包括多个无线接入点，用于接入网络用户，其特征在于，所述方法包括：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值；
构建无线接入点的成本目标函数的过程包括：
构建无线接入点小区内负载所需成本函数；
构建无线接入点小区内负载能量消耗成本函数；
构建无线接入点小区内网络用户动态变化状态监测成本函数；
根据无线接入点小区内负载所需成本函数、负载能量消耗成本函数以及网络用户动态变化状态监测成本函数通过最小化观测时间段内成本消耗来构建无线接入点的成本目标函数；
所述成本目标函数的表达式为：
其中，为第i个无线接入点的目标成本函数，T为观测时间段；
为第i个无线接入点小区内负载所需成本函数，αi为正常数，/>为第i个无线接入点与第j个无线接入点之间用户的切换概率，lj(t)为第j个无线接入点在t时刻的负载量；
为第i个无线接入点小区内负载能量消耗成本函数，βi为单位能量成本参数；
δix(t)为网络用户动态变化状态监测成本函数，δi为用户状态监测成本参数；
为对T时刻用户动态状态变化的预测，x(T)为T时刻所有用户的动态变化值，gi为预测反馈参数,/>为第i个无线接入点的用户状态平均值，e-λT为T时刻的折扣率影响；
构建网络用户动态变化微分方程的过程包括：
计算超密集组网中负载变化引起的网络用户动态变化率；
计算网络用户离开无线接入点小区引起的网络用户动态变化率；
将超密集组网中负载变化引起的网络用户动态变化率与网络用户离开无线接入点小区引起的网络用户动态变化率做差处理得到网络用户动态变化的微分方程；
网络用户动态变化微分方程的表达式为：
其中，为超密集组网中负载变化引起的网络用户动态变化率，ωi为负载变化对网络用户动态变化的影响参数；
εx(t)为网络用户离开无线接入点小区引起的网络用户动态变化率，ε为网络用户离开小区覆盖的平均速率。
2.如权利要求1所述的方法，其特征在于，最优分配负载值的表达式为：
其中，
3.一种面向超密集组网的负载均衡系统，所述超密集组网包括多个无线接入点，用于接入网络用户，其特征在于，包括：
成本分析模块，用于构建各无线接入点的成本目标函数
用户变化分析模块，用于构建网络用户动态变化的微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
计算模块，用于由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值；
所述成本分析模块构建无线接入点的成本目标函数的过程包括：
构建无线接入点小区内负载所需成本函数；
构建无线接入点小区内负载能量消耗成本函数；
构建无线接入点小区内网络用户动态变化状态监测成本函数；
根据无线接入点小区内负载所需成本函数、负载能量消耗成本函数以及网络用户动态变化状态监测成本函数通过最小化观测时间段内成本消耗来构建无线接入点的成本目标函数；
所述成本目标函数的表达式为：
其中，为第i个无线接入点的目标成本函数，T为观测时间段；
为第i个无线接入点小区内负载所需成本函数，αi为正常数，/>为第i个无线接入点与第j个无线接入点之间用户的切换概率，lj(t)为第j个无线接入点在t时刻的负载量；
为第i个无线接入点小区内负载能量消耗成本函数，βi为单位能量成本参数；
δix(t)为网络用户动态变化状态监测成本函数，δi为用户状态监测成本参数；
为对T时刻用户动态状态变化的预测，x(T)为T时刻所有用户的动态变化值，gi为预测反馈参数,/>为第i个无线接入点的用户状态平均值，e-λT为T时刻的折扣率影响；
构建网络用户动态变化微分方程的过程包括：
计算超密集组网中负载变化引起的网络用户动态变化率；
计算网络用户离开无线接入点小区引起的网络用户动态变化率；
将超密集组网中负载变化引起的网络用户动态变化率与网络用户离开无线接入点小区引起的网络用户动态变化率做差处理得到网络用户动态变化的微分方程；
网络用户动态变化微分方程的表达式为：
其中，为超密集组网中负载变化引起的网络用户动态变化率，ωi为负载变化对网络用户动态变化的影响参数；
εx(t)为网络用户离开无线接入点小区引起的网络用户动态变化率，ε为网络用户离开小区覆盖的平均速率。
4.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如下步骤：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值；
构建无线接入点的成本目标函数的过程包括：
构建无线接入点小区内负载所需成本函数；
构建无线接入点小区内负载能量消耗成本函数；
构建无线接入点小区内网络用户动态变化状态监测成本函数；
根据无线接入点小区内负载所需成本函数、负载能量消耗成本函数以及网络用户动态变化状态监测成本函数通过最小化观测时间段内成本消耗来构建无线接入点的成本目标函数；
所述成本目标函数的表达式为：
其中，为第i个无线接入点的目标成本函数，T为观测时间段；
为第i个无线接入点小区内负载所需成本函数，αi为正常数，/>为第i个无线接入点与第j个无线接入点之间用户的切换概率，lj(t)为第j个无线接入点在t时刻的负载量；
为第i个无线接入点小区内负载能量消耗成本函数，βi为单位能量成本参数；
δix(t)为网络用户动态变化状态监测成本函数，δi为用户状态监测成本参数；
为对T时刻用户动态状态变化的预测，x(T)为T时刻所有用户的动态变化值，gi为预测反馈参数,/>为第i个无线接入点的用户状态平均值，e-λT为T时刻的折扣率影响；
构建网络用户动态变化微分方程的过程包括：
计算超密集组网中负载变化引起的网络用户动态变化率；
计算网络用户离开无线接入点小区引起的网络用户动态变化率；
将超密集组网中负载变化引起的网络用户动态变化率与网络用户离开无线接入点小区引起的网络用户动态变化率做差处理得到网络用户动态变化的微分方程；
网络用户动态变化微分方程的表达式为：
其中，为超密集组网中负载变化引起的网络用户动态变化率，ωi为负载变化对网络用户动态变化的影响参数；
εx(t)为网络用户离开无线接入点小区引起的网络用户动态变化率，ε为网络用户离开小区覆盖的平均速率。
5.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如下步骤：
构建无线接入点的成本目标函数
构建网络用户动态变化微分方程dx(t)＝f(x(t),li(t),i＝1…k)dt，其中，li(t)为第i个无线接入点在t时刻的负载量，x(t)为t时刻网络用户动态变化状态，k为超密集组网中无线接入点的个数；
由无线接入点的成本目标函数及网络用户动态变化微分方程构成微分博弈模型，求解微分博弈模型得到纳什均衡解，将该纳什均衡解作为无线接入点的最优负载分配值；
构建无线接入点的成本目标函数的过程包括：
构建无线接入点小区内负载所需成本函数；
构建无线接入点小区内负载能量消耗成本函数；
构建无线接入点小区内网络用户动态变化状态监测成本函数；
根据无线接入点小区内负载所需成本函数、负载能量消耗成本函数以及网络用户动态变化状态监测成本函数通过最小化观测时间段内成本消耗来构建无线接入点的成本目标函数；
所述成本目标函数的表达式为：
其中，为第i个无线接入点的目标成本函数，T为观测时间段；
为第i个无线接入点小区内负载所需成本函数，αi为正常数，/>为第i个无线接入点与第j个无线接入点之间用户的切换概率，lj(t)为第j个无线接入点在t时刻的负载量；
为第i个无线接入点小区内负载能量消耗成本函数，βi为单位能量成本参数；
δix(t)为网络用户动态变化状态监测成本函数，δi为用户状态监测成本参数；
为对T时刻用户动态状态变化的预测，x(T)为T时刻所有用户的动态变化值，gi为预测反馈参数,/>为第i个无线接入点的用户状态平均值，e-λT为T时刻的折扣率影响；
构建网络用户动态变化微分方程的过程包括：
计算超密集组网中负载变化引起的网络用户动态变化率；
计算网络用户离开无线接入点小区引起的网络用户动态变化率；
将超密集组网中负载变化引起的网络用户动态变化率与网络用户离开无线接入点小区引起的网络用户动态变化率做差处理得到网络用户动态变化的微分方程；
网络用户动态变化微分方程的表达式为：
其中，为超密集组网中负载变化引起的网络用户动态变化率，ωi为负载变化对网络用户动态变化的影响参数；
εx(t)为网络用户离开无线接入点小区引起的网络用户动态变化率，ε为网络用户离开小区覆盖的平均速率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810441570.2A CN110475289B (zh) | 2018-05-10 | 2018-05-10 | 一种面向超密集组网的负载均衡方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810441570.2A CN110475289B (zh) | 2018-05-10 | 2018-05-10 | 一种面向超密集组网的负载均衡方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110475289A CN110475289A (zh) | 2019-11-19 |
| CN110475289B true CN110475289B (zh) | 2023-12-01 |
Family
ID=68503896
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810441570.2A Active CN110475289B (zh) | 2018-05-10 | 2018-05-10 | 一种面向超密集组网的负载均衡方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110475289B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112134807A (zh) * | 2020-08-26 | 2020-12-25 | 天津城建大学 | 基于纳什议价的sdn负载均衡方法、系统、设备及存储介质 |
| CN113517920A (zh) * | 2021-04-20 | 2021-10-19 | 东方红卫星移动通信有限公司 | 超密集低轨星座中物联网模拟载荷的计算卸载方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102075267A (zh) * | 2010-12-30 | 2011-05-25 | 青海西部矿业科技有限公司 | 一种基于微分博弈的认知无线电系统功率控制方法 |
| CN104270768A (zh) * | 2014-07-17 | 2015-01-07 | 重庆邮电大学 | 协作认知无线网络中基于斯塔克伯格博弈的频谱共享方法 |
| CN106686399A (zh) * | 2016-12-22 | 2017-05-17 | 陕西尚品信息科技有限公司 | 一种基于联合缓存架构的网络内视频缓存方法 |
| CN106779468A (zh) * | 2017-01-03 | 2017-05-31 | 国网江苏省电力公司电力科学研究院 | 一种用户用电需求响应动态建模与响应不确定性评估方法 |
| CN107094060A (zh) * | 2017-04-24 | 2017-08-25 | 东南大学 | 基于非合作博弈的分布式超密集异构网络干扰协调方法 |
| CN107295622A (zh) * | 2017-06-06 | 2017-10-24 | 重庆邮电大学 | 一种基于贝叶斯博弈的wlan系统无线接入点节能抗干扰方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9350662B2 (en) * | 2014-07-18 | 2016-05-24 | Qualcomm Incorporated | Server mediated peer-to-peer communication offloading from network infrastructure |
| US10390331B2 (en) * | 2016-04-20 | 2019-08-20 | Convida Wireless, Llc | System information provisioning and light weight connection signaling |
| WO2017218794A1 (en) * | 2016-06-15 | 2017-12-21 | Convida Wireless, Llc | Upload control signaling for new radio |
-
2018
- 2018-05-10 CN CN201810441570.2A patent/CN110475289B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102075267A (zh) * | 2010-12-30 | 2011-05-25 | 青海西部矿业科技有限公司 | 一种基于微分博弈的认知无线电系统功率控制方法 |
| CN104270768A (zh) * | 2014-07-17 | 2015-01-07 | 重庆邮电大学 | 协作认知无线网络中基于斯塔克伯格博弈的频谱共享方法 |
| CN106686399A (zh) * | 2016-12-22 | 2017-05-17 | 陕西尚品信息科技有限公司 | 一种基于联合缓存架构的网络内视频缓存方法 |
| CN106779468A (zh) * | 2017-01-03 | 2017-05-31 | 国网江苏省电力公司电力科学研究院 | 一种用户用电需求响应动态建模与响应不确定性评估方法 |
| CN107094060A (zh) * | 2017-04-24 | 2017-08-25 | 东南大学 | 基于非合作博弈的分布式超密集异构网络干扰协调方法 |
| CN107295622A (zh) * | 2017-06-06 | 2017-10-24 | 重庆邮电大学 | 一种基于贝叶斯博弈的wlan系统无线接入点节能抗干扰方法 |
Non-Patent Citations (3)
| Title |
|---|
| "终端软件的IPv6 技术发展现状";曾晨曦，傅蓉蓉，匡晓，林瑞杰;《现代电信科技》;全文 * |
| Guohui Ding and Lijun Chen."Load Balancing and Speed Scaling Interaction in Processor-Sharing Systems with Exponential Power Functions".《2016 Fifty-fourth Annual Allerton Conference on communication,control and computing(Allerton)》.2017,全文. * |
| 卢波."虚拟网络映射策略与算法研究".《中国优秀博士学位论文全文数据库》.2015,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110475289A (zh) | 2019-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Intelligent resource management based on reinforcement learning for ultra-reliable and low-latency IoV communication networks | |
| CN111093203B (zh) | 一种基于环境感知的服务功能链低成本智能部署方法 | |
| Yu et al. | Intelligent-driven green resource allocation for industrial Internet of Things in 5G heterogeneous networks | |
| Qiao et al. | Joint deployment and mobility management of energy harvesting small cells in heterogeneous networks | |
| Li et al. | A multi-agent deep reinforcement learning based spectrum allocation framework for D2D communications | |
| CN110475289B (zh) | 一种面向超密集组网的负载均衡方法及系统 | |
| CN105657758A (zh) | 一种基于Markov模型的多AP自适应切换方法 | |
| Fragkos et al. | Artificial intelligence enabled distributed edge computing for Internet of Things applications | |
| Temesgene et al. | Distributed deep reinforcement learning for functional split control in energy harvesting virtualized small cells | |
| Li et al. | Throughput maximization by deep reinforcement learning with energy cooperation for renewable ultradense IoT networks | |
| Wang et al. | Task allocation mechanism of power internet of things based on cooperative edge computing | |
| Sun et al. | Dynamic reservation and deep reinforcement learning based autonomous resource management for wireless virtual networks | |
| CN106941683A (zh) | 一种lte频间互操作自优化的方法及装置 | |
| Wang et al. | Base station wake-up strategy in cellular networks with hybrid energy supplies for 6G networks in an IoT environment | |
| Diamanti et al. | Resource orchestration in uav-assisted noma wireless networks: A labor economics perspective | |
| CN113821346B (zh) | 基于深度强化学习的边缘计算中计算卸载与资源管理方法 | |
| CN113747450B (zh) | 一种移动网络中业务部署方法、装置及电子设备 | |
| Mohanavel et al. | Deep Reinforcement Learning for Energy Efficient Routing and Throughput Maximization in Various Networks | |
| Luo et al. | Multi-agent model predictive control based on resource allocation coordination for a class of hybrid systems with limited information sharing | |
| Bao et al. | Modeling and aggregated control of large-scale 5G base stations and backup energy storage systems towards secondary frequency support | |
| Zhao et al. | Deep Q-network for user association in heterogeneous cellular networks | |
| Liu et al. | Workload Balancing in Mobile Edge Computing for Internet of Things: A Population Game Approach | |
| Sun et al. | Application loading and computing allocation for collaborative edge computing | |
| Zhang et al. | Mobility Management for Ultra-Dense Edge Computing: A Reinforcement Learning Approach | |
| Liang et al. | Stochastic Stackelberg Game Based Edge Service Selection for Massive IoT Networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| CB03 | Change of inventor or designer information |
Inventor after: Ma Jiyang Inventor after: Kuang Xiaohui Inventor after: Hou Haibo Inventor after: Cao Yuqiong Inventor after: Gao Lifa Inventor after: Guo Chen Inventor after: Yan Mei Inventor after: Duan Hucai Inventor after: Wu Hanbing Inventor after: Li Peng Inventor after: Lin Ruijie Inventor after: Huang Yunxia Inventor after: Zeng Chenxi Inventor after: Zhang Lijing Inventor after: Ma Qinqin Inventor before: Kuang Xiaohui Inventor before: Gao Lifa Inventor before: Li Peng Inventor before: Yan Mei Inventor before: Huang Yunxia Inventor before: Guo Chen Inventor before: Duan Hucai Inventor before: Zeng Chenxi Inventor before: Lin Ruijie Inventor before: Cao Yuqiong Inventor before: Hou Haibo Inventor before: Ma Jiyang Inventor before: Zhang Lijing Inventor before: Ma Qinqin Inventor before: Wu Hanbing |
|
| CB03 | Change of inventor or designer information | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |