CN111669775B - 一种异构网络下基于支持向量机的资源分配方法 - Google Patents
一种异构网络下基于支持向量机的资源分配方法 Download PDFInfo
- Publication number
- CN111669775B CN111669775B CN202010417039.9A CN202010417039A CN111669775B CN 111669775 B CN111669775 B CN 111669775B CN 202010417039 A CN202010417039 A CN 202010417039A CN 111669775 B CN111669775 B CN 111669775B
- Authority
- CN
- China
- Prior art keywords
- user
- wifi
- support vector
- network
- vector machine
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种异构网络下基于支持向量机的资源分配方法,包括如下步骤:获得已经进行过网络流量卸载区域的用户及其网络状态数据;将获得的用户和网络状态数据整理后作为数据集,且将数据集分为训练集和测试集;将训练集中每个数据的参数作为初始支持向量机模型输入向量,网络状态数据作为每个数据的标记值,训练优化支持向量机模型的参数;获得当前异构网络下蜂窝网络用户的相关参数,将其作为训练后支持向量机模型的输入向量,得到输出值用以判断是否需要卸载。本发明把更多的计算资源放在生成数据集和训练上,降低了做出决策的延迟时间,对异构网络中蜂窝网络用户的状态判断是否执行卸载,以达到异构网络整体用户满意度最大化。
Description
技术领域
本发明无线通信技术领域,具体涉及一种异构网络下基于支持向量机的资源分配方法。
背景技术
随着第五代移动通信的迅猛发展,手机用户对于在社交,购物,出行,娱乐等方方面面都有更高的要求,尤其是对于较快网速的要求。然而,由于蜂窝网络的用户众多,且离基站的距离较远,故通信损耗大,用户难以达到最满意的速率要求,因此,越来越多研究关注通过LTE(Long Term Evolution)网络与WiFi网络之间的协作,使得部分蜂窝流量通过WiFi网络卸载,以使得蜂窝网络用户获得更快的速率。从网络运营商的角度来看,蜂窝网络过载将得到缓解。从用户的角度来看,WiFi网络将会带来更好的用户体验,他们也愿意连接到WiFi。因此,无线网络卸载提供了一种非常经济高效的方式来帮助LTE网络扩展容量,并帮助用户获得更好的服务质量(QoS)和体验质量(QoE)。
异构网络中,蜂窝网络与WiFi网络间的流量卸载最为常见,其实现形式是将蜂窝网络中的用户流量卸载到WiFi网络中,以缓解蜂窝网络带宽紧张的问题.WiFi网络和蜂窝网络间可实现流量卸载是由于:1)WiFi网络使用的频段是免许可频段,可以与蜂窝网络重叠,网络间互相没有干扰;2)WiFi网络带宽充足,可提供高吞吐量、高可靠性的无线通信;3)WiFi网络技术成熟,接入点价格低廉,并且应用广泛,在公众场合或室内环境普及率高.由于可大幅度提升网络系统容量,缓解网络拥塞,且实现成本低廉,蜂窝网络与WiFi网络间流量卸载引起业界广泛的关注。
现有的方法往往需要进行多次迭代,需要花费较长的算法执行时间,增加了网络计算资源开销。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种异构网络下基于支持向量机的资源分配方法,把更多的计算资源放在生成数据集和训练上,这样在实际应用的过程中可以直接调用相应的模型来解决问题,降低了做出决策的延迟时间,而且对于某个用户是否卸载的决策仅与当前用户的状态有关,不必考虑其他用户的情况,对异构网络中蜂窝网络用户的状态判断是否执行卸载,以达到异构网络整体用户满意度最大化。
技术方案:为实现上述目的,本发明提供一种异构网络下基于支持向量机的资源分配方法,包括如下步骤:
S1:获得已经进行过网络流量卸载区域的用户Xi(NRB,NWiFi,DBS,DWiFi)及其网络状态数据yi∈{-1,+1},其中NRB为用户所占用的资源块数量,NWiFi为用户所对应接入点的WiFi用户数量,DBS为用户离基站的距离,DAP为用户到WiFi接入点之间的距离,yi=1 和yi=-1分别表示用户执行卸载和不执行卸载;
S2:将获得的用户Xi(NRB,NWiFi,DBS,DWiFi)和网络状态数据yi∈{-1,+1}整理后作为数据集,且将数据集分为训练集和测试集;
S3:将训练集中每个数据的参数Xi(NRB,NWiFi,DBS,DWiFi)作为初始支持向量机模型输入向量,yi∈{-1,+1}作为每个数据的标记值,训练优化支持向量机模型的参数,生成模型对应的函数f(x);
S4:获得当前异构网络下蜂窝网络用户的相关参数,将其作为训练后支持向量机模型的输入向量,根据函数f(x)得到输出值y,并判断y是否大于0;若y小于0,则无须执行卸载,继续用训练后的支持向量机模型判断下一个用户;若y大于0,则对该用户执行卸载,并将其占用的资源块分配给其他用户,同时更新被分配资源用户的参数 NRB和NWiFi;
S5:不断执行步骤S4直至完成所有蜂窝网络用户的判断。
进一步的,所述步骤S3中利用测试集对训练中的支持向量机模型进行精度测试,达到要求后保存训练模型。
进一步的,所述步骤S3中支持向量机模型的训练过程为:
将函数f(X)定义为:
f(X)=W·X+b (1)
通过下式来估计函数f(X)的系数W和b:
yi(W·Xi+b)>0 (2)
将参数W和B重新定义为:
yi(W·Xi+b)≥1 (3)
将求解最优超平面的问题转化为下面的优化问题:
使用拉格朗日乘子法得到上面优化问题的拉格朗日函数:
可将式(3)中的问题转化为它的对偶问题:
通过二次规划方法解出相关参数的值:
最终的决策函数通过下式(8)表达。
本发明构造了一个以用户为中心的支持向量机卸载模型,用来提升异构网络中的用户满意度。首先在有一个宏基站和多个无线接入点的异构网络场景下,引入用户满意度的概念以更好的满足用户不同的QoS需求;之后利用生成的数据集进行训练支持向量机模型,将其转化为分类问题来对网络资源进行重新分配,基于每一状态的WiFi网络及蜂窝网络用户的状态判断是否执行卸载,并寻找最佳的WiFi网络接入点达到异构网络整体用户满意度最大化,该方法大幅度缩小了算法复杂度,提高用户速率,最后实现满意度提升。
有益效果:本发明与现有技术相比,具备如下优点:
1、本发明以用户满意度为度量值,根据用户自身速率需求作出卸载决策,能够有效提高蜂窝网络用户的满意度,避免了传统的资源分配方法分配过多或过少资源的情况,更好的满足了用户需求。
2、本发明把更多的计算资源放在生成数据集和训练上,这样在实际应用的过程中可以直接调用相应的模型来解决问题,降低了做出决策的延迟时间。
3、本发明对于某个用户是否卸载的决策仅与当前用户的状态有关,不必考虑其他用户的情况。
附图说明
图1为本发明方法的系统模型示意图;
图2为本发明方法的流程示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明提供一种异构网络下基于支持向量机的资源分配方法,其应用在如图1所示的系统模型,该模型在一个异构网络中,宏基站(BS)位于中心位置,周围有四个WiFi 的接入点(AP)随机部署,彼此之间互相不干扰。蜂窝网络用户在以基站BS为中心,半径为R的圆上随机分布,WiFi网络的用户位置是在以AP接入点为圆心,r为半径的圆上随机分布。用NRB来表示资源块(RB)的数量,用Pmax来表示基站的最大功率,Bc表示每个资源块所占用的带宽。
假定所有的资源块(RB)以相同的功率进行传输,则单个资源块的传输功率 Ptr=Pmax/NRB,那么用户k占用第n个资源块的速率为:
其中N0是热噪声功率密度,Lk是接入点到用户k之间传输的路径损耗,Lk采用大尺度路径损耗模型中的Friis公式进行计算
其中λ为信号的波长,Gt是发射天线的增益;Gr是接收天线的增益;d是用户与基站之间的距离,单位为m;L是与传播路径无关的损耗因子;α为距离衰减因子。由于一个用户可以同时通过多个资源块进行数据的传输,用户k的总速率为:
WiFi网络采用了CSMA/CA(Carrier Sense Multiple Access with Collisiondetection) 协议,用户l在WiFi网络中的速率为,其中Bw代表WiFi网络的带宽,T表示WiFi的总时隙,Pm代表WiFi的功率,用户l占用的时隙为tl:
本实施例中基于上述系统模型,通过一个模型计算方案来模拟用户满意度,它是用户数据速率的函数。当用户k的实际传输速率Rk高于Rrequired(用户k所需的数据速率)时,用户k的满意度将缓慢上升;当Rk低于Rrequired时,用户k的满意度将急剧下降。因此,用户满意度k的定义如下:
在蜂窝网络过载且WiFi网络能够提供更高数据速率的情况下,考虑将重叠覆盖范围内的一些蜂窝用户卸载到WiFi网络。由于一部分蜂窝用户已经转移到WiFi,剩余的蜂窝用户将占用更多的资源。因此,蜂窝网络用户的速率将随着用户满意度的提高而提高。WiFi网络的结果与蜂窝网络完全相反,WiFi用户传输速率会随着卸载用户满意度速率的提高而下降。因此,最终的目标是最大限度地提高整个系统的总体用户满意度,同时将考虑一个约束:如果被卸载的用户在新网络中获得的数据速率低于原始网络,用户将失去卸载的动机。同时,这种情况不能通过卸载带来总用户满意度的提升,因此确保卸载的用户实现更高的数据速率至关重要,所以优化目标数学建模如下:
要求解此优化问题,首先要设计一个资源块分配算法,用来重新分配那些已经卸载到WiFi网络的LTE用户所占用的资源块。根据之前在上一部分中对用户满意度的定义,网络速率越是低的蜂窝网络用户,获得更多资源块后所带来的满意度的提升也就比那些速率快的用户获得后带来的提升更大,因此这一分配算法总是将剩余的资源块依次分给当前速率最低的用户,这样就可以确保用户卸载后总体满意度的最大化。表格B用来存储资源块的索引,它的行表示蜂窝网络用户的序号,列表示资源块的序号,表格中的数字“1”代表当前资源块已经被对应的用户所占用。用S和U分别表示卸载用户集和剩余的蜂窝网络用户集。详细求解过程为方法1:
方法1:资源块分配过程
1确定L=size(S),生成一个1*L的列表来存储集合S中用户占用的资源块的索引,并重置相关的位置。
2 for i=1:L
3计算Nr=sum(B(S(i),:)
4 for j=1:Nr
6令k=argmin(Гk)
7将B(S(k),I{1,i}(1,j))的值置为1
8 end for
9 end for
Um(Sm,S-m)=∑n∈VmΓn+∑k∈UΓk (7)
其中Sm和S-m分别是第m个AP和除了m以外其他AP的策略,Γn是第m个AP 中用户的满意度,Γk是采用当前策略的蜂窝网络用户满意度。下面提供了一些关于纳什均衡和精确势博弈的定义。
定义1:如果一个策略集合(S1,S2,...,SM)满足
则可以认为这个博弈存在一个纳什均衡。
上面的等式意味着没有任何一个人可以通过单方面改变策略来提高它的收益。
Um(S'm,S-m)-Um(Sm,S-m)=Φ(S'm,S-m)-Φ(Sm,S-m) (9)
公式(8)表明,如果任何玩家改变策略,其自身效用函数的改变等于势函数的改变。
定理1:本实施例所讨论的博弈是一个精确势博弈。
将(7)中的γ定义为势函数。那么可以证明本文提出的博弈模型满足定义2中的条件,所以这个博弈是一个精确势博弈。
精确势博弈最重要的性质是它至少存在一个纯策略纳什均衡。本文中所提出的博弈模型的纯策略纳什均衡,可以最大化总体的用户满意度,因为这里设置的势函数是系统的总用户满意度。
BR算法是博弈论中寻找纳什均衡的经典算法,因此可以采用它来寻找最优解在每次迭代中,随机选择一个接入点而不重复,固定其他接入点的策略,并计算其在所有不同策略上的总用户满意度;选择其中的最佳策略,使Um在当前迭代中最大化;如果总的用户满意度的值达到收敛,则停止迭代。以上策略即为最佳策略,详细过程如方法2。
方法2:
2:生成随机打乱的集合M,记为N
3:for i=1:M
4:选择AP m=N(i)
5:令Nm=Sm的大小
6:for j=1:Nm
7:选择Sm,j,
8:根据上文资源块分配算法更新b,
9:根据Um计算公式计算Um:
10:end for
11:选择Sm=argmax(Um),作为APm的策略,
12:更新策略集S
13:end for
14:S是最佳策略,Γ=Γ(S)
基于上述资源块分配方法以及BR算法等,本实施例将本发明提供的一种异构网络下基于支持向量机的资源分配方法应用系统模型,参照图2,其具体步骤如下:
S1:获得已经进行过网络流量卸载区域的用户Xi(NRB,NWiFi,DBS,DWiFi)及其网络状态数据yi∈{-1,+1},其中NRB为用户所占用的资源块数量,NWiFi为用户所对应接入点的WiFi用户数量,DBS为用户离基站的距离,DAP为用户到WiFi接入点之间的距离,yi=1 和yi=-1分别表示用户执行卸载和不执行卸载;
S2:将获得的用户Xi(NRB,NWiFi,DBS,DWiFi)和网络状态数据yi∈{-1,+1}整理后作为数据集,且将数据集分为训练集和测试集;
S3:将训练集中每个数据的参数Xi(NRB,NWiFi,DBS,DWiFi)作为初始支持向量机模型输入向量,yi∈{-1,+1}作为每个数据的标记值,训练优化支持向量机模型的参数,生成模型对应的函数f(x);利用测试集对训练中的支持向量机模型进行精度测试,达到要求后保存训练模型;
S4:获得当前异构网络下蜂窝网络用户的相关参数,将其作为训练后支持向量机模型的输入向量,根据函数f(x)得到输出值y,并判断y是否大于0;若y小于0,则无须执行卸载,继续用训练后的支持向量机模型判断下一个用户;若y大于0,则对该用户执行卸载,并将其占用的资源块分配给其他用户,同时更新被分配资源用户的参数 NRB和NWiFi;
S5:不断执行步骤S4直至完成所有蜂窝网络用户的判断。
本实施例的步骤S3中具体为:如何通过产生的数据获得支持向量机模型,根据支持向量机理论,输入向量的维度为4,训练样本来自4维特征空间Xi∈R4(i=1,2,...m),映射值yi∈{-1,+1}与每个矢量Xi相关联。如前所述,Xi可以分为两类。假设这两类是线性可分的,则可找到至少一个由向量W∈R4和一个偏置b∈R4定义的超平面,它可以无误差地分离这两类。决策根据函数sgn[f(X)]的值来执行,其中f(X)是与超平面相关联的决策函数,定义为:
f(X)=W·X+b (10)
将通过下式来估计函数f(X)的系数W和b:
yi(W·Xi+b)>0 (11)
最近的训练样本和分离超平面之间的距离应该最大化,并且该距离可以表示为1/||W||。
因此,超平面参数W和B应该被重新定义为:
yi(W·Xi+b)≥1 (12)
在所有满足要求的超平面中,能够让自身和最邻近的向量之间的距离最大的超平面就是最佳的超平面,因此可以将求解最优超平面的问题转化为下面的优化问题:
注意到式(12)本身是一个凸二次规划问题,可以使用拉格朗日乘子法得到其“对偶问题”。具体来说,对式(12)中的约束添加拉格朗日乘子ai≥0,上面优化问题的拉格朗日函数可写为:
接下来可将(12)中的问题转化为它的对偶问题:
接下来可以通过二次规划方法解出相关参数的值:
通常情况下,X可以被核函数K(Xi,X)代替,核函数主要包括线性核和高斯核。所以最终的决策函数可以通过下式表达。
因此任务可以通过f(X)的取值来分类,若f(X)>0,则对应yi=1,若f(X)<0,则对应yi=-1。
本实施例中步骤S4中训练后的支持向量机模型用于实际网络中判断用户是否需要卸载,其具体过程为:由于所用的支持向量机的输入为向量Xi(NRB,NWiFi,DBS,DWiFi),其中NRB为当前用SVM模型判断用户所占用的资源块数量,NWiFi为该用户所对应接入点的WiFi用户数量,DBS为该用户离基站的距离,DAP为用户到WiFi接入点之间的距离,定义WiFi接入点最大覆盖范围为R。输出y的可能取值为1和-1,它们分别表示执行卸载和不进行卸载。
用支持向量机模型进行判断的详细流程如下:
1、首先产生网络分布信息列表L=(N1,N2,N3,N4),其中Nt表示第t个接入点wifi用户人数;
2、随机生成N个蜂窝网络用户,采用资源块分配方法平均分配资源块给这些用户,生成资源块表格B。
3、判断i<=N是否成立,如果成立则执行资源块分配方法中的4到9的步骤,否则结束:
4、分别计算用户i到最近接入点的距离DAP和到基站的距离DBS,如果DAP<=R,读取列表L中对应的WiFi接入点的人数Nt和当前用户所占用的资源块数目NRB;
5、将Xi(NRB,NWiFi,DBS,DWiFi)作为支持向量机模型f(X)的输入数据;
6、如果f(Xi)>0,则令yi=1,此时将执行卸载。Nti=Nt+1,采用上文介绍的资源块分配方法,更新用户参数NRB和NWiFi;
7、如果f(Xi)<=0,则令yi=-1,此时将不进行卸载,并继续判断下一个用户的最优决定。
Claims (2)
1.一种异构网络下基于支持向量机的资源分配方法,其特征在于:包括如下步骤:
S1:获得已经进行过网络流量卸载区域的用户Xi的相关参数及其网络状态数据yi,所述相关参数包括NRB、NWiFi、DBS和DWiFi,yi∈{-1,+1},其中NRB为用户所占用的资源块数量,NWiFi为用户所对应接入点的WiFi用户数量,DBS为用户离基站的距离,DWiFi为用户到WiFi接入点之间的距离,yi=1和yi=-1分别表示用户执行卸载和不执行卸载;
S2:将获得的用户Xi的相关参数NRB、NWiFi、DBS、DWiFi和网络状态数据yi整理后作为数据集,且将数据集分为训练集和测试集;
S3:将训练集中每个数据的参数NRB、NWiFi、DBS、DWiFi作为初始支持向量机模型输入向量,yi作为每个数据的标记值,训练优化支持向量机模型的参数,生成模型对应的函数f(x);
S4:获得当前异构网络下蜂窝网络用户的相关参数,将其作为训练后支持向量机模型的输入向量,根据函数f(x)得到输出值y,并判断y是否大于0;若y小于0,则无须执行卸载,继续用训练后的支持向量机模型判断下一个用户;若y大于0,则对该用户执行卸载,并将其占用的资源块分配给其他用户,同时更新被分配资源用户的参数NRB和NWiFi;
S5:不断执行步骤S4直至完成所有蜂窝网络用户的判断;
所述步骤S3中支持向量机模型的训练过程为:
将函数f(X)定义为:
f(X)=W·X+b (1)
通过下式来估计函数f(X)的系数W和b:
yi(W·Xi+b)>0 (2)
将参数W和B重新定义为:
yi(W·Xi+b)≥1 (3)
将求解最优超平面的问题转化为下面的优化问题:
使用拉格朗日乘子法得到上面优化问题的拉格朗日函数:
可将式(3)中的问题转化为它的对偶问题:
通过二次规划方法解出相关参数的值:
最终的决策函数通过下式(8)表达;
所述步骤S4中利用训练后的支持向量机模型判断用户是否进行卸载的具体过程为:
S4-1:产生网络分布信息列表L=(N1,N2,N3,N4),其中Nt表示第t个接入点wifi用户人数;
S4-2:随机生成N个蜂窝网络用户,采用资源块分配方法平均分配资源块给蜂窝网络用户,生成资源块表格B;
S4-3:判断i<=N是否成立,如果成立则执行分配步骤,否则结束:
S4-4:分别计算用户i到最近接入点的距离DAP和到基站的距离DBS,如果DAP<=R,读取列表L中对应的WiFi接入点的人数Nt和当前用户所占用的资源块数目NRB;
S4-5:将Xi(NRB,NWiFi,DBS,DWiFi)作为支持向量机模型f(X)的输入数据;
S4-6:如果f(Xi)>0,则令yi=1,执行卸载,Nti=Nt+1,采用资源块分配方法,更新用户参数NRB和NWiFi;如果f(Xi)<=0,则令yi=-1,不进行卸载,并继续判断下一个用户的最优决定;
所述步骤S4-2中资源块分配方法的具体分配过程为:
1)确定L=size(S),生成一个1*L的列表来存储集合S中用户占用的资源块的索引,并重置相关的位置;
2)for i=1:L;
3)计算Nr=sum(B(S(i),:);
4)forj=1:Nr;
6)令k=argmin(Гk);
7)将B(S(k),I{1,i}(1,j))的值置为1;
8)end for;
9)end for。
2.根据权利要求1所述的一种异构网络下基于支持向量机的资源分配方法,其特征在于:所述步骤S3中利用测试集对训练中的支持向量机模型进行精度测试,达到要求后保存训练模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417039.9A CN111669775B (zh) | 2020-05-18 | 2020-05-18 | 一种异构网络下基于支持向量机的资源分配方法 |
PCT/CN2021/074165 WO2021232848A1 (zh) | 2020-05-18 | 2021-01-28 | 一种异构网络下基于支持向量机的资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010417039.9A CN111669775B (zh) | 2020-05-18 | 2020-05-18 | 一种异构网络下基于支持向量机的资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111669775A CN111669775A (zh) | 2020-09-15 |
CN111669775B true CN111669775B (zh) | 2022-07-29 |
Family
ID=72383896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010417039.9A Active CN111669775B (zh) | 2020-05-18 | 2020-05-18 | 一种异构网络下基于支持向量机的资源分配方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111669775B (zh) |
WO (1) | WO2021232848A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111669775B (zh) * | 2020-05-18 | 2022-07-29 | 南京邮电大学 | 一种异构网络下基于支持向量机的资源分配方法 |
CN114302497A (zh) * | 2022-01-24 | 2022-04-08 | 厦门大学 | 一种应用于非授权毫米波段异构网络共存的调度方法 |
CN115002721A (zh) * | 2022-06-06 | 2022-09-02 | 南京大学 | 一种面向b5g/6g全解耦蜂窝车联网的随机优化资源分配方法 |
CN116939668B (zh) * | 2023-09-15 | 2023-12-12 | 清华大学 | 车载WiFi-蜂窝异构网络通信资源分配方法、装置 |
CN117032936B (zh) * | 2023-09-28 | 2024-02-06 | 之江实验室 | 一种数据调度方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558240A (zh) * | 2018-10-31 | 2019-04-02 | 东南大学 | 一种移动终端应用下基于支持向量机的任务卸载方法 |
CN109600774A (zh) * | 2019-01-17 | 2019-04-09 | 南京邮电大学 | 一种LTE网络中基于联盟博弈的WiFi卸载方法 |
CN110798842A (zh) * | 2019-01-31 | 2020-02-14 | 湖北工业大学 | 一种基于多用户深度强化学习的异构蜂窝网络流量卸载方法 |
CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103036802A (zh) * | 2013-01-08 | 2013-04-10 | 中国科学院计算技术研究所 | 一种流量卸载的方法和系统 |
CN110113190B (zh) * | 2019-04-24 | 2021-04-09 | 西北工业大学 | 一种移动边缘计算场景中卸载时延优化方法 |
CN111669775B (zh) * | 2020-05-18 | 2022-07-29 | 南京邮电大学 | 一种异构网络下基于支持向量机的资源分配方法 |
-
2020
- 2020-05-18 CN CN202010417039.9A patent/CN111669775B/zh active Active
-
2021
- 2021-01-28 WO PCT/CN2021/074165 patent/WO2021232848A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109558240A (zh) * | 2018-10-31 | 2019-04-02 | 东南大学 | 一种移动终端应用下基于支持向量机的任务卸载方法 |
CN109600774A (zh) * | 2019-01-17 | 2019-04-09 | 南京邮电大学 | 一种LTE网络中基于联盟博弈的WiFi卸载方法 |
CN110798842A (zh) * | 2019-01-31 | 2020-02-14 | 湖北工业大学 | 一种基于多用户深度强化学习的异构蜂窝网络流量卸载方法 |
CN110941667A (zh) * | 2019-11-07 | 2020-03-31 | 北京科技大学 | 一种移动边缘计算网络中的计算卸载方法及系统 |
Non-Patent Citations (2)
Title |
---|
LTE-WiFi异构网络中的流量卸载研究;许娇;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115;正文第3章 * |
User Satisfaction-Aware WiFi Offloading in Heterogeneous Networks;Jiao Xu等;《2017 IEEE 86th Vehicular Technology Conference (VTC-Fall)》;20170927;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111669775A (zh) | 2020-09-15 |
WO2021232848A1 (zh) | 2021-11-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111669775B (zh) | 一种异构网络下基于支持向量机的资源分配方法 | |
CN108541027B (zh) | 一种基于边缘云网络的通信计算资源置换方法 | |
JP5664882B2 (ja) | 通信システムにおけるユーザスケジューリング及び送信電力制御方法、及び装置 | |
CN111586696B (zh) | 一种基于多智能体架构强化学习的资源分配及卸载决策方法 | |
CN109151864B (zh) | 一种面向移动边缘计算超密集网络的迁移决策与资源优化分配方法 | |
CN111641973B (zh) | 一种雾计算网络中基于雾节点协作的负载均衡方法 | |
CN109951897A (zh) | 一种能耗与延迟约束下的mec卸载方法 | |
Abozariba et al. | NOMA-based resource allocation and mobility enhancement framework for IoT in next generation cellular networks | |
EP3709696B1 (en) | Electronic apparatus and method used in wireless communications, and computer readable storage medium | |
Gao et al. | Network utility maximization based on an incentive mechanism for truthful reporting of local information | |
CN108112037A (zh) | 基于雾计算和协作通信网络的负载均衡方法 | |
CN104770004B (zh) | 一种通信系统和方法 | |
He et al. | Delay-aware energy efficient computation offloading for energy harvesting enabled fog radio access networks | |
CN116339849A (zh) | 移动边缘计算环境下多用户多任务计算卸载方法及系统 | |
Rathi et al. | Game theoretic and non-game theoretic resource allocation approaches for D2D communication | |
Nguyen et al. | Deep reinforcement learning for collaborative offloading in heterogeneous edge networks | |
WO2022134854A1 (zh) | 信息共享方法及通信装置 | |
Liu et al. | Deep reinforcement learning-based MEC offloading and resource allocation in uplink NOMA heterogeneous network | |
JP2022514716A (ja) | 無線通信に用いられる電子装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
CN110870338B (zh) | 网络优化 | |
Ye et al. | Hybrid-clustering game Algorithm for resource allocation in macro-femto hetnet | |
Bulti et al. | Clustering-based adaptive low-power subframe configuration with load-aware offsetting in dense heterogeneous networks | |
CN113873525A (zh) | 一种超密集边缘计算网络的任务卸载方法及终端 | |
CN110380808A (zh) | 以用户设备为中心的微小区半分簇干扰协调方法 | |
Mahbub et al. | Energy and Latency-Aware Computation Offloading and Resource Allocation for a Multi-Access Edge Computing-Enabled Heterogeneous Network |
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 |