CN111836321A - 一种基于联邦学习和边缘计算的小区切换方法 - Google Patents
一种基于联邦学习和边缘计算的小区切换方法 Download PDFInfo
- Publication number
- CN111836321A CN111836321A CN202010735046.3A CN202010735046A CN111836321A CN 111836321 A CN111836321 A CN 111836321A CN 202010735046 A CN202010735046 A CN 202010735046A CN 111836321 A CN111836321 A CN 111836321A
- Authority
- CN
- China
- Prior art keywords
- cell
- terminal
- base station
- cell switching
- switching
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 title claims abstract description 15
- 238000012549 training Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010295 mobile communication Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims 1
- 238000005562 fading Methods 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 7
- 238000005259 measurement Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/08—Reselecting an access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0055—Transmission or use of information for re-establishing the radio link
- H04W36/0072—Transmission or use of information for re-establishing the radio link of resource information of target access point
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/0085—Hand-off measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/165—Performing reselection for specific purposes for reducing network power consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/22—Performing reselection for specific purposes for handling the traffic
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出了一种基于联邦学习和边缘计算的小区切换方法。当终端在小区覆盖范围之间运动，需要实时进行服务小区切换以保证通信服务质量。经典方法是通过终端实时对服务小区和邻小区参考信号进行测量，终端根据信号强度选择性地触发小区切换指令。但是，这种方法需要终端对邻小区参考信号进行实时测量，容易造成终端能量损耗。本发明基于联邦学习和边缘计算的分布式计算、决策的思想，利用终端的地理几何信息‑位置边信息，实现高效的小区切换。
Description
技术领域
本发明涉及移动通信技术，特别涉及一种基于联邦学习和边缘计算的小区切换方法。
背景技术
在传统的以“云”为中心的网络架构中，用户收集的数据需要上传到云服务器或数据中心进行集中式处理。然而，随着大数据时代的到来，用户对个人隐私数据越来越敏感，这种集中式的处理方式无法保证用户数据的安全性；其次，日益增长的数据量和服务需求使得云服务器的计算、存储压力呈指数级增长，需要频繁的硬件升级以应对各种新应用场景的出现；第三，由于较长的传输距离，云计算可能会引入额外的传输时延，这严重限制了某些时延敏感的应用场景的部署，比如车联网。基于以上考虑，第五代移动通信系统引入了边缘计算的概念，通过在网络边缘，比如基站侧部署边缘服务器，用户数据在边缘服务器上局部处理，避免了大量用户数据上传到互联网云服务器的隐私泄露威胁。其次，由于边缘服务器到终端的距离更短，因此可以显著降低数据传输、处理的时延，提升用户服务体验。
在未来的无线通信系统中，指数级增长的终端数据及硬件计算能力使得机器学习将成为实现网络智能化的重要工具。联邦学习作为一种分布式机器学习方法，能够以数据保留在本地、只进行参数交换的方式实现多用户机器学习模型的联合训练，从而能够保护用户隐私，近年来在区块链、无线通信等领域得到广泛的探索和应用。具体而言，联邦学习包含两个过程：1)终端/边缘服务器的局部模型训练；2)云服务器的全局模型聚合。由此可见，联邦学习方法能够完美契合边缘计算的基本框架，通过在边缘服务器进行分布式计算、存储，以及数据与模型分离的方式保护用户隐私，降低传输、数据处理的时延。
第五代移动通信系统将支持最高500千米每小时的移动速度，并且在未来的移动通信系统中将支持更高的移动速度，而移动性管理是实现高移动性通信系统设计的主要挑战之一。小区切换问题是移动性管理的主要方面，高移动性终端超出服务小区服务范围会导致信号能量的快速衰减，甚至造成业务中断。此时，终端需要切换到在当前位置信号质量最强的小区以保证业务连续性。在未来的移动通信系统中，随着毫米波频段甚至太赫兹等高频段的引入，小区部署将呈密集化趋势，因此小区切换频率将更加频繁，亟需高效的小区切换方法，联邦学习和边缘计算为这一问题提供新的解决思路。
发明内容
有鉴于此，本发明实施例提出了一种基于联邦学习和边缘计算的小区切换方法。该方法可以包括模型训练模块和小区切换模块两个过程。
模型训练模块可以具体包括：终端通过全球定位系统(GPS)/北斗系统获取实时位置信息；用户测量服务小区与邻小区参考信号质量执行小区切换决策；基站边缘服务器建立终端位置信息与服务小区标签的指纹数据库；基站侧边缘服务器启动联邦学习训练过程；基站侧边缘服务器将局部训练的神经网络参数上报给核心网；核心网云服务器进行参数聚合，获得全局神经网络学习模型；核心网将聚合后的全局模型参数信息共享给基站侧边缘服务器；判断模型是否拟合，若不拟合，则基站侧边缘服务器基于新的参数进行训练，若拟合，则结束训练过程。
小区切换模块可以具体包括：终端与服务小区建立业务连接(连接态)；终端检测服务小区的信号质量；判断服务小区信号质量是否满足业务要求，若是，则不进行小区切换，若不是，则启动小区切换程序；终端启动小区切换程序，向基站发送小区切换指令以及当前位置信息；基站侧边缘服务器将位置信息输入到小区切换联邦学习模型，得到终端切换的目标小区标签；基站侧边缘服务器将小区切换指令发送到核心网；核心网将切换指令发送给目标小区基站；目标小区基站为终端接入预留资源，并向核心网发送确认信号；核心网向服务小区发送小区切换指令；服务小区向终端发送切换指令，并释放用户上下文以及其占用资源；服务小区切换到目标小区。
附图说明
图1为本发明一些实施例所述的小区切换整体网络结构示意图。
图2为本发明一些实施例所述的基于联邦学习和边缘计算的小区切换实现流程示意图。
图3为本发明一些实施例所述的小区切换联邦学习模型对小区切换成功率结果示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。
如前所述，基于联邦学习和边缘计算的小区切换方法能够充分利用终端位置信息，在保护用户位置数据隐私的同时，显著提升小区切换的实时性。
图1为本发明一些实施例所述的小区切换整体网络结构示意图。如图1所示，移动终端能够通过全球定位系统(GPS)以及北斗系统获取实时的地理位置信息，并通过传统的小区切换方法获取当前位置对应的服务小区标签，生成用于联邦学习模型训练的指纹数据库；然后，根据指纹数据库，在基站侧边缘服务器进行局部模型训练；进一步，所有基站将局部模型参数通过回程链路上传到核心网云服务器进行全局模型参数聚合，并将聚合后的模型参数共享给所有基站侧边缘服务器；边缘服务器在全局模型参数的基础上继续进行局部模型训练，依次循环，直到全局模型收敛。基于全局小区切换模型的实现过程，当终端检测到服务小区的信号质量不能满足业务需求，发起小区切换指令，向基站侧发送当前位置信息，基站侧边缘服务器根据当前位置信息获取目标小区标签，随后发起终端接入程序。
图2为本发明一些实施例所述的基于联邦学习和边缘计算的小区切换实现流程示意图。该方法可以包括模型训练模块和小区切换模块两个过程。
模型训练模块可以具体包括：终端通过全球定位系统(GPS)/北斗系统获取实时位置信息；用户测量服务小区与邻小区参考信号质量执行小区切换决策；基站边缘服务器建立终端位置信息与服务小区标签的指纹数据库；基站侧边缘服务器启动联邦学习训练过程；基站侧边缘服务器将局部训练的神经网络参数上报给核心网；核心网云服务器进行参数聚合，获得全局神经网络学习模型；核心网将聚合后的全局模型参数信息共享给基站侧边缘服务器；判断模型是否拟合，若不拟合，则基站侧边缘服务器基于新的参数进行训练，若拟合，则结束训练过程。
其中，联邦学习在基站侧边缘服务器的训练过程为梯度下降法，其模型参数更新过程为：
其中，
表示在基站i第t轮迭代的权重参数，η为学习率，ΔL(w)表示损失函数L(w)对权重参数的梯度：
在核心网侧云服务器，全局模型聚合方法采用平均联邦学习方法(AveragingFederated Learning，AveFL)，具体如下所示：
即云服务器通过对所有来自基站侧边缘服务器的局部模型参数进行平均，获得全局模型参数
小区切换模块可以具体包括：终端与服务小区建立业务连接(连接态)；终端检测服务小区的信号质量；判断服务小区信号质量是否满足业务要求，若是，则不进行小区切换，若不是，则启动小区切换程序；终端启动小区切换程序，向基站发送小区切换指令以及当前位置信息；基站侧边缘服务器将位置信息输入到小区切换联邦学习模型，得到终端切换的目标小区标签；基站侧边缘服务器将小区切换指令发送到核心网；核心网将切换指令发送给目标小区基站；目标小区基站为终端接入预留资源，并向核心网发送确认信号；核心网向服务小区发送小区切换指令；服务小区向终端发送切换指令，并释放用户上下文以及其占用资源；服务小区切换到目标小区。
由上可见，本发明从初始的数据采集，到模型训练，再到最后的实际小区切换模型应用给出了具体的流程说明。
为了展示本发明各实施例的使用性能，发明人进行了多次蒙特卡罗仿真海洋，图3为本发明一些实施例所述的小区切换联邦学习模型对小区切换成功率结果示意图。其中符号T表示在边缘计算的框架下，联邦学习模型训练过程中，核心网云服务器与基站侧边缘服务器之间的通信次数，也就是参数交换的次数。由图3可以看出，一方面，随着通信次数的增加，全局联邦学习模型能够更快地达到收敛；另一方面，相比于云服务器集中式训练的方法，联邦学习能够以较少的通信次数、边缘服务器更小的计算代价达到全局模型的收敛，达到将近100％的小区切换成功率。
由此可见，本发明所提的基于联邦学习和边缘计算的小区切换方法，在实现用户数据隐私性保护的同时，将传统云服务器集中式训练的计算压力卸载到各边缘服务器，以更小的计算代价实现了高效的小区切换。
以上所述仅为本发明的一个实例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。
Claims (1)
1.一种基于联邦学习和边缘计算的小区切换方法，在当前蜂窝移动通信系统中，终端的移动性会造成信号能量的快速衰落，此时终端需要进行小区切换以维持与网络的实时可靠连接，所提的小区切换方法分为两个模块，分别为模型训练模块和小区切换模块：
(1)模型训练模块：本模块提出了指纹数据库建立过程以及联邦学习模型的训练过程，具体过程如下：
(1.1)终端通过全球定位系统(GPS)/北斗系统获取实时位置信息
(1.2)用户测量服务小区与邻小区参考信号质量执行小区切换决策
(1.3)基站边缘服务器建立终端位置信息与服务小区标签的指纹数据库
(1.4)基站侧边缘服务器启动联邦学习训练过程
(1.5)基站侧边缘服务器将局部训练的神经网络参数上报给核心网
(1.6)核心网云服务器进行参数聚合，获得全局神经网络学习模型
(1.7)核心网将聚合后的全局模型参数信息共享给基站侧边缘服务器
(1.8)判断模型是否拟合，若不拟合，则基站侧边缘服务器基于新的参数进行训练，若拟合，则结束训练过程。
(2)小区切换模块：本模块提出了基于(1)得到的小区切换联邦学习模型，利用终端的位置信息实现从服务小区到目标小区快速切换，具体流程如下：
(2.1)终端与服务小区建立业务连接(连接态)
(2.2)终端检测服务小区的信号质量
(2.3)判断服务小区信号质量是否满足业务要求，若是，则不进行小区切换，若不是，则启动小区切换程序
(2.4)终端启动小区切换程序，向基站发送小区切换指令以及当前位置信息
(2.5)基站侧边缘服务器将位置信息输入到小区切换联邦学习模型，得到终端切换的目标小区标签
(2.6)基站侧边缘服务器将小区切换指令发送到核心网
(2.7)核心网将切换指令发送给目标小区基站
(2.8)目标小区基站为终端接入预留资源，并向核心网发送确认信号
(2.9)核心网向服务小区发送小区切换指令
(2.10)服务小区向终端发送切换指令，并释放用户上下文以及其占用资源
(2.11)服务小区切换到目标小区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010735046.3A CN111836321B (zh) | 2020-07-27 | 2020-07-27 | 一种基于联邦学习和边缘计算的小区切换方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010735046.3A CN111836321B (zh) | 2020-07-27 | 2020-07-27 | 一种基于联邦学习和边缘计算的小区切换方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111836321A true CN111836321A (zh) | 2020-10-27 |
| CN111836321B CN111836321B (zh) | 2022-11-18 |
Family
ID=72925929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010735046.3A Active CN111836321B (zh) | 2020-07-27 | 2020-07-27 | 一种基于联邦学习和边缘计算的小区切换方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111836321B (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112232437A (zh) * | 2020-11-04 | 2021-01-15 | 深圳技术大学 | 物联网终端数据分析方法及系统 |
| CN112308240A (zh) * | 2020-11-02 | 2021-02-02 | 清华大学 | 基于联邦学习的边缘侧机器协同与优化的系统 |
| CN113055963A (zh) * | 2021-03-30 | 2021-06-29 | 联想(北京)有限公司 | 一种通信网络的信息处理方法及服务设备 |
| CN113516149A (zh) * | 2021-03-26 | 2021-10-19 | 苏州振畅智能科技有限公司 | 一种基于机器学习的5g小区切换方法 |
| CN113612598A (zh) * | 2021-08-02 | 2021-11-05 | 北京邮电大学 | 基于秘密共享和联邦学习的车联网数据共享系统及方法 |
| CN113891411A (zh) * | 2021-10-18 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种mec切换方法、装置和电子设备 |
| CN113923736A (zh) * | 2021-09-29 | 2022-01-11 | 山东浪潮科学研究院有限公司 | 一种终端通信用基站切换方法、装置、设备及产品 |
| CN114265631A (zh) * | 2021-12-09 | 2022-04-01 | 浙江工业大学 | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 |
| CN114363974A (zh) * | 2022-01-14 | 2022-04-15 | 中国科学技术大学先进技术研究院 | 待切换邻小区列表构建方法、设备以及存储介质 |
| CN115460538A (zh) * | 2021-06-08 | 2022-12-09 | 中移雄安信息通信科技有限公司 | 基于5g mec的车联网基站分流方法、装置、设备及介质 |
| WO2023103959A1 (zh) * | 2021-12-07 | 2023-06-15 | 华为技术有限公司 | 一种无线通信的方法和装置 |
| WO2024027676A1 (zh) * | 2022-08-05 | 2024-02-08 | 索尼集团公司 | 用于分层联邦学习网络中的切换的装置、方法和介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200005071A1 (en) * | 2019-08-15 | 2020-01-02 | Lg Electronics Inc. | Method and apparatus for recognizing a business card using federated learning |
| CN110874649A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 基于状态机的联邦学习方法、系统、客户端及电子设备 |
| CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
| CN111416735A (zh) * | 2020-03-02 | 2020-07-14 | 河海大学 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
-
2020
- 2020-07-27 CN CN202010735046.3A patent/CN111836321B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200005071A1 (en) * | 2019-08-15 | 2020-01-02 | Lg Electronics Inc. | Method and apparatus for recognizing a business card using federated learning |
| CN111176929A (zh) * | 2019-11-29 | 2020-05-19 | 广东工业大学 | 一种面向边缘联邦学习的高能效计算通信联合优化方法 |
| CN110874649A (zh) * | 2020-01-16 | 2020-03-10 | 支付宝(杭州)信息技术有限公司 | 基于状态机的联邦学习方法、系统、客户端及电子设备 |
| CN111416735A (zh) * | 2020-03-02 | 2020-07-14 | 河海大学 | 基于联邦学习的移动边缘环境下安全QoS预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| MCMAHAN等: "《Communication-efficient learning of deep networks from decentralized data》", 《ARXIV PREPRINT ARXIV:1602.05629》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112308240A (zh) * | 2020-11-02 | 2021-02-02 | 清华大学 | 基于联邦学习的边缘侧机器协同与优化的系统 |
| CN112232437A (zh) * | 2020-11-04 | 2021-01-15 | 深圳技术大学 | 物联网终端数据分析方法及系统 |
| CN113516149A (zh) * | 2021-03-26 | 2021-10-19 | 苏州振畅智能科技有限公司 | 一种基于机器学习的5g小区切换方法 |
| CN113055963A (zh) * | 2021-03-30 | 2021-06-29 | 联想(北京)有限公司 | 一种通信网络的信息处理方法及服务设备 |
| CN113055963B (zh) * | 2021-03-30 | 2022-08-19 | 联想(北京)有限公司 | 一种通信网络的信息处理方法及服务设备 |
| CN115460538A (zh) * | 2021-06-08 | 2022-12-09 | 中移雄安信息通信科技有限公司 | 基于5g mec的车联网基站分流方法、装置、设备及介质 |
| CN113612598A (zh) * | 2021-08-02 | 2021-11-05 | 北京邮电大学 | 基于秘密共享和联邦学习的车联网数据共享系统及方法 |
| CN113612598B (zh) * | 2021-08-02 | 2024-02-23 | 北京邮电大学 | 基于秘密共享和联邦学习的车联网数据共享系统及方法 |
| CN113923736A (zh) * | 2021-09-29 | 2022-01-11 | 山东浪潮科学研究院有限公司 | 一种终端通信用基站切换方法、装置、设备及产品 |
| CN113923736B (zh) * | 2021-09-29 | 2023-05-16 | 山东浪潮科学研究院有限公司 | 一种终端通信用基站切换方法、装置、设备及产品 |
| CN113891411A (zh) * | 2021-10-18 | 2022-01-04 | 中国联合网络通信集团有限公司 | 一种mec切换方法、装置和电子设备 |
| CN113891411B (zh) * | 2021-10-18 | 2023-07-18 | 中国联合网络通信集团有限公司 | 一种mec切换方法、装置和电子设备 |
| WO2023103959A1 (zh) * | 2021-12-07 | 2023-06-15 | 华为技术有限公司 | 一种无线通信的方法和装置 |
| CN114265631A (zh) * | 2021-12-09 | 2022-04-01 | 浙江工业大学 | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 |
| CN114265631B (zh) * | 2021-12-09 | 2024-04-05 | 浙江工业大学 | 一种基于联邦元学习的移动边缘计算智能卸载方法及装置 |
| CN114363974A (zh) * | 2022-01-14 | 2022-04-15 | 中国科学技术大学先进技术研究院 | 待切换邻小区列表构建方法、设备以及存储介质 |
| WO2024027676A1 (zh) * | 2022-08-05 | 2024-02-08 | 索尼集团公司 | 用于分层联邦学习网络中的切换的装置、方法和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111836321B (zh) | 2022-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111836321B (zh) | 一种基于联邦学习和边缘计算的小区切换方法 | |
| Pham et al. | A survey of multi-access edge computing in 5G and beyond: Fundamentals, technology integration, and state-of-the-art | |
| CN114071484A (zh) | 基于人工智能的通信方法和通信装置 | |
| Zhao et al. | Unified analysis of coordinated multipoint transmissions in mmWave cellular networks | |
| Dai et al. | UAV-aided wireless communication design with energy constraint in space-air-ground integrated green IoT networks | |
| Sarraf | 5g emerging technology and affected industries: Quick survey | |
| Yang et al. | Modeling and analysis of HetNets with interference management using Poisson cluster process | |
| Ganame et al. | Evolutionary algorithms for 5G multi-tier radio access network planning | |
| Kaur et al. | Energy-efficiency schemes for base stations in 5G heterogeneous networks: a systematic literature review | |
| Qiu et al. | Improving handover of 5G networks by network function virtualization and fog computing | |
| Pliatsios et al. | 3D placement of drone-mounted remote radio head for minimum transmission power under connectivity constraints | |
| Li et al. | Joint offloading decision and resource allocation of 5G edge Intelligent Computing for complex industrial application | |
| Zhu et al. | Research and analysis of URLLC technology based on artificial intelligence | |
| CN102572856B (zh) | 小区邻接关系确定方法和装置 | |
| Xu et al. | Efficient deployment of multi‐UAV assisted mobile edge computing: A cost and energy perspective | |
| Alablani et al. | Applying a dwell time-based 5G V2x cell selection strategy in the city of los angeles, California | |
| Su et al. | User-centric base station clustering and resource allocation for cell-edge users in 6G ultra-dense networks | |
| Hasan et al. | Federated learning enables 6 G communication technology: Requirements, applications, and integrated with intelligence framework | |
| Panitsas et al. | Predictive handover strategy in 6g and beyond: A deep and transfer learning approach | |
| Wang et al. | A digital twin enabled maritime networking architecture | |
| Ahn et al. | Sensing and Computer Vision-Aided Mobility Management for 6G Millimeter and Terahertz Communication Systems | |
| Singh et al. | A review on cellular network infrastructure evolution: challenges and opportunities | |
| US11622322B1 (en) | Systems and methods for providing satellite backhaul management over terrestrial fiber | |
| Wu et al. | State Aware‐Based Prioritized Experience Replay for Handover Decision in 5G Ultradense Networks | |
| Hashesh et al. | AI-aided height optimization for NOMA-UAV networks |
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 |