CN111935753B - 一种负载均衡的用户关联与资源分配方法 - Google Patents
一种负载均衡的用户关联与资源分配方法 Download PDFInfo
- Publication number
- CN111935753B CN111935753B CN202010889139.1A CN202010889139A CN111935753B CN 111935753 B CN111935753 B CN 111935753B CN 202010889139 A CN202010889139 A CN 202010889139A CN 111935753 B CN111935753 B CN 111935753B
- Authority
- CN
- China
- Prior art keywords
- user
- state
- resource allocation
- association
- rrh
- 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
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- 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
本发明涉及一种负载均衡的用户关联与资源分配方法,属于通信技术领域。该方法对由于无线域的负载不均衡限制了网络整体的传输效率的问题,提出一种负载均衡的用户关联与资源分配方法。该发明的主要方法包括:根据不同用户的服务质量需求以及分布式无线射频头端(Remote Radio Head,RRH)的当前负载,设计用户收益函数。进而,在保证用户服务质量的前提下,考虑到当前网络状态对用户收益的影响,建立随机博弈模型,并基于多智能体Q学习算法进行用户关联和资源分配,从而在保证用户的服务质量前提下,实现网络的负载均衡,并提高网络吞吐量。
Description
技术领域
本发明属于通信技术领域,涉及一种负载均衡的用户关联与资源分配方法。
背景技术
越来越多的低延时的密集型的任务,如实时通讯,高清视频播放和游戏等,出现在日常生活中,大大增加了移动设备和网络在带宽方面的负担。与传统分布式无线接入网络(Distributed Radio Access Network,D-RAN)不同,云无线接入网(Cloud Radio AccessNetwork,C-RAN)将传统基站配置分解成集中式的基带处理单元(Baseband Unite,BBU)和分布式无线射频头端(Remote Radio Head,RRH)两个部分,且将多个BBU集中到BBU池中,以实现统计复用增益。专用光纤作为C-RAN的一种前传方案会带来巨大的部署成本。时波分无源光网络 (Timeand Wavelength Division Multiplexed Passive Optical Network,TWDM-PON)具有丰富的带宽资源,还有低成本、低延时、低能耗的优点。因此,TWDM-PON已被证明是C-RAN有前途的前传解决方案。使用TWDM-PON连接BBU池和RRH,不但可以降低系统升级和维护的资本和运营支出,还可以提高频谱利用率。
虽然TWDM-PON与C-RAN的联合架构具有丰富的带宽资源,然而无线域的传输容量有限,整体网络性能受到无线域传输能力的限制。传统的用户关联方法只根据信号的强弱关联RRH。这种方法虽然简单,但是会产生RRH负载不均衡的问题,造成频谱资源的浪费,并且忽略了不同用户的服务质量(Quality of Service,QoS)需求。通过对无线网络业务量的研究表明,随着RRH负载的增大,与其相关联的用户服务质量会随着下降。通过设计用户关联可以优化网络结构,提高无线域频谱资源利用率,进而提高网络吞吐量。因此用户关联在TWDM-PON 与C-RAN联合架构中具有重要意义。
发明内容
有鉴于此,本发明的目的在于提供一种负载均衡的用户关联与资源分配方法。
为达到上述目的,本发明提供如下技术方案:
一种负载均衡的用户关联与资源分配方法,首先根据不同用户的服务质量需求以及分布式无线射频头端RRH的当前负载,设计用户收益函数;在保证用户服务质量的前提下,考虑到当前网络状态对用户收益的影响,建立随机博弈模型,然后基于多智能体Q学习算法进行用户关联和资源分配;具体包括以下步骤:
采集用户状态信息和RRH状态信息:用户向RRH发送访问请求,其中包括用户状态信息,RRH将这些信息以及自身状态信息转发到集中控制器;
量化用户收益:集中控制器根据采集到的信息,量化用户不同关联状态下的收益;
最大化网络吞吐量:集中控制器分析计算用户收益和RRH资源分配,构建随机博弈模型,最大化网络吞吐量;
确定用户关联和资源分配策略:在保证用户服务质量的约束条件下,基于多智能体Q学习算法获得用户i与RRHj之间的关联状态和资源分配方案。
可选的,所述用户状态信息包括参数:用户坐标、速率请求和关联状态,其中使用二进制变量矩阵α={αi,j(t)∈(0,1)}表示在时刻t用户i与RRHj之间的关联状态,当用户i在时刻 t与RRHj关联时αi,j(t)=1,否则αi,j(t)=0;
可选的,所述量化用户不同关联状态下的收益具体为:在时刻t,RRHj可为用户i分配的RB数量为ri req(t)为用户i的速率需求,b表示每个RB的带宽,信噪比SINR,SINRi,j(t)为:其中αi,j(t)为用户的关联状态,满足用户QoS时αi,j(t)=1,否则αi,j(t)=0,为用户分配的功率 pi,j(t)=ni,j(t)×pj,hi,j(t)表示用户i与RRHj之间的信道增益,是用户i和RRHj在 t时刻的欧几里德距离,路径损耗因子α>2,σ2表示白噪声的功率谱密度;量化用户i在t 时刻与RRHj关联的收益为
可选的,所述最大化网络吞吐量具体为:每个用户在时刻t最多只能关联一个RRH,且一个RB在同一时刻只能为一位用户提供服务,RRH需要为用户足够的带宽资源ni,j(t)blog2(1+SINRi,j(t))≥ri req(t),满足用户的QoS,根据以上约束将用户关联与资源分配问题抽象为最大化网络吞吐量的问题:
可选的,所述随机博弈模型具体为:利用有限状态的马尔可夫决策过程MDP,将联合优化问题表述为随机博弈MDP(S,Ai,Pss′,Vi);S是可能的状态集合,Ai表示集合中第i个用户的动作空间,Pss′表示用户从状态s转换为状态s′的概率,Vi是第i个用户的收益;
定义每个用户在时刻t时的状态为s(t)={s1(t),s2(t)...sn(t)};其中si(t)∈{0,1},当si(t)=1 时意味着用户i的服务质量QoS需求得到了满足,当si(t)=0时则说明没有满足用户i的QoS;定义每个用户的动作空间Ai={ai,1(t),ai,2(t),...,ai,m(t)},每个用户可能做出的动作数量与当前可关联的RRH数量相同,而且用户当前动作会影响下一时刻的网络状态;在任意时刻t,定义其他n-1个用户的动作为a-i(t)={a1(t),...,ai-1(t),ai+1(t),...an(t)};当用户i采取行动ai(t)时,则用户i在时刻t的收益为υi(t),考虑到其他用户采取的动作a-i(t),则用户i的在t时刻的收益为
定义状态价值函数是一个期望值,其中γ∈[0,1)是收益衰减因子,π-i=(π1,...,πi-1,πi+1,...πn)表示其他用户的策略向量;用户i通过在每个状态下获得最优的策略最优策略最大化其在t时刻的状态价值函数其中 ui(s,πi,π-i)=E[υi(s,πi,π-i)];并得到最佳Q函数
可选的,所述确定用户关联和资源分配策略具体为:用户根据动作选择概率选择动作;计算用户的状态价值函数计算并更新Q值表;若经过多次迭代后所有用户的QoS需求得到满足,则根据φi(si,ai)得到各自的集中控制器根据用户关联策略进行资源分配,并将配置信息传送到底层物理网络,实现用户关联和资源分配。
本发明的有益效果在于:针对无线域的负载不均衡限制了网络整体的传输效率的问题,提供一种负载均衡的用户关联和资源分配方法,根据不同用户的服务质量需求以及RRH的负载,设计用户收益函数。进而,在保证用户服务质量的前提下,考虑到当前网络状态对用户的影响,建立了随机博弈模型,并基于多智能体Q学习算法进行用户关联和资源分配,从而在保证用户的服务质量前提下,实现网络的负载均衡,并提高网络吞吐量。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明的系统架构图;
图2为本发明中的算法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
光与无线融合网络架构如图1所示,一种负载均衡的用户管理与资源分配算法如图2所示,优选的具体包含以下步骤:
1、数据采集:用户向RRH发送访问请求,RRH将接收到信号转发给与其直连的光网络单元(Optical Network Unit,ONU)。之后ONU使用通用公共无线接口(Common PublicRadio Interface,CPRI)将用户信息发送到集中控制器。
其中:
1)用户状态信息包括参数:用户坐标、速率请求、关联状态。在时刻t用户i与RRHj之间的关联状态使用二进制变量矩阵α={αi,j(t)∈(0,1)}表示,当用户i在时刻t与RRHj关联时αi,j(t)=1,否则αi,j(t)=0;
2、量化用户收益:集中控制器根据采集到的信息,量化用户不同关联状态下的收益。
其中:
1)根据公式(1)计算RRHj在t时刻为用户i提供服务的RB数量:
SINRi,j(t)为t时刻用户i与RRHj之间的信噪比(Signal-to-Interference andNoise Ratio,SINR):
2)通过公式(3)量化用户i在t时刻与RRHj关联的收益:
3、最大化网络吞吐量:集中控制器分析计算用户收益和RRH资源分配,构建随机博弈模型,最大化网络吞吐量;
其中:
1)将用户关联与资源分配问题抽象为带约束条件的优化问题,如下式:
ni,j(t)blog2(1+SINRi,j(t))≥ri req(t) (7)
2)引入一种有限状态的马尔可夫决策过程(Markov Decision Process,MDP),将联合优化问题表述为随机博弈MDP(S,Ai,Pss′,Vi)。S是可能的状态集合,Ai表示集合中第i个用户的动作空间,Pss′表示用户从状态s转换为状态s′的概率,Vi是第i个用户的收益。
定义每个用户在时刻t时的状态为s(t):
s(t)={s1(t),s2(t)...sn(t)} (8)
其中si(t)∈{0,1},当si(t)=1时意味着用户i的QoS需求得到了满足,当si(t)=0时则说明没有满足用户i的QoS。
则定义每个用户的动作空间Ai为:
Ai={ai,1(t),ai,2(t),...,ai,m(t)} (9)
每个用户可能做出的动作数量与当前可关联的RRH数量相同,而且用户当前动作会影响下一时刻的网络状态。在任意时刻t,定义其他n-1个用户的动作为 a-i(t)={a1(t),...,ai-1(t),ai+1(t),...an(t)}。
3)状态价值函数Vi(s,πi,π-i)是一个期望值:
其中γ∈[0,1)是收益衰减因子,π-i=(π1,...,πi-1,πi+1,...πn)表示其他用户的策略向量。根据马尔可夫的性质,令ui(s,πi,π-i)=E[υi(s,πi,π-i)],将状态价值函数表述为:
其中Pss′(πi,π-i)是用户从状态s→s′的状态转移概率。每个用户的预期积累的收益由 Vi(s,πi,π-i)确定,并且每个状态可以从每个可能的策略获得即时奖励。若用户策略中任意一个πi均满足则达到纳什均衡状态,其中
4)根据状态价值函数得到Q值函数:
5)将Q值的分级函数作为动作的概率,即:
用户根据式(15)计算所得概率进行动作选择。
4、确定用户关联和资源分配策略:在保证用户服务质量的约束条件下,基于多智能体Q 学习算法获得用户i与RRHj之间的关联状态和资源分配方案。具体包括以下步骤:
1)用户根据动作选择概率φi(si,ai)选择动作;
2)计算用户的状态价值函数;
3)Q值函数更新方程:
其中δ表示Qi(s,ai)的更新学习速率,通过适当的设置δ,Q学习方法更新Qi(s,ai)时趋于收敛。根据Q值函数更新方程更新Q值表;
4)根据Q值表更新用户的动作选择概率φi(si,ai);
5)若经过多次迭代后所有用户的QoS需求得到满足,则根据φi(si,ai)得到各自的动作;否则,直到达到最大迭代次数后根据φi(si,ai)得到各自的动作。
6)根据用户关联策略进行资源分配,为用户分配RB资源的数量。
7)集中控制器并将配置信息传送到底层物理网络,实现用户关联和资源分配。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.一种负载均衡的用户关联与资源分配方法,其特征在于:
首先根据不同用户的服务质量需求以及分布式无线射频头端RRH的当前负载,设计用户收益函数;在保证用户服务质量的前提下,考虑到当前网络状态对用户收益的影响,建立随机博弈模型,然后基于多智能体Q学习算法进行用户关联和资源分配;具体包括以下步骤:
采集用户状态信息和RRH状态信息:用户向RRH发送访问请求,其中包括用户状态信息,RRH将这些信息以及自身状态信息转发到集中控制器;
量化用户收益:集中控制器根据采集到的信息,量化用户不同关联状态下的收益;
最大化网络吞吐量:集中控制器分析计算用户收益和RRH资源分配,构建随机博弈模型,最大化网络吞吐量;
确定用户关联和资源分配策略:在保证用户服务质量的约束条件下,基于多智能体Q学习算法获得用户i与RRHj之间的关联状态和资源分配方案;
所述量化用户不同关联状态下的收益具体为:在时刻t,RRHj可为用户i分配的RB数量为ri req(t)为用户i的速率需求,b表示每个RB的带宽,信噪比SINR,SINRi,j(t)为:其中αi,j(t)为用户的关联状态,满足用户QoS时αi,j(t)=1,否则αi,j(t)=0,为用户分配的功率pi,j(t)=ni,j(t)×pj,hi,j(t)表示用户i与RRHj之间的信道增益,是用户i和RRHj在t时刻的欧几里德距离,路径损耗因子α>2,σ2表示白噪声的功率谱密度;量化用户i在t时刻与RRHj关联的收益为
所述最大化网络吞吐量具体为:每个用户在时刻t最多只能关联一个RRH,且一个RB在同一时刻只能为一位用户提供服务,RRH需要为用户足够的带宽资源ni,j(t)blog2(1+SINRi,j(t))≥ri req(t),满足用户的QoS,根据以上约束将用户关联与资源分配问题抽象为最大化网络吞吐量的问题:
所述随机博弈模型具体为:利用有限状态的马尔可夫决策过程MDP,将联合优化问题表述为随机博弈MDP(S,Ai,Pss′,Vi);S是可能的状态集合,Ai表示集合中第i个用户的动作空间,Pss′表示用户从状态s转换为状态s′的概率,Vi是第i个用户的收益;
定义每个用户在时刻t时的状态为s(t)={s1(t),s2(t)...sn(t)};其中si(t)∈{0,1},当si(t)=1时意味着用户i的服务质量QoS需求得到了满足,当si(t)=0时则说明没有满足用户i的QoS;定义每个用户的动作空间Ai={ai,1(t),ai,2(t),...,ai,m(t)},每个用户可能做出的动作数量与当前可关联的RRH数量相同,而且用户当前动作会影响下一时刻的网络状态;在任意时刻t,定义其他n-1个用户的动作为a-i(t)={a1(t),...,ai-1(t),ai+1(t),...an(t)};当用户i采取行动ai(t)时,则用户i在时刻t的收益为vi(t),考虑到其他用户采取的动作a-i(t),则用户i的在t时刻的收益为
定义状态价值函数是一个期望值,其中γ∈[0,1)是收益衰减因子,π-i=(π1,...,πi-1,πi+1,...πn)表示其他用户的策略向量;用户i通过在每个状态下获得最优的策略最优策略最大化其在t时刻的状态价值函数其中并得到最佳Q函数
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889139.1A CN111935753B (zh) | 2020-08-28 | 2020-08-28 | 一种负载均衡的用户关联与资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010889139.1A CN111935753B (zh) | 2020-08-28 | 2020-08-28 | 一种负载均衡的用户关联与资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111935753A CN111935753A (zh) | 2020-11-13 |
CN111935753B true CN111935753B (zh) | 2022-03-29 |
Family
ID=73309570
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010889139.1A Active CN111935753B (zh) | 2020-08-28 | 2020-08-28 | 一种负载均衡的用户关联与资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111935753B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763747A (zh) * | 2014-02-21 | 2014-04-30 | 重庆邮电大学 | 一种实现异构网络中动态负载均衡的方法 |
CN105578582A (zh) * | 2016-01-19 | 2016-05-11 | 重庆邮电大学 | 一种蜂窝异构网络用户关联及资源分配方法及装置 |
KR101801487B1 (ko) * | 2016-11-08 | 2017-11-27 | 인하대학교 산학협력단 | Pslte시스템에서 공공 안전 사용자 우선순위 기반 자원 할당 및 로드 밸런싱을 위한 사용자 선택 방법 및 시스템 |
CN108965009A (zh) * | 2018-07-19 | 2018-12-07 | 广东南方电信规划咨询设计院有限公司 | 一种基于势博弈的负载已知用户关联方法 |
CN109041193A (zh) * | 2018-08-01 | 2018-12-18 | 重庆邮电大学 | 一种基于noma的网络切片动态联合用户关联和功率分配方法 |
CN109874154A (zh) * | 2019-01-23 | 2019-06-11 | 南京邮电大学 | 一种基于深度强化学习的c-ran用户关联和计算资源分配方法 |
CN110191489A (zh) * | 2019-05-17 | 2019-08-30 | 北京科技大学 | 一种超密集网络中基于强化学习的资源分配方法及装置 |
CN110493826A (zh) * | 2019-08-28 | 2019-11-22 | 重庆邮电大学 | 一种基于深度强化学习的异构云无线接入网资源分配方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6516733B2 (ja) * | 2013-12-10 | 2019-05-22 | 株式会社Nttドコモ | 相互依存性に基づくmimoセルラ配備におけるスケジューリング、負荷平衡、及びパイロット割り振りの方法及び装置 |
US10736119B2 (en) * | 2017-02-21 | 2020-08-04 | Northwestern University | Radio resource management in large wireless networks |
-
2020
- 2020-08-28 CN CN202010889139.1A patent/CN111935753B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103763747A (zh) * | 2014-02-21 | 2014-04-30 | 重庆邮电大学 | 一种实现异构网络中动态负载均衡的方法 |
CN105578582A (zh) * | 2016-01-19 | 2016-05-11 | 重庆邮电大学 | 一种蜂窝异构网络用户关联及资源分配方法及装置 |
KR101801487B1 (ko) * | 2016-11-08 | 2017-11-27 | 인하대학교 산학협력단 | Pslte시스템에서 공공 안전 사용자 우선순위 기반 자원 할당 및 로드 밸런싱을 위한 사용자 선택 방법 및 시스템 |
CN108965009A (zh) * | 2018-07-19 | 2018-12-07 | 广东南方电信规划咨询设计院有限公司 | 一种基于势博弈的负载已知用户关联方法 |
CN109041193A (zh) * | 2018-08-01 | 2018-12-18 | 重庆邮电大学 | 一种基于noma的网络切片动态联合用户关联和功率分配方法 |
CN109874154A (zh) * | 2019-01-23 | 2019-06-11 | 南京邮电大学 | 一种基于深度强化学习的c-ran用户关联和计算资源分配方法 |
CN110191489A (zh) * | 2019-05-17 | 2019-08-30 | 北京科技大学 | 一种超密集网络中基于强化学习的资源分配方法及装置 |
CN110493826A (zh) * | 2019-08-28 | 2019-11-22 | 重庆邮电大学 | 一种基于深度强化学习的异构云无线接入网资源分配方法 |
Non-Patent Citations (2)
Title |
---|
Efficient joint user association and resource allocation for cloud radio access networks;Muhammad Awais,et al;《IEEE Access》;20170213;全文 * |
异构云接入网中用户接入和功率分配策略研究;袁春凤;《中国优秀硕士学位论文辑》;20180310;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111935753A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111447619B (zh) | 一种移动边缘计算网络中联合任务卸载和资源分配方法 | |
CN110493826B (zh) | 一种基于深度强化学习的异构云无线接入网资源分配方法 | |
CN109729528B (zh) | 一种基于多智能体深度强化学习的d2d资源分配方法 | |
CN112737837B (zh) | 一种高动态网络拓扑下无人机群带宽资源分配方法 | |
CN111132191B (zh) | 移动边缘计算服务器联合任务卸载、缓存及资源分配方法 | |
CN109413724A (zh) | 一种基于mec的任务卸载和资源分配方案 | |
CN106131891A (zh) | 一种基于sdwn的资源映射装置和方法 | |
CN109831808A (zh) | 一种基于机器学习的混合供电c-ran的资源分配方法 | |
CN108900357A (zh) | 一种虚拟化c-ran网络下的网络切片虚拟资源分配方法 | |
CN113163451A (zh) | 一种基于深度强化学习的d2d通信网络切片分配方法 | |
CN110798858A (zh) | 基于代价效率的分布式任务卸载方法 | |
CN110234127A (zh) | 一种基于sdn的雾网络任务卸载方法 | |
CN107302766B (zh) | 一种分布式天线系统中能量效率和频谱效率权衡优化的方法 | |
CN104703270B (zh) | 适用于异构无线蜂窝网络的用户接入和功率分配方法 | |
CN109661034B (zh) | 一种无线供能通信网络中的天线选择和资源分配方法 | |
CN108848535B (zh) | 一种面向共享模式的雾计算环境资源分配方法 | |
Zhu et al. | Energy-efficient and QoS guaranteed BBU aggregation in CRAN based on heuristic-assisted deep reinforcement learning | |
CN110139282A (zh) | 一种基于神经网络的能量采集d2d通信资源分配方法 | |
CN111935753B (zh) | 一种负载均衡的用户关联与资源分配方法 | |
CN105376844B (zh) | 一种认知无线网络中基于单调性优化与模拟退火的功率控制方法 | |
CN112887314B (zh) | 一种时延感知的云雾协作视频分发方法 | |
CN112887999B (zh) | 一种基于分布式a-c的智能接入控制与资源分配方法 | |
CN108965034A (zh) | 小小区基站超密集部署下的用户关联到网络的方法 | |
CN109874154B (zh) | 一种基于深度强化学习的c-ran用户关联和计算资源分配方法 | |
CN111447506B (zh) | 云边环境下基于延迟和成本均衡的流媒体内容放置方法 |
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 |