CN112423267A - 基于Lyapunov随机优化的车联网异质资源动态切片方法 - Google Patents
基于Lyapunov随机优化的车联网异质资源动态切片方法 Download PDFInfo
- Publication number
- CN112423267A CN112423267A CN202011100225.6A CN202011100225A CN112423267A CN 112423267 A CN112423267 A CN 112423267A CN 202011100225 A CN202011100225 A CN 202011100225A CN 112423267 A CN112423267 A CN 112423267A
- Authority
- CN
- China
- Prior art keywords
- base station
- user
- cell base
- small cell
- lyapunov
- 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 36
- 238000005457 optimization Methods 0.000 title claims abstract description 28
- 230000006855 networking Effects 0.000 title description 6
- 230000001413 cellular effect Effects 0.000 claims abstract description 13
- 230000002452 interceptive effect Effects 0.000 claims abstract description 12
- 238000013468 resource allocation Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 16
- 238000001228 spectrum Methods 0.000 abstract description 10
- 238000002955 isolation Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 25
- 230000007704 transition Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 241000764238 Isis Species 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
- H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
-
- 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
- H04W28/0268—Traffic management, e.g. flow control or congestion control using specific QoS parameters for wireless networks, e.g. QoS class identifier [QCI] or guaranteed bit rate [GBR]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提出基于Lyapunov随机优化的车联网异质资源动态切片方法,本发明构造了以最小化系统平均车辆通信时延为优化目标的随机优化问题。利用Lyapunov随机优化方法中的漂移加惩罚算法,本发明首先给出了一种通用的针对差异化服务切片的动态异质资源分配方案。然后结合马尔科夫近似方法,本发明提出一种具体的频谱带宽和蜂窝接入点异质资源动态分配方法。本方法在满足差异化服务切片的相互隔离,资源动态共享的前提下,最小化时延敏感型服务的平均通信时延,并保证即时交互服务的平均可实现数据速率。
Description
技术领域
本发明涉及车联网无线接入技术领域,具体涉及一种基于Lyapunov随机优化的车联网异质资源动态切片方法。
背景技术
在车辆接入网络中,大量差异化的车辆通信需求,比如大带宽的高精地图下载服务,时延敏感的流行内容缓存服务,以及高速率确保的即时交互服务等,往往共存于同一蜂窝网络中。在车辆接入网层面,随着5G移动通信技术的发展,蜂窝网络朝着异构接入方式共存的方向不断演进。与此同时,无线接入网中的固有问题--频谱带宽的稀缺问题,也在不断被放大。如何为不同服务类型的用户选择合适的接入点并分配充足的频谱资源一直是一个具有挑战性的研究问题。
在一个异构网络架构中,频谱资源往往会预分配给宏蜂窝基站和小蜂窝基站,这给异构蜂窝基站间的频谱共享带来很大的局限性。为了提高频谱利用率,提升网络容量,在一个宏蜂窝基站覆盖范围内的小蜂窝基站往往被允许共享相同的频谱资源。这虽然提升了频谱资源利用率,但是随之而来也产生了更多的基站间干扰问题。为了促进异构蜂窝基础设施间的频谱资源共享,网络功能虚拟化(NFV)被越来越多地应用到无线接入网络中。
在网络功能虚拟化中,一系列的网络/服务功能被从物理硬件中解耦出来,并通过在虚拟机上运行软件实例来实现原本的功能。服务与物理设施解耦的方式可以消除物理设施的异构性带来的影响,并利用软件可编程性促进服务的定制化。在无线接入网络中,网络功能虚拟化主要表现为,将无线接入和处理功能以软件实例的形式运行在异构的蜂窝基站上,并由中心控制器进行管理。这里的中心控制器是由软件定义网络(SDN)引入的。在软件定义网络中,网络功能的软件化,使得网络中心控制器可以为异构基站重新分配无线资源,以此提升网络资源利用率,这个过程称为无线资源切片。前文提到的差异化服务共存的网络中,属于不同服务类型的用户群组需要服务质量之间的相互独立。无线资源切片通过为不同服务群组创建资源切片,为实现服务质量独立提供了一种极具潜力的解决方案。
现有的车联网中,仍采用多类型用户静态网络资源分配方式,而车联网具有拓扑快速变化的特点,现有的静态网络资源分配方式并不能很好的适应车辆的通信需求,若能将动态网络无线资源切片方法应用于车联网,则能更好地适应车辆通信信道环境和服务需求的快速变化,满足更多样化的车辆通信需求。
发明内容
发明目的:本发明旨在提供一种基于Lyapunov随机优化的车联网异质资源动态切片方法,该方法能实现差异化服务间服务质量的独立,在以最小化时延敏感服务的平均时延为优化目标的基础上,确保随机产生的即时交互服务的可实现数据速率。
技术方案:为实现上述目的,本发明提出以下技术方案:
基于Lyapunov随机优化的车联网异质资源动态切片方法,工作在网络功能虚拟化架构下的软件定义网络中,包括以下步骤:
(1)对车联网中车辆节点差异化的服务质量需求过程建模为一个Lyapunov随机优化模型:
其中,T表示所有时间切片的总数,It表示时间切片t中所有连接方案,πt表示时间切片t的资源分配方案,U表示车联网中所有车辆用户的总数,N表示时延敏感型群组用户中可以连接宏蜂窝基站也可以连接小蜂窝基站的用户总数,V表示时延敏感型群组用户中只连接宏蜂窝基站的用户总数,O表示只连接小蜂窝基站的用户总数,N+V+O=U;tn表示可以连接宏蜂窝基站也可以连接小蜂窝基站的用户n在连接到相应基站后的数据传输时延,tv表示只连接宏蜂窝基站的用户v在连接到相应基站后的数据传输时延,表示只连接小蜂窝基站的用户o在接入小蜂窝基站s后在时间切片t得到的传输速率,表示用户o接入小蜂窝基站s,表示用户o不接入小蜂窝基站s;S表示小蜂窝基站总数;
(2)使用Lyapunov随机优化方法中的漂移加惩罚算法构造通用求解框架,将Lyapunov随机优化模型的转化模型:
用U(It,πt)表示转化模型的目标函数,初始化t=0,初始化即时交互传输速率虚拟队列储备量为Q(0)=0,然后对时间切片t执行以下步骤:
S1:求解问题P2:(It*,πt*)=argmin U(It,πt);
S2:在求解得到的策略(It*,πt*)上更新虚拟队列为:
Q(t+1)=max[Q(t)+RD-Rt,0]
S3:判断是否满足t>T-1,若是,则结束;否则,更新t=t+1,返回步骤S1;
(3)将问题P2转化为:
求解P3,得到P2的近似最优解:
A表示所有合法接入策略(It,πt)的集合,β为正常量;
(4)基于步骤(3)得到的近似最优解设计基于马尔科夫近似的网络切片方法,得到最优的接入策略:
初始化Q(0)=0,t=0,在时间切片t上对U个用户并行执行以下步骤:
a.收集请求服务用户数目NVO、信道质量信息h、虚拟队列储备量Q(t),随机分配基站给当前未关联基站用户;
c.为每个用户u计算其停留在当前状态的倒计时θu;
d.监视当前时隙t和任一倒计时器θu是否结束,如果任一倒计时器θu先结束,则为第一个倒计时结束的用户随机挑选一个除当前接入点外的其他合法接入点进行接入,同时终止所有用户的倒计时过程,收集并更新用户信道状态信息,然后进入步骤b;否则,进入步骤e;
e.判断是否满足t>T-1,若是,则结束;否则,更新t=t+1,更新Q(t+1)=max[Q(t)+RD-Rt,0],返回步骤a。
进一步的,所述步骤c中,用户n的倒计时θn是服从期望为exp(-βU(It,πt))/αS的指数分布的随机数,用户v在任务结束前不会改变接入点,用户o的倒计时θo是服从期望为exp(-βU(It,πt))/α(S-1)的指数分布的随机数。
进一步的,所述tn的计算公式为:
其中,和分别表示用户n接入到宏蜂窝基站m和小蜂窝基站s,和表示用户n不接入到宏蜂窝基站m和小蜂窝基站s;表示用户n在时间切片t接入宏蜂窝基站m时获得的传输速率,L表示用户n所需的传输数据量;表示用户n在时间切片t接入小蜂窝基站s时获得的传输速率。
进一步的,所述tv的计算公式为:
有益效果:与现有技术相比,本发明具有以下优势:
本方法在满足差异化服务切片的相互隔离,资源动态共享的前提下,最小化时延敏感型服务的平均通信时延,并保证高速率确保型服务的平均可实现数据速率。相比于传统的多类型服务共存的异构网络资源预分配方式,本发明可以更好地适应车辆通信信道环境和服务需求的快速变化,满足更多样化的车辆通信需求。此外,本发明工作在网络功能虚拟化架构下的软件定义网络中,可以提升网络资源利用率,扩大车辆接入网的网络容量。
附图说明
图1为本发明的流程图;
图2为实施例中涉及的差异化服务共存的异构车辆接入网络切片模型场景图。
具体实施方式
本发明旨在提出一种基于Lyapunov随机优化的车联网异质资源动态切片方法,分为利用漂移加惩罚算法设计的通用异质资源切片机制,和配合马尔科夫近似方法使用的具体异构接入选择和频谱资源切片机制。下面介绍本发明的原理。
首先介绍利用漂移加惩罚算法设计的通用异质资源切片机制。本发明把满足差异化的服务质量需求过程建模为一个Lyapunov随机优化过程,并利用Lyapunov随机优化方法中的漂移加惩罚算法,最终给出一种通用的异质资源切片机制。
车辆网络工作在时间分片的系统结构中以捕捉车辆用户的移动性以及信道环境和服务请求的变化。通过在不同的时间片上更新切片策略,可以适应网络环境的动态变化。时间片的集合为{0,1,2,…T-1}。设网络中可以分配的总带宽为Φ,用表示宏蜂窝基站分配给用户u的传输带宽。其中宏蜂窝基站和小蜂窝基站使用不同的频带资源,而所有的小蜂窝基站使用相同的频带资源。基站s到车辆用户n的信道增益表示为其他信道增益依次类推。所有基站的发射功率为预定义且在一个切片周期内保持不变,小蜂窝基站和宏蜂窝基站的发射功率分别表示为表示为假设网络环境在一个时隙内保持不变。
用户u连接到宏蜂窝基站时,传输链路信噪比为:
传输速率为:
其中,σ2为加性高斯白噪声的功率。
用户u连接到小蜂窝基站时,传输链路信噪比为:
传输速率为:
对于可以选择连接到宏蜂窝基站或小蜂窝基站的用户n,用和分别表示请求用户n接入到宏蜂窝基站和小蜂窝基站,否则分别有和用L表示用户n所需的传输数据量。则用户n连接到的宏蜂窝基站或小蜂窝基站后,在数据传输过程中的时延表示为:
对于只连接到宏蜂窝基站的用户v,用L′表示用户n所需的传输数据量,则用户v连接到宏蜂窝基站后,在数据传输过程中的时延可以表示为:
由此得到问题模型P1如下:
其中,该问题的优化目标为最小化时延敏感型服务群组的平均时延。约束条件一给出了对高速率确保服务切片的可实现数据速率限制。约束条件二三给出不同服务类型本身对接入方式的固有限制。约束条件四给出小蜂窝基站和宏蜂窝基站共享的总带宽资源限制。
我们首先使用Lyapunov随机优化方法中的漂移加惩罚算法构造通用求解框架。定义虚拟队列Q(t+1)=max[Q(t)+RD-Rt,0],李氏方程定义为队列储备量的增量定义为则可以将Lyapunov漂移加惩罚方程表示如下:
其中V是Lyapunov控制变量。
下面推导该漂移加惩罚方程的上界:
由Q(t+1)=max[Q(t)+RD-Rt,0]可知Q(t+1)≥Q(t)+RD-Rt。令y(t)=RD-Rt,考察Q2(t+1)与[Q(t)+y(t)]2的大小关系,可得Q2(t+1)≤[Q(t)+y(t)]2,推出而推出
Δ(Θ(t))≤B+Q(t)y(t)
其中B为常数。
推得
不等式右侧即为该漂移加惩罚方程的上界。进一步根据系统模型中的符号表示将该上界中非常数部分具体化为:
因此在当前时隙上,原问题
等价于
用U(It,πt)表示该目标函数,进而我们可以得到基于Lyapunov随机优化漂移加惩罚算法的异质资源切片算法,如表1所示:
表1
接下来介绍配合马尔科夫近似方法使用的具体异构接入选择和频谱资源切片机制。
这样设计带宽切片因子的好处在于,1.接入同种类型蜂窝基站的用户数目越多,该类型蜂窝基站获得的带宽资源也越多。2.宏蜂窝基站兜底-任意用户获得的通信带宽资源都不会少于从宏蜂窝基站处获得的带宽资源。
问题P2:(It*,πt*)=argmin U(It,πt)是一最小权值配置问题。集合U内任一用户都接入到任一基站,由此构成一种配置。每一种配置都对应一个权值U(It,πt)。两种不同接入配置至少有一个用户选择接入到不同基站。我们需要在所有不同配置中找到使权值U(It,πt)达到最小的配置。该问题可以转化为最大权值配置(MWC)问题进行求解。将全体合法配置(It,πt)的集合表示为A。可将P2表示为极大值函数为一典型凸函数,可以用log-sum-exp函数近似。有
即指数和的对数函数的共轭函数是概率单纯形内的负熵函数。
求解只有等式约束下的KKT条件:
可得
此即问题P2的近似最优解。
在一个时间遍历的系统中,p*(It,πt)实际上给出了每一种接入配置在时间片t上的存活时间比例。也就是说,当任意合法接入配置(It,πt)∈A的稳定分布达到p*(It,πt)时,系统表现可以达到最优。在时间片t上,系统从一个状态(It,πt)转移到另一状态(It,πt)的过程可以建模成连续时间马尔科夫链。我们希望该马尔科夫链的稳定分布可以达到
在连续时间马尔科夫链中,可逆的马尔科夫链一定可以收敛到唯一的平稳分布状态。而可逆马尔科夫链需要满足细致平衡方程:
p*(It,πt)q[(It,πt)→(It,πt)~]=p*(It,πt)~q[(It,πt)~→(It,πt)]
其中q[(It,πt)→(It,πt)~]表示从状态(It,πt)到状态(It,πt)~的转移速率。由此,我们需要设计车辆网络切片系统的状态转移速率和稳定分布满足上述细致平衡方程,即可使系统表现依我们的目标函数趋向最优。
选取状态转移速率为
同时将q[(It,πt)~→(It,πt)]以对称的方式设置。可以证明,它们和最优平稳分布一起满足细致平衡方程。为了实现该状态转移速率,我们为不同网络切片中的用户分别设计其停留在当前状态的倒计时θu(以ms为单位)以使得整体系统状态转移速率满足上式。特别地,我们设计请求地图下载服务的用户n的倒计时θn是服从期望为exp(-βU(It,πt))/αS的指数分布的随机数。请求内容缓存服务的用户v在时间片结束或任务结束前不会改变接入点。请求即时交互服务的用户o的倒计时θo是服从期望为exp(-βU(It,πt))/α(S-1)的指数分布的随机数。由此我们给出基于马尔科夫近似的网络切片算法,算法流程图如图1所示。具体算法如表2所示:
表2
下面结合具体实施例来进一步阐述本发明的技术方案。
实施例:
本实施例考虑一个异构蜂窝接入网络中差异化服务群组共存的场景,如图2所示。在一个宏蜂窝基站覆盖范围内存在S个小蜂窝基站,在这个宏蜂窝小区的道路上一共有U个车辆用户请求各种不同的服务。我们考虑自动驾驶车辆通信场景中的三种不同类型的通信需求。
第一种通信需求是自动驾驶中的高清地图下载服务。本实施例中,宏蜂窝基站可以提供整个街区的详细地图,而分布在各个街区的小蜂窝基站可以提供所在街区的高清地图。假设N个车辆用户可以选择接入到宏蜂窝基站或小蜂窝基站请求高清地图下载服务。
第二种通信需求是车载信息娱乐系统的内容缓存服务。宏蜂窝基站覆盖范围较广,通常由其向请求流行内容缓存的用户进行广播。假设V个车辆用户请求接入宏蜂窝基站获得流行内容缓存服务。
第三种通信需求是车载用户的即时交互服务。路侧部署的小蜂窝基站与车辆间的通信距离短,具有较好的实时性。通常由小蜂窝基站为车载用户提供即时点播交互服务(包括语音通话,即时消息,网页浏览等服务)。假设O个车辆用户选择接入到任意小蜂窝基站请求即时点播交互服务(OD)。
本实施例中,U=N+V+O,三种服务切片所需要的异质资源由网络控制器按三种服务的需求进行分配。
给定时隙的集合为T={0,1,2,…,T-1}。网络中可以分配的总带宽为Φ。用表示宏蜂窝基站分配给用户u的传输带宽。其中宏蜂窝基站和小蜂窝基站使用不同的频带资源,而所有的小蜂窝基站使用相同的频带资源。基站s到车辆用户n的信道增益表示为其他信道增益依次类推。所有基站的发射功率为预定义且在一个切片周期内保持不变,小蜂窝基站和宏蜂窝基站的发射功率分别表示为表示为假设网络环境在一个时隙内保持不变。
对于任意一个用户u,用户u连接到宏蜂窝基站时,传输链路信噪比为:
其中σ2为加性高斯白噪声的功率。
传输速率为:
用户u连接到小蜂窝基站时,传输链路信噪比为:
传输速率为:
下面根据用户需求来构建问题模型:
对于任意一个需要高清地图下载服务的用户n,n可以选择连接到宏蜂窝基站或小蜂窝基站获得下载服务(对应图2中小数据量时延敏感服务切片和大数量时延敏感服务切片),本实施例中用和分别表示用户n接入到宏蜂窝基站和小蜂窝基站,否则分别有和用L表示请求高清地图下载服务所传输的数据量,则用户n获得高清地图下载服务产生的时延可以表示为:
对于任意一个需要时延敏感且数据量大的服务切片的用户v,v需要的服务为流行内容缓存服务,则用户v需要接入到宏蜂窝基站获取流行内容数据流。用L′表示一个时隙内所传输的内容缓存数据量,则用户v获得内容缓存服务产生的时延可以表示为:
对于任意一个需要随机性较强的高速率确保服务切片的用户o(用户o的需求可以是即时交互需求),则用户o可以选择接入到任意小蜂窝基站获取语音,即时消息或网页浏览等即时交互服务。即时交互服务具有突发性,主要性能指标为可实现传输速率。因此,本实施例中,用RD表示服务质量要求的最小传输速率,用表示即时交互用户o接入到小蜂窝用户s,否则则用户o获得即时交互服务的最大可实现数据速率应满足:
基于上述分析,得到问题模型P1如下:
其中该问题的优化目标为最小化时延敏感型服务群组的平均时延。约束条件一给出了对高速率确保服务切片的可实现数据速率限制。约束条件二三给出不同服务类型本身对接入方式的固有限制。约束条件四给出小蜂窝基站和宏蜂窝基站共享的总带宽资源限制。
首先使用Lyapunov随机优化方法中的漂移加惩罚算法构造通用求解框架。推出漂移加惩罚方程的上界为:
因此在当前时隙上,原问题:
等价于
用U(It,πt)表示该目标函数。
选取状态转移速率为
同时将q[(It,πt)~→(It,πt)]以对称的方式设置。为不同网络切片中的用户分别设计其停留在当前状态的倒计时θu(以ms为单位)以使得整体系统状态转移速率满足上式。特别地,设计请求地图下载服务的用户n的倒计时θn是服从期望为exp(-βU(It,πt))/αS的指数分布的随机数。请求内容缓存服务的用户v在时间片结束或任务结束前不会改变接入点。请求即时交互服务的用户o的倒计时θo是服从期望为exp(-βU(It,πt))/α(S-1)的指数分布的随机数,由此即可得到基于马尔科夫近似的网络切片算法。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.基于Lyapunov随机优化的车联网异质资源动态切片方法,工作在网络功能虚拟化架构下的软件定义网络中,其特征在于,包括以下步骤:
(1)对车联网中车辆节点差异化的服务质量需求过程建模为一个Lyapunov随机优化模型:
其中,T表示所有时间切片的总数,It表示时间切片t中所有连接方案,πt表示时间切片t的资源分配方案,U表示车联网中所有车辆用户的总数,N表示时延敏感型群组用户中可以连接宏蜂窝基站也可以连接小蜂窝基站的用户总数,V表示时延敏感型群组用户中只连接宏蜂窝基站的用户总数,O表示只连接小蜂窝基站的用户总数,N+V+O=U;tn表示可以连接宏蜂窝基站也可以连接小蜂窝基站的用户n在连接到相应基站后的数据传输时延,tv表示只连接宏蜂窝基站的用户v在连接到相应基站后的数据传输时延,表示只连接小蜂窝基站的用户o在接入小蜂窝基站s后在时间切片t得到的传输速率,表示用户o接入小蜂窝基站s,表示用户o不接入小蜂窝基站s;S表示小蜂窝基站总数;
(2)使用Lyapunov随机优化方法中的漂移加惩罚算法构造通用求解框架,将Lyapunov随机优化模型的转化模型:
用U(It,πt)表示转化模型的目标函数,初始化t=0,初始化即时交互传输速率虚拟队列储备量为Q(0)=0,然后对时间切片t执行以下步骤:
S1:求解问题P2:(It*,πt*)=argmin U(It,πt);
S2:在求解得到的策略(It*,πt*)上更新虚拟队列为:
Q(t+1)=max[Q(t)+RD-Rt,0]
S3:判断是否满足t>T-1,若是,则结束;否则,更新t=t+1,返回步骤S1;
(3)将问题P2转化为:
求解P3,得到P2的近似最优解:
A表示所有合法接入策略(It,πt)的集合,β为正常量;
(4)基于步骤(3)得到的近似最优解设计基于马尔科夫近似的网络切片方法,得到最优的接入策略:
初始化Q(0)=0,t=0,在时间切片t上对U个用户并行执行以下步骤:
a.收集请求服务用户数目NVO、信道质量信息h、虚拟队列储备量Q(t),随机分配基站给当前未关联基站用户;
c.为每个用户u计算其停留在当前状态的倒计时θu;
d.监视当前时隙t和任一倒计时器θu是否结束,如果任一倒计时器θu先结束,则为第一个倒计时结束的用户随机挑选一个除当前接入点外的其他合法接入点进行接入,同时终止所有用户的倒计时过程,收集并更新用户信道状态信息,然后进入步骤b;否则,进入步骤e;
e.判断是否满足t>T-1,若是,则结束;否则,更新t=t+1,更新Q(t+1)=max[Q(t)+RD-Rt,0],返回步骤a。
2.根据权利要求1所述的基于Lyapunov随机优化的车联网异质资源动态切片方法,其特征在于,所述步骤c中,用户n的倒计时θn是服从期望为exp(-βU(It,πt))/αS的指数分布的随机数,用户v在任务结束前不会改变接入点,用户o的倒计时θo是服从期望为exp(-βU(It,πt))/α(S-1)的指数分布的随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100225.6A CN112423267B (zh) | 2020-10-14 | 2020-10-14 | 基于Lyapunov随机优化的车联网异质资源动态切片方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100225.6A CN112423267B (zh) | 2020-10-14 | 2020-10-14 | 基于Lyapunov随机优化的车联网异质资源动态切片方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112423267A true CN112423267A (zh) | 2021-02-26 |
CN112423267B CN112423267B (zh) | 2022-04-22 |
Family
ID=74854527
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011100225.6A Active CN112423267B (zh) | 2020-10-14 | 2020-10-14 | 基于Lyapunov随机优化的车联网异质资源动态切片方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112423267B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067638A (zh) * | 2021-03-23 | 2021-07-02 | 西安电子科技大学 | 一种基于凸优化的vlc/rf异构网络资源分配方法 |
CN113727306A (zh) * | 2021-08-16 | 2021-11-30 | 南京大学 | 一种基于深度强化学习的解耦c-v2x网络切片方法 |
CN113795013A (zh) * | 2021-09-28 | 2021-12-14 | 山东大学 | 车联网中基于Lyapunov优化的V2V通信资源分配方法 |
CN114641041A (zh) * | 2022-05-18 | 2022-06-17 | 之江实验室 | 一种面向边缘智能的车联网切片方法及装置 |
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 |
CN116320844A (zh) * | 2023-05-18 | 2023-06-23 | 华中科技大学 | 基于通信流量的fttr智能资源调度方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106304182A (zh) * | 2016-10-31 | 2017-01-04 | 东南大学 | 一种结合二分查找和梯度下降法的超密集异构网络用户关联优化方法 |
CN106604284A (zh) * | 2017-02-23 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种异构网络资源分配方法和装置 |
CN106716955A (zh) * | 2014-10-16 | 2017-05-24 | 华为技术有限公司 | 用于软件定义网络中的传输管理的系统和方法 |
CN106714093A (zh) * | 2017-02-22 | 2017-05-24 | 重庆邮电大学 | 一种蜂窝d2d通信联合用户接入及切片划分方法 |
US20180077717A1 (en) * | 2016-09-09 | 2018-03-15 | Futurewei Technologies, Inc. | Cellular scheduler apparatus, computer program, and method for selecting user equipment based on beam or delay state information |
CN108156596A (zh) * | 2017-12-26 | 2018-06-12 | 重庆邮电大学 | 支持d2d-蜂窝异构网络联合用户关联及内容缓存方法 |
CN109819422A (zh) * | 2019-04-11 | 2019-05-28 | 南京大学 | 一种基于Stackelberg博弈的异构车联网多模通信方法 |
US20200192598A1 (en) * | 2018-12-18 | 2020-06-18 | Hewlett Packard Enterprise Development Lp | Adiabatic Annealing Scheme and System for Edge Computing |
CN111556518A (zh) * | 2020-06-12 | 2020-08-18 | 国网经济技术研究院有限公司 | 用于提高多切片网络中网络质量的资源分配方法及系统 |
-
2020
- 2020-10-14 CN CN202011100225.6A patent/CN112423267B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106716955A (zh) * | 2014-10-16 | 2017-05-24 | 华为技术有限公司 | 用于软件定义网络中的传输管理的系统和方法 |
US20180077717A1 (en) * | 2016-09-09 | 2018-03-15 | Futurewei Technologies, Inc. | Cellular scheduler apparatus, computer program, and method for selecting user equipment based on beam or delay state information |
CN106304182A (zh) * | 2016-10-31 | 2017-01-04 | 东南大学 | 一种结合二分查找和梯度下降法的超密集异构网络用户关联优化方法 |
CN106714093A (zh) * | 2017-02-22 | 2017-05-24 | 重庆邮电大学 | 一种蜂窝d2d通信联合用户接入及切片划分方法 |
CN106604284A (zh) * | 2017-02-23 | 2017-04-26 | 上海斐讯数据通信技术有限公司 | 一种异构网络资源分配方法和装置 |
CN108156596A (zh) * | 2017-12-26 | 2018-06-12 | 重庆邮电大学 | 支持d2d-蜂窝异构网络联合用户关联及内容缓存方法 |
US20200192598A1 (en) * | 2018-12-18 | 2020-06-18 | Hewlett Packard Enterprise Development Lp | Adiabatic Annealing Scheme and System for Edge Computing |
CN109819422A (zh) * | 2019-04-11 | 2019-05-28 | 南京大学 | 一种基于Stackelberg博弈的异构车联网多模通信方法 |
CN111556518A (zh) * | 2020-06-12 | 2020-08-18 | 国网经济技术研究院有限公司 | 用于提高多切片网络中网络质量的资源分配方法及系统 |
Non-Patent Citations (3)
Title |
---|
YAN HAN: "Delay-Aware Resource Management for Multi-Service Coexisting LTE-D2D Networks With Wireless Network Virtualization", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
王露: "异构车联网基于队列稳定的最小时延资源分配算法", 《信息技术与信息化》 * |
郭棉等: "面向延迟敏感型物联网应用的计算迁移策略", 《计算机应用》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113067638A (zh) * | 2021-03-23 | 2021-07-02 | 西安电子科技大学 | 一种基于凸优化的vlc/rf异构网络资源分配方法 |
CN113727306A (zh) * | 2021-08-16 | 2021-11-30 | 南京大学 | 一种基于深度强化学习的解耦c-v2x网络切片方法 |
CN113795013A (zh) * | 2021-09-28 | 2021-12-14 | 山东大学 | 车联网中基于Lyapunov优化的V2V通信资源分配方法 |
CN114641041A (zh) * | 2022-05-18 | 2022-06-17 | 之江实验室 | 一种面向边缘智能的车联网切片方法及装置 |
CN114641041B (zh) * | 2022-05-18 | 2022-09-13 | 之江实验室 | 一种面向边缘智能的车联网切片方法及装置 |
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 |
CN116320844A (zh) * | 2023-05-18 | 2023-06-23 | 华中科技大学 | 基于通信流量的fttr智能资源调度方法及系统 |
CN116320844B (zh) * | 2023-05-18 | 2023-07-21 | 华中科技大学 | 基于通信流量的fttr智能资源调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112423267B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112423267B (zh) | 基于Lyapunov随机优化的车联网异质资源动态切片方法 | |
CN111132077A (zh) | 车联网环境下基于d2d的多接入边缘计算任务卸载方法 | |
Evans et al. | Visions of 4G | |
CN107172704B (zh) | 基于协作频谱感知和干扰约束的认知异构网络功率分配方法 | |
CN108495340B (zh) | 一种基于异构混合缓存的网络资源分配方法和装置 | |
CN110611902B (zh) | 一种基于上下行频谱联合复用的d2d资源分配方法 | |
Khatibi et al. | Modelling and implementation of virtual radio resources management for 5G Cloud RAN | |
Zhang et al. | DMRA: A decentralized resource allocation scheme for multi-SP mobile edge computing | |
CN107302801B (zh) | 一种5G混合场景下面向QoE的双层匹配博弈方法 | |
CN111556508B (zh) | 一种面向大规模IoT接入的Stackelberg博弈多运营商动态频谱共享方法 | |
CN108848521B (zh) | 基于基站协作的蜂窝异构网络联合用户关联、内容缓存及资源分配方法 | |
CN102984736B (zh) | 无线泛在异构网络资源优化方法 | |
CN113891481B (zh) | 一种面向吞吐量的蜂窝网络d2d通信动态资源分配方法 | |
Li et al. | Joint access point selection and resource allocation in MEC-assisted network: A reinforcement learning based approach | |
JP7459879B2 (ja) | スペクトル管理装置及び無線通信方法 | |
CN111343721B (zh) | 一种最大化系统广义能效的d2d分布式资源分配方法 | |
JP2001502862A (ja) | セルラ無線通信システム資源の動的制御 | |
CN103582005B (zh) | 一种网络间进行业务分配的方法和设备 | |
CN106793126A (zh) | 一种认知无线电网络中动态频谱资源分配方法 | |
CN106304307A (zh) | 一种异构网络融合下的资源分配方法 | |
CN104796992A (zh) | 异构网络中的带宽分配与定价方法 | |
Xu et al. | Distributed spectrum leasing via vertical cooperation in cognitive radio networks | |
Cai et al. | Latency optimization for D2D-enabled parallel mobile edge computing in cellular networks | |
Raja et al. | Optimal Resource Allocation Scheme in Wireless 5G Networks | |
CN104581965A (zh) | 基于用户分配和时延的频谱分配方法 |
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 |