CN112911715B - 一种虚拟无线网络中吞吐量最大化的功率分配方法及装置 - Google Patents
一种虚拟无线网络中吞吐量最大化的功率分配方法及装置 Download PDFInfo
- Publication number
- CN112911715B CN112911715B CN202110149569.4A CN202110149569A CN112911715B CN 112911715 B CN112911715 B CN 112911715B CN 202110149569 A CN202110149569 A CN 202110149569A CN 112911715 B CN112911715 B CN 112911715B
- Authority
- CN
- China
- Prior art keywords
- slice
- remote control
- radio remote
- control head
- wireless network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000009471 action Effects 0.000 claims abstract description 25
- 238000009826 distribution Methods 0.000 claims abstract description 21
- 238000013136 deep learning model Methods 0.000 claims description 20
- 230000002452 interceptive effect Effects 0.000 claims description 19
- 238000005562 fading Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 7
- 238000002955 isolation Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000032823 cell division Effects 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims 2
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 238000013468 resource allocation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 102100021935 C-C motif chemokine 26 Human genes 0.000 description 2
- 101000897493 Homo sapiens C-C motif chemokine 26 Proteins 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- 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
-
- 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
Abstract
本发明公开了一种虚拟无线网络中吞吐量最大化的功率分配方法及装置,该方法应用在虚拟无线网络中,方法步骤如下:首先,针对吞吐量最大化功率分配策略建立一个系统模型,从而找到系统模型中的资源分配问题。其次,基于深度神经网络定义状态集、行动集、奖励三个变量。在定义的状态中,执行定义的行动并获得相应的奖励,从而进入下一个状态。这个周期被重复,直到达到吞吐量最大化的功率分配。本发明利用基于深度学习的功率分配实现吞吐量最大化,使每个切片的要求都能得到满足,释放了每个切片的最小吞吐量限制,促成了保证吞吐量最大化的最佳资源管理政策,满足了每个切片的用户服务质量。
Description
技术领域
本发明涉及一种虚拟无线网络中吞吐量最大化的功率分配方法及装置,属于虚拟无线网络技术领域。
背景技术
随着移动用户对各种服务的需求日益增长,第五代(5G)蜂窝网络的容量必须大大提高,以满足用户的多种需求。云无线电接入网络(C-RAN)是使5G能够应对这些需求的技术之一。与传统接入网络RAN不同的是,在C-RAN基地波段单元(BBU)中,不与无线电遥控头(RRHs)共存于同一地点。BBU负责信号处理,并已转移到云中的中央BBU池中,RRH处理基本的传输功能,大大有助于降低操作成本、低能耗、高频谱效率等。
以类似的方式,虚拟化无线网络(VWN)也是满足用户需求以及减少移动网络运营商的资本支出和业务支出的设想技术之一。在VWN中,物理网络基础设施,如无线节点、计算服务器和存储单元被分配给每个切片,这样的方式使每个切片的要求得到满足。例如,通信资源(功率、带宽和天线)、计算资源和兑现资源被跟踪到不同的层,具有不同的服务质量(QoS)要求。每个切片的QoS应该独立于其他切片,这不仅对用户的QoS需求,而且对每个切片的最小吞吐量和资源构成严格的限制。为了充分发挥这些技术的潜力并鼓励它们对系统性能的贡献,需要制定最佳的资源管理政策。
发明内容
为解决现有技术问题,本发明提出一种虚拟无线网络中吞吐量最大化的功率分配方法及装置,在云无线电接入网络C-RAN中启用虚拟无线网络VWN的IMAC,利用基于深度学习DQL的功率分配实现吞吐量最大化。
为实现上述目的,本发明采用的技术方案如下:
本发明提供一种虚拟无线网络中吞吐量最大化的功率分配方法,包括,
建立虚拟无线网络中吞吐量最大化功率分配任务模型;
将所述任务模型转化为深度学习模型;
求解所述深度学习模型,得到最佳功率分配方案。
进一步的,所述建立虚拟无线网络中吞吐量最大化功率分配任务模型,包括:
其中,R(gt,pt)为虚拟无线网络吞吐量,为时隙t时切片s上的用户ks到无线电遥控头n的下行速率,/>表示单元格j中切片s上用户ks与干扰无线电遥控头RRHn'之间的信道增益,/>为时隙t时无线电遥控头n与切片s上用户ks的信噪比,/>为时隙t时切片s上用户ks与无线电遥控头n之间的信道增益,/>表示时隙t时切片s上ks与干扰无线电遥控头n'之间的信道增益,/>和/>分别是时间不变的大尺度衰落效应和小尺度平坦衰落分量,是时隙t时无线电遥控头n对切片s上用户ks的发射功率,/>是时隙t时无线电遥控头n对切片s上用户k′s的发射功率,ks和k′s表示切片s上不同的用户,/>是干扰无线电遥控头n'对单元格j中的所有用户的发射功率的累加,σ2是背景噪声,Pmax表示最大发射功率,Dn为对当前无线电遥控头n有干扰的无线电遥控头干扰单元集,/>为切片s的最小速率,N为虚拟无线网络中总用户数,S为虚拟无线网络切片数,Ks表示s切片上的用户集,ks表示s切片上用户,M为虚拟无线网络所划分的单元格数。
进一步的,还包括,
将虚拟无线网络进行切片划分,
以及,
将虚拟无线网络根据无线电遥控头进行单元格划分。
进一步的,所述将虚拟无线网络根据无线电遥控头进行单元格划分,包括:
以无线电遥控头为中心,划分一定半径范围内为一个单元格,虚拟无线网络中每个用户都有其唯一所属单元格,一个单元格中包含至少一个切片上的一个用户。
进一步的,将所述任务模型转化为深度学习模型,包括:
基于所述任务模型构建深度学习模型的状态集,行为集和奖励;
所述状态集表示为:
其中,为第一状态特征,/>为第二状态特征,/>为时隙t时单元格j中切片s上用户与无线电遥控头n之间的信道增益,/>表示时隙t-1时无线电遥控头n对切片s上用户ks的发射功率,/>是剩余信道增益的索引集;
所述动作集表示为:
其中,A为动作集,|A|为量化后的功率电平,Pmin表示最小发射功率;
所述奖励表示为:
其中,表示时隙t时虚拟无线网络奖励,/>表示时隙t时切片s的奖励,cs是违反每个切片隔离的惩罚值。
进一步的,所述状态中f中按降序排序。
进一步的,求解所述深度学习模型中,包括:
基于ε-greedy贪婪策略获取动作。
进一步的,求解所述深度学习模型中,还包括:
采用基于流形梯度的方法训练自适应动量估计。
本发明还提供一种虚拟无线网络中吞吐量最大化的功率分配装置,包括,
构建模块,用于建立虚拟无线网络中吞吐量最大化功率分配任务模型;
转化模块,用于将所述任务模型转化为深度学习模型;
以及,
计算模块,用于求解所述深度学习模型,得到最佳功率分配方案。
进一步的,所述构建模块具体用于,建立如下任务模型:
其中,R(gt,pt)为虚拟无线网络吞吐量,为时隙t时切片s上的用户ks到无线电遥控头n的下行速率,/>表示单元格j中切片s上用户ks与干扰无线电遥控头RRHn'之间的信道增益,/>为时隙t时无线电遥控头n与切片s上用户ks的信噪比,/>为时隙t时切片s上用户ks与无线电遥控头n之间的信道增益,/>表示时隙t时切片s上ks与干扰无线电遥控头n'之间的信道增益,/>和/>分别是时间不变的大尺度衰落效应和小尺度平坦衰落分量,/>是时隙t时无线电遥控头n对切片s上用户ks的发射功率,/>是时隙t时无线电遥控头n对切片s上用户k′s的发射功率,ks和k′s表示切片s上不同的用户,/>是干扰无线电遥控头n'对单元格j中的所有用户的发射功率的累加,σ2是背景噪声,Pmax表示最大发射功率,Dn为对当前无线电遥控头n有干扰的无线电遥控头干扰单元集,/>为切片s的最小速率,N为虚拟无线网络中总用户数,S为虚拟无线网络切片数,Ks表示s切片上的用户集,ks表示s切片上用户,M为虚拟无线网络所划分的单元格数。
进一步的,所述转换模块具体用于,
基于所述任务模型构建深度学习模型的状态集,行为集和奖励;
所述状态集表示为:
其中,为第一状态特征,/>为第二状态特征,/>为时隙t时单元格j中切片s上用户与无线电遥控头n之间的信道增益,/>表示时隙t-1时无线电遥控头n对切片s上用户ks的发射功率,/>是剩余信道增益的索引集;
所述动作集表示为:
其中,A为动作集,|A|为量化后的功率电平,Pmin表示最小发射功率;
所述奖励表示为:
其中,表示时隙t时虚拟无线网络奖励,/>表示时隙t时切片s的奖励,cs是违反每个切片隔离的惩罚值。
本发明的有益效果为:
本发明在虚拟无线网络(VMN)中提出了一种虚拟无线网络中吞吐量最大化的功率分配方法,该方法在云无线电接入网络C-RAN中启用虚拟无线网络VWN的IMAC,利用基于深度学习DQL的功率分配框架实现吞吐量最大化,这样使每个切片的要求都能得到满足。释放了每个切片的最小吞吐量限制,促成了保证吞吐量最大化的最佳资源管理政策,满足了每个切片的用户服务质量(Qos)。
附图说明
图1为本发明实施例中包含两个不同切片的VWN的系统模型图;
图2为本发明的虚拟无线网络中吞吐量最大化的功率分配方法示意图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供一种虚拟无线网络中吞吐量最大化的功率分配方法,应用在虚拟无线网络(VMN)中,参见图2,首先,针对吞吐量最大化功率分配策略建立一个系统模型,从而找到系统模型中的资源分配问题。其次,基于深度神经网络定义状态集、行动集、奖励三个变量。在定义的状态中,执行定义的行动并获得相应的奖励,从而进入下一个状态,不断重复,直到达到吞吐量最大化的功率分配。
S1:针对吞吐量最大化功率分配策略建立一个系统模型,从而找到系统模型中的资源分配问题;
具体的,具体的,设虚拟无线网络中有N个用户,S个切片,一个切片上包含若干个用户,定义s切片上的用户为ks,s切片上的用户集用Ks表示。单天线用户在每个切片中共享一个公共频带。为了达到每个切片中用户的QoS要求,应该发出最小速率
系统模型如图1所示。以无线电遥控头RRH为中心,划分一定半径范围内为一个单元格,每个用户都有其唯一所属单元格。
在时隙t时,单元格j中的用户与无线电遥控头RRHn之间的信道增益由定义,可以写成:
其中,表示单元格j中的用户ks与无线电遥控头RRHn之间的信道增益,/>和分别是时间不变的大尺度衰落效应和小尺度平坦衰落分量。注意,单元格中可包含若干个不同切片中的用户。
需要说明的是,有的用户手持无线电遥控头RRH,有的用户没有持有无线电遥控头RRH,所以,存在
单元格j中的用户与RRH n的信噪比(SINR)可以表示为:
其中,表示单元格j中的用户ks与无线电遥控头RRHn之间的信噪比,Dn表示干扰单元集,即对当前RRHn有干扰的其他RRH,/>表示单元格j中的用户ks与干扰无线电遥控头RRH n'之间的信道增益,/>是无线电遥控头RRHn在时隙t时对用户ks的发射功率,是无线电遥控头RRHn在时隙t时对用户k′s的发射功率,/>是干扰无线电遥控头RRHn'对单元格j中的所有用户的发射功率的累加,ks和k′s表示不同的用户,σ2是背景噪声。
因此,用户ks到RRH n的下行速率是:
其中,表示任意一个用户ks与RRH n的信噪比,与式(2)计算方式相同。
该系统模型的吞吐量阐述如下:
其中,gt和pt如下:
其中,M为所划分的单元格数。
目标是在最大发射功率约束和隔离约束下使R(gt,pt)最大化,由此得到该系统模型的资源分配问题:
其中,Pmax表示最大发射功率。
S2:基于深度神经网络定义状态集、动作集、奖励三个变量;
具体的,该步骤将控制任务变成一个学习问题。
状态:所选择的状态必须足够丰富,以适当地捕获环境动态以及支持马尔可夫特性。状态表示可以转换为特征来强制泛化。状态特征可以从以下几个方面来实现:
首先,对gt进行预处理,得到第一状态特征:
其中,为第一状态特征。
然后,将按降序排序,排序时信道增益Ic通道增益保持不变。
定义剩余信道的发射功率集为第二状态特征:
其中,是除该信道外的剩余信道增益的索引集。
最后,将状态特征演示为:
动作:为了使学习尽可能可持续,并在可接受的间隔内保持控制策略的准确性,将发射功率量化为Pmin和Pmax之间的|A|功率电平。动作集给定为:
奖励:在设计奖励时,应考虑优化问题。将每个切片的奖励定义为其租户费率之和,即:
为了保持切片之间的隔离,应满足
如果代理违反并做违反此约束的行为,网络将受到惩罚。因此,网络的奖励被提出为:
其中,cs是违反每个切片隔离的惩罚值。
S3:在定义的状态中,执行定义的行动并获得相应的奖励,从而进入下一个状态,这个周期被重复,直到达到吞吐量最大化的功率分配;
具体的,在状态s中,代理基于ε-greedy贪婪策略承担动作a,使得所选动作具有最大的Q值,具有ε的概率,并且具有其他Q值,具有的概率;
然后,获得其行动的奖励,进入下一个状态,所有转换行为存储在称为重放内存D的内存中,以便进一步使用,并帮助代理记住过去的经验。
然后从重放内存D中随机抽取一个迷你批处理来训练网络,mini-Batch会提升模型的训练速度,另外mini-Batch会给训练过程引入了随机性。
在训练网络过程中,采用基于流形梯度的方法训练自适应动量估计(Adam),最终计算出吞吐量最大化的功率分配。
采用基于流形梯度的方法训练自适应动量估计。
本发明实施例还提供一种虚拟无线网络中吞吐量最大化的功率分配装置,包括,
构建模块,用于建立虚拟无线网络中吞吐量最大化功率分配任务模型;
转化模块,用于将所述任务模型转化为深度学习模型;
以及,
计算模块,用于求解所述深度学习模型,得到最佳功率分配方案。
具体的,构建模块具体用于,建立如下任务模型:
其中,R(gt,pt)为虚拟无线网络吞吐量,为时隙t时切片s上的用户ks到无线电遥控头n的下行速率,/>表示单元格j中切片s上用户ks与干扰无线电遥控头RRHn'之间的信道增益,/>为时隙t时无线电遥控头n与切片s上用户ks的信噪比,/>为时隙t时切片s上用户ks与无线电遥控头n之间的信道增益,/>表示时隙t时切片s上ks与干扰无线电遥控头n'之间的信道增益,/>和/>分别是时间不变的大尺度衰落效应和小尺度平坦衰落分量,是时隙t时无线电遥控头n对切片s上用户ks的发射功率,/>是时隙t时无线电遥控头n对切片s上用户k′s的发射功率,ks和k′s表示切片s上不同的用户,/>是干扰无线电遥控头n'对单元格j中的所有用户的发射功率的累加,σ2是背景噪声,Pmax表示最大发射功率,Dn为对当前无线电遥控头n有干扰的无线电遥控头干扰单元集,/>为切片s的最小速率,N为虚拟无线网络中总用户数,S为虚拟无线网络切片数,Ks表示s切片上的用户集,ks表示s切片上用户,M为虚拟无线网络所划分的单元格数。
具体的,转换模块具体用于,
基于所述任务模型构建深度学习模型的状态集,行为集和奖励;
状态集表示为:
其中,为第一状态特征,/>为第二状态特征,/>为时隙t时单元格j中切片s上用户与无线电遥控头n之间的信道增益,/>为时隙t时任意用户ks与无线电遥控头n之间的信道增益,/>表示时隙t-1时无线电遥控头n对切片s上用户ks的发射功率,/>是剩余信道增益的索引集;
动作集表示为:
其中,Pmin表示最小发射功率;
奖励表示为:
其中,表示时隙t时虚拟无线网络奖励,/>表示时隙t时切片s的奖励,cs是违反每个切片隔离的惩罚值。
值得指出的是,该装置实施例是与上述方法实施例对应的,上述方法实施例的实现方式均适用于该装置实施例中,并能达到相同或相似的技术效果,故不在此赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (7)
1.一种虚拟无线网络中吞吐量最大化的功率分配方法,其特征在于,包括,
建立虚拟无线网络中吞吐量最大化功率分配任务模型,如下:
其中,R(gt,pt)为虚拟无线网络吞吐量,为时隙t时切片s上的用户ks到无线电遥控头n的下行速率,/>表示时隙t时单元格j中切片s上用户ks与干扰无线电遥控头RRHn'之间的信道增益,/>为时隙t时无线电遥控头n与切片s上用户ks的信噪比,/>为时隙t时切片s上用户ks与无线电遥控头n之间的信道增益,/>表示时隙t时切片s上ks与干扰无线电遥控头n'之间的信道增益,/>和/>分别是时间不变的大尺度衰落效应和小尺度平坦衰落分量,/>是时隙t时无线电遥控头n对切片s上用户ks的发射功率,/>是时隙t时无线电遥控头n对切片s上用户k's的发射功率,ks和k's表示切片s上不同的用户,/>是时隙t时干扰无线电遥控头n'对单元格j中的所有用户的发射功率的累加,σ2是背景噪声,Pmax表示最大发射功率,Dn为对当前无线电遥控头n有干扰的无线电遥控头干扰单元集,/>为切片s的最小速率,S为虚拟无线网络切片数,Ks表示s切片上的用户集,ks表示s切片上用户,M为虚拟无线网络所划分的单元格数;
将所述任务模型转化为深度学习模型,包括:
基于所述任务模型构建深度学习模型的状态集,动作集和奖励;
所述状态集表示为:
其中,为第一状态特征,/>为第二状态特征,/>为时隙t时单元格j中切片s上用户ks与无线电遥控头n之间的信道增益,/>表示时隙t-1时无线电遥控头n对切片s上用户ks的发射功率,/>是剩余信道增益的索引集;
所述动作集表示为:
其中,A为动作集,|A|为量化后的功率电平,Pmin表示最小发射功率;
所述奖励表示为:
其中,表示时隙t时虚拟无线网络奖励,/>表示时隙t时切片s的奖励,cs是违反每个切片隔离的惩罚值;
求解所述深度学习模型,得到最佳功率分配方案。
2.根据权利要求1所述的一种虚拟无线网络中吞吐量最大化的功率分配方法,其特征在于,还包括,
将虚拟无线网络进行切片划分,
以及,
将虚拟无线网络根据无线电遥控头进行单元格划分。
3.根据权利要求2所述的一种虚拟无线网络中吞吐量最大化的功率分配方法,其特征在于,所述将虚拟无线网络根据无线电遥控头进行单元格划分,包括:
以无线电遥控头为中心,划分一定半径范围内为一个单元格,虚拟无线网络中每个用户都有其唯一所属单元格,一个单元格中包含至少一个切片上的一个用户。
4.根据权利要求1所述的一种虚拟无线网络中吞吐量最大化的功率分配方法,其特征在于,所述状态中f中按降序排序。
5.根据权利要求1所述的一种虚拟无线网络中吞吐量最大化的功率分配方法,其特征在于,求解所述深度学习模型中,包括:
基于ε-greedy贪婪策略获取动作。
6.根据权利要求1所述的一种虚拟无线网络中吞吐量最大化的功率分配方法,其特征在于,求解所述深度学习模型中,还包括:
采用基于流形梯度的方法训练自适应动量估计。
7.一种虚拟无线网络中吞吐量最大化的功率分配装置,其特征在于,包括,
构建模块,用于建立虚拟无线网络中吞吐量最大化功率分配任务模型,如下:
其中,R(gt,pt)为虚拟无线网络吞吐量,为时隙t时切片s上的用户ks到无线电遥控头n的下行速率,/>表示时隙t时单元格j中切片s上用户ks与干扰无线电遥控头RRHn'之间的信道增益,/>为时隙t时无线电遥控头n与切片s上用户ks的信噪比,/>为时隙t时切片s上用户ks与无线电遥控头n之间的信道增益,/>表示时隙t时切片s上ks与干扰无线电遥控头n'之间的信道增益,/>和/>分别是时间不变的大尺度衰落效应和小尺度平坦衰落分量,/>是时隙t时无线电遥控头n对切片s上用户ks的发射功率,/>是时隙t时无线电遥控头n对切片s上用户k's的发射功率,ks和k's表示切片s上不同的用户,/>是时隙t时干扰无线电遥控头n'对单元格j中的所有用户的发射功率的累加,σ2是背景噪声,Pmax表示最大发射功率,Dn为对当前无线电遥控头n有干扰的无线电遥控头干扰单元集,/>为切片s的最小速率,S为虚拟无线网络切片数,Ks表示s切片上的用户集,ks表示s切片上用户,M为虚拟无线网络所划分的单元格数;
转化模块,用于将所述任务模型转化为深度学习模型,具体为:
基于所述任务模型构建深度学习模型的状态集,动作集和奖励;
所述状态集表示为:
其中,为第一状态特征,/>为第二状态特征,/>为时隙t时单元格j中切片s上用户ks与无线电遥控头n之间的信道增益,/>表示时隙t-1时无线电遥控头n对切片s上用户ks的发射功率,/>是剩余信道增益的索引集;
所述动作集表示为:
其中,A为动作集,|A|为量化后的功率电平,Pmin表示最小发射功率;
所述奖励表示为:
其中,表示时隙t时虚拟无线网络奖励,/>表示时隙t时切片s的奖励,cs是违反每个切片隔离的惩罚值;
以及,
计算模块,用于求解所述深度学习模型,得到最佳功率分配方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149569.4A CN112911715B (zh) | 2021-02-03 | 2021-02-03 | 一种虚拟无线网络中吞吐量最大化的功率分配方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110149569.4A CN112911715B (zh) | 2021-02-03 | 2021-02-03 | 一种虚拟无线网络中吞吐量最大化的功率分配方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112911715A CN112911715A (zh) | 2021-06-04 |
CN112911715B true CN112911715B (zh) | 2024-02-13 |
Family
ID=76121831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110149569.4A Active CN112911715B (zh) | 2021-02-03 | 2021-02-03 | 一种虚拟无线网络中吞吐量最大化的功率分配方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112911715B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113473498B (zh) * | 2021-06-15 | 2023-05-19 | 中国联合网络通信集团有限公司 | 网络切片资源编排方法、切片编排器及编排系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105578598A (zh) * | 2015-12-30 | 2016-05-11 | 中国科学技术大学 | 一种无线虚拟化中基于吞吐量最大化的资源分配方法 |
CN108063830A (zh) * | 2018-01-26 | 2018-05-22 | 重庆邮电大学 | 一种基于mdp的网络切片动态资源分配方法 |
CN111726811A (zh) * | 2020-05-26 | 2020-09-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种用于认知无线网络的切片资源分配方法及系统 |
CN111953510A (zh) * | 2020-05-15 | 2020-11-17 | 中国电力科学研究院有限公司 | 一种基于强化学习的智能电网切片无线资源分配方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090103488A1 (en) * | 2007-06-28 | 2009-04-23 | University Of Maryland | Practical method for resource allocation for qos in ofdma-based wireless systems |
-
2021
- 2021-02-03 CN CN202110149569.4A patent/CN112911715B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105578598A (zh) * | 2015-12-30 | 2016-05-11 | 中国科学技术大学 | 一种无线虚拟化中基于吞吐量最大化的资源分配方法 |
CN108063830A (zh) * | 2018-01-26 | 2018-05-22 | 重庆邮电大学 | 一种基于mdp的网络切片动态资源分配方法 |
CN111953510A (zh) * | 2020-05-15 | 2020-11-17 | 中国电力科学研究院有限公司 | 一种基于强化学习的智能电网切片无线资源分配方法及系统 |
CN111726811A (zh) * | 2020-05-26 | 2020-09-29 | 国网浙江省电力有限公司嘉兴供电公司 | 一种用于认知无线网络的切片资源分配方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于安全感知的云无线接入网络资源分配算法研究;尹魏昕;周迅钊;徐雷;;网络安全技术与应用(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112911715A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109729528B (zh) | 一种基于多智能体深度强化学习的d2d资源分配方法 | |
Kuang et al. | Partial offloading scheduling and power allocation for mobile edge computing systems | |
CN111277437B (zh) | 一种智能电网的网络切片资源分配方法 | |
CN111800828B (zh) | 一种超密集网络的移动边缘计算资源分配方法 | |
Peng et al. | Energy-efficient resource allocation optimization for multimedia heterogeneous cloud radio access networks | |
CN109474980A (zh) | 一种基于深度增强学习的无线网络资源分配方法 | |
Sun et al. | Deep learning-based long-term power allocation scheme for NOMA downlink system in S-IoT | |
Wang et al. | Joint interference alignment and power control for dense networks via deep reinforcement learning | |
Zhang et al. | Power control algorithm in cognitive radio system based on modified shuffled frog leaping algorithm | |
CN112512065B (zh) | 支持mec的小小区网络中在移动感知下的卸载和迁移方法 | |
CN112911715B (zh) | 一种虚拟无线网络中吞吐量最大化的功率分配方法及装置 | |
CN112954807A (zh) | 一种基于网络切片的异构Massive MIMO系统多元资源配置方法 | |
Huang et al. | Deep reinforcement learning for performance-aware adaptive resource allocation in mobile edge computing | |
Gao et al. | Multi-armed bandits scheme for tasks offloading in MEC-enabled maritime communication networks | |
Li et al. | Joint radio and computation resource allocation with predictable channel in vehicular edge computing | |
Sun et al. | Jointly optimizing user clustering, power management, and wireless channel allocation for NOMA-based Internet of Things | |
CN101262701A (zh) | 一种基于遗传算法的动态信道分配方法 | |
Tang et al. | Nonconvex dynamic spectrum allocation for cognitive radio networks via particle swarm optimization and simulated annealing | |
Zhang et al. | Energy-efficient non-orthogonal multiple access for downlink communication in mobile edge computing systems | |
CN102158974B (zh) | 协作资源调度方法、装置、基站及系统 | |
CN104507111B (zh) | 蜂窝网络中基于集簇的协同通信方法及装置 | |
Li et al. | Delay-aware task congestion control and resource allocation in mobile edge computing | |
Zhang et al. | Power control based on the asynchronous distributed pricing algorithm in cognitive radios | |
CN114980205A (zh) | 多天线无人机视频传输系统QoE最大化方法和装置 | |
Maksymyuk et al. | Artificial intelligence based 5G coverage design and optimization using deep generative adversarial neural 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 |