CN113225672B - 一种支持移动用户的基站选择方法 - Google Patents
一种支持移动用户的基站选择方法 Download PDFInfo
- Publication number
- CN113225672B CN113225672B CN202110432994.4A CN202110432994A CN113225672B CN 113225672 B CN113225672 B CN 113225672B CN 202110432994 A CN202110432994 A CN 202110432994A CN 113225672 B CN113225672 B CN 113225672B
- Authority
- CN
- China
- Prior art keywords
- base station
- user
- weight
- preference
- resources
- 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
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/02—Access restriction performed under specific conditions
- H04W48/04—Access restriction performed under specific conditions based on user or terminal location or mobility data, e.g. moving direction, speed
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/20—Selecting an access point
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种支持移动用户的基站选择方法。针对边缘计算中的用户选择基站进行任务卸载或者虚拟机拍卖问题,提供了一种考虑多种因素的基站选择方法。首先获取用户的信息,根据用户是否移动将其分成静态用户和动态用户;然后获取基站的信息。不同类型的用户采取不同的偏好度计算方法,得到每个用户对所有基站的偏好度,然后每个用户根据偏好度选择最合适的基站。提出的一种支持移动用户的基站选择方法,即考虑了用户的移动性又考虑了距离和基站的资源总量等因素,一方面在保证较低传输延迟的同时又降低了等待时延,另一方面充分利用了基站资源,可以应用在多种基站选择场景。
Description
技术领域
本发明涉及用户如何选择最合适的基站进行任务卸载或者虚拟机拍卖问题,属于边缘计算领域。
随着智能移动终端设备数量的日益增加,越来越多的计算密集型任务需要被处理,传统的云计算在实时性、智能性、安全性和隐私性等方面存在诸多不足,边缘计算由此应运而生,它将数据资料的处理、应用程序的运行甚至一些功能服务的实现,由网络中心下放到网络边缘的节点上,以减少业务的多级传递,降低了核心网的传输负担,同时提高了用户数据的安全性,针对不同的应用场景,可以灵活布局来减轻云中心的管理压力。
边缘计算的核心是在靠近数据源或用户的地方提供计算、存储等基础设施,并为边缘应用提供云服务和IT环境服务。边缘计算是支撑物联技术低延时、高密度等条件的具体网络技术体现形式,具有场景定制化强、布局灵活等特点,它的安全性更高、带宽成本更低。
随着移动边缘计算的兴起,越来越多的服务商在基站下面配置了边缘服务器,用户可以把一些复杂的计算任务卸载到基站,也可以租用基站下的虚拟机资源,而如何高效的选择基站,在保证较低网络延迟的同时又可以充分利用基站的资源,具有非常重要的现实意义。
目前,在智能制造、智慧城市、直播游戏和车联网等领域,边缘计算的需求最为明确,因为这些场景一方面要求非常低的时延,另一方面要求非常高的算力来处理数据,而边缘计算基本可以满足其需求。随着5G时代的来临,边缘计算产业的发展将更加迅速。
因此,本发明针对用户如何选择基站问题,设计了一种有效的选择方法,在保证较低传输时延的同时,还可以充分利用基站的资源,降低各环节的能耗,具有一定的应用前景。
发明内容
传统边缘计算中用户位置都是固定不动的,在选择基站时有很大的局限性,本发明专利提出一种支持移动用户的选择方法,在考虑了用户移动性的同时,又考虑了距离和基站资源总量等因素,更加符合实际情况,提出的整体流程图如图1所示。
为了实现上述目的,本发明采用的技术方案如下:
一种支持移动用户的选择方法,包括以下步骤:
(1)获取用户信息,根据是否移动分成静态用户和动态用户。
(1a)用户的信息定义为:
(1b)若用户移动速度V为0,则为静态用户;若用户移动速度V不为0,则为动态用户。动态用户的移动示意图如图2所示,假设在某个基站P的信号范围存在一个用户,移动的起点为A点,初始移动方向为B点,移动速度为V,基站信号范围半径为R,其中AC=R-PA为用户从A点移出基站信号范围的最短直线距离。
(2)获取基站信息。基站信息定义为:
(3)静态用户偏好度计算方法如下:
(3a)计算用户与基站的距离。用户i到基站j的距离hi,j计算公式如下:
然后计算出用户i到所有基站的距离Hi={hi,1,...,hi,N}。静态用户示意图如图3所示,假设存在4个基站A、B、C、D,则用户P到基站的距离为HP={hP,A,hP,B,hP,C,hP,D}。
(3b)归一化处理。由于距离和基站各资源数量级不同,都需要进行归一化处理,本发明采用min-max(Min-MaxNormalization)方法。
距离归一化处理的过程如下:
首先找到用户到基站距离的最大上界max与最小下界min,定义如下:
max={H1,H2,...,HN}+ΔH,min={H1,H2,...,HN}-ΔH
然后对用户i到基站j的距离进行归一化处理,公式如下:
最后可以得到用户i与所有基站距离归一化后的值Di={di,1,...,di,N}。
基站资源归一化处理的过程如下:
然后对基站j的第i种资源进行归一化处理,公式如下:
(3c)求出基站资源权重比。对于基站资源,不同类型的资源所能支持的最大用户人数是不同的,比如CPU和内存,CPU资源相对比较少且昂贵,因此资源越少的往往越重要,对应的权重越大。为了更好的确定权重比,本发明设计了一种根据重要级确定权重比的方法,即某种资源支持的用户人数越少,重要级越高,过程如下:
第三步:求出基站第i种资源所能够支持用户数的最大区间,取中值si,公式如下:
然后可以得到基站每一种资源所能够支持用户的中值集合S={s1,...,sn}。
第四步:确定基站各资源的权重比。首先计算基站资源i的权重比pi,公式如下:
然后可以得到基站所有资源权重比集合P={p1,...,pn}
(3d)确定距离权重。在边缘计算中,时延是一个非常重要的性能指标,距离越短传输时延越低,因此需要优先选择距离较短的基站,对应的权重原则上应该较高,而确定具体的权重值,需要根据实际的应用场景进行反复调整。
(3e)确定全部权重参数。假设a1为距离权重,b1为基站资源总权重,定义如下:
(3f)计算偏好度。静态用户i对基站j的偏好度公式如下:
通过计算可以得到静态用户i到所有基站的偏好度集合Ii={Ii,0,...,Ii,n},再把偏好度进行从高到低排序后,作为用户选择基站的参考指标。
如图3所示,假设用户P对4个基站的偏好度降序排序后IP={IP,A,IP,D,IP,B,IP,C},那么就按照A->D->B->C的顺序选择基站。
(4)动态用户偏好度计算方法如下:
(4a)首先需要判断移动用户i是否在基站j的信号范围内,若不在,则用户i对基站j的偏好度采用静态方法计算;若在信号范围内,则首先计算出用户i移出基站j信号范围的最短直线距离li,j,定义如下:
li,j=R-hi,j,R为信号范围半径,hi,j为用户i与j的距离
采用最短直线距离作为衡量指标,主要有下面两个原因:
一是因为在现实生活中,用户的移动方向和速度是在不断变化的,而最短直线距离考虑的是一种最坏的情况,即用户往背对着基站的方向移动,即使用户下一刻速度变快了,但真实的移动距离往往是大于最短距离的,因此真实的移动时间相对而言更长,这样就可以很好避免因为用户走出信号范围而无法接收基站返回的处理结果;
二是采用最短直线距离作为指标,就不需要通过实时定位用户的位置来计算真实的移动距离,在减少了终端设备的计算量与能耗的同时,也减少用户等待决策的时间。而随着5G时代的到来,用户的任务可以更快的在离开信号范围之前完成。
(4b)确定优先级常数K。对于移动的用户,为了优先选择在信号范围内的基站,故添加了一个常数K,来增加动态方法的偏好度,具体值可以根据具体的场景进行设置。
(4c)确定权重。假设a2为移动时间的权重,b2为基站资源总权重,定义如下:
对于a2和b2的具体值也需要根据实验的结果利用启发式算法或者利用强化学习来确定。对于移动用户,在移动时间相差不大的情况下,优先选择基站资源丰富的基站,可以充分利用基站资源,因此基站资源总权重b2较大。
(4d)计算偏好度。动态用户i对所在基站j的偏好度计算公式如下:
通过计算得到动态用户i在其信号范围内所有基站的偏好度,最后得到动态用户i到所有基站的偏好度集合Ii={Ii,0,...,Ii,n},再把偏好度进行降序排序后,作为基站选择的指标。
如图4所示,假设存在4个基站,R为基站信号范围半径,用户P移动速度为V,初始移动方向为S点,由于用户不在A、B基站信号范围内,只需要计算出距离hP,A和hP,B,再利用上面的静态方法计算出偏好度IP,A和IP,B即可;对于C、D基站,最短直线移动距离lP,C和lP,D分别为PE、PF,移动时间分别为和再利用动态方法计算出偏好度IP,C和IP,D,假设排序后IP={IP,C,IP,D,IP,A,IP,B},那么就按照C->D->A->B的顺序选择基站。
通过以上步骤,得到所有用户对每个基站的偏好度,然后每个用户根据偏好度从高到低的顺序进行基站选择。在实际的应用场景中,用户分布是不均匀的,为了避免一些基站资源负载过高,而一些基站资源没有充分利用问题,很多时候会进行多次基站选择,而采用本方法,当某个用户偏好度最高的基站资源不足时,可以直接根据偏好度的顺序选择其它基站,这样可以减少用户的决策时间。
如图4所示,对于C、D基站,由于加了优先级常数,会优先选择,若此时C基站资源不足,那么用户P用户可以根据偏好度列表直接选择D基站,减少等待时间。
本发明方法一方面考虑了距离因素,可以保证较低传输时延,保证网络服务质量,同时也可以减少因为距离太远导致信号不好,终端设备发射功率增大而带来的能耗;另一个方面考虑了基站资源因素,让更多的用户选择资源丰富的基站,这样可以充分利用基站资源,提高服务商的总体收益。
附图说明
图1是本发明的整体流程图。
图2是本发明中动态用户的移动示意图。
图3是本发明中静态用户示意图。
图4是本发明中动态用户示意图。
图5是本发明中实施例路段示意图。
图6是本发明中实施例流程图。
具体实施方式
本发明专利提出的一种支持移动用户的基站选择方法,针对虚拟机拍卖或者任务卸载等相关问题,提供了一种有效的基站选择方法,下面通过一个具体的实施例,针对任务卸载问题作进一步说明。
实施例
以智慧交通系统为例,主要的目的是为了解决城市交通拥挤问题,提高城市道路交通管理的工作效率。对企业而言,需要提高车辆的运营效率与服务质量;对旅行者而言,需要可靠的出行计划来提高出行的安全性,减少旅行过程中额外的时间与成本;对驾驶员而言,需要最新的交通信息、及时的危险警告、最佳的行车线路、适宜的速度限制等。
面对这些越来越高的交通需求,传统的中心云由于距离远而导致了高时延,不能及时的处理时延敏感型的任务,得益于边缘计算的兴起,我们可以在道路周围建立一些基站,然后配置一些边缘服务器,将用户的计算任务卸载到基站下面的边缘服务器去执行,这样可以大大减少了时延和城市交通中心的压力。
首先考虑一个带边缘云系统的场景,假设该边缘云系统由一个边缘云数据中心和多个路段组成,每一个路段的示意图如图5所示,每一个路段都设置了4个基站,每一个基站下面都设置了若干个边缘服务器,共同组成基站资源,用户在该边缘云系统的信号范围之内产生,同时假设所有用户不会移出整个系统信号范围。
整体流程图如图6所示,主要的步骤如下:
步骤一、所有用户将个人信息传给附近最近的基站。对于用户,可以是旅行者,也可以是驾驶员,根据需要,可以多次将自己的信息上传给附近最近的基站,用户信息包括位置坐标、计算任务需求和当前的移动速度。
步骤二、所有基站将收到的用户信息上传到边缘云中心。对于基站,一方面需要及时更新基站剩余的资源信息并传递给边缘云中心,另一方面需要实时接收用户上传的信息,再立刻传给边缘云中心。
步骤三、边缘云中心将收到的用户信息与基站信息通过本发明的基站选择方法,首先计算出所有用户对每一个基站的偏好度,然后每个用户选择偏好度最高的基站,再按照先来后到的顺序分配资源,若某个用户偏好度最高的基站已经没有资源,则按照偏好度列表选择其它的基站,并以此类推,最终规划出每一个基站需要处理的任务,再把计算任务下发给对应的基站。
对于边缘云中心,一方面需要与所有基站建立高速链路,在保证较低的用户信息上传时延的同时,可以及时获取基站资源的剩余量;另一方面尽可能处于交通系统的中心位置,降低任务下传时延和及时将计算结果返回给用户。
为了避免出现用户因为离开了基站信号范围而造成无法接收计算结果的情况,边缘云中心在计算基站选择方案的同时,也需要计算出用户i的截止时间,定义如下:
其中表示用户i将信息上传到基站的时间,表示基站将用户i的信息上传到边缘云中心的时间,表示边缘云中心计算出基站选择方案的时间,表示边缘云中心下传计算任务i到基站的时间,表示基站服务器处理任务i的时间,表示一个固定的结果返回时间。如果用户的移动时间大于截止时间,即用户在离开该基站信号范围之前任务就可以完成,则标记该任务,由基站直接返回计算结果给用户,否则由边缘云中心间接返回计算结果给用户。
步骤四、所有基站合理分配服务器的资源来处理收到的计算任务,再根据边缘云中心的标记来决定是否直接将计算结果返回给用户,否则交付给边缘云中心去传送计算结果。
步骤五、用户接收处理结果,如果还有其它任务需求可以继续发送信息。
通过以上步骤,一方面由边缘云中心通过基站选择方法总体规划分配方案,充分利用基站资源,另一方面得益于边缘计算带来超低时延的优势,可以很好的应用在城市道路交通管理场景,提高公众出行的效率与安全性,很好的改善城市交通管理问题。
本发明的基站选择方法还可以应用以下领域:
在智能制造领域,对于工厂产生的实时数据,可以布置一些边缘计算智能网关来收集并进行预处理,提高工厂的生产效率;
在智慧城市领域,如智慧楼宇,通过设置一些实时采集装置来收集楼宇的信息进行分析,这样可以提高维护的效率;如物流监控,对小区来往的车辆和货物进行监控和预警;如视频监控,通过部署一些GPU服务器,可以快速进行人脸识别、物体识别等智能图像分析。
在直播游戏领域,基站下面的服务器可以提供丰富的存储资源和强大的视频渲染能力,可以支持云桌面、云游戏、AR/VR等新型业务模式。
在车联网领域,利用基站服务器提供的强大算力,一方面可以实现毫秒级的时延保证,推动无人驾驶的发展,也可以辅助驾驶员安全行驶,另一方面可以支持高精度地图分析,对于一些视线盲区可以提前预警。
Claims (3)
1.一种支持移动用户的基站选择方法,其特征在于,包括以下步骤:
S1、获取用户的信息,包括用户的位置坐标、资源需求和移动速度,然后根据用户是否移动分成静态用户和动态用户;
S2、获取基站的信息,包括基站的位置坐标和资源总量;
S3、静态用户根据静态方法,计算出用户对所有基站的偏好度,再进行降序排序,静态方法考虑了用户到基站的距离和基站的资源总量,计算公式如下:
S4、动态用户首先需要判断是否在该基站信号范围内,若不在就采用静态方法计算出用户对该基站的偏好度;若在其信号范围内,就采用动态方法计算出偏好度,动态方法考虑了用户移出基站信号范围的最短直线距离、用户的移动速度和基站的资源总量,计算公式如下:
其中Ii,j表示用户i对基站j的偏好度,li,j表示用户i移出基站j信号范围的最短直线距离,Vi是用户i的移动速度,k是一个优先级常数;其中 是移动时间的权重,表示基站不同资源的权重;而表示基站j不同资源进行归一化后的值;
计算出动态用户对所有基站的偏好度后,再进行降序排序;
S5、所有用户根据偏好度的大小,按照顺序选择最合适的基站,进行任务卸载或者虚拟机拍卖。
3.根据权利要求2所述的一种支持移动用户的基站选择方法,其特征在于,对于距离权重、移动时间权重、基站资源总权重的具体值,需要根据具体的应用场景进行设置,可以根据实验的结果,利用启发式算法进行多次调整,或者利用强化学习得到最大基站资源利用率来确定具体值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432994.4A CN113225672B (zh) | 2021-04-22 | 2021-04-22 | 一种支持移动用户的基站选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110432994.4A CN113225672B (zh) | 2021-04-22 | 2021-04-22 | 一种支持移动用户的基站选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113225672A CN113225672A (zh) | 2021-08-06 |
CN113225672B true CN113225672B (zh) | 2022-01-28 |
Family
ID=77088327
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110432994.4A Active CN113225672B (zh) | 2021-04-22 | 2021-04-22 | 一种支持移动用户的基站选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113225672B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911711A (zh) * | 2017-10-24 | 2018-04-13 | 北京邮电大学 | 一种考虑分区的边缘缓存替换改进方法 |
CN108366015A (zh) * | 2018-05-24 | 2018-08-03 | 湖南师范大学 | 用于软件定义网络的路由算法 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN109905864A (zh) * | 2019-02-28 | 2019-06-18 | 华北电力大学 | 一种面向电力物联网的跨层资源分配方案 |
CN111666149A (zh) * | 2020-05-06 | 2020-09-15 | 西北工业大学 | 基于深度强化学习的超密边缘计算网络移动性管理方法 |
CN112492626A (zh) * | 2020-12-07 | 2021-03-12 | 南京邮电大学 | 一种移动用户计算任务的卸载方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3465989B1 (en) * | 2016-05-26 | 2022-04-13 | Parallel Wireless Inc. | End-to-end prioritization for mobile base station |
US10694439B2 (en) * | 2018-11-13 | 2020-06-23 | Verizon Patent And Licensing Inc. | Systems and methods for assignment of multi-access edge computing resources based on network performance indicators |
-
2021
- 2021-04-22 CN CN202110432994.4A patent/CN113225672B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107911711A (zh) * | 2017-10-24 | 2018-04-13 | 北京邮电大学 | 一种考虑分区的边缘缓存替换改进方法 |
CN108366015A (zh) * | 2018-05-24 | 2018-08-03 | 湖南师范大学 | 用于软件定义网络的路由算法 |
CN109379727A (zh) * | 2018-10-16 | 2019-02-22 | 重庆邮电大学 | 车联网中基于mec的任务分布式卸载与协作执行方案 |
CN109905864A (zh) * | 2019-02-28 | 2019-06-18 | 华北电力大学 | 一种面向电力物联网的跨层资源分配方案 |
CN111666149A (zh) * | 2020-05-06 | 2020-09-15 | 西北工业大学 | 基于深度强化学习的超密边缘计算网络移动性管理方法 |
CN112492626A (zh) * | 2020-12-07 | 2021-03-12 | 南京邮电大学 | 一种移动用户计算任务的卸载方法 |
Non-Patent Citations (5)
Title |
---|
Dynamic Load-Balancing Vertical Control for a Large-Scale Software-Defined Internet of Things;Lianming Zhang;<IEEE Access>;20190923;全文 * |
Flexible Multiplexing Mechanism for Coexistence of URLLC and eMBB Services in 5G Networks;Kai Xiao;<2020 ITU Kaleidoscope: Industry-Driven Digital Transformation (ITU K)>;20201211;全文 * |
一种移动边缘云计算任务卸载算法;查易艺等;《计算机应用与软件》;20200612(第06期);全文 * |
刘浩 ; 陈志刚 ; 张连明.移动社交网络中基于拍卖模型的数据转发激励机.《通信学报》.2017, * |
超密集网络中基于移动边缘计算的卸载策略研究;郭俊;《中国优秀硕士论文全文数据库》;20181130;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113225672A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Mobility-aware and migration-enabled online edge user allocation in mobile edge computing | |
CN109379727B (zh) | 车联网中基于mec的任务分布式卸载与协作执行方案 | |
CN112700639B (zh) | 一种基于联邦学习与数字孪生的智能交通路径规划方法 | |
Cha et al. | Virtual edge: Exploring computation offloading in collaborative vehicular edge computing | |
Shan et al. | A survey on computation offloading for mobile edge computing information | |
CN109815419B (zh) | 基于地理位置的兴趣点索引方法、装置、介质及电子设备 | |
CN105043379A (zh) | 一种基于时空约束的景区浏览路径规划方法、装置 | |
CN102819950A (zh) | 一种交通工具搭载辅助决策的系统和方法 | |
CN115209426B (zh) | 一种边缘车联网内数字孪生服务器动态部署方法 | |
CN112257163A (zh) | 空天地一体化道路工程土方施工智能调度指挥系统及方法 | |
CN114827191B (zh) | 一种车路协同系统中融合noma的动态任务卸载方法 | |
Tang et al. | An offloading approach in fog computing environment | |
CN113225672B (zh) | 一种支持移动用户的基站选择方法 | |
Qi et al. | Social prediction-based handover in collaborative-edge-computing-enabled vehicular networks | |
CN109933427B (zh) | 一种车辆雾计算中基于方向的车联网任务迁移方法 | |
CN112819228A (zh) | 任务处理方法、装置、存储介质和电子设备 | |
Zhao et al. | Hybrid scheduling strategy of multiple mobile charging vehicles in wireless rechargeable sensor networks | |
CN116781144A (zh) | 无人机搭载边缘服务器的方法、装置及存储介质 | |
CN115134370B (zh) | 一种多无人机辅助的移动边缘计算卸载方法 | |
CN110493853A (zh) | 一种高铁专网基站的排序方法 | |
CN113423091B (zh) | 一种车载算力网络的多维资源智能联合优化方法、系统 | |
CN114915940A (zh) | 一种基于边云计算的车路通信链路匹配方法及系统 | |
CN113448707A (zh) | 在边缘计算中在线批并行任务调度方法 | |
CN111160747B (zh) | 无人驾驶机器人出租车的调度方法、装置及电子设备 | |
Zhang et al. | Bidirectional k-nearest neighbor spatial crowdsourcing allocation protocol based on edge computing |
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 |