CN114071781A - 一种无线局域网介质访问控制方法 - Google Patents

一种无线局域网介质访问控制方法 Download PDF

Info

Publication number
CN114071781A
CN114071781A CN202111352345.XA CN202111352345A CN114071781A CN 114071781 A CN114071781 A CN 114071781A CN 202111352345 A CN202111352345 A CN 202111352345A CN 114071781 A CN114071781 A CN 114071781A
Authority
CN
China
Prior art keywords
user
polling
request
neural network
artificial neural
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
Application number
CN202111352345.XA
Other languages
English (en)
Other versions
CN114071781B (zh
Inventor
刘紫馨
吕韵欣
毕美华
池灏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202111352345.XA priority Critical patent/CN114071781B/zh
Publication of CN114071781A publication Critical patent/CN114071781A/zh
Application granted granted Critical
Publication of CN114071781B publication Critical patent/CN114071781B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W74/00—Wireless channel access
    • H04W74/002—Transmission of channel access control information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H04W72/0446—Resources in time domain, e.g. slots or frames
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明提供了一种无线局域网介质访问控制方法，按如下步骤：(1)采集人工神经网络训练样本；(2)对人工神经网络进行配置和训练；(3)阈值计算：计算每个样本在训练完毕的人工神经网络输出值；(4)执行控制过程包括多个轮询周期，每个轮询周期由广播阶段、请求上传阶段、轮询阶段组成。本发明减少了对空用户的轮询，提高了信道使用效率，降低了网络时延。

Description

一种无线局域网介质访问控制方法
技术领域
本发明属于无线局域网技术领域，具体涉及一种基于人工神经网络和用户请求的无线局域网介质访问控制方法。
背景技术
随着数字经济的兴起以及5G网络的逐步部署，网络大带宽和低时延的性能越来越受到重视。时延敏感型的网络业务将随着数字化转型逐步深入家庭与政企行业，如电子医疗、自动驾驶、远程触觉操控、工业自动化、AR/VR等应用都要求网络具有极低的时延来保障业务服务质量。国际标准组织ITU IMT-2020系统的设计最早指出，在5G超低时延应用场景中，网络用户的端到端时延要从4G时代的20ms降低至1ms。
无线局域网作为目前贴近用户且得到大范围应用的网络技术，在当前无线局域网介质访问技术下并不能有效满足新兴实时业务的低时延需求。如何降低无线局域网时延成为一个亟待解决的问题。到目前为止，世界各地的研究人员提出了多种能够提供亚毫秒级时延性能的无线局域网(WLAN，Wireless Local Access Network)介质访问控制技术。然而，目前这些技术方案在保证低时延的同时，仅能为少数用户提供接入服务。在多用户接入的应用场景下，如何有效降低时延、提高吞吐量仍亟需探索。
发明内容
面对未来低时延业务应用的需求，本发明提供一种基于人工神经网络和用户请求的无线局域网介质访问控制方法，其能够降低无线局域网的时延。
为了达到上述发明目的，本发明采取如下技术方案：
一种无线局域网介质访问控制方法，其按如下步骤：
(1)采集人工神经网络训练样本；
(2)对人工神经网络进行配置和训练；
(3)阈值计算：计算每个样本在训练完毕的人工神经网络输出值；
(4)执行控制过程包括多个轮询周期，每个轮询周期由广播阶段、请求上传阶段、轮询阶段组成。
优选的，所使用的人工神经网络的训练样本由一种基于用户请求的无线局域网介质访问控制方案(RPA)采集。在RPA方案中，每个用户在每一轮询周期均可产生一个样本。无线接入点在每个轮询周期开始前，为每个用户构建状态数据向量[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]，其中n为用户的标号、PKIn为用户n的数据包平均到达间隔时间、PAPn为用户n最后一个已上传数据包到达用户后经过的时间、UnPn为用户n的连续未轮询周期数、PTn为用户n在上一次轮询中上传的数据包数、CT为平均轮询周期时间、NP为每个轮询周期中轮询的平均用户数、NPL为上一个轮询周期中轮询的用户数。之后，在轮询阶段结束后，根据各个用户上传的请求，将每个用户的状态数据向量扩展构建样本：若该用户上传“需要轮询”请求，则构建样本[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL,X]，其中X＝1；若该用户上传“不需要轮询”请求，则构建样本[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL,X]，其中X＝0。
优选的，所使用的人工神经网络结构为8输入、1输出网络，其输入向量为用户的状态数据向量，即[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]。在训练神经网络时，样本的[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]部分为输入，X为输出。
优选的，人工神经网络输出值所比较的阈值，两个阈值分别由训练样本在训练完成的人工神经网络中计算的输出值决定。其中，较小的阈值BL由X＝1的样本在训练完毕的人工神经网络中输出的最小值确定，较大的阈值BH由X＝0的样本在训练完毕的人工神经网络中输出的最大值确定。
优选的，步骤(4)，每个信标间隔被划分为多个轮询周期，而每个轮询周期由广播阶段、请求上传阶段、轮询阶段三部分组成。在每个轮询周期的广播阶段开始前，无线接入点(AP，Access Point)根据各个用户的状态数据向量，通过训练好的人工神经网络计算各个用户的人工神经网络输出值，并通过将各个用户的输出值与两个阈值进行比较并将用户分类，结合输出值介于两个阈值之间的用户所反馈的请求信息，来决定各个用户是否在该轮询周期进行轮询。
优选的，步骤(4)，基于人工神经网络输出值与两个阈值比较的用户分类过程：若一个用户的人工神经网络输出值小于BL，则该用户在该轮询周期被归为跳过类；若一个用户的人工神经网络输出值大于BH，则该用户在该轮询周期被归为轮询类；若一个用户的人工神经网络输出值介于BL和BH之间，则该用户在该轮询周期被归为待定类。
优选的，步骤(4)，在一个轮询周期的广播阶段，AP通过信标帧/子信标帧告知本轮询周期被归为待定类的用户在请求上传阶段中指定的时隙上传请求信息。若一个待定类的用户需要被轮询，则其将在请求上传阶段中指定的时隙上传“需要轮询”请求，AP在收到该请求后将该用户移至轮询类；反之，则该用户在请求上传阶段中上传“不需要轮询”请求，而AP在收到该请求后将该用户移至跳过类。
优选的，步骤(4)在每个轮询周期的轮询阶段，AP将只轮询被归为轮询类的用户。
优选的，步骤(4)，在广播阶段，无线接入点AP广播信标帧/子信标帧，其中，子信标帧功能如同信标帧，而信标帧/子信标帧除了广播基本的AP信息，还将广播请求上传阶段的时隙分配计划：无线接入点AP将为每个被归为待定类的用户分配一个时隙，用于各个待定类用户在相应的时隙传输请求信息。
优选的，步骤(4)，在请求上传阶段，各个被分配了时隙的待定类用户将在指定的时隙根据各自的缓存情况发送传输请求信息：若一个待定类用户缓存中有数据需要传输，则发送“需要轮询”请求；否则，发送“不需要轮询”请求；无线接入点AP在收到一个待定类用户发送的传输请求后，若该用户发送的是“需要轮询”请求，则将该用户移动至轮询类；若该用户发送的是“不需要轮询”请求，则将该用户移动至跳过类；在收到所有待定类用户的传输请求后，AP将额外监听信道一个时隙，用以接收新用户/重连用户发起的连接请求。
优选的，步骤(4)，在轮询阶段，无线接入点AP将依次对轮询类用户进行轮询，用户被轮询时将上传其缓存的数据包以及每个数据包与前一个数据包到达用户的时间间隔，以供无线接入点AP更新用户的状态数据来在下一轮询周期的广播阶段开始前进行人工神经网络的计算。
本发明与现有技术相比，有益效果是：在多用户接入的情形下，采用本发明技术方案可在避免竞争的前提下有效减少对无信息需要传输的用户(即空用户)的轮询，有效提升信道使用效率，降低网络时延并提升低时延需求下网络的用户承载力。
附图说明
图1是本发明实施例的网络数据流示意图。
图2是RPA方法样本采集的实施例示意图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面的描述及附图仅仅是本发明的一种优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些描述和附图获得其它的实施方式。
实施例：
参见图1，本实施例一种基于人工神经网络和用户请求的无线局域网介质访问控制方法，包括以下步骤：
(1)人工神经网络训练样本的采集，本步骤具体是在如图2所示的一种基于用户请求的无线局域网介质访问控制(RPA)方案下采集样本：在RPA方案中，每个数据包将同时把其与前一个数据包到达的间隔发送给无线接入点AP。在RPA方案中，每个信标间隔被划分为多个轮询周期，每个轮询周期由广播阶段(BP)、请求上传阶段(RUP)和轮询阶段(PP)组成。每个用户在RUP都将被分配一个时隙，用于上传其传输请求：若一个用户有数据需要上传，则该用户在被分配的时隙中上传一个“需要轮询”请求；否则，上传一个“不需要轮询”请求。在后续PP期间，AP将按顺序轮询RUP期间所有上传了“需要轮询”请求的用户。因此，在RPA方案中，AP在每个轮询周期开始前，为每个用户构建其状态数据向量[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]。之后，在RUP结束后，根据各个用户上传的请求，将每个用户的状态数据向量扩展构建样本：若该用户上传“需要轮询”请求，则构建样本[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL,X]，其中X＝1；若该用户上传“不需要轮询”请求，则构建样本[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL,X]，其中X＝0。因此，在每个轮询周期后可以收集k个样本(k是用户数)，运行RPA方案数秒钟后，可以为人工神经网络的训练收集足够量的样本。
(2)人工神经网络配置和训练：人工神经网络结构为一个输入层、一个隐藏层和一个输出层。其中，输入层、隐藏层和输出层分别有8、5和1个神经元，隐藏层神经元的激活函数采用双曲正切函数(y＝tansig(x)＝2/(1+exp(-2*x))-1)，输出层神经元激活函数采用线性输出函数(y＝purelin(x)＝x)。之后，以步骤(1)所采集的每个样本的[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]为输入，X为其对应输出，每一个输入样本，都会将神经网络实际输出与期望输出相比较。使用梯度下降法，也就是对均方误差函数进行求偏导，计算误差函数的最小值从而调整各神经元之间连接的权重与偏置值，训练神经网络。
(3)阈值计算：在完成步骤(2)后，将训练样本根据X的值分类为X＝1类样本和X＝0类样本，并将所有样本的输入部分再次输入训练好的人工神经网络，获得每个样本的人工神经网络输出值。根据各个X＝1类样本和X＝0类样本在人工神经网络中实际获得到的输出值，设定X＝1类样本在人工神经网络中输出的最小值为较小的阈值BL，设定X＝0类样本在人工神经网络中输出的最大值为较大的阈值BH。
(4)基于人工神经网络和用户请求的无线局域网介质访问控制方案过程：
在方案执行过程中，每个数据包同样将把其与前一个数据包的到达间隔发送给AP。在AP中，每个用户均有一个对应该用户的状态数据向量[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]。在每个轮询周期的广播阶段开始前，AP将首先根据已知信息更新各个用户的状态数据向量。随后，将更新完成后的每个用户的状态数据向量分别作为输入向量输入到经过训练的人工神经网络，以此得到每个用户对应的人工神经网络输出值。然后，AP分别将各个用户的人工神经网络输出值与步骤(3)中所得到的两个阈值进行比较，若一个用户的人工神经网络输出值小于BL，则AP将该用户归为跳过类；若一个用户的人工神经网络输出值大于BH，则AP将该用户归为轮询类；若一个用户的人工神经网络输出值介于BL和BH之间，则AP将该用户归为待定类。在将所有用户分类后，开始进入广播阶段。在广播阶段，AP广播信标帧/子信标帧。其中，子信标帧功能如同信标帧，而信标帧/子信标帧除了广播基本的AP信息，还将广播请求上传阶段的时隙分配计划：AP将为每个被归为待定类的用户分配一个时隙，用于各个待定类用户在相应的时隙传输请求信息。在请求上传阶段，各个被分配了时隙的待定类用户将在指定的时隙根据各自的缓存情况发送传输请求信息：若一个待定类用户缓存中有数据需要传输，则发送“需要轮询”请求；否则，发送“不需要轮询”请求。而AP在收到一个待定类用户发送的传输请求后，若该用户发送的是“需要轮询”请求，则将该用户移动至轮询类；若该用户发送的是“不需要轮询”请求，则将该用户移动至跳过类。在收到所有待定类用户的传输请求后，AP将额外监听信道一个时隙，用以接收新用户/重连用户发起的连接请求。在轮询阶段，AP将依次对轮询类用户进行轮询，用户被轮询时将上传其缓存的数据包以及每个数据包与前一个数据包到达用户的时间间隔，以供AP更新用户的状态数据来在下一轮询周期的广播阶段开始前进行人工神经网络的计算。
本发明提供了一种基于人工神经网络和用户请求的无线局域网介质访问控制方法，应用在由一个无线接入点(AP，Access Point)和多个用户组成的无线局域网(WLAN，Wireless Local Access Network)中。在该方案中，每个信标间隔被划分为多个轮询周期。在每个轮询周期开始之前，AP将各用户的状态数据向量输入训练好的神经网络，并计算获得各用户对应的神经网络输出值。之后，通过将各个用户的神经网络输出值与两个阈值进行比较，并结合输出值介于两个阈值之间的用户反馈的请求信息，来决定各个用户是否在该轮询周期进行轮询。本发明减少了对空用户的轮询，提高了信道使用效率，降低了网络时延，有利于亚毫秒级时延需求业务在无线局域网上的开展。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (10)

1.一种无线局域网介质访问控制方法，其特征是按如下步骤：
(1)采集人工神经网络训练样本；
(2)对人工神经网络进行配置和训练；
(3)阈值计算：计算每个样本在训练完毕的人工神经网络输出值；
(4)执行控制过程包括多个轮询周期，每个轮询周期由广播阶段、请求上传阶段、轮询阶段组成。
2.根据权利要求1所述无线局域网介质访问控制方法，其特征在于，无线接入点在每个轮询周期开始前，为每个用户构建状态数据向量[用户n的标号n，用户n数据包的平均到达间隔时间PKIn，用户n最后一个已上传数据包到达用户后经过的时间PAPn，用户n的连续未轮询周期数UnPn，用户n在上一次轮询中上传的数据包数PTn，平均轮询周期时间CT，每个轮询周期中轮询的平均用户数NP，上一个轮询周期中轮询的用户数NPL]；之后，在轮询阶段结束后，根据各个用户上传的请求，将每个用户的状态数据向量扩展构建样本：若该用户上传“需要轮询”请求，则构建样本[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL,X]，其中X＝1；若该用户上传“不需要轮询”请求，则构建样本[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL,X]，其中X＝0。
3.根据权利要求1所述无线局域网介质访问控制方法，其特征在于，人工神经网络的结构为8输入、1输出网络，输入为用户的状态数据向量，即[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]；在训练神经网络时，样本的[n,PKIn,PAPn,UnPn,PTn,CT,NP,NPL]部分为输入，X为输出。
4.根据权利要求1所述无线局域网介质访问控制方法，其特征在于，步骤(3)，人工神经网络输出值所比较的两个阈值分别由训练完成的人工神经网络的计算输出值决定，其中，较小的阈值BL由X＝1的样本在训练完毕的人工神经网络中输出的最小值确定，较大的阈值BH由X＝0的样本在训练完毕的人工神经网络中输出的最大值确定。
5.根据权利要求4所述无线局域网介质访问控制方法，其特征在于，基于人工神经网络输出值与两个阈值比较的用户分类过程：若一个用户的人工神经网络输出值小于BL，则该用户在该轮询周期被归为跳过类；若一个用户的人工神经网络输出值大于BH，则该用户在该轮询周期被归为轮询类；若一个用户的人工神经网络输出值介于BL和BH之间，则该用户在该轮询周期被归为待定类。
6.根据权利要求1所述无线局域网介质访问控制方法，其特征在于，在一个轮询周期的广播阶段，无线接入点通过信标帧/子信标帧告知本轮询周期被归为待定类的用户在请求上传阶段中指定的时隙上传请求信息；若一个待定类的用户需要被轮询，则其将在请求上传阶段中指定的时隙上传“需要轮询”请求，无线接入点在收到该请求后将该用户移至轮询类；反之，则该用户在请求上传阶段中上传“不需要轮询”请求，而无线接入点在收到该请求后将该用户移至跳过类。
7.根据权利要求6所述无线局域网介质访问控制方法，其特征在于，在每个轮询周期的轮询阶段，无线接入点将只轮询被归为轮询类的用户。
8.根据权利要求1所述无线局域网介质访问控制方法，其特征在于，步骤(4)，在广播阶段，无线接入点广播信标帧/子信标帧，其中，子信标帧功能如同信标帧，而信标帧/子信标帧除了广播基本的无线接入点信息，还将广播请求上传阶段的时隙分配计划：无线接入点将为每个被归为待定类的用户分配一个时隙，用于各个待定类用户在相应的时隙传输请求信息。
9.根据权利要求8所述无线局域网介质访问控制方法，其特征在于，步骤(4)，在请求上传阶段，各个被分配了时隙的待定类用户将在指定的时隙根据各自的缓存情况发送传输请求信息：若一个待定类用户缓存中有数据需要传输，则发送“需要轮询”请求；否则，发送“不需要轮询”请求；无线接入点在收到一个待定类用户发送的传输请求后，若该用户发送的是“需要轮询”请求，则将该用户移动至轮询类；若该用户发送的是“不需要轮询”请求，则将该用户移动至跳过类；在收到所有待定类用户的传输请求后，无线接入点将额外监听信道一个时隙，用以接收新用户/重连用户发起的连接请求。
10.根据权利要求9所述无线局域网介质访问控制方法，其特征在于，步骤(4)，在轮询阶段，无线接入点将依次对轮询类用户进行轮询，用户被轮询时将上传缓存的数据包以及每个数据包与前一个数据包到达用户的时间间隔，以供无线接入点更新用户的状态数据来在下一轮询周期的广播阶段开始前进行人工神经网络的计算。
CN202111352345.XA 2021-11-16 2021-11-16 一种无线局域网介质访问控制方法 Active CN114071781B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111352345.XA CN114071781B (zh) 2021-11-16 2021-11-16 一种无线局域网介质访问控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111352345.XA CN114071781B (zh) 2021-11-16 2021-11-16 一种无线局域网介质访问控制方法

Publications (2)

Publication Number Publication Date
CN114071781A true CN114071781A (zh) 2022-02-18
CN114071781B CN114071781B (zh) 2024-04-12

Family

ID=80273124

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111352345.XA Active CN114071781B (zh) 2021-11-16 2021-11-16 一种无线局域网介质访问控制方法

Country Status (1)

Country Link
CN (1) CN114071781B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
CN107316078A (zh) * 2016-04-27 2017-11-03 北京中科寒武纪科技有限公司 用于执行人工神经网络自学习运算的装置和方法
CN113454669A (zh) * 2019-02-21 2021-09-28 微软技术许可有限责任公司 通过用户访问的特征来表征地点

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102932738A (zh) * 2012-10-31 2013-02-13 北京交通大学 一种改进的基于分簇神经网络的室内指纹定位方法
CN107316078A (zh) * 2016-04-27 2017-11-03 北京中科寒武纪科技有限公司 用于执行人工神经网络自学习运算的装置和方法
CN113454669A (zh) * 2019-02-21 2021-09-28 微软技术许可有限责任公司 通过用户访问的特征来表征地点

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周洪伟;徐松林;原锦辉;: "用神经网络实现一般访问结构的多重秘密共享", 计算机工程与设计, no. 20, 23 October 2007 (2007-10-23) *
马彬;李尚儒;谢显中;: "异构无线网络中基于人工神经网络的自适应垂直切换算法", 电子与信息学报, no. 05, 28 February 2019 (2019-02-28) *

Also Published As

Publication number Publication date
CN114071781B (zh) 2024-04-12

Similar Documents

Publication Publication Date Title
CN109600262B (zh) Urllc传输网络切片中资源自配置和自优化方法及装置
WO2021233053A1 (zh) 计算卸载的方法和通信装置
CN110087257B (zh) 一种支持移动边缘计算的任务卸载装置及方法
CN109451534B (zh) 一种用于5G系统会话管理中QoS流的动态控制方法和装置
JP5897447B2 (ja) 品質及びレート情報に基づいてマルチメディアコンテンツのサイズを変更するための方法及びシステム
CN102355670B (zh) 一种多信道无线mesh网络信道分配方法
CN103118439B (zh) 基于传感网节点通用中间件的数据融合方法
US9109928B2 (en) Methods and apparatus for efficient and adaptive transmission of data in data collection networks
CN110234127A (zh) 一种基于sdn的雾网络任务卸载方法
CN101730236A (zh) 资源调度方法和系统、基站、以及终端
CN1842979B (zh) Wlan中自适应轮询的方法及系统
CN109474960A (zh) 一种基于q学习的双连接流量分配方法
CN117114113B (zh) 一种基于排队论的协同推理加速方法
WO2024041117A1 (zh) 一种计算任务的分割方法及相关装置
CN111182508B (zh) LoRa通信网络及其通信方法
CN114071781A (zh) 一种无线局域网介质访问控制方法
CN103284690A (zh) 生理参数的传输方法、装置和移动健康系统
CN102612060B (zh) 一种基于熵值计算的跨层设计兼容性的评判方法
CN116193557A (zh) 一种射频能量收集体域网中传感器传输功率的自适应调整方法
CN107426809B (zh) 基于虚拟用户队列模型的wvn功率和缓存分配方法
CN115865298A (zh) 一种面向主动健康监测系统的传输时延优化方法
Sahoo et al. Honey-bee based load balanced packet scheduling MAC protocol for IoT-enabled healthcare system
Kulkarni et al. Improved Resource Scheduler using Kalman Filter in Wireless Communication
Saxena et al. NEST: novel eMBMS scheduling technique
CN116582937A (zh) 多无线体域网共存情况下的资源分配方法

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