CN114143816A - 一种基于电力业务质量保障的5g网络资源动态调度方法 - Google Patents
一种基于电力业务质量保障的5g网络资源动态调度方法 Download PDFInfo
- Publication number
- CN114143816A CN114143816A CN202111566569.0A CN202111566569A CN114143816A CN 114143816 A CN114143816 A CN 114143816A CN 202111566569 A CN202111566569 A CN 202111566569A CN 114143816 A CN114143816 A CN 114143816A
- Authority
- CN
- China
- Prior art keywords
- urllc
- embb
- user
- resource
- service
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005540 biological transmission Effects 0.000 claims abstract description 32
- 210000002569 neuron Anatomy 0.000 claims description 40
- 238000005457 optimization Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 11
- 238000013468 resource allocation Methods 0.000 claims description 10
- 230000007774 longterm Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 230000002776 aggregation Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000012986 modification Methods 0.000 claims description 2
- 230000004048 modification Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
-
- 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
- H04W28/10—Flow control between communication endpoints
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/12—Wireless traffic scheduling
- H04W72/1221—Wireless traffic scheduling based on age of data to be sent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公布了一种基于电力业务质量保障的5G网络资源动态调度方法,所述调度方法包括5个步骤:S1:建立URLLC和eMBB网络共存的系统模型;S2:根据eMBB业务需求,基站为eMBB用户分配RBs;S3:URLLC业务请求接入,URLLC/eMBB调度器执行分配方法;S4:对基于松弛机会约束规划的URLLC和eMBB资源调度问题进行求解;S5:对基于2D‑HNN业务共存场景的资源调度算法进行求解;本发明针对URLLC和eMBB共存时的调度问题,解决了URLLC业务的时延高、以及存在的可靠性问题,同时解决了URLLC约束条件下的eMBB用户传输速率受限的问题,使得URLLC约束条件下eMBB用户达到最大传输数据速率,保障了电力不同业务服务质量。
Description
技术领域
本发明涉及电力系统通信技术领域,特别是涉及一种基于电力业务质量保障的5G网络资源动态调度方法。
背景技术
5G技术为配电通信网“最后一公里”无线接入通信覆盖提供了一种更优的解决方案,配网中存在的大量电力业务能够依托5G技术实现更优质的服务,目前通过5G承载的电力业务主要有增强移动宽带eMBB业务和超高可靠性低时延通信URLLC业务,其中,eMBB业务包括无人机巡检、机器人巡检、视频监控等大带宽业务,URLLC业务包括精准负荷控制、配电自动化三遥等低时延高可靠业务,在电力业务承载过程中,存在两种类型业务共同承载传输的场景,这面临到在满足URLLC需求的同时要实现足够的eMBB吞吐量的挑战,一般来说,eMBB调度是指通过提高网络吞吐量来提高频谱效率,同时通过重传来保证数据包传输的可靠性,然而,eMBB调度方法可能不能确保URLLC所需的可靠性和延迟阈值,因此不能应用于URLLC调度,URLLC提出了小包通信,因为它可以满足可靠性要求,但由于额外的控制开销,降低了频谱效率,当URLLC和eMBB服务共存时,需同时满足两类业务的需求。
近年来,学术界和产业界对URLLC的研究越来越多,讨论了实现URLLC的原理,并描述了支持URLLC的无线通信系统的几个构建模块,帧、分集的使用和访问拓扑,还有的提出了刺穿调度方法,以及刺穿eMBB传输的恢复机制,但是针对eMBB和URLLC共存的问题,现有技术没有解决URLLC业务突发时可靠性保证的问题以及eMBB业务的干扰问题。
现有技术中存在URLLC和eMBB共存时的调度问题,基站分配资源给eMBB用户,当URLLC业务突发时,需要等待eMBB数据传输结束后,才能分配资源给URLLC业务,导致URLLC业务的时延高,可靠性存在问题,同时URLLC业务突发时采用的穿孔复用技术会让eMBB用户的传输速率受限,电力不同业务服务质量有待提高。
所述eMBB为enhance Moblie BroadBand的简称,为增强移动宽带;所述URLLC为Ultra Reliable and Low Latency Communication的简称,为超高可靠性低时延通信。
因此本发明提供一种新的方案来解决此问题。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种基于电力业务质量保障的5G网络资源动态调度方法,针对URLLC和eMBB共存时的调度问题,解决了URLLC业务的时延高、以及存在的可靠性问题,同时解决了URLLC约束条件下的eMBB用户传输速率受限的问题,使得URLLC约束条件下eMBB用户达到最大传输数据速率,保障了电力不同业务服务质量。
其解决的技术方案是,一种基于电力业务质量保障的5G网络资源动态调度方法,所述调度方法包括5个步骤:
S1:建立URLLC和eMBB网络共存的系统模型;
S2:根据eMBB业务需求,基站为eMBB用户分配RBs;
S3:URLLC业务请求接入,URLLC/eMBB调度器执行分配方法;
S4:对基于松弛机会约束规划的URLLC和eMBB资源调度问题进行求解;
S5:对基于2D-HNN业务共存场景的资源调度算法进行求解;
所述2D-HNN为2-Dimensions Hopfield Neural Network的简称,为二维霍普菲尔德神经网络。
本发明所实现的有益效果:
本申请从智能电网资源分配的问题出发,提出了面向电力业务的eMBB和URLLC流量的动态资源分配的方法,本申请不仅达到了在两种业务共存的情况下最大化eMBB业务的传输速率的目标,而且还考虑了URLLC的时延特性及可靠性参数,提出了两种业务共存时的系统模型,首先将资源块全部分配eMBB用户,这样所有eMBB用户的传输数据速率最大,同时还确保了用户之间达到一定程度的公平,保证了URLLC的可靠性约束,而且本申请还提出并修改2D-HNN,用来解决向eMBB用户分配资源块RBs的问题,然后本申请继续优化URLLC可靠性约束问题,使其达到封闭形式,最终本发明所提出的优化算法可以在保证URLLC业务可靠性约束的同时确保eMBB用户之间的相对公平,使eMBB业务的数据传输速率最大化,保障了电力不同业务服务质量。
附图说明
图1为URLLC和eMBB网络共存的系统模型。
图2为URLLC/eMBB流量的动态复用示图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本发明所附权利要求所限定的范围。
以下,将结合说明书附图,详细的讲述本发明提供的一种基于电力业务质量保障的5G网络资源动态调度方法。
一种基于电力业务质量保障的5G网络资源动态调度方法,所述调度方法包括5个步骤:
S1:建立URLLC和eMBB网络共存的系统模型;
S2:根据eMBB业务需求,基站为eMBB用户分配RBs;
S3:URLLC业务请求接入,URLLC/eMBB调度器执行分配方法;
S4:对基于松弛机会约束规划的URLLC和eMBB资源调度问题进行求解;
S5:对基于2D-HNN业务共存场景的资源调度算法进行求解。
所述步骤S1:建立URLLC和eMBB网络共存的系统模型,具体包含以下内容:
在URLLC和eMBB网络共存的系统模型中,本发明考虑一个下行无线接入网RAN,由一组基站BSs组成,表示为J={1,2…,J},每个BSs通过回程链路连接到核心网,每个基站与URLLC和eMBB用户对应的集合相关联,两个用户对应的集合为U={1,2,…,u}如图1所示,eMBB用户按照LTE标准调度,URLLC用户通信覆盖预先调度的eMBB流量,eMBB和URLLC网络都共存,共享相同的频谱资源,包含由B={1,2,…,b}表示的资源块RBs集合,为了实现共存,可以采用穿孔方案,图2为URLLC/eMBB流量的动态复用,展示了上述方案进行eMBB和URLLC调度的框架结构,假设eMBB用户是预先安排好的,并且每个eMBB用户都会具有基站BS已知的信干噪比SINR,在每个持续时间为0.125ms的迷你时隙中,URLLC用户随机到达,这些用户使用穿孔方案对现有的eMBB分配上进行调度;
所述RAN为Radio Access Network的简称,为无线接入网;所述BS为Base Station的简称,为基站;所述BSs为Base Stations的简称,为多个基站;所述LTE为Long TermEvolution的简称,为长期演进;所述RB为Resource Block的简称,为资源块,所述RBs为Resource Blocks的简称,为多个资源块;所述SINR为Signal to Interference plusNoise Ratio的简称,为信干噪比;
本发明提出的模型中,假设一个饱和的网络场景,其中eMBB用户总是有包要传输,eMBB用户数量大于可用的BS资源,然后,BS将其资源分配给一组最优的eMBB用户进行下行通信,另一方面,对于URLLC流量,使用泊松分布对URLLC请求的到达进行建模,目标是将RBs分配给eMBB用户,使所有eMBB用户的总数据速率最大化,同时确保用户之间达到一定程度的公平。
所述步骤S2:根据eMBB业务需求,基站为eMBB用户分配RBs包含以下内容:
xu,b为了确保每个RB同时只分配给一个用户,目的是为了找到分配矩阵x,使eMBB用户的总数据率最大化,同时确保公平分配,分配矩阵x的每个元素定义如下:
公式1中,xu,b表示RBs资源分配的结果,Bu是分配给eMBB用户u的所有RBs的集合,所述Otherwise为否则的含义,表示b不属于这个Bu集合的情况;
公式2中,xu,b=1时表示RBs分配到用户u,xu,b=0时则表示相反的情况,fb表示资源块RB的带宽,pu是用户u的传输功率,hu表示用户u的信道增益,N0表示噪声功率,F是总带宽;
公式2中,β是一个与目标误码率BER相关的常数,其表示如下:
β=1.5/(ln(5BER)) 公式3
公式3中,所述BER为Bit Error Ratio的简称,为误码率;
公式4中η为权重值;
根据公式2和公式4,构建eMBB用户资源分配的优化函数,构建的优化问题可以表示为:
公式5中,α为广义公平公式中的参数值,表示在总数据速率和公平性之间进行不同程度的权衡;maximize表示最大化,subject to表示服从约束。
所述步骤S3:URLLC业务请求接入,URLLC/eMBB调度器执行分配方法,具体包含以下内容:
eMBB用户在每个时隙的数据率损失与该用户的资源刺穿成正比,用γu(t)通过时隙t的URLLC流量定义eMBB用户u被击穿的资源,γu(t)表示被击穿的资源,也就是URLLC占用的RB资源,因此,在时隙t上被击穿的资源γu(t)对eMBB用户u的影响速率近似为:
公式6可计算出eMBB用户u在URLLC流量接入后所受影响的数据传输速率ru(t);
设随机变量D(t)表示t时隙URLLC用户进入的流量,根据URLLC业务的可靠性需求计算中断概率P(E),那么URLLC的中断概率可以表示为:
公式8中,purllc表示用户URLLC的传输功率,hurllc表示用户URLLC的信道增益;
由于穿孔传输的时候,eMBB数据被占用的部分就会停止传输,这样将会影响到eMBB数据传输的吞吐量和传输速率,从而影响了用户的体验,为了减少URLLC数据穿孔对eMBB业务的影响,在保证URLLC业务的超高可靠性和低时延的基础上,最大化eMBB业务的高速率、高吞吐量的特点功用,本发明构建的优化问题以最大化eMBB业务的传输速率为目标函数,在保证URLLC业务可靠性的基础上,尽可能降低穿孔对eMBB业务的影响;
所以URLLC/eMBB调度器的目标是在满足URLLC约束的同时,最大化eMBB用户的总数据速率,构建URLLC/eMBB调度器的优化函数:
公式9中,ε表示允许的最大中断概率,表示URLLC流量的可靠性级别,约束C1表示URLLC流量的可靠性约束,约束C2表示保证分配给URLLC流量的资源小于可用资源总量,在这里本发明首先松弛机会约束C1,以简化约束问题,以求达到封闭形式。
所述步骤S4:对基于松弛机会约束规划的URLLC和eMBB资源调度问题进行求解,具体包含以下内容:
URLLC负荷被视为由具有不同速率参数的随机分布衍生的随机变量,考虑到URLLC流量的随机性,形成一个机会约束优化问题,使用累积分布函数CDF,可以将问题转化为确定性凸优化,累积分布函数对应于用于URLLC流量的随机分布,本申请利用随机变量D的累计分布函数CDF将问题的机会约束转化为确定性形式,利用累积分布函数对URLLC的可靠性约束进行变换,因此URLLC流量的可靠性约束可以写成:
公式10中FD(x)是D的累积分布函数,所以优化问题可以写成:
导入的URLLC流量D遵循帕累托Pareto分布,根据帕累托分布对传入的URLLC流量D进行求解,帕累托分布的累积分布函数为:
公式12中,xm为X的最小值,μ表示帕累托Pareto分布中的一个正参数,根据帕累托Pareto分布,当μ=1时,下面的优化问题可以表示为凸优化问题;
因此本申请获得了下面的优化问题,对URLLC/eMBB调度器的优化函数进行优化并求得最优解:
所述CDF为Cumulative Distribution Function的简称,表示累计分布函数。
所述步骤S5:对基于2D-HNN业务共存场景的资源调度算法进行求解,具体包含以下内容:
下面描述并修改2D-HNNs用来解决向eMBB用户分配RBs的问题,然后,本发明将优化问题的机会约束松弛,使其达到封闭形式;
eMBB用户调度器系统模型是2D-HNNs,人工神经网络是求解优化问题的一种很有途径的方法,它通过并行处理节省了计算时间,并且能在线求解,神经网络由称为神经元的相互连接的处理元素组成,这些神经元一起工作解决特定问题,根据其结构,神经网络可分为前馈网络和反馈网络,两种类型都需要配置,一种方法是训练神经网络,让它的权重值根据学习的规则而变化,另一种是利用先验知识明确地设置权重,HNNs是RNNs的一种,属于非训练模型;
所述2D-HNNs为2-Dimensions Hopfield Neural Networks的简称,为2D-HNN的一种复数形式,所述RNNs为Recurrent Neural Networks的简称,表示循环神经网络;
在HNNs中,每个神经元的输出是‘1’或‘0’,这取决于神经元的输入,即其小于或者大于其阈值,每一对神经元,神经元ij和神经元kl,都与权重值ωijkl相关联,在HNNs中,神经元的自我连接被设为0,而且任意两个神经元之间是对称的,所以神经元ij的更新规则为:
公式14中,vij(t)是神经元ij的状态,ωijkl是连接两对神经元的权重值,而θij是神经元的阈值,HNNs有一个与神经网络的每个状态相关联的值,称为网络的能量E(v),首先计算最大数据速率再计算能量函数E(v):
当神经元根据更新规则进行随机更新时,能量函数值减小,收敛到稳定状态,即能量函数的局部最小值,本申请通过用神经元状态xi来定义和表示目标函数,研究这个极小化性质,然后通过能量函数和目标函数的比较,计算出连接权重值ωijkl和阈值θij;
本申请将RBs分配问题建模为一个2D-HNN,认为每个eMBB用户有B个神经元,每个用户的神经元的数目等于RBs的总数,本申请表达的是每个用户分配RBs资源的状态是通过神经元触发的模式进行分配的,即触发神经元(u,b)表示b资源块被分配给eMBB用户u,并且xu,b=1;
将eMBB用户资源分配的优化函数转化为极小化形式,将上述的优化问题修改为极小化形式如下:
那么目标函数可以写成与HNN能量函数相同的形式:
字母a表示GPF公平性意义的参数,所述GPF为Generalized Proportional Fair的简称,表示广义比例公平;δubij表示神经元之间是否连接;
公式17中δubij的定义如下:
将上述目标函数,也即公式17和HNN能量函数,也即公式15相比较,可以计算出连接权重值ωijkl和阈值θij,其值如下所示:
每个RB只能分配给一个用户这个约束,也即公式1,可以根据2D-HNN的更新规则修改,重复计算能量函数E(v),根据2D-HNN的更新规则修改为:
得到E(v)的最大迭代次数,根据E(v)求得eMBB用户资源分配的优化函数的最优解;
公式20中,yub表示神经元u,b之间的连接权重值与阈值的比较来表示神经元u,b的更新权重值,yUb表示神经元u集合的最大元素U,b的更新权重值,θub表示神经元u,b之间的阈值。
本申请提出的一种基于电力业务质量保障的5G网络资源动态调度方法,主要考虑的场景是当电力移动巡检视频监控等eMBB业务传输时,电力URLLC业务如精准负荷控制等,因高优先级的突发接入需求,5G网络中URLLC和eMBB业务共存的场景,如图1所示为URLLC和eMBB网络共存的系统模型,本申请主要考虑电力业务中所用的超可靠低时延场景和增强移动带宽场景共存时的数据传输速率的需求,考虑到电力业务时延敏感度、节点的全局资源、业务可靠性需求等因素,以时延和可靠性作为服务质量指标,时域被划分成间隔相等的时隙,与当前蜂窝网络中的时隙相同,根据eMBB用户的通道状态,在时隙边界将资源块RBs分配给eMBB用户,然而,随机URLLC流量可能在已经将RBs分配给不同eMBB用户的时间段到达,由于URLLC的硬延迟限制,不能将其流量延迟到下一个时隙,相反,每个时隙被进一步划分为迷你时隙mini-slots,到达的URLLC流量立即被放置在下一个mini-slot中传输,如图2所示,图2为URLLC/eMBB流量的动态复用示图,根据一个优化问题将资源分配给传入的URLLC流量,即已经分配给eMBB用户的流量,该优化问题的目标是在满足URLLC可靠性约束的同时最大化所有eMBB用户的传输数据速率。
本发明所实现的有益效果:
本申请从智能电网资源分配的问题出发,提出了一种基于电力业务质量保障的5G网络资源动态调度方法,提出了面向电力业务的eMBB和URLLC流量的动态资源分配的方法,根据第三代合作伙伴项目3GPP为这些共存场景提出了一种基于短传输时间间隔TTI和长传输时间间隔TTI的帧分配方案,所述TTI为Transmission Time Interval的简称,为传输时间间隔,在这种帧分布中,eMBB流量被调度到一个长TTI上,URLLC则采用穿刺或叠加方案,本申请不仅达到了在两种业务共存的情况下最大化eMBB业务的传输速率的目标,而且还考虑了URLLC的时延特性及可靠性参数,提出了两种业务共存时的系统模型,首先将资源块全部分配eMBB用户,这样所有eMBB用户的传输数据速率最大,同时还确保了用户之间达到一定程度的公平,考虑到eMBB用户信道条件差和穿孔eMBB用户URLLC流量的时间段,使用基于信道感知广义比例公平GPF调度,然后是URLLC和eMBB的传输调度,主要保证URLLC的可靠性约束,而且本申请还提出并修改2D-HNN,用来解决向eMBB用户分配资源块RBs的问题,然后本申请继续优化URLLC可靠性约束问题,使其达到封闭形式,最终本发明所提出的优化算法可以在保证URLLC业务可靠性约束的同时确保eMBB用户之间的相对公平,使eMBB业务的数据传输速率最大化,针对URLLC和eMBB共存时的调度问题,解决了URLLC业务的时延高、以及存在的可靠性问题,同时解决了URLLC约束条件下的eMBB用户传输速率受限的问题,使得URLLC约束条件下eMBB用户达到最大传输数据速率,保障了电力不同业务服务质量。
Claims (6)
1.一种基于电力业务质量保障的5G网络资源动态调度方法,其特征在于,所述调度方法包括5个步骤:
S1:建立URLLC和eMBB网络共存的系统模型;
S2:根据eMBB业务需求,基站为eMBB用户分配RBs;
S3:URLLC业务请求接入,URLLC/eMBB调度器执行分配方法;
S4:对基于松弛机会约束规划的URLLC和eMBB资源调度问题进行求解;
S5:对基于2D-HNN业务共存场景的资源调度算法进行求解;
所述eMBB为enhance Moblie BroadBand的简称,为增强移动宽带;所述URLLC为UltraReliable and Low Latency Communication的简称,为超高可靠性低时延通信;所述RBs为Resource Blocks的简称,为多个资源块;所述2D-HNN为2-Dimensions Hopfield NeuralNetwork的简称,为二维霍普菲尔德神经网络。
2.如权利要求1所述的一种基于电力业务质量保障的5G网络资源动态调度方法,其特征在于,所述步骤S1:建立URLLC和eMBB网络共存的系统模型,具体包含以下内容:
在URLLC和eMBB网络共存的系统模型中,考虑一个下行无线接入网RAN,由一组基站BSs组成,表示为J={1,2…,J},每个BSs通过回程链路连接到核心网,每个基站与URLLC和eMBB用户对应的集合相关联,两个用户对应的集合为U={1,2,…,u},eMBB用户按照LTE标准调度,URLLC用户通信覆盖预先调度的eMBB流量,eMBB和URLLC网络都共存,共享相同的频谱资源,包含由B={1,2,…,b}表示的资源块RBs集合,采用穿孔技术,假设eMBB用户是预先安排好的,并且每个eMBB用户都会具有基站BS已知的信干噪比SINR,在每个持续时间为0.125ms的迷你时隙中,URLLC用户随机到达,这些用户使用穿孔方案对现有的eMBB分配上进行调度;
所述RAN为Radio Access Network的简称,为无线接入网;所述BS为Base Station的简称,为基站;所述BSs为Base Stations的简称,为多个基站;所述LTE为Long TermEvolution的简称,为长期演进;所述RB为Resource Block的简称,为资源块,所述RBs为Resource Blocks的简称,为多个资源块;所述SINR为Signal to Interference plusNoise Ratio的简称,为信干噪比。
3.如权利要求1所述的一种基于电力业务质量保障的5G网络资源动态调度方法,其特征在于,所述步骤S2:根据eMBB业务需求,基站为eMBB用户分配RBs包含以下内容:
xu,b使每个RB同时只分配给一个用户,找到分配矩阵x,分配矩阵x的每个元素定义如下:
公式1中,xu,b表示RBs资源分配的结果,Bu是分配给eMBB用户u的所有RBs的集合,所述Otherwise为否则的含义,表示b不属于这个Bu集合的情况;
公式2中,xu,b=1时表示RBs分配到用户u,xu,b=0时则表示相反的情况,fb表示资源块RB的带宽,pu是用户u的传输功率,hu表示用户u的信道增益,N0表示噪声功率,F是总带宽;
公式2中,β是一个与目标误码率BER相关的常数,其表示如下:
β=1.5/(ln(5BER)) 公式3
公式3中,所述BER为Bit Error Ratio的简称,为误码率;
公式4中η为权重值;
根据公式2和公式4,构建eMBB用户资源分配的优化函数,构建的优化问题可以表示为:
公式5中,α为广义公平公式中的参数值,表示在总数据速率和公平性之间进行不同程度的权衡;maximize表示最大化,subject to表示服从约束。
4.如权利要求1所述的一种基于电力业务质量保障的5G网络资源动态调度方法,其特征在于,所述步骤S3:URLLC业务请求接入,URLLC/eMBB调度器执行分配方法,具体包含以下内容:
eMBB用户在每个时隙的数据率损失与该用户的资源刺穿成正比,用γu(t)通过时隙t的URLLC流量定义eMBB用户u被击穿的资源,γu(t)表示被击穿的资源,也就是URLLC占用的RB资源,在时隙t上被击穿的资源γu(t)对eMBB用户u的影响速率表示为:
公式6可计算出eMBB用户u在URLLC流量接入后所受影响的数据传输速率ru(t);
设随机变量D(t)表示t时隙URLLC用户进入的流量,根据URLLC业务的可靠性需求计算中断概率P(E),URLLC的中断概率可以表示为:
公式8中,purllc表示用户URLLC的传输功率,hurllc表示用户URLLC的信道增益;
URLLC/eMBB调度器在满足URLLC约束的同时,最大化eMBB用户的总数据速率,构建URLLC/eMBB调度器的优化函数:
subject to C1:P(E)≤ε
公式9中,ε表示允许的最大中断概率,表示URLLC流量的可靠性级别,约束C1表示URLLC流量的可靠性约束,约束C2表示保证分配给URLLC流量的资源小于可用资源总量。
5.如权利要求1所述的一种基于电力业务质量保障的5G网络资源动态调度方法,其特征在于,所述步骤S4:对基于松弛机会约束规划的URLLC和eMBB资源调度问题进行求解,具体包含以下内容:
利用累积分布函数对URLLC的可靠性约束进行变换,URLLC流量的可靠性约束可以写成:
公式10中FD(x)是D的累积分布函数,所以优化问题可以写成:
导入的URLLC流量D遵循帕累托Pareto分布,根据帕累托分布对传入的URLLC流量D进行求解,帕累托分布的累积分布函数为:
公式12中,xm为X的最小值,μ表示帕累托Pareto分布中的一个正参数,对URLLC/eMBB调度器的优化函数进行优化并求得最优解:
所述CDF为Cumulative Distribution Function的简称,表示累计分布函数。
6.如权利要求1所述的一种基于电力业务质量保障的5G网络资源动态调度方法,其特征在于,所述步骤S5:对基于2D-HNN业务共存场景的资源调度算法进行求解,具体包含以下内容:
eMBB用户调度器系统模型是2D-HNNs,HNNs是RNNs的一种,属于非训练模型,所述2D-HNNs为2-Dimensiohs Hopfield Neural Networks的简称,为2D-HNN的一种复数形式,所述RNNs为Recurrent Neural Networks的简称,表示循环神经网络;
在HNNs中,每个神经元的输出是‘1’或‘0’,取决于神经元的输入,即其小于或者大于其阈值,每一对神经元,神经元ij和神经元kl,都与权重值ωijkl相关联,在HNNs中,神经元的自我连接被设为0,而且任意两个神经元之间是对称的,所以神经元ij的更新规则为:
公式14中,vij(t)是神经元ij的状态,ωijkl是连接两对神经元的权重值,而θij是神经元的阈值,HNNs有一个与神经网络的每个状态相关联的值,称为网络的能量E(v),首先计算最大数据速率再计算能量函数E(v):
将eMBB用户资源分配的优化函数转化为极小化形式:
目标函数可以写成与HNN能量函数相同的形式:
字母a表示GPF公平性意义的参数,所述GPF为Generalized Proportional Fair的简称,表示广义比例公平;δubij表示神经元之间是否连接;
公式17中δubij的定义如下:
将上述目标函数,也即公式17和HNN能量函数,也即公式15相比较,计算出连接权重值ωijkl和阈值θij,其值如下所示:
每个RB只能分配给一个用户这个约束,也即公式1,根据2D-HNN的更新规则修改,重复计算能量函数E(v),根据2D-HNN的更新规则修改为:
得到E(v)的最大迭代次数,根据E(v)求得eMBB用户资源分配的优化函数的最优解;
公式20中,yub表示神经元u,b之间的连接权重值与阈值的比较来表示神经元u,b的更新权重值,yUb表示神经元u集合的最大元素U,b的更新权重值,θub表示神经元u,b之间的阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566569.0A CN114143816A (zh) | 2021-12-20 | 2021-12-20 | 一种基于电力业务质量保障的5g网络资源动态调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111566569.0A CN114143816A (zh) | 2021-12-20 | 2021-12-20 | 一种基于电力业务质量保障的5g网络资源动态调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114143816A true CN114143816A (zh) | 2022-03-04 |
Family
ID=80383005
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111566569.0A Pending CN114143816A (zh) | 2021-12-20 | 2021-12-20 | 一种基于电力业务质量保障的5g网络资源动态调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114143816A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928382A (zh) * | 2022-05-18 | 2022-08-19 | 东南大学 | 一种基于网络切片和混合能量供应的分布式大规模mimo能效优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109561504A (zh) * | 2018-11-20 | 2019-04-02 | 北京邮电大学 | 一种基于深度强化学习的URLLC和eMBB的资源复用方法 |
EP3534561A1 (en) * | 2016-10-31 | 2019-09-04 | KT Corporation | Method and device for allocating data channel resource for next-generation wireless access network |
CN112738890A (zh) * | 2019-10-28 | 2021-04-30 | 中兴通讯股份有限公司 | eMBB CCE资源分配方法及装置 |
CN113079577A (zh) * | 2021-03-19 | 2021-07-06 | 杭州电子科技大学 | 基于embb和urllc共存场景下的资源分配方法 |
US20210321400A1 (en) * | 2020-04-10 | 2021-10-14 | Qualcomm Incorporated | Dci design for multi-cross carrier scheduling |
-
2021
- 2021-12-20 CN CN202111566569.0A patent/CN114143816A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3534561A1 (en) * | 2016-10-31 | 2019-09-04 | KT Corporation | Method and device for allocating data channel resource for next-generation wireless access network |
CN109561504A (zh) * | 2018-11-20 | 2019-04-02 | 北京邮电大学 | 一种基于深度强化学习的URLLC和eMBB的资源复用方法 |
CN112738890A (zh) * | 2019-10-28 | 2021-04-30 | 中兴通讯股份有限公司 | eMBB CCE资源分配方法及装置 |
US20210321400A1 (en) * | 2020-04-10 | 2021-10-14 | Qualcomm Incorporated | Dci design for multi-cross carrier scheduling |
CN113079577A (zh) * | 2021-03-19 | 2021-07-06 | 杭州电子科技大学 | 基于embb和urllc共存场景下的资源分配方法 |
Non-Patent Citations (2)
Title |
---|
MADYAN ALSENWI: "A Chance Constrained Based Formulation for Dynamic Multiplexing of eMBB-URLLC Traffics in 5G New Radio" * |
MCC: "R2-1903001 \"RAN2#105 Meeting Report\"" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928382A (zh) * | 2022-05-18 | 2022-08-19 | 东南大学 | 一种基于网络切片和混合能量供应的分布式大规模mimo能效优化方法 |
CN114928382B (zh) * | 2022-05-18 | 2023-12-26 | 东南大学 | 一种基于网络切片和混合能量供应的分布式大规模mimo能效优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Toward massive machine type communications in ultra-dense cellular IoT networks: Current issues and machine learning-assisted solutions | |
CN109963308B (zh) | 无线通信系统中的资源调度方法及装置 | |
Jang et al. | URLLC mode optimal resource allocation to support HARQ in 5G wireless networks | |
CN113395723B (zh) | 基于强化学习的5g nr下行调度时延优化系统 | |
Feng et al. | A predictive semi-persistent scheduling scheme for low-latency applications in LTE and NR networks | |
Wang et al. | Joint bandwidth and transmission opportunity allocation for the coexistence between NR-U and WiFi systems in the unlicensed band | |
Ahmed et al. | A QoS-aware MAC protocol for IEEE 802.11 ah-based Internet of Things | |
Elsayed et al. | Deep Q-learning for low-latency tactile applications: Microgrid communications | |
Abdelsadek et al. | An LTE-based optimal resource allocation scheme for delay-sensitive M2M deployments coexistent with H2H users | |
Gemici et al. | Modeling queuing delay of 5G NR with NOMA under SINR outage constraint | |
Sharan et al. | Energy efficient AoI minimization in opportunistic NOMA/OMA broadcast wireless networks | |
Zhang et al. | Dynamic user-centric clustering for uplink cooperation in multi-cell wireless networks | |
CN114143816A (zh) | 一种基于电力业务质量保障的5g网络资源动态调度方法 | |
Zhang et al. | Intelligent spectrum management based on radio map for cloud-based satellite and terrestrial spectrum shared networks | |
Cai et al. | Dynamic QoS mapping and adaptive semi-persistent scheduling in 5G-TSN integrated networks | |
WO2021164507A1 (zh) | 调度方法、调度算法的训练方法及相关系统、存储介质 | |
Sun et al. | Joint power allocation and rate control for NOMA-based space information networks | |
Seo et al. | Real-time transmission control for multichannel NOMA random access systems | |
AlQwider et al. | Deep Q-network for 5G NR downlink scheduling | |
Tian et al. | On-Demand Multiplexing of eMBB/URLLC Traffic in a Multi-UAV Relay Network | |
Alcaraz et al. | Link-layer scheduling in vehicle to infrastructure networks: An optimal control approach | |
Şahin et al. | Scheduling out-of-coverage vehicular communications using reinforcement learning | |
Bhorkar et al. | WLC39-3: power optimal opportunistic scheduling | |
Külzer et al. | Predictive resource allocation for automotive applications using Interference Calculus | |
Ambika et al. | Optimized Resource Allocation and Queue Management for Traffic Control in MANET. |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220304 |
|
RJ01 | Rejection of invention patent application after publication |