CN114340017B - 一种具有eMBB和URLLC混合服务的异构网络资源切片方法 - Google Patents
一种具有eMBB和URLLC混合服务的异构网络资源切片方法 Download PDFInfo
- Publication number
- CN114340017B CN114340017B CN202210261790.3A CN202210261790A CN114340017B CN 114340017 B CN114340017 B CN 114340017B CN 202210261790 A CN202210261790 A CN 202210261790A CN 114340017 B CN114340017 B CN 114340017B
- Authority
- CN
- China
- Prior art keywords
- network
- urllc
- embb
- base station
- dqn
- 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 31
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 39
- 230000009471 action Effects 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 20
- 238000013468 resource allocation Methods 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000010295 mobile communication Methods 0.000 abstract description 4
- 230000002787 reinforcement Effects 0.000 abstract 1
- 239000003795 chemical substances by application Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- 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
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种具有eMBB和URLLC混合服务的异构网络资源切片方法,属于移动通信技术领域,包括如下步骤:在5G异构融合网络区域内,构建由基站和基站用户组成的异构融合网络模型;根据异构融合网络模型建立最大化效用函数;采用DQN算法,对具有eMBB和URLLC混合服务的异构网络资源切片,得到最佳资源调度分配方案。本发明解决了无线资源中的带宽分配问题,将深度强化学习中的DQN算法用于解决5G异构融合网络中eMBB和URLLC两种不同服务之间的资源调度分配问题,能够保证eMBB和URLLC服务的QoE,提高了频谱效率SE并提升了系统整体效用。
Description
技术领域
本发明属于移动通信技术领域,具体涉及一种具有eMBB和URLLC混合服务的异构网络资源切片方法。
背景技术
随着移动网络数据的爆炸式增长,第五代移动通信技术已经发展成熟,可以满足多种服务需求。第五代移动通信网络中最具典型的服务类型有:增强型移动宽带(eMBB),大规模机器类型通信(mMTC),超可靠和低延迟通信(URLLC)服务。5G网络以切片的方式为上述三种类型的用户提供资源。进行切片时,基站能够根据用户服务类型的动态需求按需调整资源的分配,可以适应不同的网络状态。对网络资源进行切片可以实现5G网络数据分流管理和资源的灵活分配,也是实现5G网络高数据传输速率、低时延和大容量所必要的。
由于网络通信量的激烈增长和设备的密集化,在不同服务类型之间的资源调度分配中存在着多种问题,也面临着巨大的挑战。以5G网络中两种典型的主流服务eMBB和URLLC为例,一个区域中的视频流eMBB服务需要在其传输时间间隔内保证带宽资源才能有足够高且稳定的图像或语音内容质量。而URLLC服务具有超低时延和高可靠性的特性要求,如果同一区域中URLLC流量突然增加,它将迅速占据这些带宽资源来达到其所需的传输速率,从而获得超低时延性能。但是满足URLLC的性能要求是以牺牲eMBB服务质量为代价的。
所以,对于具有eMBB和URLLC混合服务的异构网络,亟需一种方法来进行网络切片,保障资源的合理调度分配,在保证URLLC超低时延和高可靠性的前提下,也不牺牲eMBB服务质量。
发明内容
本发明提出了一种具有eMBB和URLLC混合服务的异构网络资源切片方法,从带宽分配的角度出发,引入基于DQN算法,对具有eMBB和URLLC混合服务的异构网络资源切片,对5G异构融合网络中的带宽进行合理分配。
为了实现上述目的,本发明采用如下技术方案:
一种基于DQN的异构融合网络资源切片方法,包括如下步骤:
S1.在5G异构融合网络区域内,构建由基站和基站用户组成的异构融合网络模型;
S2.根据异构融合网络模型建立最大化效用函数;
S3.采用DQN算法,对具有eMBB和URLLC混合服务的异构网络资源切片,得到最佳资源调度分配方案。
进一步地,在构建的异构融合网络模型中,有s个基站,共存在{1,…,N}的网络切
片列表,所有切片共享聚合带宽W;用户集U中包含M个用户{u 1,u 2,…,u m },其中有m 1个eMBB
用户和m 2个URLLC用户;用户服务集O中包含eMBB和URLLC两种服务;在当前时隙不同服务类
型的用户向基站请求资源时,基站将带宽资源块按需分配给各切片上的用户;考虑网络切
片未服务的用户的下行链路,令为网络切片n上任一服务的用户下行链路传输速率;
其中,令和分别为eMBB和URLLC数据包的传输速率;令代表基站为任一切片分配
的带宽;其中,令和分别代表基站为eMBB切片和URLLC切片分配的带宽;令为
任一切片数据包传输数量;其中,令和分别为eMBB切片和URLLC切片的数据包
传输数量。
进一步地,所述方法的异构融合网络模型设有智能代理,智能代理及时获得环境
中eMBB和URLLC需求的变化和前一时隙基站中资源分配情况;在当前时隙不同服务类型的
用户向基站请求资源时,智能代理通过与环境交互获得观测值形成状态并根据策
略选择最佳动作值;基站根据智能代理的策略为用户分配带宽资源;同时,智能代理根据奖
励机制形成reward并根据环境变化获得新的状态;最后通过DQN的迭代训练,基站找到最佳
的带宽资源分配方案。
进一步地,步骤S2的具体过程为:
S203.计算传输速率的频谱效率SE:
S204.令表示eMBB和URLLC服务集中任一服务数据包的传输数量,定义, 时代表成功传输数据包,时代表丢失数据包;分别将eMBB和URLLC
用户数据包的丢包率定义为每种服务的用户体验质量QoE,如下:
S205.为每个切片分配带宽资源块来最大化模型效用函数F,该函数定义为不同服务的切片的SE和QoE的加权和;网络切片中的带宽分配问题定义如下:
其中,网络切片中的带宽分配问题满足的条件如下:
进一步地,步骤S3的具体过程为:
S302.基于DQN算法进行迭代训练,每一次迭代都进行如下操作:基站根据DQN中的
策略选择一个带宽分配动作,之后执行调度;按照公式(5)计算出模型的效用函数,同时根
据奖励机制计算奖励函数reward;再次计算eMBB和URLLC数据包的传输数量作为下一状
态;将输入DQN进行训练,a是当前动作,r是奖励值;
S303.经过预定次数的迭代,最终训练出了性能良好的值函数网络,从而得到最佳的带宽资源分配方案。
进一步地,DQN算法的网络参数训练流程如下:
另外,DQN每C次迭代通过重置将网络参数克隆到目标网络中,有效化agent网络的参数更新过程;
目标网络的目标Q值为:
进一步地,该方法采用基于DQN的带宽调度分配算法,算法步骤如下:
(1)参数初始化;
(2)基站按需求将带宽资源分配给eMBB和URLLC用户,并按照设置的调度原则进行带宽资源块的调用;
(3)DQN的智能代理在与环境交互中获得状态、动作、奖励;
(4)对参数进行迭代训练获得最佳动作;
(5)设定迭代次数,基站根据DQN中的策略获得资源分配的最佳方案。
本发明所带来的有益技术效果:
本发明从带宽资源分配的角度出发,引入DQN算法,对具有eMBB和URLLC混合服务的异构网络资源切片,从而解决了5G异构融合网络中的带宽分配问题,能够有效的保证eMBB和URLLC服务的用户体验质量QoE和系统的整体效用,有效提升频谱效率SE。
附图说明
图1为本发明基于DQN的异构融合网络资源切片方法的流程图;
图2为本发明中异构融合网络模型的示意图;
图3为本发明中基于DQN的带宽分配算法流程图。
具体实施方式
下面结合附图以及具体实施方式对本发明作进一步详细说明:
如图1所示为本发明的方法框图,包括如下三个过程:在5G异构融合网络区域内,构建由基站和基站用户组成的异构融合网络模型;根据异构融合网络模型建立最大化效用函数;采用DQN算法,对具有eMBB和URLLC混合服务的异构网络资源切片,得到最佳资源调度分配方案。具体表现为:建立由基站和基站用户构成的异构融合网络模型;将具有eMBB和URLLC混合服务的异构网络中的资源分配问题描述为一个非凸优化问题并建立优化函数(即建立模型最大化效用函数),进而对异构网络资源切片,最终得到带宽调度分配的最优解;求解最优解时,采用DQN算法,对DQN网络进行迭代训练,找到使Q值最大的带宽分配策略。
下面对每一过程作进一步的具体描述。
一、构建由基站和基站用户组成的异构融合网络模型。
图2为本发明的异构融合网络模型示意图,建立一个由基站和基站用户构成的异
构融合网络模型。智能代理可以及时获得环境中eMBB和URLLC需求的变化和前一时隙基站
中资源分配情况。在当前时隙,不同服务类型的用户向基站请求资源时,智能代理通过与环
境交互获得观测值形成状态并根据策略选择最佳动作值。基站根据智能代理的策
略为用户分配带宽资源。同时,智能代理根据奖励机制形成reward并根据环境变化获得新
的状态。通过DQN的迭代训练,基站可以找到最佳的带宽资源分配方案。
在本异构融合网络模型的场景中,有s个基站BS,共存在{1,…,N}的网络切片列
表,所有切片共享聚合带宽W。用户集U中包含M个用户{u 1,u 2,…,u m },其中有m 1个eMBB用户
和m 2个URLLC用户。用户服务集O中主要包含eMBB和URLLC两种服务。在当前时隙不同服务类
型的用户向基站请求资源时,基站将带宽资源块按需分配给各切片上的用户。考虑网络切
片NS未服务的用户的下行链路,令为网络切片n上任一服务的用户下行链路传输速
率。其中,令和分别为eMBB和URLLC数据包的传输速率。令代表基站为任一切片
分配的带宽。其中,令和分别代表基站为eMBB切片和URLLC切片分配的带宽。令为任一切片数据包传输数量。其中,令和分别为eMBB切片和URLLC切片
的数据包传输数量。
二、根据异构融合网络模型建立最大化效用函数
针对小区内eMBB和URLLC多种服务类型之间的带宽资源调度分配问题,本发明旨在通过动态调整为每个切片分配带宽资源块来最大化模型效用函数F,该函数定义为不同服务切片的SE和QoE的加权和。分别研究两个子目标:频谱效率SE和用户体验质量QoE。
模型中给定传输速率的频谱效率SE如下:
由于URLLC服务的超低时延和高可靠性的特性要求,当前时隙基站带宽资源不充足时,基站就会将传输eMBB数据包占用的带宽资源块部分调用给URLLC服务,直到满足传输URLLC数据包所需的带宽,降低其丢包率。
综上所述,网络切片中的带宽分配问题定义如下:
其中,网络切片中的带宽分配问题满足的条件如下:
三、采用DQN算法,对具有eMBB和URLLC混合服务的异构网络资源切片,得到最佳资源调度分配方案。
1、DQN算法思想
智能代理agent试图通过与环境的不断试错交互产生很多新的数据,然后根据这
些数据学习一套策略。该策略能够使代理在给定状态下寻找最佳动作的同时最大化累计期
望奖励。代理与环境的交互过程被建模为马尔可夫决策过程,其中和分别
为状态空间和动作空间,R为奖励函数,是转移概率,是值为大于0小于1的折现因
子。状态空间包含当前状态和下一状态。动作空间包含当前动作和下一动作。
策略是将状态映射到动作上的分布。在状态下根据策略得到的状态值函数表示为:
上述两式中的E表示期望值。
状态值和下一状态值之间的关系由Bellman方程可表示为:
同理,动作值和下一动作值之间的关系由Bellman方程表示为:
2、利用基于DQN的资源切片方法对具有eMBB和URLLC混合服务的异构网络进行带宽资源块的分配和调度。
(2)基于DQN算法进行迭代训练,每一次迭代都进行如下操作:基站根据DQN中的策
略选择一个带宽分配动作,之后执行调度。按照公式(5)计算出系统的效用函数,同时根据
频谱效率和QoE的值计算奖励函数reward。再次计算eMBB和URLLC数据包的传输数量作
为下一状态。将输入DQN进行训练,r是奖励值。
DQN算法网络参数的训练流程如下:首先,代理在与环境交互中得到,利
用经验重放机制将transition存入样本池中,之后在样本池中抽取最小单位的transition
进行训练。其次,DQN使用评估Q网络和目标Q网络两个带有参数的神经网络估计Q值,并且
令表示具有参数的值函数。另外,DQN每C次迭代通过重置将网络参数克隆到目
标网络中,这样能够有效化agent网络的参数更新过程。目标网络的目标Q值为:
(3)经过预定次数的迭代,最终训练出了性能良好的值函数网络,从而可以得到最佳的带宽资源分配方案。
上述基于DQN的带宽调度分配算法的伪代码如下:
1:参数初始化;
2:基站随机选择方案为eMBB和URLLC分配带宽资源;
3:调度:
4:基站为用户分配剩余带宽资源块;
5:未满足需求的URLLC用户继续向基站请求资源;
6: 基站根据设定的资源调度机制,将eMBB占用的部分带宽资源块调度给URLLC用户;
7:计算eMBB 和 URLLC的数据包传输数量,并把它作为当前状态;
8:重复
9: For k=1到 M,M为迭代次数
10:根据DQN的策略选择动作;
11:执行调度;
12:根据公式(5)计算模型效用函数F;
13:根据奖励机制计算奖励;
14:计算eMBB 和 URLLC的数据包传输数量,并把它作为后继状态;
15: #训练 DQN
16:代理将状态、动作、奖励等输入DQN并存入样本池中;
22: End for
23:直到完成预定的最大迭代次数。
如图3所示,该算法主要分为以下几个步骤:
(1)参数初始化;
(2)基站按需求将带宽资源分配给eMBB和URLLC用户,并按照设置的调度原则进行带宽资源块的调用;
(3)DQN的智能代理在与环境交互中获得状态、动作、奖励等;
(4)对参数进行迭代训练获得最佳动作;
(5)设定迭代次数,基站根据DQN中的策略获得资源分配的最佳方案。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种具有eMBB和URLLC混合服务的异构网络资源切片方法,其特征在于,包括如下步骤:
S1.在5G异构融合网络区域内,构建由基站和基站用户组成的异构融合网络模型;
在构建的异构融合网络模型中,有s个基站,共存在{1,…,N}的网络切片列表,所有切片共享聚合带宽W;用户集U中包含M个用户{u 1,u 2,…,u m },其中有m 1个eMBB用户和m 2个URLLC用户;用户服务集O中包含eMBB和URLLC两种服务;在当前时隙不同服务类型的用户向基站请求资源时,基站将带宽资源块按需分配给各切片上的用户;考虑网络切片未服务的用户的下行链路,令为网络切片n上任一服务的用户下行链路传输速率;其中,令和分别为eMBB和URLLC数据包的传输速率;令代表基站为任一切片分配的带宽;其中,令和分别代表基站为eMBB切片和URLLC切片分配的带宽;令为任一切片数据包传输数量;其中,令和分别为eMBB切片和URLLC切片的数据包传输数量;
S2.根据异构融合网络模型建立最大化效用函数;具体过程为:
S203.计算传输速率的频谱效率SE:
S204.令表示eMBB和URLLC服务集中任一服务数据包的传输数量,定义,时代表成功传输数据包,时代表丢失数据包;分别将eMBB和URLLC用户数据包的丢包率定义为每种服务的用户体验质量QoE,如下:
S205.为每个切片分配带宽资源块来最大化模型效用函数F,该函数定义为不同服务的切片的SE和QoE的加权和;网络切片中的带宽分配问题定义如下:
其中,网络切片中的带宽分配问题满足的条件如下:
S3.采用DQN算法,对具有eMBB和URLLC混合服务的异构网络资源切片,得到最佳资源调度分配方案;具体过程为:
S302.基于DQN算法进行迭代训练,每一次迭代都进行如下操作:基站根据DQN中的策略选择一个带宽分配动作,之后执行调度;按照公式(5)计算出模型的效用函数,同时根据奖励机制计算奖励函数reward;再次计算eMBB和URLLC数据包的传输数量作为下一状态;将输入DQN进行训练,a是当前动作,r是奖励值;
S303.经过预定次数的迭代,最终训练出了性能良好的值函数网络,从而得到最佳的带宽资源分配方案。
3.根据权利要求1所述具有eMBB和URLLC混合服务的异构网络资源切片方法,其特征在于,DQN算法的网络参数训练流程如下:
另外,DQN每C次迭代通过重置将网络参数克隆到目标网络中,有效化agent网络的参数更新过程;
目标网络的目标Q值为:
4.根据权利要求3所述具有eMBB和URLLC混合服务的异构网络资源切片方法,其特征在于,该方法采用基于DQN的带宽调度分配算法,算法步骤如下:
(1)参数初始化;
(2)基站按需求将带宽资源分配给eMBB和URLLC用户,并按照设置的调度原则进行带宽资源块的调用;
(3)DQN的智能代理在与环境交互中获得状态、动作、奖励;
(4)对参数进行迭代训练获得最佳动作;
(5)设定迭代次数,基站根据DQN中的策略获得资源分配的最佳方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261790.3A CN114340017B (zh) | 2022-03-17 | 2022-03-17 | 一种具有eMBB和URLLC混合服务的异构网络资源切片方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210261790.3A CN114340017B (zh) | 2022-03-17 | 2022-03-17 | 一种具有eMBB和URLLC混合服务的异构网络资源切片方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114340017A CN114340017A (zh) | 2022-04-12 |
CN114340017B true CN114340017B (zh) | 2022-06-07 |
Family
ID=81034099
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210261790.3A Active CN114340017B (zh) | 2022-03-17 | 2022-03-17 | 一种具有eMBB和URLLC混合服务的异构网络资源切片方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114340017B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114786262A (zh) * | 2022-04-24 | 2022-07-22 | 歌尔股份有限公司 | 一种资源分配方法、装置、电子设备和介质 |
CN115175344A (zh) * | 2022-07-05 | 2022-10-11 | 东南大学 | 一种网络切片下联合子载波和功率分配的分布式mimo能效优化方法 |
CN115174412B (zh) * | 2022-08-22 | 2024-04-12 | 深圳市人工智能与机器人研究院 | 针对异构联邦学习系统的动态带宽分配方法以及相关设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111182644A (zh) * | 2019-12-24 | 2020-05-19 | 北京邮电大学 | 基于深度强化学习的联合重传urllc资源调度方法 |
WO2021254349A1 (zh) * | 2020-06-15 | 2021-12-23 | 武汉理工大学 | 一种基于竞争博弈的多用户切片资源分配方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3877914A1 (en) * | 2018-11-05 | 2021-09-15 | Nokia Solutions and Networks Oy | One shot multi-user multiple-input multiple-output (mu-mimo) resource pairing using reinforcement learning based deep q network (dqn) |
US11678272B2 (en) * | 2019-10-30 | 2023-06-13 | University Of Ottawa | System and method for joint power and resource allocation using reinforcement learning |
CN112351433B (zh) * | 2021-01-05 | 2021-05-25 | 南京邮电大学 | 一种基于强化学习的异构网络资源分配方法 |
-
2022
- 2022-03-17 CN CN202210261790.3A patent/CN114340017B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111182644A (zh) * | 2019-12-24 | 2020-05-19 | 北京邮电大学 | 基于深度强化学习的联合重传urllc资源调度方法 |
WO2021254349A1 (zh) * | 2020-06-15 | 2021-12-23 | 武汉理工大学 | 一种基于竞争博弈的多用户切片资源分配方法 |
Non-Patent Citations (3)
Title |
---|
Deep Q-learning for 5G network slicing with diverse resource stipulations and dynamic data traffic;Debaditya Shome等;《IEEE》;20210429;全文 * |
Dynamic SDN-based Radio Access Network Slicing with Deep Reinforcement Learning for URLLC and eMBB Services;Abderrahime Filai等;《IEEE》;20220308;全文 * |
基于深度强化学习的应急物联网切片资源预留算法;孙国林等;《通信学报》;20201231(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114340017A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114340017B (zh) | 一种具有eMBB和URLLC混合服务的异构网络资源切片方法 | |
CN110493826B (zh) | 一种基于深度强化学习的异构云无线接入网资源分配方法 | |
CN109474980B (zh) | 一种基于深度增强学习的无线网络资源分配方法 | |
Niyato et al. | A noncooperative game-theoretic framework for radio resource management in 4G heterogeneous wireless access networks | |
CN108112082B (zh) | 一种基于无状态q学习的无线网络分布式自主资源分配方法 | |
CN111556572B (zh) | 一种基于强化学习的频谱资源和计算资源联合分配方法 | |
CN106604401B (zh) | 一种异构网络中的资源分配方法 | |
CN113163451A (zh) | 一种基于深度强化学习的d2d通信网络切片分配方法 | |
Elsayed et al. | Deep reinforcement learning for reducing latency in mission critical services | |
CN110769514A (zh) | 一种异构蜂窝网络d2d通信资源分配方法及系统 | |
Fei et al. | QoE-driven resource allocation for mobile IP services in wireless network | |
US20220394727A1 (en) | Scheduling method, scheduling algorithm training method, related system, and storage medium | |
Qiao et al. | Video quality provisioning for millimeter wave 5G cellular networks with link outage | |
Lopez et al. | Power control and relay selection in cognitive radio ad hoc networks using game theory | |
Arani et al. | HAPS-UAV-enabled heterogeneous networks: A deep reinforcement learning approach | |
CN109600793B (zh) | 基于社会关系的d2d通信动态中继选择方法 | |
CN116828534A (zh) | 基于强化学习的密集网络大规模终端接入与资源分配方法 | |
CN116567667A (zh) | 一种基于深度强化学习的异构网络资源能效优化方法 | |
CN107995034B (zh) | 一种密集蜂窝网络能量与业务协作方法 | |
CN107257583B (zh) | 一种基于自回传小蜂窝网络的虚拟资源分配方法 | |
CN113316239B (zh) | 一种基于强化学习的无人机网络发射功率分配方法及装置 | |
CN115066016A (zh) | 一种两层星地异构网络中的干扰管理方法及装置 | |
Raschellà et al. | Smart access point selection for dense WLANs: A use-case | |
Xu et al. | Reinforcement learning for trajectory design in cache-enabled UAV-assisted cellular networks | |
CN114867030B (zh) | 双时间尺度智能无线接入网切片方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220412 Assignee: Qingdao Zhihai Muyang Technology Co.,Ltd. Assignor: SHANDONG University OF SCIENCE AND TECHNOLOGY Contract record no.: X2024980000708 Denomination of invention: A Heterogeneous Network Resource Slicing Method with eMBB and URLLC Mixed Services Granted publication date: 20220607 License type: Common License Record date: 20240116 |