CN114615730B - 回程受限密集无线网络面向内容覆盖的功率分配方法 - Google Patents
回程受限密集无线网络面向内容覆盖的功率分配方法 Download PDFInfo
- Publication number
- CN114615730B CN114615730B CN202210284852.2A CN202210284852A CN114615730B CN 114615730 B CN114615730 B CN 114615730B CN 202210284852 A CN202210284852 A CN 202210284852A CN 114615730 B CN114615730 B CN 114615730B
- Authority
- CN
- China
- Prior art keywords
- base station
- network
- probability
- power
- representing
- 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 22
- 230000009471 action Effects 0.000 claims abstract description 19
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 230000002787 reinforcement Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 5
- 230000003993 interaction Effects 0.000 claims abstract description 4
- 230000008054 signal transmission Effects 0.000 claims abstract description 3
- 230000005540 biological transmission Effects 0.000 claims description 21
- 230000004913 activation Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000003139 buffering effect Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
-
- 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
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/34—TPC management, i.e. sharing limited amount of power among users or channels or data types, e.g. cell loading
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/30—TPC using constraints in the total amount of available transmission power
- H04W52/36—TPC using constraints in the total amount of available transmission power with a discrete range or set of values, e.g. step size, ramping or offsets
- H04W52/367—Power values between minimum and maximum limits, e.g. dynamic range
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
技术领域
本发明属于蜂窝移动通信技术领域,尤其涉及一种密集无线网络功率分配方法,可用于密集无线网络的回程优化和功率分配。
背景技术
互联网用户的不断增加以及智能设备的不断发展的同时也产生了巨大的数据流量需求,到2022年,全球每月移动业余数据总量将达到77艾字节,1艾字节=260字节。同时,远程医疗、自动驾驶、电子竞技、同声翻译这些产业的兴起也对通信网络的时延提出了新的要求。为了更好的满足日益增长的业务需求,提升无线网络内容覆盖成为最根本手段。网络密集部署是提升网络内容覆盖最有效的途径,它能够将网络容量提升近2700倍。其中密集部署指的是除传统宏基站外,网络中将布设大量的基站/接入点来缩短信号收发两端的距离,极大增强了空间复用程度。未来无线系统中的通信基础设施还将从地面扩展到空中,扩大现有地面基站的覆盖能力。
Alam A,Dooley L,Poulton A在其发表的论文“Traffic-and-InterferenceAware Base Station Switching for Green Cellular Networks”(Proc.IEEE CAMAD,2013)中提出了一种基于动态流量感知和动态流量干扰感知的基站开关算法,该算法可以无缝地结合基站睡眠和中继站转换模型,以确定在任何时刻保持活动的最佳基站集,既能严格维护用户的服务质量,从而进一步提升网络容量,又能减少基站的能源消耗。但是该方法由于未考虑密集网络下回程资源受限对网络性能的限制,无法满足密集无线网络下用户的全部需求,从而导致内容覆盖的连续性无法得到保障,故不适用于密集无线网络。
Chen Z,Pappas N,Kountouris M在其发表的论文“Probabilistic Caching inWireless D2D Networks:Cache Hit Optimal versus Throughput Optimal”(IEEECommun.Lett.,2017)中证明了应用缓存技术时考虑传输可靠性的重要意义,通过比较最大化文件的缓存命中概率与最大化网络空间吞吐量分别得到每个文件的缓存概率,并进一步求得两种考虑方式下服务的用户请求密度,以提高网络的空间吞吐量。但是该方法由于未考虑基站/接入点密集部署情况,造成最大化文件的缓存命中概率将导致网络干扰加剧的后果,从而恶化网络性能。
Nasser A,Muta O,Elsabrouty M等在其发表的论文“Interference Mitigationand Power Allocation Scheme for Downlink MIMO–NOMA HetNet”(IEEE Transactionson Vehicular Technology,2019)中提出了面向非正交多址接入和多输入多输出技术的干扰抑制和功率分配方案,其利用协作多点传输技术,缓解小区间干扰。该方案包括两个阶段:第一阶段是消除小区间的簇间干扰和共层干扰以及处理宏蜂窝间的簇间干扰;第二阶段是控制宏基站和微基站的功率以管理跨层干扰。但是该方法建立的优化问题非常复杂,且由于在解决资源管理问题时未考虑缓存网络通信存储一体化特点,导致耗时长,不适用于通信存储协同网络。
发明内容
本发明针对现有技术存在的问题,提供了一种面向内容覆盖的回程受限密集无线网络功率分配方法,以提升回程受限情况下密集无线网络的容量,并通过简化资源分配问题来实现干扰的高效管控,从而保证密集无线网络下用户内容覆盖的连续性。
为实现上述目的,本发明的技术方案包括如下:
(1)对基站侧内容缓存概率和回程链路检索概率进行联合优化设计:
(1b)在最大化网络容量的条件下,计算使回程链路检索概率发生变化的临界基站密度λ+:
(1c)根据临界基站密度λ+,确定最优回程链路检索概率:
(2)以网络容量为性能指标,在考虑信号传输功率的基础上对功率优化问题进行建模:
0≤qr≤1,
Pi m≥Pmin,for m∈[1,M],SBSi∈ΠSBS
其中,表示网络容量,N表示网络中的内容总数,NC表示基站侧可缓存的内容数,M表示网络中资源块的总数量,/>表示基站侧内容缓存概率,qr表示回程链路检索概率,Pi m表示第i个基站在第m个资源块的传输功率,Pmin表示每个资源块上的最小传输功率,Pmax表示基站的最大传输功率,SBSi表示第i个基站,ΠSBS表示所有基站的集合;
(4)智能基站利用与环境交互获取到的信息对其进行深度强化学习训练,得到密集无线网络功率分配的决策结果,实现对网络干扰的高效管控。
本发明与现有技术相比,具有如下优点:
第一,本发明由于考虑了回程资源受限的密集无线网络场景,利用基站侧缓存技术有效缓解回程压力,并通过对基站侧内容缓存概率和回程链路检索概率的联合优化,提升用户服务质量,从宏观上保障了内容覆盖的时间连续性;
第二,本发明由于在密集无线网络中利用深度强化学习方法获得基站最佳功率分配的决策结果,可将复杂问题简单化,并通过最佳功率分配的决策结果实现干扰的高效管控,从微观上保障了内容覆盖的时间连续性。
附图说明
图1是本发明的实现总流程图;
图2是本发明中基站侧内容缓存概率和回程链路检索概率联合优化设计的子流程图;
图3是本发明中基于深度强化学习的功率分配子流程图;
图4是分别对本发明和现有方法的网络容量仿真结果对比图。
具体实施方式
下面结合附图对本发明的实施例和效果作进一步的详细描述。
参照图1,本实例的实现步骤如下:
步骤1,对基站侧内容缓存概率和回程链路检索概率进行联合优化设计。
参照图2,本步骤具体实现如下:
1.3)根据临界基站密度λ+,确定最优回程链路检索概率:
步骤2,建立功率优化模型。
其中,M表示网络中资源块的总数量,SBSi表示第i个基站,ΠSBS表示所有基站的集合,Pi m表示第i个基站在第m个资源块的传输功率,表示第i个基站的功率损耗系数,由可知,网络容量结果受Pi m影响;
2.2)根据网络容量受Pi m影响的情况,通过优化基站在每个资源块上分配的传输功率以完成网络容量的提升;
2.3)以最大化网络容量为目标,设置基站侧可缓存的内容数为NC,基站的最大传输功率为Pmax,每个资源块上的最小传输功率为Pmin,对基站的功率优化问题建模如下:
Pi m≥Pmin,for m∈[1,M],SBSi∈ΠSBS
其中,N表示网络中的内容总数。
步骤3,构建具有深度强化学习能力的智能基站。
3.2)将功率优化模型作为深度强化学习网络的约束条件,并用元组分别表示网络系统中NSBS个基站不同集合,即用/>表示网络系统中所有基站的状态集合;用/>表示网络系统中所有基站的动作集合;用/>表示网络系统中所有基站的奖励函数集合,得到具有深度强化学习能力的智能基站。
步骤4,智能基站利用与环境交互获取到的信息对其进行深度强化学习训练,得到密集无线网络功率分配的决策结果,实现对网络干扰的高效管控。
参照图3,本步骤具体实现如下:
4.2)第i个智能基站在初始状态si(t)下,根据ε-贪婪策略选择第t个时隙要执行的动作ai(t),其选择方式有两种:
二是以1-ε的概率选择当前Q值最大的动作;
其中,ε表示贪婪因子;
4.3)智能基站执行所选动作ai(t)后,收到环境反馈的奖励ri(t)并进入下一状态si(t+1);
4.4)用当前状态si(t)、动作ai(t)、奖励ri(t)及下一状态si(t+1)组成样本,将样本存储到每个智能基站的经验库中,并记录当前状态下执行当前动作的Q值结果,更新并维护第i个智能基站的内部Q表,智能基站借助内部Q表从已有经验中进行学习,提升对强化学习训练数据的稳定性。
4.5)设置阈值S和最大迭代次数G;
4.6)当经验库中样本数量超过S时,从经验库中随机抽取经验样本(si(j),ai(j),Ri(j),si(j+1)),智能基站从Q表中查询这些经验样本对应的Q值,并将其记为当前网络评估值Q(si,ai;θi),其中θi是神经网络参数;
4.8)重复(4.6)和(4.7)对密集无线网络功率分配的决策结果进行更新,并记录当前学习次数n=n+1;
4.9)判断当前学习次数是否达到最大次数G:
如果是,则每个智能基站根据更新的决策结果完成M个资源块的功率配比,实现对网络干扰的高效管控;
否则,返回步骤4.8)。
下面结合仿真实验对本发明的效果作进一步的说明:
1.仿真实验条件:
仿真实验的软件平台为:Windows10操作系统和Matlab软件。
仿真实例的网络场景大小设为10km×10km,网络中含有N=200个内容,每个基站随机缓存NC=20个内容,基站的最大传输功率Pmax=100mW,每个资源块上的最小传输功率Pmin=1mW,接收端解调门限τ=10dB,基站与用户的天线高度差Δh=10m,路径损耗因子α=4。为模拟实际场景,基站位置随机分布,总体服从参数为λ的泊松点过程,λ为基站密度,通过基站密度×场景大小确定网络中基站总数。
2.仿真内容与结果分析:
在上述仿真条件下,分别用本发明与现有功率平均分配方法对基站中的资源块进行功率配置,并对网络容量进行对比,其中本发明的贪婪因子分别取ε=0.5,ε=0.8,对比结果如图4所示。
从图4可以看出,当小蜂窝基站部署密度较小时,应用本发明基本不会提升网络容量,但随着小蜂窝基站部署密度的增加,本发明增益逐渐增加;且随着贪婪因子ε的增加,网络容量提升幅度增大。而现有的功率平均分配方法由于忽略了密集无线网络下传输功率对网络干扰强弱的影响,未对资源块进行功率控制,导致其网络容量在密集场景下始终小于本发明方法。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.回程受限密集无线网络面向内容覆盖的功率分配方法,其特征在于,包括:
(1)对基站侧内容缓存概率和回程链路检索概率进行联合优化设计:
(1b)在最大化网络容量的条件下,计算使回程链路检索概率发生变化的临界基站密度λ+:
(1c)根据临界基站密度λ+,确定最优回程链路检索概率:
(2)以网络容量为性能指标,在考虑信号传输功率的基础上对功率优化问题进行建模:
Pi m≥Pmin,for m∈[1,M],SBSi∈ΠSBS
其中,表示网络容量,N表示网络中的内容总数,NC表示基站侧可缓存的内容数,M表示网络中资源块的总数量,Pi m表示第i个基站在第m个资源块的传输功率,Pmin表示每个资源块上的最小传输功率,Pmax表示基站的最大传输功率,SBSi表示第i个基站,ΠSBS表示所有基站的集合;
(4)智能基站利用与环境交互获取到的信息对其进行深度强化学习训练,得到密集无线网络功率分配的决策结果,实现对网络干扰的高效管控,实现如下:
(4b)第i个智能基站在状态si(t)下,根据ε-贪婪策略选择第t个时隙要执行的动作ai(t);
(4c)智能基站执行所选动作后,收到环境反馈的奖励ri(t)并进入下一状态si(t+1);
(4d)用当前状态si(t)、动作ai(t)、奖励ri(t)及下一状态si(t+1)组成样本,并存储到每个智能基站的经验库中,在智能基站内部维护一张Q表,记录在每个状态下执行每个动作的Q值;
(4e)设置阈值S,设置最大迭代次数G;
(4f)当经验库中样本数量超过S时,从经验库中随机抽取经验样本(si(j),ai(j),Ri(j),si(j+1)),智能基站从Q表中查询这些经验样本对应的Q值,并将其记为当前网络评估值Q(si,ai;θi),其中θi是神经网络参数;
(4h)重复(4f)和(4g)对密集无线网络功率分配的决策结果进行更新,并记录当前学习次数n=n+1;
(4i)判断当前学习次数是否达到最大次数:
如果是,则每个智能基站根据更新的决策结果完成M个资源块的功率配比;
否则,返回步骤(4h)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210284852.2A CN114615730B (zh) | 2022-03-22 | 2022-03-22 | 回程受限密集无线网络面向内容覆盖的功率分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210284852.2A CN114615730B (zh) | 2022-03-22 | 2022-03-22 | 回程受限密集无线网络面向内容覆盖的功率分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114615730A CN114615730A (zh) | 2022-06-10 |
CN114615730B true CN114615730B (zh) | 2023-06-30 |
Family
ID=81864747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210284852.2A Active CN114615730B (zh) | 2022-03-22 | 2022-03-22 | 回程受限密集无线网络面向内容覆盖的功率分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114615730B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117098192B (zh) * | 2023-08-07 | 2024-04-26 | 北京交通大学 | 一种基于容量和时延优化的城轨自组网资源分配方法 |
CN117295096B (zh) * | 2023-11-24 | 2024-02-09 | 武汉市豪迈电力自动化技术有限责任公司 | 基于5g短共享的智能电表数据传输方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888054A (zh) * | 2010-05-31 | 2010-11-17 | 清华大学 | 采用滤模匹配器进行横向模式控制的波导激光器 |
CN104581957A (zh) * | 2014-12-15 | 2015-04-29 | 北京邮电大学 | 针对卫星回程受限的空中平台能效最优功率分配方法 |
CN104936300A (zh) * | 2014-03-20 | 2015-09-23 | 中兴通讯股份有限公司 | 上行信道处理方法、终端、基站和系统 |
WO2015139435A1 (zh) * | 2014-03-20 | 2015-09-24 | 中兴通讯股份有限公司 | 一种上行控制信道聚合发送和接收方法、终端和基站 |
CN107241790A (zh) * | 2017-05-24 | 2017-10-10 | 沈阳航空航天大学 | 基于内容缓存的基站协作节能策略 |
CN113015105A (zh) * | 2021-03-08 | 2021-06-22 | 哈尔滨工业大学(深圳) | 空天地一体化网络的编码缓存内容放置与资源联合优化方法 |
CN114205791A (zh) * | 2021-12-13 | 2022-03-18 | 西安电子科技大学 | 一种基于深度q学习的社交感知d2d协同缓存方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9253740B2 (en) * | 2012-11-29 | 2016-02-02 | Blinq Wireless Inc. | Method and apparatus for coordinated power-zone-assignment in wireless backhaul networks |
-
2022
- 2022-03-22 CN CN202210284852.2A patent/CN114615730B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101888054A (zh) * | 2010-05-31 | 2010-11-17 | 清华大学 | 采用滤模匹配器进行横向模式控制的波导激光器 |
CN104936300A (zh) * | 2014-03-20 | 2015-09-23 | 中兴通讯股份有限公司 | 上行信道处理方法、终端、基站和系统 |
WO2015139435A1 (zh) * | 2014-03-20 | 2015-09-24 | 中兴通讯股份有限公司 | 一种上行控制信道聚合发送和接收方法、终端和基站 |
CN104581957A (zh) * | 2014-12-15 | 2015-04-29 | 北京邮电大学 | 针对卫星回程受限的空中平台能效最优功率分配方法 |
CN107241790A (zh) * | 2017-05-24 | 2017-10-10 | 沈阳航空航天大学 | 基于内容缓存的基站协作节能策略 |
CN113015105A (zh) * | 2021-03-08 | 2021-06-22 | 哈尔滨工业大学(深圳) | 空天地一体化网络的编码缓存内容放置与资源联合优化方法 |
CN114205791A (zh) * | 2021-12-13 | 2022-03-18 | 西安电子科技大学 | 一种基于深度q学习的社交感知d2d协同缓存方法 |
Non-Patent Citations (1)
Title |
---|
密集网络下基于Self-Backhaul感知的用户接入负载均衡算法;唐伦;梁荣;陈婉;张元宝;;北京邮电大学学报(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114615730A (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111836283B (zh) | 一种基于mec多服务器的车联网资源分配方法 | |
CN114615730B (zh) | 回程受限密集无线网络面向内容覆盖的功率分配方法 | |
CN108848520B (zh) | 一种基于流量预测与基站状态的基站休眠方法 | |
CN108093435B (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法 | |
CN113114756A (zh) | 一种移动边缘计算中自适应码率选择的视频缓存更新方法 | |
CN109194763B (zh) | 一种超密集网络中基于小型基站自组织协作的缓存方法 | |
Wang et al. | Joint resource allocation and power control for D2D communication with deep reinforcement learning in MCC | |
CN111405646B (zh) | 异构蜂窝网络中基于Sarsa学习的基站休眠方法 | |
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 | |
Khan et al. | On the application of agglomerative hierarchical clustering for cache-assisted D2D networks | |
Wang et al. | Dense femtocell networks power self‐optimization: an exact potential game approach | |
Liu et al. | Robust power allocation based on hierarchical game with consideration of different user requirements in two-tier femtocell networks | |
CN115801091A (zh) | 面向星地协同计算的大规模星座网络资源调度方法 | |
CN113993168B (zh) | 一种雾无线接入网中基于多智能体强化学习的协作缓存方法 | |
Zhou et al. | Multi-server federated edge learning for low power consumption wireless resource allocation based on user QoE | |
CN108566636A (zh) | 面向不同用户偏好的d2d随机缓存布设方法 | |
Li et al. | Collaborative optimization of edge-cloud computation offloading in internet of vehicles | |
CN111479312B (zh) | 异构蜂窝网络内容缓存和基站休眠联合优化方法 | |
Liu et al. | Mobility-aware task offloading and migration schemes in scns with mobile edge computing | |
Lian et al. | Mobile edge cooperative caching strategy based on spatio-temporal graph convolutional model | |
CN111432380B (zh) | 面向d2d辅助数据卸载的缓存优化方法 | |
CN111065121B (zh) | 一种考虑小区差异的密集网络能耗及能效联合优化方法 | |
CN108882269A (zh) | 结合缓存技术的超密集网络小站开关方法 | |
Zhou et al. | User‐centric data communication service strategy for 5G vehicular networks | |
CN115915276A (zh) | 基于边缘计算的能量受限终端任务在线调度装置及其方法 |
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 |