CN115633381B - 流量卸载中用户设备通信半径的控制方法 - Google Patents

流量卸载中用户设备通信半径的控制方法 Download PDF

Info

Publication number
CN115633381B
CN115633381B CN202211497603.8A CN202211497603A CN115633381B CN 115633381 B CN115633381 B CN 115633381B CN 202211497603 A CN202211497603 A CN 202211497603A CN 115633381 B CN115633381 B CN 115633381B
Authority
CN
China
Prior art keywords
user equipment
task
value
offload
completing
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
Application number
CN202211497603.8A
Other languages
English (en)
Other versions
CN115633381A (zh
Inventor
李登
梁颖秋
刘佳琦
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202211497603.8A priority Critical patent/CN115633381B/zh
Publication of CN115633381A publication Critical patent/CN115633381A/zh
Application granted granted Critical
Publication of CN115633381B publication Critical patent/CN115633381B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W28/08—Load balancing or load distribution
    • H04W28/0875—Load balancing or load distribution to or through Device to Device [D2D] links, e.g. direct-mode links
    • 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
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0925—Management thereof using policies
    • 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
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • 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)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请适用于流量卸载技术领域，提供了一种流量卸载中用户设备通信半径的控制方法，包括：向基站覆盖范围内的用户设备发布第
Figure 911635DEST_PATH_IMAGE002
轮卸载任务；确定用户设备
Figure DEST_PATH_IMAGE003
完成卸载任务
Figure DEST_PATH_IMAGE005
的预期成功参数值，降低卸载任务
Figure 190170DEST_PATH_IMAGE005
的成功参数值；确定用户设备
Figure 541517DEST_PATH_IMAGE003
完成卸载任务
Figure 628421DEST_PATH_IMAGE005
的决策参照指标值；确定用户设备
Figure 633287DEST_PATH_IMAGE003
对卸载任务
Figure 399117DEST_PATH_IMAGE005
进行决策的累计评估值；按照决策参照指标值最大化原则，计算用户设备
Figure 819734DEST_PATH_IMAGE003
实际在完成卸载任务
Figure 761146DEST_PATH_IMAGE005
时的通信半径，控制用户设备
Figure 471000DEST_PATH_IMAGE003
以该通信半径完成卸载任务
Figure 865072DEST_PATH_IMAGE005
。本申请能扩大用户设备的通信半径。

Description

流量卸载中用户设备通信半径的控制方法
技术领域
本申请属于流量卸载技术领域，尤其涉及一种流量卸载中用户设备通信半径的控制方法。
背景技术
移动数据流量卸载（或简称流量卸载）通过使用各类空闲的网络资源来承载原来加载在热点区域移动蜂窝网上的数据流量，可以有效的缓解移动蜂窝网络的拥塞，提高网络吞吐量、扩大网络覆盖范围以及降低网络能耗。基于通信设备到设备（D2D，Device-to-Device）的流量卸载技术使用户设备之间直接通过D2D链路传输数据以实现内容共享，基于D2D的流量卸载过程通常有四个步骤：基站为其服务范围内请求服务的用户设备提供服务；当区域内有过多用户请求服务时，将发生网络拥塞，用户设备无法实时享受服务，并且运营商无法为区域外的用户设备提供服务；基站将内容卸载给服务区域中的部分用户设备；该部分用户设备利用D2D多播通信与需要的用户进行内容共享，帮助基站向其他用户设备提供服务。用户设备的积极参与是上述过程的重要前提，用户设备在参与卸载任务的过程中提供的通信半径越大，参与的卸载任务越多，在网络拥塞时就能够帮助基站向更多的用户提供数据流量服务，从而大大降低网络拥塞、提高网络吞吐量。因此，在流量卸载中设计合适的优化方案，扩大用户设备的通信半径，具有重要的研究价值。
可见，为使用户设备参与更多的卸载任务，亟需一种能有效促使用户设备扩大通信半径的方法。
发明内容
本申请实施例提供了一种流量卸载中用户设备通信半径的控制方法，可以解决用户设备的通信半径不足的问题。
本申请实施例提供了一种流量卸载中用户设备通信半径的控制方法，包括：
S1，向基站覆盖范围内的所有用户设备发布第
Figure SMS_1
轮卸载任务；其中，
Figure SMS_2
为整数，
Figure SMS_3
，
Figure SMS_4
表示基站发布卸载任务的总轮次数，发布的卸载任务
Figure SMS_5
的成功参数值小于卸载任务
Figure SMS_6
的初始成功参数值；
S2，在偏向学习的增强阶段，确定用户设备
Figure SMS_9
完成卸载任务
Figure SMS_11
的预期成功参数值，并将发布的卸载任务
Figure SMS_13
的成功参数值降低至，所有用户设备完成卸载任务
Figure SMS_8
的预期成功参数值中的最小值；其中，用户设备
Figure SMS_10
为所有用户设备中的第
Figure SMS_12
个用户设备，
Figure SMS_14
，
Figure SMS_7
表示所有用户设备的总数；
S3，根据在偏向学习的增强阶段确定出的预期成功参数值以及发布的卸载任务
Figure SMS_15
的成功参数值，确定用户设备
Figure SMS_16
完成卸载任务
Figure SMS_17
的决策参照指标值；
S4，根据卸载任务
Figure SMS_18
的实际成功参数值、在偏向学习的增强阶段确定出的预期成功参数值以及发布的卸载任务
Figure SMS_19
的成功参数值，确定用户设备
Figure SMS_20
对卸载任务
Figure SMS_21
进行决策的累计评估值；
S5，按照决策参照指标值最大化原则，利用确定出的累计评估值计算用户设备
Figure SMS_22
实际在完成卸载任务
Figure SMS_23
时的通信半径，并控制用户设备
Figure SMS_24
以确定出的通信半径完成卸载任务
Figure SMS_25
；其中，确定出的通信半径大于用户设备
Figure SMS_26
的原始通信半径。
本申请的上述方案有如下的有益效果：
在本申请的实施例中，基站在发布卸载任务时，通过降低卸载任务的成功参数值的方式降低卸载任务的完成难度，同时通过偏向学习确定用户设备对卸载任务的决策参照指标值和累计评估值，从而使用户设备对自己完成卸载任务的能力和收益概率产生比实际更高的判断，进而使得在按照决策参照指标值最大化原则进行通信半径的确定时，确定出的通信半径大于用户设备的原始通信半径，实现扩大用户设备通信半径的效果。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本申请一实施例提供的基站与用户设备的网络结构图；
图2为本申请一实施例提供的流量卸载中用户设备通信半径的控制方法的流程图；
图3为本申请一具体实验中累计评估值与完成卸载任务的次数之间的曲线示意图；
图4为本申请一具体实验中使用现有方法与本申请的控制方法对用户设备的通信半径进行控制时，通信半径的比较曲线示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对流量卸载用户设备在执行流量卸载任务时通信半径不足的问题，本申请的实施例提供了一种流量卸载中用户设备通信半径的控制方法，该控制方法通过基站在发布卸载任务时，降低卸载任务的成功参数值的方式降低卸载任务的完成难度，同时通过偏向学习确定用户设备对卸载任务的决策参照指标值和累计评估值，从而使用户设备对自己完成卸载任务的能力和收益概率产生比实际更高的判断，进而使得在按照决策参照指标值最大化原则进行通信半径的确定时，确定出的通信半径大于用户设备的原始通信半径，实现扩大用户设备通信半径的效果。
下面结合具体实施例对本申请提供的流量卸载中用户设备通信半径的控制方法进行示例性的说明。
本申请实施例提供的流量卸载中用户设备通信半径的控制方法可应用于基站，如图1所示，在上述控制方法中，基站101可向其覆盖范围内的多个用户设备102发布卸载任务，图1中仅示意了3个用户设备。
如图2所示，本申请实施例提供的流量卸载中用户设备通信半径的控制方法包括如下步骤：
S1，向基站覆盖范围内的所有用户设备发布第
Figure SMS_27
轮卸载任务。
上述用户设备为参与流量卸载任务的流量卸载用户设备；
Figure SMS_28
为整数，
Figure SMS_29
，
Figure SMS_30
表示基站发布卸载任务的总轮次数，发布的卸载任务
Figure SMS_31
的成功参数值小于卸载任务
Figure SMS_32
的初始成功参数值。其中，上述成功参数值用于表征卸载任务的完成难度，具体的，成功参数值越大，表明该卸载任务的完成难度越大。
在本申请的一些实施例中，基站在发布每轮卸载任务时，发布的卸载任务集合
Figure SMS_35
，
Figure SMS_39
，
Figure SMS_43
表示卸载任务的总数，
Figure SMS_36
表示第
Figure SMS_40
个卸载任务，
Figure SMS_45
，即，
Figure SMS_46
为
Figure SMS_33
中的任一卸载任务，
Figure SMS_37
的属性
Figure SMS_41
表示
Figure SMS_44
的实际成功参数值，
Figure SMS_34
越大，需要用户设备提供的通信半径和吞吐量越大，
Figure SMS_38
的属性
Figure SMS_42
为基站发布的成功参数值。
S2，在偏向学习的增强阶段，确定用户设备
Figure SMS_47
完成卸载任务
Figure SMS_48
的预期成功参数值，并将发布的卸载任务
Figure SMS_49
的成功参数值降低至，所有用户设备完成卸载任务
Figure SMS_50
的预期成功参数值中的最小值。
其中，用户设备
Figure SMS_51
为所有用户设备中的第
Figure SMS_52
个用户设备，
Figure SMS_53
，
Figure SMS_54
表示所有用户设备的总数。
在本申请的一些实施例中，在偏向学习的增强阶段，可依据偏向学习函数确定用户设备
Figure SMS_55
完成卸载任务
Figure SMS_56
的预期成功参数值。在计算得到所有用户设备对卸载任务
Figure SMS_57
的预期成功参数值之后，可从计算出的预期成功参数值中筛选出最小值，并将卸载任务
Figure SMS_58
的成功参数值降低至该最小值。即可以理解为，在将卸载任务
Figure SMS_59
的成功参数值降低至该最小值后，基站发布的卸载任务
Figure SMS_60
的成功参数值为该最小值。
示例性的，上述偏向学习函数的表达式为：
Figure SMS_61
在上述表达式中，
Figure SMS_68
表示用户设备
Figure SMS_69
在偏向学习了
Figure SMS_76
次信息
Figure SMS_66
后的结果，
Figure SMS_70
为信息
Figure SMS_78
的参照学习结果，
Figure SMS_83
为参照因子，
Figure SMS_65
表示信息
Figure SMS_74
的实际学习结果，
Figure SMS_81
表示用户设备
Figure SMS_86
在偏向学习了
Figure SMS_63
次信息
Figure SMS_72
后的结果，
Figure SMS_79
和
Figure SMS_84
为用户设备
Figure SMS_64
在实际学习过程中的两种状态，
Figure SMS_71
为学习成功状态，
Figure SMS_77
为学习失败状态，
Figure SMS_82
为用户设备
Figure SMS_62
的偏向学习因子，表示
Figure SMS_73
状态对用户设备
Figure SMS_80
的影响程度，
Figure SMS_85
被量化后的取值范围为
Figure SMS_67
，
Figure SMS_75
为学习因子。
具体的，在偏向学习的增强阶段，可通过如下公式计算用户设备
Figure SMS_87
完成卸载任务
Figure SMS_88
的预期成功参数值：
Figure SMS_89
其中，
Figure SMS_93
表示用户设备
Figure SMS_91
在增强阶段（即偏向学习的增强阶段）完成了
Figure SMS_100
次卸载任务
Figure SMS_97
之后的预期成功参数值，
Figure SMS_105
表示增强次数，
Figure SMS_92
表示基站发布的卸载任务
Figure SMS_102
的成功参数值，
Figure SMS_98
表示用户设备
Figure SMS_103
在增强阶段（即偏向学习的增强阶段）完成了
Figure SMS_90
次卸载任务
Figure SMS_99
之后的预期成功参数值，
Figure SMS_95
表示用户设备
Figure SMS_101
的偏向学习因子，
Figure SMS_94
，
Figure SMS_104
表示卸载任务
Figure SMS_96
的实际成功参数值。
S3，根据在偏向学习的增强阶段确定出的预期成功参数值以及发布的卸载任务
Figure SMS_106
的成功参数值，确定用户设备
Figure SMS_107
完成卸载任务
Figure SMS_108
的决策参照指标值。
在本申请的一些实施例中，在偏向学习的增强阶段，可通过公式
Figure SMS_109
确定用户设备
Figure SMS_110
完成卸载任务
Figure SMS_111
的决策参照指标值。
其中，
Figure SMS_118
表示用户设备
Figure SMS_126
完成卸载
Figure SMS_134
的决策参照指标值，
Figure SMS_116
表示用户设备
Figure SMS_124
完成卸载任务
Figure SMS_132
的收益函数，
Figure SMS_140
，
Figure SMS_113
表示卸载任务
Figure SMS_125
的单位通信的收益（即用户设备
Figure SMS_129
完成卸载任务
Figure SMS_137
的单位通信收益），
Figure SMS_119
表示基站发布的卸载任务
Figure SMS_123
的成功参数值，
Figure SMS_133
表示用户设备
Figure SMS_141
在完成卸载任务
Figure SMS_115
时的吞吐量，
Figure SMS_120
，
Figure SMS_128
表示卸载任务
Figure SMS_136
的实际成功参数值（实际成功参数值等于预期成功参数值，可以理解的是，不同用户设备的具体取值可能不同），
Figure SMS_112
表示用户设备
Figure SMS_127
在完成卸载任务
Figure SMS_135
时的通信半径，
Figure SMS_142
表示用户设备
Figure SMS_117
完成卸载任务
Figure SMS_121
的开销函数，
Figure SMS_130
，
Figure SMS_138
表示单位通信的功率开销，
Figure SMS_114
，用户设备
Figure SMS_122
完成卸载任务
Figure SMS_131
的实际单位通信收益为
Figure SMS_139
。
S4，根据卸载任务
Figure SMS_143
的实际成功参数值、在偏向学习的增强阶段确定出的预期成功参数值以及发布的卸载任务
Figure SMS_144
的成功参数值，确定用户设备
Figure SMS_145
对卸载任务
Figure SMS_146
进行决策的累计评估值。
在本申请的一些实施例中，在偏向学习的增强阶段，可通过公式
Figure SMS_148
确定用户设备
Figure SMS_151
对卸载任务
Figure SMS_153
进行决策的累计评估值。其中，
Figure SMS_149
表示用户设备
Figure SMS_150
已经完成了
Figure SMS_152
次卸载任务
Figure SMS_154
之后、按照偏向学习结果对卸载任务
Figure SMS_147
进行决策的累计评估值。
其中，当
Figure SMS_155
时，因为
Figure SMS_156
，所以
Figure SMS_157
。
S5，按照决策参照指标值最大化原则，利用确定出的累计评估值计算用户设备
Figure SMS_158
实际在完成卸载任务
Figure SMS_159
时的通信半径，并控制用户设备
Figure SMS_160
以确定出的通信半径完成卸载任务
Figure SMS_161
。
其中，按照决策参照指标值最大化原则确定出的通信半径大于用户设备
Figure SMS_162
的原始通信半径，该原始通信半径可以理解为在执行本申请所提供的控制方法之前的通信半径。
在本申请的一些实施例中，用户设备
Figure SMS_163
在执行第
Figure SMS_164
轮卸载任务中的卸载任务
Figure SMS_165
前，可先按照决策参照指标值最大化原则，确定完成卸载任务
Figure SMS_166
时的通信半径，然后再按确定好的通信半径完成卸载任务
Figure SMS_167
，以在扩大通信半径之后，再执行卸载任务。
值得一提的是，在本申请的一些实施例中，通过基站在发布卸载任务时，降低卸载任务的成功参数值的方式降低卸载任务的完成难度，同时通过偏向学习确定用户设备对卸载任务的决策参照指标值和累计评估值，而根据偏向学习理论，用户设备会通过对历史预测值与真实值之差进行学习，获得新的预测结果，并且会更加偏向于加强已知信息在决策中的权重值，且当偏向学习达到一定程度时，用户设备会提高对该偏向学习结果的确定性和收益判断，从而更积极地、努力的执行该学习结果，基于此，使得用户设备对自己完成卸载任务的能力和收益概率产生比实际更高的判断，进而使得在按照决策参照指标值最大化原则进行通信半径的确定时，确定出的通信半径大于用户设备的原始通信半径，实现扩大用户设备通信半径的效果。
下面结合具体实施例对偏向学习的增强阶段和持续阶段进行示例性的说明。
在本申请的一些实施例中，当基站发布卸载任务后，默认用户设备处于偏向学习的增强阶段，当在偏向学习的增强阶段确定出用户设备
Figure SMS_168
对卸载任务
Figure SMS_169
进行决策的累计评估值后，先确定在增强阶段确定出的累计评估值的增强阈值，然后再判断在增强阶段确定出的累计评估值是否达到该增强阈值，并依据判断结果确定用户设备
Figure SMS_170
是处于偏向学习的增强阶段，还是处于偏向学习的持续阶段，进而进行通信半径的计算。
具体的，在本申请的一些实施例中，确定在增强阶段确定出的累计评估值的增强阈值的具体实现方式可以为：
先确定
Figure SMS_171
与增强次数
Figure SMS_172
之间的关系满足：
Figure SMS_173
其中，
Figure SMS_177
表示卸载任务
Figure SMS_179
的实际成功参数值
Figure SMS_182
与基站发布的卸载任务
Figure SMS_176
的成功参数值
Figure SMS_180
之间的比值，
Figure SMS_183
，
Figure SMS_185
表示阈值因子，
Figure SMS_174
且
Figure SMS_178
，
Figure SMS_181
表示用户设备
Figure SMS_184
的偏向学习因子，
Figure SMS_175
。
然后，进一步确定
Figure SMS_186
与增强次数
Figure SMS_187
之间的关系满足：
Figure SMS_188
Figure SMS_189
其中，
Figure SMS_191
随着增强次数
Figure SMS_194
的增加而增加，
Figure SMS_198
的上极限值为
Figure SMS_192
，当
Figure SMS_195
趋近
Figure SMS_197
的上极限值
Figure SMS_199
时，计算获得累计评估值
Figure SMS_190
的增强阈值
Figure SMS_193
为：
Figure SMS_196
。
在本申请的一些实施例中，若在增强阶段确定出的累计评估值未达到增强阈值，则确定用户设备
Figure SMS_202
处于偏向学习的增强阶段，按照决策参照指标值最大化原则，利用在增强阶段确定出的累计评估值计算用户设备
Figure SMS_204
实际在完成卸载任务
Figure SMS_206
时的通信半径
Figure SMS_201
，并控制用户设备
Figure SMS_205
以通信半径
Figure SMS_207
完成卸载任务
Figure SMS_208
。其中，通信半径
Figure SMS_200
大于用户设备
Figure SMS_203
的原始通信半径。
具体的，在偏向学习的增强阶段，可依据
Figure SMS_209
（指的是在偏向学习的增强阶段确定出的
Figure SMS_210
）的最大化原则，通过公式
Figure SMS_211
计算用户设备
Figure SMS_212
实际在完成卸载任务
Figure SMS_213
时的通信半径
Figure SMS_214
。
其中，
Figure SMS_215
表示卸载任务
Figure SMS_216
的单位通信的收益，
Figure SMS_217
表示在偏向学习的增强阶段确定出的累计评估值（Cumulative Evaluation function Value，CEV），
Figure SMS_218
表示单位通信的功率开销，
Figure SMS_219
表示用户设备
Figure SMS_220
的最大通信半径。
若在增强阶段确定出的累计评估值达到增强阈值，则确定用户设备
Figure SMS_221
处于偏向学习的持续阶段，通过如下步骤对通信半径进行控制：
步骤一，将发布的卸载任务
Figure SMS_222
的成功参数值增大至初始成功参数值，并在偏向学习的持续阶段，确定用户设备
Figure SMS_223
完成卸载任务
Figure SMS_224
的预期成功参数值。
在本申请的一些实施例中，当用户设备
Figure SMS_225
处于偏向学习的持续阶段时，表明用户设备
Figure SMS_226
的通信半径已扩大一定程度，此时若不增加卸载任务的完成难度，用户设备便很容易完成卸载任务，同时基站的开销也会增加，因此，为平衡开销与通信半径之间的关系，基站会加大卸载任务的完成难度。具体的，基站会将发布的卸载任务
Figure SMS_227
的成功参数值调整为
Figure SMS_228
的初始成功参数值。即可以理解为，在将卸载任务
Figure SMS_229
的成功参数值调整为
Figure SMS_230
的初始成功参数值后，基站发布的卸载任务
Figure SMS_231
的成功参数值为该初始成功参数值。
相应的，在偏向学习的持续阶段，可通过如下公式计算用户设备
Figure SMS_232
完成卸载任务
Figure SMS_233
的预期成功参数值：
Figure SMS_234
其中，
Figure SMS_238
表示用户设备
Figure SMS_236
在持续阶段完成了
Figure SMS_249
次卸载任务
Figure SMS_240
之后的预期成功参数值，
Figure SMS_252
表示持续次数，
Figure SMS_244
表示增强阈值，
Figure SMS_251
表示卸载任务
Figure SMS_239
的实际成功参数值，
Figure SMS_248
表示用户设备
Figure SMS_235
在持续阶段完成了
Figure SMS_245
次卸载任务
Figure SMS_242
之后的预期成功参数值，
Figure SMS_253
表示基站发布的卸载任务
Figure SMS_243
的成功参数值，
Figure SMS_247
表示用户设备
Figure SMS_237
的偏向学习因子，
Figure SMS_250
，
Figure SMS_241
表示卸载任务
Figure SMS_246
的实际成功参数值。
步骤二，根据在偏向学习的持续阶段确定出的预期成功参数值以及发布的卸载任务
Figure SMS_254
的成功参数值，确定用户设备
Figure SMS_255
完成卸载任务
Figure SMS_256
的决策参照指标值，并根据卸载任务
Figure SMS_257
的实际成功参数值、在偏向学习的持续阶段确定出的预期成功参数值以及的卸载任务
Figure SMS_258
的成功参数值，确定用户设备
Figure SMS_259
对卸载任务
Figure SMS_260
进行决策的累计评估值。
在本申请的一些实施例中，在偏向学习的持续阶段获取决策参照指标值的公式与在偏向学习的增强阶段获取决策参照指标值的公式相同。即，在偏向学习的持续阶段，也可通过公式
Figure SMS_261
确定用户设备
Figure SMS_262
完成卸载任务
Figure SMS_263
的决策参照指标值。需要说明的是，虽然公式相同，但公式中参数的具体数值不同，例如
Figure SMS_264
的取值不同，且在偏向学习的持续阶段，
Figure SMS_265
。
类似的，在偏向学习的持续阶段获取累计评估值的公式与在偏向学习的增强阶段获取累计评估值的公式相同。即，在偏向学习的持续阶段，也可通过公式
Figure SMS_266
确定用户设备
Figure SMS_267
完成卸载任务
Figure SMS_268
的决策参照指标值。需要说明的是，虽然公式相同，但公式中参数的具体数值不同，例如
Figure SMS_269
的取值不同，且在持续阶段，
Figure SMS_270
为上述
Figure SMS_271
，基于此，为便于描述，持续阶段确定出的累计评估值记为
Figure SMS_272
。
步骤三，按照决策参照指标值最大化原则，利用在持续阶段确定出的累计评估值计算用户设备
Figure SMS_275
实际在完成卸载任务
Figure SMS_276
时的通信半径
Figure SMS_278
，并控制用户设备
Figure SMS_274
以通信半径
Figure SMS_277
完成卸载任务
Figure SMS_279
；其中，通信半径
Figure SMS_280
大于用户设备
Figure SMS_273
的原始通信半径。
具体的，在偏向学习的持续阶段，可依据
Figure SMS_281
（指的是在偏向学习的持续阶段确定出的
Figure SMS_282
）的最大化原则，通过公式
Figure SMS_283
计算用户设备
Figure SMS_284
实际在完成卸载任务
Figure SMS_285
时的通信半径
Figure SMS_286
。
其中，
Figure SMS_287
表示卸载任务
Figure SMS_288
的单位通信的收益，
Figure SMS_289
表示在偏向学习的持续阶段确定出的累计评估值（Cumulative Evaluation function Value，CEV），
Figure SMS_290
表示单位通信的功率开销，
Figure SMS_291
表示用户设备
Figure SMS_292
的最大通信半径。
需要说明的是，当用户设备处于偏向学习的持续阶段时，由于通过偏向学习确定用户设备对卸载任务的决策参照指标值和累计评估值，从而使用户设备对自己完成卸载任务的能力和收益概率产生比实际更高的判断，进而使得用户设备在卸载任务的完成难度上升的情况下，还是会参与卸载任务，在一定程度上提高了用户设备的任务完成次数。
在此以一具体的实验数据对任务完成次数的提高进行说明。在该实验中，设置基站发布的每轮卸载任务的总数为10，所有卸载任务的单位吞吐量的收益相同，用户设备的数量为50，其他参数的设置情况如表1所示。
表1
Figure SMS_293
基于上述参数，利用本申请提供的控制方法对用户设备的通信半径进行控制，当用户设备处于偏向学习的持续阶段时，如图3所示，随着持续阶段的累计评估值（即在持续阶段确定出的计评估值）下降，用户设备完成卸载任务的次数还是缓慢递增的。
在本申请的一些实施例中，在控制用户设备
Figure SMS_294
以通信半径
Figure SMS_295
完成卸载任务
Figure SMS_296
之后，还需确定在偏向学习的持续阶段确定出的累计评估值的持续阈值，以确定是否继续向用户设备
Figure SMS_297
发布下一轮卸载任务，以便基站发布下一轮卸载任务。
具体的，若在偏向学习的持续阶段确定出的累计评估值小于持续阈值，则不向用户设备
Figure SMS_298
发布下一轮卸载任务，而若在偏向学习的持续阶段确定出的累计评估值大于或等于持续阈值，则继续向用户设备
Figure SMS_299
发布下一轮卸载任务。
其中，在本申请的一些实施例中，确定上述持续阈值的具体实现方式可以为：
首先确定在偏向学习的持续阶段确定出的累计评估值
Figure SMS_300
与持续次数
Figure SMS_301
之间的关系满足：
Figure SMS_302
其中，
Figure SMS_304
表示阈值因子，
Figure SMS_308
且
Figure SMS_309
，
Figure SMS_305
表示卸载任务
Figure SMS_307
的实际成功参数值
Figure SMS_310
与基站发布的卸载任务
Figure SMS_311
的成功参数值
Figure SMS_303
之间的比值，
Figure SMS_306
。
然后，进一步确定
Figure SMS_312
与持续次数
Figure SMS_313
之间的关系满足：
Figure SMS_314
Figure SMS_315
其中，
Figure SMS_317
随着持续次数
Figure SMS_319
的增加而减小，且
Figure SMS_321
的下极限值为0，当
Figure SMS_318
趋近
Figure SMS_320
的下极限值0时，计算获得
Figure SMS_322
的持续阈值
Figure SMS_323
为：
Figure SMS_316
。
下面结合具体实验数据对本申请提供的控制方法进行示例性说明。
在具体实验中，在提供相同数据的情况下，分别利用现有的一般激励机制（NIM，Normal Incentive Mechanism）方法、基于拉格朗日乘子的迭代算法（LMM-IA，LangrangeMultiplier Method based Iterative Algorithm）方法以及本申请提供的控制方法（OCIM-R）对用户设备的通信半径控制，如图4所示，与现有的技术相比，现有的大多数激励机制研究是假设用户设备能充分使用以往的信息，从而对选择行为的各种可能结果形成先验的概率判断，而当新的信息样本出现时，用户设备可基于新信息来对先验概率实施贝叶斯更新，从而形成后验概率，并基于概率计算得到期望的决策参照指标，从而进行决策。而本申请将偏向学习引入流量卸载系统，首先基于偏向学习函数设计了用户设备对预期成功参数值（SP）的评估方案，同时设置用户设备按照偏向学习结果进行决策的CEV，通过在不同阶段采用不同的任务发布方式，提高了用户设备的预期SP和CEV，从而提高了用户设备的通信半径；同时在扩大了用户设备的通信半径后，改变任务发布方案，获得了比相同收益下更大的通信半径，也增加了用户设备的任务完成次数。相较于对比的机制，本申请的方案可以提高用户设备的通信半径和增加用户设备的任务完成次数，因此本申请的方案具有更有效的优化效果。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (8)

1.一种流量卸载中用户设备通信半径的控制方法，其特征在于，包括：
S1，向基站覆盖范围内的所有用户设备发布第
Figure QLYQS_1
轮卸载任务；其中，
Figure QLYQS_4
为整数，
Figure QLYQS_7
，
Figure QLYQS_2
表示基站发布卸载任务的总轮次数，发布的卸载任务
Figure QLYQS_5
的成功参数值小于卸载任务
Figure QLYQS_6
的初始成功参数值；卸载任务
Figure QLYQS_8
的成功参数值用于表征卸载任务
Figure QLYQS_3
的完成难度；
S2，在偏向学习的增强阶段，确定用户设备
Figure QLYQS_10
完成卸载任务
Figure QLYQS_12
的预期成功参数值，并将发布的卸载任务
Figure QLYQS_14
的成功参数值降低至，所有用户设备完成卸载任务
Figure QLYQS_11
的预期成功参数值中的最小值；其中，用户设备
Figure QLYQS_13
为所述所有用户设备中的第
Figure QLYQS_15
个用户设备，
Figure QLYQS_16
，
Figure QLYQS_9
表示所述所有用户设备的总数；
S3，根据在偏向学习的增强阶段确定出的预期成功参数值以及发布的卸载任务
Figure QLYQS_17
的成功参数值，确定用户设备
Figure QLYQS_18
完成卸载任务
Figure QLYQS_19
的决策参照指标值；
S4，根据卸载任务
Figure QLYQS_20
的实际成功参数值、在偏向学习的增强阶段确定出的预期成功参数值以及发布的卸载任务
Figure QLYQS_21
的成功参数值，确定用户设备
Figure QLYQS_22
对卸载任务
Figure QLYQS_23
进行决策的累计评估值；
S5，按照决策参照指标值最大化原则，利用确定出的累计评估值计算用户设备
Figure QLYQS_24
实际在完成卸载任务
Figure QLYQS_25
时的通信半径，并控制用户设备
Figure QLYQS_26
以确定出的通信半径完成卸载任务
Figure QLYQS_27
；其中，确定出的通信半径大于用户设备
Figure QLYQS_28
的原始通信半径；
所述确定用户设备
Figure QLYQS_29
完成卸载任务
Figure QLYQS_30
的决策参照指标值，包括：
通过公式
Figure QLYQS_31
确定用户设备
Figure QLYQS_32
完成卸载任务
Figure QLYQS_33
的决策参照指标值；
其中，
Figure QLYQS_36
表示用户设备
Figure QLYQS_43
完成卸载任务
Figure QLYQS_50
的决策参照指标值，
Figure QLYQS_37
表示用户设备
Figure QLYQS_45
完成卸载任务
Figure QLYQS_51
的收益函数，
Figure QLYQS_58
，
Figure QLYQS_39
表示卸载任务
Figure QLYQS_47
的单位通信的收益，
Figure QLYQS_53
表示基站发布的卸载任务
Figure QLYQS_57
的成功参数值，
Figure QLYQS_40
表示用户设备
Figure QLYQS_46
在完成卸载任务
Figure QLYQS_52
时的吞吐量，
Figure QLYQS_56
，
Figure QLYQS_35
表示卸载任务
Figure QLYQS_42
的实际成功参数值，
Figure QLYQS_48
表示用户设备
Figure QLYQS_54
在完成卸载任务
Figure QLYQS_34
时的通信半径，
Figure QLYQS_41
表示用户设备
Figure QLYQS_49
完成卸载任务
Figure QLYQS_55
的损耗函数，
Figure QLYQS_38
，
Figure QLYQS_44
表示单位通信的功率开销；
S4包括：
通过公式
Figure QLYQS_59
确定用户设备
Figure QLYQS_60
对卸载任务
Figure QLYQS_61
进行决策的累计评估值；
其中，
Figure QLYQS_63
表示用户设备
Figure QLYQS_67
已经完成了
Figure QLYQS_69
次卸载任务
Figure QLYQS_64
之后、对卸载任务
Figure QLYQS_66
进行决策的累计评估值，
Figure QLYQS_68
表示用户设备
Figure QLYQS_70
在增强阶段完成了
Figure QLYQS_62
次卸载任务
Figure QLYQS_65
之后的预期成功参数值。
2.根据权利要求1所述的控制方法，其特征在于，步骤S5包括：
确定在增强阶段确定出的累计评估值的增强阈值；
若在增强阶段确定出的累计评估值未达到所述增强阈值，则按照决策参照指标值最大化原则，利用在增强阶段确定出的累计评估值计算用户设备
Figure QLYQS_73
实际在完成卸载任务
Figure QLYQS_75
时的通信半径
Figure QLYQS_77
，并控制用户设备
Figure QLYQS_72
以通信半径
Figure QLYQS_74
完成卸载任务
Figure QLYQS_76
；其中，通信半径
Figure QLYQS_78
大于用户设备
Figure QLYQS_71
的原始通信半径；
若在增强阶段确定出的累计评估值达到所述增强阈值，则将发布的卸载任务
Figure QLYQS_79
的成功参数值增大至所述初始成功参数值，并在偏向学习的持续阶段，确定用户设备
Figure QLYQS_80
完成卸载任务
Figure QLYQS_81
的预期成功参数值；
根据在偏向学习的持续阶段确定出的预期成功参数值以及发布的卸载任务
Figure QLYQS_82
的成功参数值，确定用户设备
Figure QLYQS_83
完成卸载任务
Figure QLYQS_84
的决策参照指标值，并根据卸载任务
Figure QLYQS_85
的实际成功参数值、在偏向学习的持续阶段确定出的预期成功参数值以及发布的卸载任务
Figure QLYQS_86
的成功参数值，确定用户设备
Figure QLYQS_87
对卸载任务
Figure QLYQS_88
进行决策的累计评估值；
按照决策参照指标值最大化原则，利用在持续阶段确定出的累计评估值计算用户设备
Figure QLYQS_90
实际在完成卸载任务
Figure QLYQS_93
时的通信半径
Figure QLYQS_95
，并控制用户设备
Figure QLYQS_91
以通信半径
Figure QLYQS_92
完成卸载任务
Figure QLYQS_94
；其中，通信半径
Figure QLYQS_96
大于用户设备
Figure QLYQS_89
的原始通信半径。
3.根据权利要求2所述的控制方法，其特征在于，所述在偏向学习的增强阶段，确定用户设备
Figure QLYQS_97
完成卸载任务
Figure QLYQS_98
的预期成功参数值，包括：
在偏向学习的增强阶段，计算用户设备
Figure QLYQS_99
完成卸载任务
Figure QLYQS_100
的预期成功参数值的公式为：
Figure QLYQS_101
其中，
Figure QLYQS_103
表示用户设备
Figure QLYQS_106
在增强阶段完成了
Figure QLYQS_109
次卸载任务
Figure QLYQS_104
之后的预期成功参数值，
Figure QLYQS_108
表示增强次数，
Figure QLYQS_111
表示基站发布的卸载任务
Figure QLYQS_112
的成功参数值，
Figure QLYQS_102
表示用户设备
Figure QLYQS_107
的偏向学习因子，
Figure QLYQS_110
，
Figure QLYQS_113
表示卸载任务
Figure QLYQS_105
的实际成功参数值。
4.根据权利要求3所述的控制方法，其特征在于，所述确定在增强阶段确定出的累计评估值的增强阈值，包括：
确定
Figure QLYQS_114
与增强次数
Figure QLYQS_115
之间的关系满足：
Figure QLYQS_116
当
Figure QLYQS_117
趋近
Figure QLYQS_118
的上极限值
Figure QLYQS_119
时，计算获得所述累计评估值的增强阈值
Figure QLYQS_120
为：
Figure QLYQS_121
；
其中，
Figure QLYQS_123
表示卸载任务
Figure QLYQS_126
的实际成功参数值
Figure QLYQS_128
与基站发布的卸载任务
Figure QLYQS_124
的成功参数值
Figure QLYQS_127
之间的比值，
Figure QLYQS_129
，
Figure QLYQS_130
表示阈值因子，
Figure QLYQS_122
且
Figure QLYQS_125
。
5.根据权利要求2所述的控制方法，其特征在于，所述利用在增强阶段确定出的累计评估值计算用户设备
Figure QLYQS_131
实际在完成卸载任务
Figure QLYQS_132
时的通信半径
Figure QLYQS_133
，包括：
通过公式
Figure QLYQS_134
计算用户设备
Figure QLYQS_135
实际在完成卸载任务
Figure QLYQS_136
时的通信半径
Figure QLYQS_137
；
所述利用在持续阶段确定出的累计评估值计算用户设备
Figure QLYQS_138
实际在完成卸载任务
Figure QLYQS_139
时的通信半径
Figure QLYQS_140
，包括：
通过公式
Figure QLYQS_141
计算用户设备
Figure QLYQS_142
实际在完成卸载任务
Figure QLYQS_143
时的通信半径
Figure QLYQS_144
；
其中，
Figure QLYQS_145
表示卸载任务
Figure QLYQS_146
的单位通信的收益，
Figure QLYQS_147
表示在偏向学习的增强阶段确定出的累计评估值，
Figure QLYQS_148
表示在偏向学习的持续阶段确定出的累计评估值，
Figure QLYQS_149
表示单位通信的功率开销，
Figure QLYQS_150
表示用户设备
Figure QLYQS_151
的最大通信半径。
6.根据权利要求2所述的控制方法，其特征在于，所述在偏向学习的持续阶段，确定用户设备
Figure QLYQS_152
完成卸载任务
Figure QLYQS_153
的预期成功参数值，包括：
在偏向学习的持续阶段，计算用户设备
Figure QLYQS_154
完成卸载任务
Figure QLYQS_155
的预期成功参数值的公式为：
Figure QLYQS_156
其中，
Figure QLYQS_159
表示用户设备
Figure QLYQS_161
在持续阶段完成了
Figure QLYQS_163
次卸载任务
Figure QLYQS_158
之后的预期成功参数值，
Figure QLYQS_160
表示持续次数，
Figure QLYQS_162
表示所述增强阈值，
Figure QLYQS_164
表示卸载任务
Figure QLYQS_157
的实际成功参数值。
7.根据权利要求2所述的控制方法，其特征在于，在所述控制用户设备
Figure QLYQS_165
以通信半径
Figure QLYQS_166
完成卸载任务
Figure QLYQS_167
之后，所述控制方法还包括：
确定在偏向学习的持续阶段确定出的累计评估值的持续阈值；
若在偏向学习的持续阶段确定出的累计评估值小于所述持续阈值，则不向用户设备
Figure QLYQS_168
发布下一轮卸载任务。
8.根据权利要求7所述的控制方法，其特征在于，所述确定在偏向学习的持续阶段确定出的累计评估值的持续阈值，包括：
确定在偏向学习的持续阶段确定出的累计评估值
Figure QLYQS_169
与持续次数
Figure QLYQS_170
之间的关系满足：
Figure QLYQS_171
当
Figure QLYQS_172
趋近
Figure QLYQS_173
的下极限值0时，计算获得
Figure QLYQS_174
的持续阈值
Figure QLYQS_175
为：
Figure QLYQS_176
；
其中，
Figure QLYQS_179
表示阈值因子，
Figure QLYQS_180
且
Figure QLYQS_183
，
Figure QLYQS_178
表示卸载任务
Figure QLYQS_182
的实际成功参数值
Figure QLYQS_184
与基站发布的卸载任务
Figure QLYQS_185
的成功参数值
Figure QLYQS_177
之间的比值，
Figure QLYQS_181
。
CN202211497603.8A 2022-11-28 2022-11-28 流量卸载中用户设备通信半径的控制方法 Active CN115633381B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211497603.8A CN115633381B (zh) 2022-11-28 2022-11-28 流量卸载中用户设备通信半径的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211497603.8A CN115633381B (zh) 2022-11-28 2022-11-28 流量卸载中用户设备通信半径的控制方法

Publications (2)

Publication Number Publication Date
CN115633381A CN115633381A (zh) 2023-01-20
CN115633381B true CN115633381B (zh) 2023-03-14

Family

ID=84910476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211497603.8A Active CN115633381B (zh) 2022-11-28 2022-11-28 流量卸载中用户设备通信半径的控制方法

Country Status (1)

Country Link
CN (1) CN115633381B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102843217A (zh) * 2012-09-11 2012-12-26 电子科技大学 基于网络编码和中继的d2d通信系统及其实现方法
CN110868705A (zh) * 2019-05-27 2020-03-06 南京理工大学紫金学院 一种社会感知的基于多跳机会式d2d通信的内容分发方法
WO2020156677A1 (en) * 2019-01-31 2020-08-06 Nokia Technologies Oy Methods and apparatus for offloading data traffic in a wireless network
CN115103338A (zh) * 2022-05-18 2022-09-23 北京科技大学 一种d2d环境下基于深度强化学习的交接卸载方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073671A1 (en) * 2011-09-15 2013-03-21 Vinayak Nagpal Offloading traffic to device-to-device communications
CN111132077B (zh) * 2020-02-25 2021-07-20 华南理工大学 车联网环境下基于d2d的多接入边缘计算任务卸载方法
CN114745789A (zh) * 2021-01-07 2022-07-12 北京三星通信技术研究有限公司 信号传输的方法及其装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102843217A (zh) * 2012-09-11 2012-12-26 电子科技大学 基于网络编码和中继的d2d通信系统及其实现方法
WO2020156677A1 (en) * 2019-01-31 2020-08-06 Nokia Technologies Oy Methods and apparatus for offloading data traffic in a wireless network
CN110868705A (zh) * 2019-05-27 2020-03-06 南京理工大学紫金学院 一种社会感知的基于多跳机会式d2d通信的内容分发方法
CN115103338A (zh) * 2022-05-18 2022-09-23 北京科技大学 一种d2d环境下基于深度强化学习的交接卸载方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
J. Ghosn, et al..Bias learning, knowledge sharing.《 IEEE Transactions on Neural Networks》.2003,P748-765. *
李学勇等.基于隐偏向信息学习的强化学习算法.《南华大学学报(理工版)》.2004,(第02期),第1-7页. *
林芬等.基于偏向信息学习的双层强化学习算法.《计算机研究与发展》.2008,(第09期),第1-8页. *

Also Published As

Publication number Publication date
CN115633381A (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN107708152B (zh) 异构蜂窝网络的任务卸载方法
US8055267B2 (en) System and method for allocating resource and user terminal
CN109219071B (zh) 异构无线网络中基于业务分级的垂直切换方法
JP2009505564A (ja) ワイヤレス通信ネットワークのセカンダリ・リバースリンクのキャリアの送信電力の初期設定
US20040252669A1 (en) Common rate control method based on mobile transmit power
CN109547351A (zh) Ad Hoc网络中基于Q学习和信任模型的路由方法
CN107820278B (zh) 蜂窝网络时延与成本均衡的任务卸载方法
WO2009092187A1 (zh) 生成蜂窝网络的用户移动性模型的方法及装置
CN109618285B (zh) 一种基于覆盖树的基站控制方法、装置及设备
CN115633381B (zh) 流量卸载中用户设备通信半径的控制方法
Han et al. A deep reinforcement learning based approach for channel aggregation in IEEE 802.11 ax
CN114938381A (zh) 一种基于深度强化学习的d2d-mec卸载方法、计算机程序产品
CN111866952A (zh) 一种基于用户组偏好集中度差异的d2d概率式缓存放置方法
CN111935777A (zh) 基于深度强化学习的5g移动负载均衡方法
Werner et al. Handover parameter optimization in WCDMA using fuzzy controlling
CN110493801B (zh) Mec环境下基于d2d通信的蜂窝系统数据卸载方法
Yuan et al. A QoE-orientated base station sleeping strategy for multi-services in cellular networks
Beigy et al. A learning automata based dynamic guard channel scheme
CN112367687B (zh) 一种基于业务类型的4g和5g多模终端网络选择方法
Hasan et al. Non-cooperative association of mobiles to access points revisited
CN106465181B (zh) 一种准入控制方法、负载控制方法及网络设备
CN113766668B (zh) 一种窄带物联网动态随机接入控制及资源分配方法
Rulnick et al. Power control and time division: The CDMA versus TDMA question
Singh et al. Uplink power control and base station association in multichannel cellular networks
Srichavengsup et al. A design and performance evaluation of a class of channel reservation techniques for medium access control protocols in high bit-rate wireless communications

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