CN116743584B - 一种基于信息感知及联合计算缓存的动态ran切片方法 - Google Patents

一种基于信息感知及联合计算缓存的动态ran切片方法 Download PDF

Info

Publication number
CN116743584B
CN116743584B CN202310993630.2A CN202310993630A CN116743584B CN 116743584 B CN116743584 B CN 116743584B CN 202310993630 A CN202310993630 A CN 202310993630A CN 116743584 B CN116743584 B CN 116743584B
Authority
CN
China
Prior art keywords
slice
base station
user
resource allocation
roadside
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
CN202310993630.2A
Other languages
English (en)
Other versions
CN116743584A (zh
Inventor
陈赓
齐书虎
张晓�
郭银景
曾庆田
孙红雨
陆翔
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310993630.2A priority Critical patent/CN116743584B/zh
Publication of CN116743584A publication Critical patent/CN116743584A/zh
Application granted granted Critical
Publication of CN116743584B publication Critical patent/CN116743584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0894—Policy-based network configuration management
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/16—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using machine learning or artificial intelligence
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/40—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks using virtualisation of network functions or resources, e.g. SDN or NFV entities
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • 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
    • H04W28/14—Flow control between communication endpoints using intermediate storage
    • 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
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W72/00—Local resource management
    • H04W72/50—Allocation or scheduling criteria for wireless resources
    • H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
    • 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
    • H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于信息感知及联合计算缓存的动态RAN切片方法，属于移动通信技术领域，包括如下步骤：在高动态车载网络中，构建由一个基站、一个SDN控制器、多个MEC服务器、多个路边单元及不同切片车载用户组成的通信、计算及缓存空间资源分配模型；搭建基于ConvLSTM的部分历史信息感知模型；在切片间SDN控制器应用理论分析及SAC算法以粗粒度方式优化基站和路边单元的切片配置信息，在切片内基站和路边单元以细粒度方式将通信及计算资源调度到终端用户。本发明能够实时获取车辆流量密度时空动态分布的最佳RAN切片策略，满足不同切片的服务性能指标要求并降低系统能耗。

Description

一种基于信息感知及联合计算缓存的动态RAN切片方法
技术领域
本发明属于移动通信技术领域，具体涉及一种基于信息感知及联合计算缓存的动态RAN切片方法。
背景技术
车载网络服务是多样化的，具有不同的服务质量（QoS）要求。例如，用于对延迟敏感的自动驾驶的服务具有严格的延迟要求；而对资源要求较高的高清晰度地图创建服务具有延迟容忍性；并且车辆用户的移动视频流服务则需要高吞吐量。为了支持这些具有不同QoS要求的多样化车载网络服务，出现了很有前途的车载网络RAN切片方法，其目的是在基站和路边单元创建多个逻辑隔离切片。所述RAN为无线接入网。
然而，现有车载网络中的感知分析是基于准确观测到的车辆网络状态信息并且未充分利用部分历史信息致使底层网络切片资源难以灵活优化，同时多维服务QoS要求、高度动态的服务流量会影响评估网络资源的需求信息，无线网络的随机性以及不可避免的可用资源限制会影响资源分配策略以及用户服务体验质量。为了满足不同服务的时延要求，需要边缘计算和网络切片的结合，通过结合可以有效地利用边缘网络的动态网络资源，同时提高用户的QoS。高动态的车载网络场景中，协同集中控制通信、计算及缓存资源的灵活分配是保证车载用户服务体验质量、减少计算时延及降低系统能耗的有效方式。通过感知网络中部分历史信息的通信、计算及缓存空间资源动态RAN切片可根据多样化QoS需求智能准确地评估切片间通信、计算及缓存资源的需求以及能够以快速高度灵活的方式满足不同切片特定的QoS要求。因此，如何为用户优化通信、计算及缓存资源的配置信息是本发明研究的关键问题。
新兴的深度强化学习（DRL）被认为是解决复杂场景中的资源分配问题的很有前途的方法，采用探索的方式与环境实时动态交互。SAC算法是基于最大熵发展的DRL方法，在优化策略以获得更高累计收益的同时也会最大化策略的熵，以增加更多的探索，从而可以加快学习速度。所以，对于通信、计算及缓存空间的资源分配系统场景中，亟需一种方法配置通信、计算及缓存空间的切片间信息，以保证服务性能指标的同时有效降低系统能耗。
发明内容
为了解决上述问题，本发明提出了一种基于信息感知及联合计算缓存的动态RAN切片方法，从通信、计算及缓存空间资源分配的角度出发，构建了基于ConvLSTM的部分历史信息感知模型来提取车载网络中的时空动态分布特征以有效地促进通信、计算及缓存空间分配决策，同时引入了理论分析及SAC算法在切片间以粗粒度方式优化基站和路边单元的切片配置信息，在切片内基站和路边单元以细粒度方式将通信及计算资源调度到终端用户。
本发明的技术方案如下：
一种基于信息感知及联合计算缓存的动态RAN切片方法，包括如下步骤：
步骤1、在高动态车载网络中，构建资源分配模型，该资源分配模型由一个基站、一个SDN控制器、多个MEC服务器、多个路边单元及不同切片车载用户组成，用于通信、计算及缓存空间的资源切片分配；
步骤2、构建基于ConvLSTM的部分历史信息感知模型，提取高动态车载网络中的时空动态分布特征；
步骤3、在切片间SDN控制器中应用理论分析及SAC算法，以粗粒度方式优化基站和路边单元的切片配置信息，切片内再以细粒度方式将通信及计算资源调度到终端用户。
进一步地，步骤1的资源分配模型中，记基站和所有路边单元的集合为，集合中索引为1的为基站，剩余的为路边单元索引，为系统内基站和路边单元的总数量；记基站与路边单元区域中的车辆流量密度为，为基站或路边单元区域中的车辆流量密度；记基站与路边单元区域中的平均车辆速度为，为基站或路边单元区域中的平均车辆速度；
考虑来自车辆的不同切片请求，将车载网络切片分为三种，分别为时延敏感切片、时延容忍切片、内容交付切片，记；
记基站或路边单元切片中第个用户为，其中；记基站或路边单元切片的用户集合为，系统内切片的用户集合为；记基站或路边单元的固定带宽为；记MEC服务器的计算能力为，MEC服务器的缓存能力为；记基站或路边单元分配给切片的通信资源比例为，记MEC服务器分配给切片的计算资源比例为，MEC服务器分配给切片的缓存空间比例为。
进一步地，步骤2中，构建的部分历史信息感知模型由ConvLSTM层、卷积层及全连接层依次串联组成，ConvLSTM层中又包含个串联的ConvLSTM单元；ConvLSTM为卷积长短期记忆网络；
部分历史信息感知模型进行感知分析的具体过程如下：
步骤2.1、SDN控制器从基站和路边单元收集切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度方面的部分历史信息；
步骤2.2、将前时隙的切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度同时输入到ConvLSTM层，经过个ConvLSTM单元后提取得到时空动态分布特征；
步骤2.3、将提取到的时空动态分布特征输入到卷积层，得到卷积矢量；
步骤2.4、最后经过全连接层，将卷积矢量映射为一维矢量，得到每个基站和路边单元的一维时空动态分布特征，一维时空动态分布特征为部分历史信息感知模型的最终输出。
进一步地，步骤3的具体过程如下：
步骤3.1、设计通信资源分配策略；
步骤3.2、设计计算资源分配策略；
步骤3.3、设计缓存空间资源分配策略；
步骤3.4、结合通信资源分配策略、计算资源分配策略和缓存空间资源分配策略，以最小化所有用户吞吐量、时延与服务指标要求的差值及能耗作为最终的优化目标；
步骤3.5、引入全局变量的局部变量，进行优化问题的等效；
步骤3.6、应用SAC算法以粗粒度方式优化基站和路边单元的切片配置信息，在切片内基站和路边单元以细粒度方式将通信及计算资源调度到终端用户。
进一步地，步骤3.1的具体过程如下：
步骤3.1.1、根据香农理论计算出在时隙与基站或路边单元关联的用户通过一个资源块实现的数据速率为：
(1)；
其中，表示资源块的大小，表示时隙基站或路边单元与用户之间的传输功率，是基站或路边单元与用户之间的信道增益；表示基站或路边单元处接收到的高斯白噪声；
步骤3.1.2、计算在时隙与基站或路边单元关联的用户实现的总数据速率为：
(2)；
其中，表示基站或路边单元分配给用户的资源块数量；
步骤3.1.3、将最小化所有用户数据速率与切片数据速率指标要求的差值之和作为通信资源分配策略的优化目标，定义如下：
(3)；
其中，为通信资源分配策略的优化目标；通信资源分配优化变量采用矩阵形式表示；表示基站或路边单元在时隙切片内分配给用户的通信资源分配向量；为时隙的数量；为切片的最低数据速率指标要求；为约束条件1：基站或路边单元分配给所有车载网络切片的带宽比例总和为1；为约束条件2：分配给切片用户的资源块数不应超过分配给该切片的资源块总数；为约束条件3：用户的传输速率应满足切片的最低数据速率指标要求。
进一步地，步骤3.2的具体过程如下：
步骤3.2.1、计算MEC服务器方式在计算时延和能耗的开销；
根据通信资源分配策略计算出的，计算在时隙用户的任务卸载到MEC服务器传输时延，计算公式如下：
(4)；
其中，表示卸载比例；表示在时隙用户生成的任务大小；
计算MEC服务器执行用户卸载任务的计算时延，计算公式如下：
(5)；
其中，表示基站或路边单元分配给用户的计算能力；表示用户请求的CPU计算周期数；
因此，用户卸载任务的卸载时延为传输时延与计算时延之和，计算公式如下：
(6)；
时隙将计算任务卸载到服务器的能耗分为传输能耗和计算能耗两部分，其中，计算任务卸载到MEC服务器的传输能耗，定义为：
(7)；
其中，表示用户与基站或路边单元之间的传输功率；
MEC服务器执行该计算任务的计算能耗表示为：
(8)；
其中，表示能耗系数；
步骤3.2.2、计算本地计算方式在计算时延和能耗的开销；
对于剩余的部分任务利用本地计算方式进行计算，因此本地计算方式的计算时延定义为：
(9)；
其中，表示用户的本地计算能力；
本地计算的计算能耗为：
(10)；
其中，是用户的芯片相关能耗系数；
因此，用户的任务计算总时延取本地计算时延和卸载时延两者中的最大值，即：
(11)；
用户的计算任务总能耗为传输能耗、服务器计算能耗和本地计算能耗之和，即：
(12)；
步骤3.2.3、将最小化所有用户的计算总时延与服务指标的差值以及能耗之和作为计算资源分配策略的优化目标，计算资源分配策略的优化问题表述如下：
(13)；
其中，为计算资源分配策略的优化目标；计算资源分配优化变量采用矩阵形式表示；表示基站或路边单元在切片内分配给用户的计算资源分配向量；为计算时延的权重；表示切片的最大可容忍计算时延；为能耗的权重；为约束条件4：MEC服务器分配给所有切片的计算资源比例总和为1；为约束条件5：分配给用户的计算能力不应超过分配给该切片的总计算能力；为约束条件6：用户的计算时延应满足切片的最大可容忍计算时延；为约束条件7：的取值范围为0至1。
进一步地，步骤3.3的具体过程如下：
步骤3.3.1、计算时隙用户的内容交付下载时延，计算公式如下：
(14)；
其中，表示用户的排队时延；表示时隙用户从内容库中请求的内容大小；是任务缓存的二进制变量；表示基站或路边单元通过回程链路到远程服务器的传输速率；
步骤3.3.2、计算时隙用户的内容交付能耗，计算公式如下：
(15)；
其中，为用户与基站或路边单元之间的传输功率；
步骤3.3.3、对于、切片，MEC服务器中已经缓存了用户卸载任务，此时公式(11)用户的任务计算总时延重新表述为：
(16)；
同理，相应的用户的任务计算总能耗重新表述为：
(17)；
记切片的二进制变量，若，则，否则；因此，处理用户任务的能耗表述为：
(18)；
步骤3.3.4、缓存空间资源的优化目标是最小化所有用户的内容交付时延、计算总时延与服务指标要求的差值与能耗之和，因此缓存空间资源分配策略的优化问题表述如下：
(19)；
其中，表示缓存空间资源分配策略的优化目标；缓存空间分配优化变量采用矩阵形式表示；为内容交付时延的权重；为切片的内容交付的最大可容忍时延；为计算时延的权重；为能耗的权重；为约束条件8：MEC服务器分配给所有切片的缓存空间比例总和为1；为约束条件9：缓存的内容占用的缓存空间受分配给该切片缓存空间的限制；为约束条件10：用户应满足切片的最大内容交付时延要求；为约束条件11：和的取值范围均为0或1。
进一步地，步骤3.4中，将最终优化目标的优化问题表述为：
(20)；
其中，表示最终的优化目标，、、、分别表示不同的权重系数。
进一步地，步骤3.5的具体过程如下：
步骤3.5.1、在同一切片内用户采用轮询调度的方式平均分配该切片的资源，假设在时隙需求资源的用户数量为，计算出及；
步骤3.5.2、为每个基站和路边单元建立一个局部变量，每个基站和路边单元都能独立做出分配决策并受SDN控制器集中控制；
通信资源分配优化变量、计算资源分配优化变量、缓存空间分配优化变量均为全局变量，对于基站或路边单元，采用、、分别表示、、的局部变量；其中，是基站或路边单元为每种切片分配的通信资源比例矩阵，表示基站或路边单元的局部副本，表示基站或路边单元的局部副本分配给切片的通信资源比例；是基站或路边单元为每种切片分配的计算资源比例矩阵，表示基站或路边单元的局部副本分配给切片的计算资源比例；是基站或路边单元为每种切片分配的缓存空间资源比例分配矩阵，表示基站或路边单元的局部副本分配给切片的缓存空间资源分配比例；
步骤3.5.3、根据不同基站和路边单元分离约束条件并为基站或路边单元引入一组可行集，表示如下：
(22)；
引入可行集后，基站或路边单元的局部目标函数为：
(23)；
经过引入局部变量及可行集后，优化问题的等效问题表示为：
(24)；
其中，为约束条件12；
步骤3.5.4、采用交替方向乘子法求解目标函数。
进一步地，步骤3.6的具体过程如下：
步骤3.6.1、获取基于ConvLSTM的部分历史信息感知模型的最终输出及当前时隙切片需要处理的任务大小；
步骤3.6.2、粗粒度方式优化基站和路边单元的切片配置信息的过程为：
首先，将部分历史信息感知模型的最终输出及切片需要处理的任务大小共同组成SAC算法的状态，SAC算法的状态表示为；其中，表示经过部分历史信息感知模型输出的切片资源需求；表示经过部分历史信息感知模型输出的服务水平满意度；表示经过部分历史信息感知模型输出的车辆流量密度；表示经过部分历史信息感知模型输出的平均车辆速度；
然后，根据当前状态选择为各个切片提供通信、计算以及缓存空间资源的分配动作，SAC算法的动作表示为；
最后，计算切片间动作及切片内调度策略获得的奖励值，SAC算法的奖励函数表示为；
步骤3.6.3、细粒度方式将通信及计算资源调度到终端用户的过程为：
切片内在时隙根据信道状态信息及需要处理的任务量大小为需要请求资源的用户定义一个优先级因子，用户的优先级因子计算公式为：
(25)；
其中，表示信道状态信息的优先级，表示的变量；表示用户在时隙需要传输处理的任务大小，表示切片中需要传输处理的最大任务大小，表示用户的速率服务指标要求，表示用户的历史时刻的平均传输速率；
在时隙分配给终端用户时按照该用户的优先级因子与请求资源用户的优先级总和的比值与该时隙切片分得资源总数的乘积确定片内分配资源比例并更新平均传输速率。
本发明所带来的有益技术效果：本发明考虑了一个基站、多个路边单元及不同切片用户组成的车载网络场景，在该车载网络场景下，构建了ConvLSTM的部分历史信息感知模型，在切片间SDN控制器应用理论分析及SAC算法以粗粒度方式优化基站和路边单元的切片配置信息，在切片内基站和路边单元以细粒度方式将通信及计算资源调度到终端用户。本发明从通信、计算及缓存空间资源切片的角度出发，引入了理论分析及SAC算法解决高动态车载网络中的通信、计算及缓存空间的资源切片问题，从而能够满足不同切片的服务性能指标要求的同时最小化系统能耗，解决环境多变导致的高时延、能耗问题。
附图说明
图1为本发明基于信息感知及联合计算缓存的动态RAN切片方法的流程图。
图2为本发明基于信息感知及联合计算缓存的RAN切片方法进行通信、计算及缓存空间资源切片的具体流程图。
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：
高动态车载网络中，通信、计算及缓存空间的资源切片配置信息高度耦合，并且车辆的高速移动性致使底层网络难以实时地确定切片间的配置信息及切片内的调度策略。为了更加充分利用部分历史网络环境信息实时地确定通信、计算及缓存资源切片策略，首先构建了基于ConvLSTM的部分历史信息感知模型，提出一种通信、计算及缓存空间资源视角下基于粗细资源粒度结合的集中式RAN切片机制，以实时获得车辆时空动态分布的最佳RAN策略。
如图1所示，本发明方法包括如下步骤：
步骤1、在高动态车载网络中，构建资源分配模型，该资源分配模型由一个基站、一个SDN控制器、多个MEC服务器、多个路边单元及不同切片车载用户组成，用于通信、计算及缓存空间的资源切片分配。
本发明构建了包含基站、SDN控制器、MEC服务器、路边单元及不同切片车载用户组成的资源分配模型，该资源分配模型用于通信、计算及缓存空间的资源切片分配。其中，SDN控制器是软件定义网络(SDN)中的应用程序，负责流量控制以确保智能网络。MEC服务器是一种用于在移动网络边缘、无线接入网内以及靠近用户的位置提供IT服务和云计算的服务器。
在本车载网络模型的场景中，包含一个基站和个路边单元组成的架构，MEC服务器与基站、路边单元一起部署以提供计算和缓存资源。令为基站和所有路边单元的集合，基站、路边单元区域中的车辆流量密度及平均车辆速度分别表示为，。表示基站或路边单元切片中第个用户，分别表示基站或路边单元切片及系统内切片的用户集合。基站或路边单元拥有固定的带宽，标记为，同时MEC服务器的计算和缓存能力标记为和。基站或路边单元分配给切片的通信资源比例为，MEC服务器分配给切片的计算资源比例为及缓存空间比例为。考虑来自车辆的不同切片请求，主要包括三种类型的车载网络切片，用表示。一种是时延敏感切片；一种是时延容忍切片；另一种是内容交付切片。
步骤2、构建基于ConvLSTM的部分历史信息感知模型，提取高动态车载网络中的时空动态分布特征，以有效地促进通信、计算及缓存空间分配决策。
部分历史信息是协助通信、计算及缓存资源分配策略决策的重要因素，因此构建的模型中需要融合部分历史信息以此来提取车载网络中的时空动态分布特征，进而有效地促进通信、计算和缓存空间分配决策。
部分历史信息感知模型由ConvLSTM层、卷积层及全连接层依次串联组成，ConvLSTM层中包含个串联的ConvLSTM单元。ConvLSTM为卷积长短期记忆网络，主要由卷积层、LSTM单元和激活函数组成，其中卷积层可以对输入数据进行卷积操作，从而提取特征，LSTM单元用于记忆过去的信息并根据当前输入和记忆信息生成输出，激活函数用于对输出进行非线性变换，因此该模型可以有效的在时间序列数据中提取时空动态分布特征。
该模型进行感知分析，提取时空动态分布特征的具体过程如下：
步骤2.1、SDN控制器从基站和路边单元收集切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度方面的部分历史信息，并将其输入到部分历史信息感知模型中以提取车载网络的时空动态分布特征。
步骤2.2、将前时隙的切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度作为输入部分输入到ConvLSTM层，经过个ConvLSTM单元后提取得到时空动态分布特征；
其中，被定义为该模型输入所需的历史信息状态数（状态数也即时隙），即输入包括从时隙到时隙的部分历史信息，、、及分别表示在时隙的切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度；表示时隙基站切片的资源需求，表示时隙路边单元切片的资源需求，表示时隙基站切片的服务水平满意度，表示时隙路边单元切片的服务水平满意度，表示时隙基站切片的车辆流量密度，表示时隙路边单元切片的车辆流量密度，表示时隙基站切片的平均车辆速度，表示时隙路边单元切片的平均车辆速度。
步骤2.3、将提取到的时空动态分布特征输入到卷积层，得到卷积矢量，其目的是对ConvLSTM的输出进行特征降维，从而减小参数数量和计算量，同时保留有用的时空动态分布特征；
步骤2.4、最后经过全连接层，全连接层将卷积矢量映射为一维矢量，得到每个基站和路边单元的一维时空动态分布特征，以降低模型的复杂度和计算量，为部分历史信息感知模型的最终输出。
该部分历史信息感知模型的最终输出可以与切片需要处理的任务大小相结合，结合后的结果可以作为SAC算法的状态输入部分以指导通信、计算及缓存资源分配的决策；
其中，表示经过部分历史信息感知模型输出的切片资源需求；表示经过部分历史信息感知模型输出的服务水平满意度；表示经过部分历史信息感知模型输出的车辆流量密度；表示经过部分历史信息感知模型输出的平均车辆速度；表示时隙基站切片需要处理的任务大小，表示时隙路边单元切片需要处理的任务大小。
步骤3、在切片间SDN控制器应用理论分析及SAC的算法以粗粒度方式优化基站和路边单元的切片配置信息，在切片内基站和路边单元以细粒度方式将通信及计算资源调度到终端用户。
步骤3.1、设计通信资源分配策略；
步骤3.1.1、根据香农理论计算出在时隙与基站或路边单元关联的用户通过一个资源块实现的数据速率为：
(1)；
其中，表示资源块的大小，表示时隙基站或路边单元与用户之间的传输功率，是基站或路边单元与用户之间的信道增益；表示基站或路边单元处接收到的高斯白噪声；
步骤3.1.2、在时隙与基站或路边单元关联的用户可实现的总数据速率为：
(2)；
其中，表示基站或路边单元分配给用户的资源块数量。分配给切片用户的资源块数不应超过该切片的资源块总数，即：。用户的传输速率应满足切片的最低数据速率要求，即：。
步骤3.1.3、通信资源分配策略中研究高动态车载网络通信资源切片间及切片内的联合分配问题。将最小化所有用户数据速率与切片数据速率指标要求的差值之和作为优化目标。因此，通信资源分配的优化问题可以表述为：
(3)；
其中，为通信资源分配策略的优化目标；通信资源分配优化变量采用矩阵形式表示，索引和索引分别表示矩阵的行和列。表示基站或路边单元在时隙切片内分配给用户的通信资源分配向量。
步骤3.2、设计计算资源分配策略；
假设用户在时隙生成的计算任务可用一个元组表示。其中表示在时隙用户生成的任务大小； 表示用户请求的CPU计算周期数；表示切片的最大可容忍计算时延。接下来分别讨论MEC服务器计算和本地计算方式在计算时延及能耗方面的开销。
步骤3.2.1、计算MEC服务器方式在计算时延和能耗的开销；
根据通信资源分配策略计算出的，计算在时隙用户的任务卸载到MEC服务器传输时延，计算公式如下：
(4)；
其中，表示任务卸载比例。
计算MEC服务器执行用户卸载任务的计算时延，计算公式如下：
(5)；
其中，表示基站或路边单元分配给用户的计算能力。
分配给用户的计算能力不应超过分配给该切片的总计算能力，即。因此，用户的卸载任务总时延为传输时延与计算时延之和，即：
(6)；
在时隙将计算任务卸载到服务器的能耗相应的分成两部分，一部分用于传输，另一部分用于计算。计算任务卸载到MEC服务器的传输能耗，定义为：
(7)；
其中，表示用户与基站或路边单元之间的传输功率。
MEC服务器执行该计算任务的计算能耗表示为：
(8)；
其中，表示能耗系数。
步骤3.2.2、计算本地计算方式在计算时延和能耗的开销；
对于剩余的部分任务利用本地计算方式进行计算，因此本地计算方式的计算时延定义为：
(9)；
其中，表示用户的本地计算能力。为了不失一般性，设置不同的用户拥有不同的计算能力。
本地计算的计算能耗为：
(10)；
其中，是用户的芯片相关能耗系数。
因此，用户的任务计算总时延取本地计算时延和卸载时延两者中的最大值，即：
(11)；
用户的计算任务总能耗为传输能耗和服务器计算能耗和本地计算能耗之和，即：
(12)；
用户的计算时延应满足切片的最大可容忍计算时延，即：。
步骤3.2.3、计算资源分配策略中研究高动态车载网络中计算资源切片间及切片内联合分配问题。将最小化所有用户的计算总时延与服务指标的差值以及能耗之和作为计算资源分配策略的优化目标。因此，计算资源分配策略的优化问题表述如下：
(13)；
其中，为计算资源分配策略的优化目标；为约束条件4：MEC服务器分配给所有切片的计算资源比例总和为1；为约束条件5：分配给用户的计算能力不应超过分配给该切片的总计算能力；为约束条件6：用户的计算时延应满足切片的最大可容忍计算时延；为约束条件7：的取值范围为0至1；计算资源分配优化变量采用矩阵形式表示，索引和索引分别表示矩阵的行和列。表示基站或路边单元在切片内分配给用户的计算资源分配向量。由于计算时延与能耗具有不同的单位，添加权重以归一化，其中并且。
步骤3.3、设计缓存空间资源分配策略；
步骤3.3.1、切片用户分别从内容库中请求内容，为请求内容总数。假设任何请求内容的流行度是已知的并且可以表示为。MEC服务器优先选择内容流行度较大的进行缓存。表示时隙用户从内容库中请求的内容大小。在时隙用户的传输队列用表示，则在时隙传输队列更新为，表示固定时间间隔。通常任务延迟由两部分组成，其中包括排队延迟和传输延迟，即时隙用户的内容交付下载时延定义为排队时延和传输时延的总和，即：
(14)；
其中，表示用户的排队时延；是任务缓存的二进制变量，表示基站切片中用户在时隙请求的内容是否缓存在MEC服务器中，若缓存在MEC服务器中则，否则为0。表示基站或路边单元通过回程链路到远程服务器的传输速率。
步骤3.3.2、因此，时隙用户的内容交付能耗定义为：
(15)；
其中，为用户与基站或路边单元之间的传输功率。
步骤3.3.3、对于、切片，MEC服务器中已经缓存了用户卸载任务。因此，公式(11)用户的任务计算总时延可以重新表述为：
(16)；
同理，相应的用户的任务计算总能耗重新表述为：
(17)；
定义切片的二进制变量，若，则，否则。因此，处理用户任务的能耗可以表述为：
(18)；
由于MEC服务器分配给切片的缓存空间有限，缓存的内容占用的缓存空间受分配给该切片缓存空间的限制，即。根据切片的内容交付时延要求，用户应满足切片的最大内容交付时延要求，即，为切片的内容交付的最大可容忍时延。
步骤3.3.4、缓存空间资源的优化目标是最小化所有用户的内容交付时延、计算总时延与服务指标要求的差值与能耗之和。因此缓存空间资源分配策略的优化问题表述如下：
(19)；
其中，表示缓存空间资源分配策略的优化目标；缓存空间分配优化变量采用矩阵形式表示，和分别表示矩阵的行和列。添加权重以归一化内容交付时延及能耗，其中并且。为约束条件8：MEC服务器分配给所有切片的缓存空间比例总和为1；为约束条件9：缓存的内容占用的缓存空间受分配给该切片缓存空间的限制；为约束条件10：用户应满足切片的最大内容交付时延要求；为约束条件11：和的取值范围均为0或1。
步骤3.4、结合通信、计算和缓存空间资源的分配策略以最小化所有用户吞吐量、时延与服务指标要求的差值及能耗作为最终的优化目标，最终优化目标的优化问题表述为：
(20)；
其中，表示最终的优化目标；权重系数以归一化，其中并且。
步骤3.5、引入全局变量的局部变量，进行优化问题的等效；
步骤3.5.1、为了使问题更加简洁，在同一切片内用户采用轮询调度的方式平均分配该切片的资源。假设在时隙需求资源的用户数量为，因此及。
步骤3.5.2、优化问题中的优化变量是全局变量，为了使问题可分离需引入全局变量的局部变量。由于全局变量系统中的基站和路边单元统一决策，因此在分离变量时为每个基站和路边单元建立一个局部变量，每个基站和路边单元可以独立做出分配决策并受集中控制。对于基站或路边单元来说，、、分别表示、、的局部变量，其中以表示基站或路边单元的局部副本。引入局部变量的等效问题可以表述为：
(21)；
其中，为引入局部变量的目标函数；是约束条件12，是为了规定所有基站和路边单元的局部变量与全局变量保持一致。
步骤3.5.3、为了便于描述，根据不同的基站分离约束条件并为基站或路边单元引入一组可行集，局部变量的可行集表示为：
(22)；
作为基站或路边单元的可行集，其中，，分别是基站或路边单元为每种切片分配的通信资源比例矩阵、计算资源比例矩阵及缓存空间资源比例矩阵。引入可行集后基站或路边单元的局部目标函数为：
(23)；
优化问题的等效问题表示为：
(24)；
步骤3.5.4、等效问题中具有可行集的目标函数对于系统中所有基站和路边单元都是可分离的同时约束条件保证了所有局部变量与全局变量的一致性。进一步可采用交替方向乘子法（ADMM）算法求解，详细求解过程如下：
步骤3.5.4.1、初始化过程；
步骤3.5.4.1.1、SDN控制器决定的停止阈值条件分别为、；为原始可行性残差的停止阈值，为对偶可行性残差的停止阈值；
步骤3.5.4.1.2、SDN控制器初始化初始可行解，并将其发送给基站和路边单元；
步骤3.5.4.1.3、每个基站和路边单元确定各自的初始拉格朗日乘子，并将其发送给SDN控制器；
步骤3.5.4.1.4、初始化迭代次数为0；
步骤3.5.4.2、迭代过程；
步骤3.5.4.2.1、每个基站和路边单元通过求解公式(23)更新各自的局部变量，并将其发送给SDN控制器；
步骤3.5.4.2.2、SDN控制器更新全局变量，并将其发送给每个基站和路边单元；
步骤3.5.4.2.3、SDN控制器更新拉格朗日乘子，并将其发送给每个基站和路边单元；
步骤3.5.4.2.4、在同一切片内用户采用轮询调度的方式平均分配该切片的资源；
步骤3.5.4.2.5、判断相邻迭代优化变量的对偶可行性残差是否满足停止阈值条件，若满足停止阈值条件则停止迭代，否则继续；
步骤3.5.4.2.6、将迭代次数加1，进而更新迭代次数；
步骤3.5.4.3、输出过程；
输出最优的切片策略，最优的切片策略为所需的目标函数。
步骤3.6、应用SAC算法以粗粒度方式优化基站和路边单元的切片配置信息，在切片内基站和路边单元以细粒度方式将通信及计算资源调度到终端用户。
步骤3.6.1、获取基于ConvLSTM的部分历史信息感知模型的最终输出及当前时隙切片的任务大小；
步骤3.6.2、粗粒度方式优化基站和路边单元的切片配置信息的过程为：
首先，将部分历史信息感知模型的最终输出及切片需要处理的任务大小共同组成SAC算法的状态，该状态表示为。表示经过部分历史信息感知模型输出的切片资源需求；表示经过部分历史信息感知模型输出的服务水平满意度；表示经过部分历史信息感知模型输出的车辆流量密度；表示经过历史部分信息感知模型输出的平均车辆速度；
然后，根据当前状态选择为各个切片提供通信、计算以及缓存空间资源的最佳动作，即切片间的配置信息包括通信资源分配优化变量、计算资源分配优化变量、缓存空间分配优化变量。该动作表示为；
最后，计算切片间动作及切片内调度策略获得的奖励值；优化目标是最小化所有用户吞吐量、时延与服务指标要求的差值以及能耗问题。然而SAC算法的目标是最大化奖励回报，因此将该优化目标的相反数作为奖励函数。
步骤3.6.3、细粒度方式将通信及计算资源调度到终端用户的过程为：
切片内在时隙根据信道状态信息及需要处理的任务量大小为需要请求资源的用户定义一个优先级因子，用户的优先级因子计算公式为：
(25)；
其中，表示信道状态信息的优先级，表示的变量；表示用户在时隙需要传输处理的任务大小，表示切片中需要传输处理的最大任务大小，表示用户的速率服务指标要求，表示用户的历史时刻的平均传输速率；
在时隙分配给终端用户时按照该用户的优先级因子与请求资源用户的优先级总和的比值与该时隙切片分得资源总数的乘积确定片内分配资源比例并更新平均传输速率。
本发明方法进行通信、计算及缓存空间大小分配的具体流程，如下：
①初始化部分历史信息感知模型及SAC算法中参数；
②SDN控制器优先收集基站及路边单元的前个时隙的切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度的部分历史信息；
③将收集的部分历史信息输入到基于ConvLSTM的部分历史信息感知模型以提取车载网络的时空动态分布特征；
④部分历史信息感知模型的输出及当前时隙切片需要处理的任务大小当作状态，输入到SAC算法，SAC算法根据状态输出通信、计算及缓存空间大小的配置信息；
⑤计算用户优先级并执行切片内基于比例优先级的通信及计算资源分配调度策略；
⑥计算最终的优化目标；
⑦计算奖励，更新部分历史信息的时空动态分布特征及切片需要处理的任务大小，获得下一状态；
⑧保存该动作、状态、奖励及下一状态，更新SAC参数；
⑨设定迭代次数，SDN控制器根据SAC算法中策略获得通信、计算及缓存空间大小的最佳切片方案。
本发明方法基于信息感知及联合计算缓存的动态RAN切片方法的过程如图2所示，相应的伪代码如表1所示：
表1基于信息感知及联合计算缓存的动态RAN切片方法伪代码表
。
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 (1)

1.一种基于信息感知及联合计算缓存的动态RAN切片方法，其特征在于，包括如下步骤：
步骤1、在高动态车载网络中，构建资源分配模型，该资源分配模型由一个基站、一个SDN控制器、多个MEC服务器、多个路边单元及不同切片车载用户组成，用于通信、计算及缓存空间的资源切片分配；
步骤2、构建基于ConvLSTM的部分历史信息感知模型，提取高动态车载网络中的时空动态分布特征；
步骤3、在切片间SDN控制器中应用理论分析及SAC算法，以粗粒度方式优化基站和路边单元的切片配置信息，切片内再以细粒度方式将通信及计算资源调度到终端用户；
所述步骤1的资源分配模型中，记基站和所有路边单元的集合为，集合中索引为1的为基站，剩余的为路边单元索引，为系统内基站和路边单元的总数量；记基站与路边单元区域中的车辆流量密度为，为基站或路边单元区域中的车辆流量密度；记基站与路边单元区域中的平均车辆速度为，为基站或路边单元区域中的平均车辆速度；
考虑来自车辆的不同切片请求，将车载网络切片分为三种，分别为时延敏感切片、时延容忍切片、内容交付切片，记；
记基站或路边单元切片中第个用户为，其中；记基站或路边单元切片的用户集合为，系统内切片的用户集合为；记基站或路边单元的固定带宽为；记MEC服务器的计算能力为，MEC服务器的缓存能力为；记基站或路边单元分配给切片的通信资源比例为，记MEC服务器分配给切片的计算资源比例为，MEC服务器分配给切片的缓存空间比例为；
所述步骤2中，构建的部分历史信息感知模型由ConvLSTM层、卷积层及全连接层依次串联组成，ConvLSTM层中又包含个串联的ConvLSTM单元；ConvLSTM为卷积长短期记忆网络；
部分历史信息感知模型进行感知分析的具体过程如下：
步骤2.1、SDN控制器从基站和路边单元收集切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度方面的部分历史信息；
步骤2.2、将前时隙的切片资源需求、服务水平满意度、车辆流量密度及平均车辆速度同时输入到ConvLSTM层，经过个ConvLSTM单元后提取得到时空动态分布特征；
步骤2.3、将提取到的时空动态分布特征输入到卷积层，得到卷积矢量；
步骤2.4、最后经过全连接层，将卷积矢量映射为一维矢量，得到每个基站和路边单元的一维时空动态分布特征，一维时空动态分布特征为部分历史信息感知模型的最终输出；
所述步骤3的具体过程如下：
步骤3.1、设计通信资源分配策略；
步骤3.2、设计计算资源分配策略；
步骤3.3、设计缓存空间资源分配策略；
步骤3.4、结合通信资源分配策略、计算资源分配策略和缓存空间资源分配策略，以最小化所有用户吞吐量、时延与服务指标要求的差值及能耗作为最终的优化目标；
步骤3.5、引入全局变量的局部变量，进行优化问题的等效；
步骤3.6、应用SAC算法以粗粒度方式优化基站和路边单元的切片配置信息，在切片内基站和路边单元以细粒度方式将通信及计算资源调度到终端用户；
所述步骤3.1的具体过程如下：
步骤3.1.1、根据香农理论计算出在时隙与基站或路边单元关联的用户通过一个资源块实现的数据速率为：
(1)；
其中，表示资源块的大小，表示时隙基站或路边单元与用户之间的传输功率，是基站或路边单元与用户之间的信道增益；表示基站或路边单元处接收到的高斯白噪声；
步骤3.1.2、计算在时隙与基站或路边单元关联的用户实现的总数据速率为：
(2)；
其中，表示基站或路边单元分配给用户的资源块数量；
步骤3.1.3、将最小化所有用户数据速率与切片数据速率指标要求的差值之和作为通信资源分配策略的优化目标，定义如下：
(3)；
其中，为通信资源分配策略的优化目标；通信资源分配优化变量采用矩阵形式表示；表示基站或路边单元在时隙切片内分配给用户的通信资源分配向量；为时隙的数量；为切片的最低数据速率指标要求；为约束条件1：基站或路边单元分配给所有车载网络切片的带宽比例总和为1；为约束条件2：分配给切片用户的资源块数不应超过分配给该切片的资源块总数；为约束条件3：用户的传输速率应满足切片的最低数据速率指标要求；
所述步骤3.2的具体过程如下：
步骤3.2.1、计算MEC服务器方式在计算时延和能耗的开销；
步骤3.2.2、计算本地计算方式在计算时延和能耗的开销；
步骤3.2.3、将最小化所有用户的计算总时延与服务指标的差值以及能耗之和作为计算资源分配策略的优化目标，计算资源分配策略的优化问题表述如下：
(13)；
其中，为计算资源分配策略的优化目标；计算资源分配优化变量采用矩阵形式表示；表示基站或路边单元在切片内分配给用户的计算资源分配向量；为计算时延的权重；为用户的任务计算总时延；表示切片的最大可容忍计算时延；为能耗的权重；为用户的计算任务总能耗；为约束条件4：MEC服务器分配给所有切片的计算资源比例总和为1；为约束条件5：分配给用户的计算能力不应超过分配给该切片的总计算能力；为约束条件6：用户的计算时延应满足切片的最大可容忍计算时延；为约束条件7：的取值范围为0至1；
所述步骤3.3的具体过程如下：
步骤3.3.1、计算时隙用户的内容交付下载时延 ；
步骤3.3.2、计算时隙用户的内容交付能耗；
步骤3.3.3、记切片的二进制变量为；将处理用户任务的能耗表述为：
(18)；
步骤3.3.4、将最小化所有用户的内容交付时延、计算总时延与服务指标要求的差值与能耗之和作为缓存空间资源的优化目标，缓存空间资源分配策略的优化问题表述如下：
(19)；
其中，表示缓存空间资源分配策略的优化目标；缓存空间分配优化变量采用矩阵形式表示；为内容交付时延的权重；为切片的内容交付的最大可容忍时延；为计算时延的权重；为能耗的权重；为约束条件8：MEC服务器分配给所有切片的缓存空间比例总和为1；为约束条件9：缓存的内容占用的缓存空间受分配给该切片缓存空间的限制；表示时隙用户从内容库中请求的内容大小；是任务缓存的二进制变量；为约束条件10：用户应满足切片的最大内容交付时延要求；为约束条件11：和的取值范围均为0或1；
所述步骤3.4中，将最终优化目标的优化问题表述为：
(20)；
其中，表示最终的优化目标，、、、分别表示不同的权重系数；
所述步骤3.5的具体过程如下：
步骤3.5.1、在同一切片内用户采用轮询调度的方式平均分配该切片的资源，假设在时隙需求资源的用户数量为，计算出及；
步骤3.5.2、为每个基站和路边单元建立一个局部变量，每个基站和路边单元都能独立做出分配决策并受SDN控制器集中控制；
通信资源分配优化变量、计算资源分配优化变量、缓存空间分配优化变量均为全局变量，对于基站或路边单元，采用、、分别表示、、的局部变量；其中，是基站或路边单元为每种切片分配的通信资源比例矩阵，表示基站或路边单元的局部副本，表示基站或路边单元的局部副本分配给切片的通信资源比例；是基站或路边单元为每种切片分配的计算资源比例矩阵，表示基站或路边单元的局部副本分配给切片的计算资源比例；是基站或路边单元为每种切片分配的缓存空间资源比例分配矩阵，表示基站或路边单元的局部副本分配给切片的缓存空间资源分配比例；
步骤3.5.3、根据不同基站和路边单元分离约束条件并为基站或路边单元引入一组可行集，引入可行集后，基站或路边单元的局部目标函数为：
(23)；
经过引入局部变量及可行集后，优化问题的等效问题表示为：
(24)；
其中，为约束条件12；
步骤3.5.4、采用交替方向乘子法求解目标函数；
所述步骤3.6的具体过程如下：
步骤3.6.1、获取基于ConvLSTM的部分历史信息感知模型的最终输出及当前时隙切片需要处理的任务大小；
步骤3.6.2、粗粒度方式优化基站和路边单元的切片配置信息的过程为：首先，将部分历史信息感知模型的最终输出及切片需要处理的任务大小共同组成SAC算法的状态；然后，根据当前状态选择为各个切片提供通信、计算以及缓存空间资源的分配动作；最后，计算切片间动作及切片内调度策略获得的奖励值；
步骤3.6.3、细粒度方式将通信及计算资源调度到终端用户的过程为：切片内在时隙根据信道状态信息及需要处理的任务量大小为需要请求资源的用户定义一个优先级因子；在时隙分配给终端用户时按照该用户的优先级因子与请求资源用户的优先级总和的比值与时隙切片分得资源总数的乘积确定片内分配资源比例并更新平均传输速率。
CN202310993630.2A 2023-08-09 2023-08-09 一种基于信息感知及联合计算缓存的动态ran切片方法 Active CN116743584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310993630.2A CN116743584B (zh) 2023-08-09 2023-08-09 一种基于信息感知及联合计算缓存的动态ran切片方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310993630.2A CN116743584B (zh) 2023-08-09 2023-08-09 一种基于信息感知及联合计算缓存的动态ran切片方法

Publications (2)

Publication Number Publication Date
CN116743584A CN116743584A (zh) 2023-09-12
CN116743584B true CN116743584B (zh) 2023-10-27

Family

ID=87911714

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310993630.2A Active CN116743584B (zh) 2023-08-09 2023-08-09 一种基于信息感知及联合计算缓存的动态ran切片方法

Country Status (1)

Country Link
CN (1) CN116743584B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118316890A (zh) * 2024-05-10 2024-07-09 深圳市泽信通信息工程有限公司 基于边缘缓存的内容加速方法、装置、设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113727306A (zh) * 2021-08-16 2021-11-30 南京大学 一种基于深度强化学习的解耦c-v2x网络切片方法
CN114641041A (zh) * 2022-05-18 2022-06-17 之江实验室 一种面向边缘智能的车联网切片方法及装置
WO2023279388A1 (zh) * 2021-07-09 2023-01-12 南京航空航天大学 一种nr-v2x网络中高能效信道状态信息传输方法
CN115696581A (zh) * 2022-08-30 2023-02-03 国网福建省电力有限公司电力科学研究院 基于约束强化学习的无线网络资源分配方法
CN116017736A (zh) * 2022-11-23 2023-04-25 西安电子科技大学 一种用于服务化无线接入网的资源分配方法
CN116137724A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种基于移动边缘计算的任务卸载及资源分配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115065994A (zh) * 2021-01-12 2022-09-16 西安电子科技大学 一种资源配置联合分配方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023279388A1 (zh) * 2021-07-09 2023-01-12 南京航空航天大学 一种nr-v2x网络中高能效信道状态信息传输方法
CN113727306A (zh) * 2021-08-16 2021-11-30 南京大学 一种基于深度强化学习的解耦c-v2x网络切片方法
CN114641041A (zh) * 2022-05-18 2022-06-17 之江实验室 一种面向边缘智能的车联网切片方法及装置
CN115696581A (zh) * 2022-08-30 2023-02-03 国网福建省电力有限公司电力科学研究院 基于约束强化学习的无线网络资源分配方法
CN116017736A (zh) * 2022-11-23 2023-04-25 西安电子科技大学 一种用于服务化无线接入网的资源分配方法
CN116137724A (zh) * 2023-02-20 2023-05-19 重庆邮电大学 一种基于移动边缘计算的任务卸载及资源分配方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
5G移动通信中基于安全信任的网络切片部署策略研究;陈云杰;游伟;;通信技术(第09期);全文 *
5G网络切片在车路协同系统中的应用研究;张蕾;朱雪田;李金艳;;电子技术应用(第01期);全文 *
Joint Edge Computing and Caching Based on D3QN for Lunar Internet of Things;Geng Chen;《2022 14th International Conference on Wireless Communications and Signal Processing (WCSP)》;全文 *
智能电网中网络切片的资源分配算法研究;刘明月;涂崎;汪洋;孟萨出拉;赵雄文;;电力信息与通信技术(第08期);全文 *
面向B5G多业务场景基于D3QN的双时间尺度网络切片算法;陈赓;《通信学报》;全文 *

Also Published As

Publication number Publication date
CN116743584A (zh) 2023-09-12

Similar Documents

Publication Publication Date Title
CN110035410B (zh) 一种软件定义车载边缘网络中联合资源分配和计算卸载的方法
CN111414252B (zh) 一种基于深度强化学习的任务卸载方法
CN109951821B (zh) 基于移动边缘计算的最小化车辆能耗任务卸载方案
CN109684075B (zh) 一种基于边缘计算和云计算协同进行计算任务卸载的方法
CN109951869B (zh) 一种基于云雾混合计算的车联网资源分配方法
CN110098969B (zh) 一种面向物联网的雾计算任务卸载方法
CN113543074B (zh) 一种基于车路云协同的联合计算迁移和资源分配方法
CN112422644B (zh) 计算任务卸载方法及系统、电子设备和存储介质
Chen et al. Multiuser computation offloading and resource allocation for cloud–edge heterogeneous network
CN113286329B (zh) 基于移动边缘计算的通信和计算资源联合优化方法
CN114143346B (zh) 一种车联网任务卸载和服务缓存的联合优化方法及系统
CN116743584B (zh) 一种基于信息感知及联合计算缓存的动态ran切片方法
CN111885147A (zh) 边缘计算中的一种资源动态定价方法
CN116541106B (zh) 计算任务卸载方法、计算设备及存储介质
CN115002113A (zh) 一种移动基站边缘计算力资源调度方法、系统、电子设备
CN114189936A (zh) 一种基于深度强化学习的协作边缘计算任务卸载方法
CN114374949B (zh) 一种车联网中基于信息新鲜度优化的功率控制机制
CN114205353B (zh) 一种基于混合动作空间强化学习算法的计算卸载方法
CN115052262A (zh) 一种基于势博弈的车联网计算卸载与功率优化方法
CN114567895A (zh) 一种mec服务器集群的智能协同策略的实现方法
CN115174481A (zh) 一种无人机辅助边缘车联网服务和内容混合缓存的方法
CN116916386A (zh) 一种考虑用户竞争和负载的大模型辅助边缘任务卸载方法
CN115134242A (zh) 一种基于深度强化学习策略的车载计算任务卸载方法
CN113573363A (zh) 基于深度强化学习的mec计算卸载与资源分配方法
CN116828534B (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

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: 20230912

Assignee: Qingdao Zhihai Muyang Technology Co.,Ltd.

Assignor: SHANDONG University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2024980000708

Denomination of invention: A Dynamic RAN Slicing Method Based on Information Perception and Joint Computing Caching

Granted publication date: 20231027

License type: Common License

Record date: 20240116