基于平均场博弈的超密集5G小蜂窝网络下行功率管理

研究了一个拥有大量小型基站(Small Base Stations,SBSs)和用户设备(User Equipments,UEs)的 超密集 5G 小蜂窝网络(Ultra-Dense 5G Small Cellular Networks,UDN)的下行通信系统,并考虑了功率控制策 略和队列状态信息(Queue State Information,QSI)的影响,研究了 SBSs 与其服务用户之间数据成功传输的概 率和 SBSs 传输能量消耗问题。 考虑 SBSs 之间的交互关系,将该问题建模为一个动态随机博弈(Dynamic Stochastic Game,DSG)。 通过利用 SBSs 的超密集特性,DSG 被进一步近似为平均场博弈(Mean Filed Game, MFG)。 然后基于 Lax-Friedrichs 方案和拉格朗日松弛法开发有限差分方法来求解相应的 MFG。 在数据传 输之前,通过所求解,每个小型基站可以独立地优化其控制策略从而最小化成本,而无需与其他 SBS 进行任 何信息交换。 仿真结果表明:所提出的控制策略能有效地提高数据传输成功的概率并减小相应成本。     

基于多重指标的MEC服务器选择方案

针对移动边缘计算（mobile edge computing,MEC）服务器超密集部署的网络环境中任务卸载目标MEC服务器的选择问题,设计了一种基于多重指标的MEC服务器选择方案（multiple indicators-based MEC server selection scheme,MIMS）。综合考虑时延、能耗、任务卸载费用、能量效率等因素对MEC服务器选择的影响,基于各参数的线性加权对候选MEC服务器进行排序,选择最优的移动边缘计算服务器为用户提供服务。仿真结果表明,MIMS能够在保障用户任务卸载费用预算和能耗约束的条件下,降低任务处理的总时延,满足多重性能指标。     

无人机与车辆协助下的分布式多任务边缘计算卸载算法

为满足密集分布用户的服务质量和体验质量,建立了车辆和无人机协助下的多接入边缘计算卸载模型,车辆、无人机和路边单元作为边缘节点,将不同的计算任务按需卸载到不同类型的边缘节点进行处理.设计了基于分布式匹配-贪婪算法的终端用户任务卸载方案以最小化系统功耗,并研究了用户数量和延迟容忍对卸载方案的影响.仿真结果表明:该方案在满足...     

基于接收信号强度预测的自适应垂直切换算法

城市部署的超密集异构无线网络中车辆终端的运动状态和业务类型差异巨大,针对不同运动状态和业务类型的终端并发接入导致的频繁切换和拥塞问题,提出一种基于接收信号强度预测的自适应垂直切换算法。在切换触发阶段使用长短时记忆神经网络预测接收信号强度,在信道链路质量恶化之前提前触发切换,在网络选择阶段综合考虑网络参数以及终端在不同运动状态和业务类型下的接入偏好,并选出综合效益值最高的网络作为切换目标网络。仿真结果表明,该算法能更好地适应终端运动状态和业务类型的变化,能降低不必要的切换次数和网络拥塞度。     

超密集组网中基于上行容量分析的增强型动态分簇算法

超密集组网(ultra-dense network,UDN)是未来5G(5th generation)网络的一个关键技术。UDN拥有更小的小区半径,是一个新型的网络架构。UDN的核心概念是在热点地区部署低功率基站。由于UDN小区密度的增加,UDN中的干扰问题比宏微异构网络中干扰问题更加严峻。分簇合作方法可以降低干扰。首先推导出系统上行容量表达式,然后提出一种新颖的动态分簇算法。在小区密集部署的网络中,此算法在系统性能和复杂度之间做出了很好的权衡,同时降低了移动台之间的干扰。仿真结果显示提出的方法与一些已提出来的分簇方法相比有很大的容量增益。     

超密集网络中基于集群分配的干扰管理与资源分配

针对超密集网络通信场景, 提出一种基于集群分配的干扰管理与资源分配算法, 以消除超密集网络中由于大量部署低功率基站而降低吞吐量等影响. 首先, 基于距离、 小区间干扰、 可用资源情况3个条件权衡为家庭基站分配集群; 其次, 根据分配结果将干扰关系建模为干扰加权无向图, 按适当标准对家庭基站进行分类, 针对不同类型的家庭基站采用不同着色算法; 最后, 根据整体着色结果图完成频谱资源块分配. 仿真结果表明, 该算法可以为家庭基站选择最适合的集群加入, 降低集群间干扰, 提升频谱资源利用率, 提高网络的吞吐量.     

超密集部署下以用户为中心的分簇与资源分配

为了解决基站超密集部署时移动用户的吞吐量需求问题,建立以用户为中心的分簇模型,结合对下一个调度时刻用户位置的预测,对基站进行预分簇,在此基础上设计了区分优先级的资源分配算法,并研究了簇大小是否固定对系统性能的影响。仿真结果表明:与原算法相比,提出的算法改善了移动用户的平均吞吐量,降低了速率需求未得到满足的用户比例,保证了用户的服务质量。     

超密集网络中基于聚类的资源分配方案

超密集网络(ultra-dense network, UDN)中,毫微微基站(femto-cell base station, FBS)的密集和随机部署会导致严重的小区间干扰。为了减轻干扰、保障用户服务质量(quality of service, QoS),提出了一种UDN中基于聚类的资源分配方案。首先,设计了一种基于加权密度的改进K-means聚类算法,将FBS动态划分为不同的簇。然后,以最大化UDN系统吞吐量为目标提出了一种两阶段时频资源分配方案:第一阶段,每个聚类内使用贪婪算法执行时频资源块的分配;第二阶段,利用资源补偿分配算法分配剩余的资源块,在考虑用户公平性的同时保证用户QoS。仿真结果表明,本文提出的资源分配方案能够有效提升系统吞吐量,同时保证用户QoS和公平性。     

基于部分频率复用的超密集网络覆盖率性能分析

在超密集小小区网络中,通过区分视距传播和非视距传播,提出了使用部分频率复用的策略,以提高用户通信质量,并基于随机几何理论和概率论推导出表征用户通信质量的覆盖率表达式.仿真结果表明,当小小区用户密集到一定程度时覆盖率会降低,而采用部分频率复用策略可以提高覆盖率,在用户信干噪比阈值较高时提升效果尤为明显.     

超密集网络中基于分簇的资源分配算法

针对超密集网络(ultra-dense network, UDN)中,严重的小区间干扰制约终端用户的数据速率问题,提出一种基于染色分簇的资源分配方案。该方案采用图论中的染色算法对微蜂窝接入点(femtocell access points, FAPs)进行分簇,利用簇内每个微蜂窝用户(femtocell user equipments,FUEs)的待发送数据量、排队等待时延以及受到的干扰强度来构建相应的优先级,计算每个簇的优先级,并设定高优先级的簇可优先获得信道增益良好的子信道;最后由拉格朗日乘子法求解功率分配方案,即利用KKT(Karush-Kuhn-Tucker)条件和注水算法为FUEs分配功率。仿真结果表明,该方案能够有效地减小微蜂窝接入点之间的相互干扰,极大地满足用户的服务需求,同时提升了系统吞吐量和频谱效率。并且基于最大功率和最低速率的公平性准则能够动态地调整子信道功率,进一步提升了FUEs间的公平性。