无线网络智能接入控制与调度机制研究

发布时间：2021-02-09 22:25

　　近年来,随着通信技术的快速发展,移动网络应用及接入设备数量爆炸式增长。根据思科公司给出的统计和预测,截止到2023年,全球移动设备将从2018年的8.8亿台增长到2023年的13.1亿台,其中5G设备和连接将占到全球移动设备和连接的10%以上。此外,随着众多新兴垂直行业比如智慧城市、物联网、移动边缘计算等的广泛应用,用户需求变得更加多元化。因此,为了满足大规模增长的移动业务量和多元化的用户需求,在5G及下一代移动通信网络架构中引入了很多新兴技术,比如:异构蜂窝网、多无线电接入技术、网络切片技术等。这些新兴技术的引入,在提高网络性能的同时也使得无线网络变得更加的复杂且异构。伴随着无线网络环境的愈加复杂和异构,异构蜂窝网中的接入控制与调度机制的研究变得更加困难。由于异构网络的时变性以及用户行为的随机性,传统的基于模型的资源分配方法（比如:最优化方法、博弈理论）缺乏一定的自适应能力和泛化能力。在异构网络中,密集部署的蜂窝网小基站可以提高网络容量,但是同时也受限于严重的同频干扰。在引入多频段频谱资源共享来扩充网络容量的时候,由于不同无线电技术的传输协议及性能差异,跨频段的资源也更加的困难。此外... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：135 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
缩略词表
第一章 绪论
    1.1 研究背景
    1.2 相关研究分析
        1.2.1 HetNets中的接入控制与调度机制
        1.2.2 基于多无线电技术及切片化的HetNets中的资源分配
        1.2.3 机器学习方法在HetNets中的应用
    1.3 研究动机与意义
    1.4 主要研究内容与创新
        1.4.1 本文的主要研究内容
        1.4.2 本文的主要创新点
    1.5 本论文的结构安排
第二章 异构蜂窝网中基于自模拟学习的干扰协调机制
    2.1 引言
    2.2 系统模型
        2.2.1 网络容量和功率消耗
        2.2.2 UE接入和QoS约束
        2.2.3 基于免模型的部分可观测MDP （POMDP）模型
    2.3 基于分布式IRL架构下的ICIC问题建模
        2.3.1 非合作的POMDP博弈过程
        2.3.2 问题建模
    2.4 基于SIL的ICIC策略
        2.4.1 基于WGANs的策略模仿
        2.4.2 基于Double DQN的奖励函数估计和频谱资源调度策略
        2.4.3 SIL的算法复杂度分析
    2.5 仿真结果
        2.5.1 性能比较参考算法
        2.5.2 数值结果和分析
    2.6 本章小节
第三章 异构蜂窝网中基于多智体强化学习的多无线电接入机制
    3.1 引言
    3.2 系统模型
        3.2.1 场景描述
        3.2.2 信道接入模型
    3.3 问题分析和问题建模
    3.4 基于MDP的智能多无线电接入控制
        3.4.1 基于MDP的双层决策框架
        3.4.2 多无线电接入控制问题建模
        3.4.3 无线电-信道选择中的奖励函数设计
        3.4.4 资源分配中的奖励函数设计
    3.5 基于无模型MDP的多主体强化学习算法
        3.5.1 预备知识:基于强化学习的Q-learning算法
        3.5.2 无线电-信道选择中的Nash Q-learning算法
        3.5.3 资源分配中的多主体MCTS强化学习算法
        3.5.4 SARA的算法复杂度
    3.6 仿真实验与性能分析
    3.7 本章小结
第四章 切片化无线接入网中的智能资源调度策略
    4.1 引言
    4.2 网络模型
        4.2.1 网络拓扑
        4.2.2 业务需求模型
        4.2.3 RAN切片模型
    4.3 问题建模
    4.4 基于监督学习和非监督学习的协作学习框架
        4.4.1 使用递归神经网络LSTM进行周期性流量预测
        4.4.2 在线资源调度分布式架构
    4.5 连续动作空间马尔可夫决策过程
        4.5.1 连续动作空间MDP模型
        4.5.2 基于c-MDP的Actor-Critic算法
        4.5.3 AC单元中网络切片的并行计算和信息交换
        4.5.4 异步Actor-Critic （A3C）算法
        4.5.5 算法复杂度
    4.6 数值结果和讨论
    4.7 本章小节
第五章 异构蜂窝网中基于联邦学习的分布式功率分配策略
    5.1 引言
    5.2 系统模型和问题建模
        5.2.1 网络吞吐量和服务约束
        5.2.2 问题建模
    5.3 联邦学习:基于分布式学习的解决方案
        5.3.1 联邦协作算法
        5.3.2 分布式梯度下降算法
        5.3.3 收敛性分析
    5.4 联邦增强及本地在线功率控制算法
        5.4.1 基于WGANs算法的联邦增强
        5.4.2 本地UE设备功率控制中的AC算法
    5.5 性能评估
        5.5.1 仿真中的比较算法
        5.5.2 仿真结果和数值分析
    5.6 本章小结
第六章 总结与展望
    6.1 全文总结
    6.2 后续工作展望
致谢
参考文献
攻读博士期间取得的研究成果



本文编号：3026330