超密集网络

摘要： 针对超密集网络场景,提出一种基于能量效率优化的干扰协调方案,通过粒子群优化算法联合调整基站活跃状态概率、基站发射功率以及协作用户数量,并在确保边缘用户满意度的前提下,优化系统的能量效率。实验结果证明,提出的方案相比传统联合传输方案可获得10.30%的能量效率增益,相比非协作方案可获得18.73%的能量效率增益。

摘要： 随着计算密集型和数据密集型应用程序的激增,移动边缘计算(Mobile Edge Computing, MEC)被提出,可为无线网络边缘的用户提供强大的计算能力。然而当大量用户将计算任务卸载到边缘服务器时,反而会增加网络负载和传输时延。文中针对计算资源有限的超密集网络中的计算负载,考虑任务卸载和资源分配的联合优化问题,提出了算法以最小化超密集网络(Ultra-Dense Network, UDN)总开销。文中将该联合优化问题划分为多个子问题。首先计算最小本地开销;然后为计算最小边缘开销,将任务卸载与资源分配问题划分为信道分配子问题和功率分配与卸载决策子问题;最后引入相应的拉格朗日函数,并采用内点惩函数法和Frank-Wolfe方法递归地解决子问题。仿真结果表明,与传统的基本算法相比,文中所提算法可有效减少系统总开销,同时有效减少能源开销和传输时延。

摘要： 针对超密集网络中由于用户数量多、相互距离近,通信过程中彼此之间干扰大,导致频谱利用率不高的问题,建立了通过优化控制发射功率同时提升系统信息容量和满足服务质量的用户数量的优化问题.由于该问题非凸且功率控制为离散变量,将其建模为马尔科夫决策过程.在此基础上,提出了基于深度强化学习的功率控制算法,并设计了相应的动作空间、状态空间及奖励函数.仿真结果表明,所提算法与最大发射功率策略和随机发射功率策略相比,分别提高了至少15.9%的信息容量和至少10.7%的用户服务质量满足率.与不考虑用户服务质量满足率提升的算法相比,所提算法通过适当降低信息容量,提升了用户服务质量满足率.

摘要： 针对超密集网络的下行传输,分析研究了频谱效率和功率分配方案,并基于对性能和复杂度的综合考量,提出了密集部署接入点(Access Point,AP)基于部分用户迫零和按需进行局部协作的功率分配方法。先假设每个AP知道用户的位置信息,且仅服务其附近的用户,利用迫零准则消除所服务用户之间的干扰,即部分用户迫零。功率分配则基于信道大尺度衰落进行。但可能存在无法满足部分用户最低通信需求的情况,需针对这部分用户形成局部协作簇,并对功率分配进行重新优化。仿真结果显示,该算法在避免了功率资源全局优化带来的高计算复杂度问题的同时,也保证了系统性能。

摘要： 传统网络架构部署下的边缘服务器难以满足大规模用户设备的接入和通信质量要求。为增加网络容量,提高频谱利用率,通过密集化基站的部署,构建一种面向超密集边缘计算网络的任务卸载优化模型。面对信道状态的变化、移动设备的动态需求以及服务器和频谱资源的有限性对任务卸载带来的挑战,结合任务类型和服务器的计算能力,并考虑信道状态变化、移动设备的动态需求以及干扰约束对卸载策略的影响,提出一种基于自适应模拟退火遗传(AGASA)算法的任务卸载方法,在满足任务截止期限的同时,对任务卸载能耗进行优化。同时,为得到最优上传功率,采用黄金分割算法解决功率控制问题,从而降低传输能耗。实验结果表明,AGASA算法在信道状态变化时可保证通信质量和计算效率,相比混合遗传粒子群算法,能够在满足截止期约束的同时使卸载能耗降低15.56%。

摘要： 超密集网络与边缘计算相结合时,高密度的基站分布可能会对同一用户重复覆盖,该用户选择不同基站进行卸载将会对系统性能产生不同影响,由此引出卸载对象选取问题。同时边缘计算可以将部分任务卸载到边缘服务器进行处理,选择合适的卸载比例能够显著降低所需的时延和能耗,由此引出卸载比例选取问题。提出一种超密集网络环境中基于博弈论和启发式算法的边缘计算卸载策略。针对卸载对象选取问题,根据边缘服务器到用户之间的距离和工作负载定义偏好度指标,各用户根据偏好度进行博弈后选择卸载对象,并对用户进行分组,将原问题分解为若干个并行的子问题。针对卸载比例选取问题,基于萤火虫群优化算法对各用户的卸载比例进行优化,得到适当的卸载比例。与全本地处理(ALP)策略、全卸载策略(AOS)和基于粒子群优化(PSO)算法的卸载策略进行对比,实验结果表明,ALP和AOS策略在总能耗和平均时延上具有一定的局限性,相比基于PSO的卸载策略,所提策略的时延降低22%,能耗降低20%,可以有效减少系统损失。

摘要： 针对下行的异构认知超密集异构网络(UDN)的多维资源配置问题,提出一种以毫微微小区用户最大吞吐量为目标的联合优化用户关联和资源分配的改进遗传算法。首先,在算法开始之前进行预处理,初始化用户可达基站和可用信道矩阵;其次,采用符号编码,将用户与基站以及用户与信道的匹配关系编码为一个二维的染色体;然后,将动态择优复制+轮盘赌作为选择算法,以加快种群的收敛;最后,为避免算法陷入局部最优,在变异阶段加入早熟判决的变异算子,从而在有限次迭代下求得基站、用户、信道的连接策略。实验结果表明,在基站与信道数量一定时,所提算法与三维匹配的遗传算法相比在用户总吞吐量方面提高了7.2%,在认知用户吞吐量方面提高了1.2%,且计算复杂度更低。所提算法缩小了可行解的搜索空间,能在较低复杂度下有效提高认知UDN的总吞吐量。

摘要： 超密集网络(Ultra-Dense Network,UDN)作为5G的关键技术之一,密集分布的小基站带来了系统容量和传输速率的提升,已成为近年的研究热点.针对UDN中严重的同层与跨层干扰问题,将博弈论应用到频谱分配中,求解相关均衡得到优化的频谱分配策略.使用Matlab对基于博弈论的频谱分配策略(SAGT)、对图论着色算法(GCA)和频谱随机分配算法(RSA)的性能进行了仿真.仿真结果验证了SAGT的性能,表明SAGT可以在有限的频谱资源下能有效地提高频谱的利用率.

摘要： 小基站的密集随机部署会产生严重干扰和较高能耗问题,为降低网络干扰、保证用户网络服务质量(QoS)并提高网络能效,构建一种基于深度强化学习(DRL)的资源分配和功率控制联合优化框架.综合考虑超密集异构网络中的同层干扰和跨层干扰,提出对频谱与功率资源联合控制能效以及用户QoS的联合优化问题.针对该联合优化问题的NP-Hard特性,提出基于DRL框架的资源分配和功率控制联合优化算法,并定义联合频谱和功率分配的状态、动作以及回报函数.利用强化学习、在线学习和深度神经网络线下训练对网络资源进行控制,从而找到最佳资源和功率控制策略.仿真结果表明,与枚举算法、Q-学习算法和两阶段算法相比,该算法可在保证用户QoS的同时有效提升网络能效.

摘要： 该文研究多载波超密集网络(UDN)上行链路能效最优功率分配方案,基于非合作博弈论提出一种抗干扰分布式功率分配方案,使每个小区独立优化能效的同时抑制邻小区干扰.由于最大传输功率和QoS约束下的能效函数具有不易解决的非凸特性,且小小区间存在严重干扰.针对以上挑战,该文在最佳响应过程中设计了一种高精度低复杂度的阶梯注水算法,基于该算法利用干扰信道增益提出了一种多用户抗干扰功率分配算法.仿真结果和数值分析表明该算法运算复杂度低,且能在保证系统频谱效率的同时大幅度提升系统能效.

摘要： 通过网络设施的密集化部署,超密集网络可以有效的提高网络覆盖率和增加系统容量.与此同时,由于无人机的灵活性,无人机通信与网络逐渐引起人们的广泛关注.文章通过四个典型场景展现了无人机在超密集网络中的应用前景.紧接着,本文讨论了在无人机辅助超密集网络中的有效功率控制方式,包括集中式控制和分布式控制方法.并且通过仿真实例说明无人机的潜在优势.rn 集中式控制方法适用于网络状态信息变化较慢的场景。在此方法中，中心控制器掌握所有的信息并且依据此信息做出相应的决策。所需要的信息涉及到网络状态、频谱状态、无人机以及用户的信息。其中网络状态信息是指其他接入点形成的网络，频谱状态信息是指可以利用的频谱资源，无人机信息包括无人机的数目、速度、轨迹、能量等，而用户信息主要指的是用户的地理位置信息，用户需求等。rn 集中式控制方法比较成熟，比如凸优化、分数规划、几何规划和连续凸规划等。在某些情况下这些方法可以得到一个最优解，但是通常情况下，最优解难以获得。因此考虑到算法复杂度，可行的次优解也是可以接受的。rn 尽管集中式方法可以获得性能良好的解，但是集中式方法需要中心控制器，并且会产生大量的信息交互。相比之下，分布式方法也是一个研究方向。在分布式方法中，不存在中心控制器，所有的行为由用户或者无人机自己决定，因此用户或者无人机需要感知当前网络状态和频谱状态信息。

摘要： 在超密集网络中,全频重用能够提升网络的平均吞吐量,但严重的小区间干扰限制了边缘用户数据率的提升.如何有效地管理超密集网络中的干扰、提升边缘用户数据率是重要的研究问题.本文研究了超密集网络中两种有代表性的干扰协调方法,随机干扰协调和基于拓扑干扰协调,分析了这两种方法的平均数据率和边缘用户数据率、以及系统参数对其性能的影响.理论分析和仿真的结果表明,采用随机干扰协调能够提升边缘用户的信干噪比,但不能提升边缘用户数据率.这使得当系统增加频率重用因子时,会牺牲平均用户数据率同时也不能提高边缘用户数据率.采用基于拓扑的干扰协调能够同时提升边缘用户的信干噪比和数据率;当频率重用因子较低时,提高重用因子可以通过以较少牺牲平均用户数据率为代价有效提高边缘用户数据率,从而实现平均数据率和边缘用户数据率的折中.

摘要： 本文阐述了移动通信5G技术，介绍了典型关键技术:大规模MIMO，当基站侧天线数远大于用户天线数时，各个用户的信道将趋于正交，系统的很多性能都只与大尺度衰落相关，与小尺度衰落无关，小区内同道干扰及加性噪声趋于消失，系统性能仅受限于邻区导频的复用，获得比传统天线阵列更精确的波束控制能力，通过空间复用技术和抑制干扰技术，可进一步提高系统容量。超密集网络通过增加低功率基站的部署密度，高系统容量和可靠用户速率等需求可以得到满足，UDN的特点是站点间距离短，从几米(室内)到几+米(室外)不等，高频段(毫米波波段)的开发利用和波束成型技术将为UDN的部署提供可能。

摘要： 针对超密集网络(UDN,Ultra-Dense Networks)中的小区间干扰问题,提出一种基于上下行对偶性的分布式干扰协调方法.首先设计了新的TDD帧格式,在原有LTE标准的基础上加入了信道估计部分与上下行迭代部分;接着利用网络的对偶原理,设计了新的迭代干扰处理算法,将最大化信干噪比和最小化残留干扰相综合,实现最大全网和数据的优化目标.理论分析和仿真结果表明,基于最大信漏噪比准则选取迭代初值时,可在一次迭代后达到较好的和数据率性能;并且该方法能在较短的时间内完成干扰协调,只需要已知局部信道信息,在UDN中易于实现,性能上优于其他分布式迭代干扰处理算法.

摘要： 随着4G网络进入大规模商用部署,未来下一代通信技术的研究也提上议程.本文介绍了第五代移动通信系统(5G)的产生和目前进展,网络性能以及其网络互联催生的业务体验,超密集网络、C-RAN等潜在的关键技术,中国在5G研发和标准化进程中发挥的作用.

摘要： 本发明请求保护一种超密集异构无线网络中基于神经网络的网络选择方法，属于移动通信领域，具体包括以下步骤：首先，基于网络参数，预测未来终端从接入网络中所得到的累计传输速率，将其定义为终端所获得的网络收益。其次，根据网络收益是否小于阈值来判断是否触发网络判决，以缓解因网络高动态性导致的终端频繁切换问题。最后，使用鲸鱼算法优化后的神经网络，将接收信号强度和休眠概率作为输入，得到输出值进行最终切换判决。仿真结果表明，该算法能够自适应高动态性网络环境触发切换，在减少不必要切换的同时提升终端满意度，提升系统整体性能。

摘要： 本发明请求保护一种超密集异构无线网络中网络环境感知自适应切换判决方法，属于移动通信领域，具体包括以下步骤：首先，构建网络环境感知模块评估网络的拥塞状况。其次，根据拥塞情况判决是否建立带簇头结点的自组织网络，并把簇头结点加入备选网络集。再次，当终端触发切换后，自适应切换判决算法会根据网络的拥塞状况和用户的业务请求，调整输入到决策算法中的选网参数，为用户筛选出当前环境下满意度最高的目标网络。最后，仿真结果表明，该算法能够有效地缓解网络拥塞，均衡网络间负载，提升用户体验。

摘要： 本发明请求保护一种超密集异构无线网络中基于网络推荐的接入选择方法。包括以下步骤：首先，通过各用户的历史行为进行离线数据分析，采用协同过滤推荐算法，得到用户相似度评估并给出推荐网络。然后选择推荐的网络进行接入，若推荐网络不可用，则采用浣熊优化神经网络算法进行网络选择。其次,实时更新各候选网络的综合评分和接入网络的用户体验评分，构建一个在线反馈与评分机制以更新历史数据库，从而保证推荐算法的准确性。最后，通过三组实验表明，本文算法能够有效减少用户的切换时延和信令开销，并且由于在线反馈评分机制包括了阻塞率等评价指标，用户切换判决时会避免阻塞率较高的网络，从而减少了平均阻塞率。

摘要： 本发明请求保护一种超密集异构网络中考虑终端安全的网络选择方法。在存有恶意终端的超密集异构网络中，针对高并发接入请求带来的资源分配效率降低和拥塞问题，本文提出了一种考虑终端安全和资源调度的垂直切换算法。首先，在网络侧通过基于有限状态机的攻击检测算法，构建终端安全评估模型，计算得到终端安全度。其次，结合网络拥塞度、用户数据传输速率和终端安全度构建了一个多目标优化函数。再次，分析网络与终端之间的综合效益，把多目标优化函数转换成单目标优化函数求解，证明了该解为帕累托最优解。最后，仿真结果及分析表明，该算法能够提高网络的接入安全水平和总吞吐量，降低网络拥塞度和切换失败率。

摘要： 本发明公开了一种超密集波分复用无源光网络的光网络结点，包括一个1×2n耦合器，与之连接有n个结构相同的光网络结点，每个光网络结点分别独立的与1×2n耦合器的两个输出端口相连，一个端口通过光注入锁定方式恢复光载波，恢复的光载波分为两路，一路作为本振光与另一端口传输的信号光构成相干检测回路，解调下行数据信号，另一路调制上行用户数据并发送。本发明有益效果：采用注入锁定半导体激光器的有源滤波方式保证了微小波长间隔下用户数据间的区分度，为零差相干检测提供了高质量本振光；使用恢复的光载波调制上行数据，提高光谱的利用率；并保证了上行波长同步；最终为用户提供了绿色、高效、高速的宽带接入服务。

摘要： 本发明请求保护一种超密集异构无线网络中基于神经网络的网络选择方法，属于移动通信领域，具体包括以下步骤：首先，基于网络参数，预测未来终端从接入网络中所得到的累计传输速率，将其定义为终端所获得的网络收益。其次，根据网络收益是否小于阈值来判断是否触发网络判决，以缓解因网络高动态性导致的终端频繁切换问题。最后，使用鲸鱼算法优化后的神经网络，将接收信号强度和休眠概率作为输入，得到输出值进行最终切换判决。仿真结果表明，该算法能够自适应高动态性网络环境触发切换，在减少不必要切换的同时提升终端满意度，提升系统整体性能。

摘要： 本发明请求保护一种超密集异构无线网络中基于网络相似性的垂直切换方法，属于移动通信领域。具体包括以下步骤：首先，将采集和初始化后的网络参数输入至网络分组模型，利用网络性能的相似性得到网络组；其次，根据终端的偏好类型，基于烟花算法选择目标网络组；最后，求解终端的可接入网络集和目标网络组的网络集合的交集，得到其候选网络集，从中选择性能因子最大的网络作为目标网络执行切换，并动态更新网络组。仿真结果分析表明，该算法能够在均衡网络负载的前提下，降低切换阻塞率，提高系统吞吐量，提升终端的服务质量。

摘要： 本发明请求保护一种超密集异构无线网络中基于网络推荐的接入选择方法。包括以下步骤：首先，通过各用户的历史行为进行离线数据分析，采用协同过滤推荐算法，得到用户相似度评估并给出推荐网络。然后选择推荐的网络进行接入，若推荐网络不可用，则采用浣熊优化神经网络算法进行网络选择。其次,实时更新各候选网络的综合评分和接入网络的用户体验评分，构建一个在线反馈与评分机制以更新历史数据库，从而保证推荐算法的准确性。最后，通过三组实验表明，本文算法能够有效减少用户的切换时延和信令开销，并且由于在线反馈评分机制包括了阻塞率等评价指标，用户切换判决时会避免阻塞率较高的网络，从而减少了平均阻塞率。

摘要： 本发明公开了一种超密集网络中保障用户QoS要求的网络资源分配方法，该方法将资源分配过程分为初始资源分配阶段和补偿分配阶段。在初始资源分配阶段，微小区基站根据贪婪算法将最优资源块分配给用户，若最优资源块被占用则分配次优资源块同时标记用户为Level‑1用户。若用户在资源块上的速率不满足用户QoS需求，则直接将用户标记为Level‑2用户。在补偿分配阶段，在剩余可用资源块中根据最优原则优先分配最优资源块给Level‑2用户，直至所有Level‑2用户满足QoS需求。基站再将剩余资源块分配给Level‑1用户作为一定的补偿，直至所有Level‑1用户补偿完毕或者没有剩余资源块可用。该方法可以在最大化系统吞吐量的同时保证用户的QoS需求，能够应用于超密集网络中的资源分配。

摘要： 本发明公开了一种应用于超密集异构网络的基于同频干扰管理的多业务虚拟网络配置方法，利用SDN‑NFV技术对超密集异构网络进行网络架构的重新定义，针对在超密集异构网络中每个终端用户可同时存在多种应用的业务场景采用最优化理论为超密集异构融合网络中为每个应用业务产生的虚拟网络进行动态配置，不仅考虑了超密集网络中的同频干扰问题，而且从系统异构性的角度将基础设施提供商InP、服务提供商SP和终端用户侧的多项参数纳入优化算法指标中，最终实现了在解决超密集异构网络中同频干扰问题的基础上动态地为不同终端用户的多种应用进行虚拟网络配置的目标。