文摘
本文深度学习的方法是用来进行深入研究和分析了智能无线通信网络中资源分配。首先,与CSCN体系结构相关的概念进行了讨论和吞吐量CSCN小型基站(SBS)的体系结构进行了分析;然后,长期短期记忆网络(LSTM)模型用于预测用户的移动位置,和用户的传输条件得到基于两个条件,即移动位置的用户和用户的小型基站是否连接所需的缓存状态,和小基站选择传播。小基站选择几个用户提供最佳传输条件基于分数;然后,介绍了博弈论的概念模型的问题,最大化网络吞吐量作为multi-intelligent非合作的博弈问题;最后,基于深度增强学习无线资源分配算法,使小基站自主学习和基于网络环境选择频道资源最大化网络吞吐量。仿真结果表明,本文提出的算法会导致显著提高网络吞吐量相比,传统的随机存取算法和算法在文献中。在本文中,我们把它应用到细粒度的资源控制的用户流量分配问题,发现资源控制技术基于AC框架可以获得局部最优解的性能非常接近与polynomial-level matching-based比例公平用户双重连接算法计算复杂度。资源分配和任务卸载决定政策优化实现,最后的训练过程中,每个智能体独立执行资源分配和任务卸载根据当前系统状态和政策。最后,仿真结果表明,该算法可以有效地提高用户体验的质量,减少延迟和能量消耗。
1。介绍
无线通信技术已从第一代移动通信技术的发展,出现在1980年代,第五代的移动通信技术,从一开始的卫星通信,无线电传输,然后发展成为智能终端设备,这使得无线通信技术不仅能提供通用的语音通信或简单的数据服务也是完全融入人们的日常生活,成为当今社会不可缺少的一部分(1]。它已经成为当今社会的一个组成部分,使人们的生活更加方便和丰富。第四代无线技术的引入提供了一个平台,向更高的数据率和可靠的通信标准(2]。数据服务日益增长的需求导致的微波存取全球互操作性的发展和无线通信标准的长期演进。然而,随着越来越多的智能终端设备,无线数据的指数增长需求和使用,和引进新兴多媒体应用,很难支持快速增长的数据率和连接设备在当前4 glte蜂窝系统。在传统的无线接入网络体系结构中,基站控制器执行数据传输和接收通过控制射频单元,而无线网络尺度系统容量主要是通过扩大基站部署的数量和密度;因此,基站的数量和密度的扩张也带来了很多挑战和困难3]。一方面,文献中提到的,在传统的无线接入网络架构中,基站主要消耗能源,和基站的数量的增加会导致大量增加能耗;另一方面,传统的无线接入网络体系结构不能用于multiscenario和多项要求5 g无线网络;因此,一个新的网络体系结构,可以实现绿色节能和灵活的部署是急需的4]。随着智能终端设备的不断增加,无线数据需求和使用指数的增加,和新兴多媒体应用的介绍,它是非常困难的对于当前4 glte蜂窝系统支持快速增加数据速率和连接设备。网络的高度动态特性是指网络拓扑的频繁变化和移动数据服务;通过设计合理的资源管理技术,用户可以访问网络自适应地根据当前的网络拓扑结构和服务,没有通信率低和服务质量由于频繁的网络拓扑的变化或频繁变化的移动数据服务(5]。网络的可变密度特性有助于网络适应用户流在不同密度,确保网络的吞吐量保持在合适的范围,当用户流的密度急剧增加。
随着互联网时代的到来,海洋无线服务多样化,需求呈指数级增长,和船舶用户通信服务质量提出了更高的要求。因此,为了满足日益增长的需求服务,海上的“智能”管理信息系统实现(6]。用户和服务设备的分配不平等,和完全覆盖的访问是不可能的。不同的基础设施网络的不同部分有不同的报道,和一个网络不能满足所有的通信需求,大大超过了网络的供应。除了海上部署无线网络,很难安排网络基站在海面上的固定位置,除了使用现有的灯塔和其他固定位置部署网络节点,所以设计一个网络体系结构适应海洋环境的主要挑战是当前海上部署无线网络(7]。提高数据流来处理请求,并突破海上通信的限制,今天的海上通信网络无法满足网络之间的互操作性,因为他们通过多层和异构架构部署和交互,创建一个海上通信环境中,许多异构网络共存来支持一个庞大而多样化的用户基础。来满足业务需求,还海上的“智能”管理信息系统实现。用户和服务设备的分配不平等,和访问不能实现全覆盖。当海上通信的服务质量不能满足。因为船总是在运动情况下,网络环境的变化迅速,和用户密度也是海洋网络中分布不均,传统通信网络只能满足QoS要求的实时数据,丢包率,和延时方式单一,不能全面的考虑。例如,实时资讯类服务航道有更高要求的可靠性和传输延迟,而互联网和视频服务将更关心带宽(8]。优化配置和调度的问题,效率的各种网络资源成为首要任务。因此,发展高效的解决方案来处理大规模优化问题成为未来无线网络的新任务。互联网和视频服务将更加注重带宽。在各种网络资源,优化配置和调度,将效率放在第一位,已成为首要任务。因此,对大规模优化问题的有效解决方案的发展已成为未来无线网络的新任务。
解决带宽瓶颈集中联合学习,确保联盟学习的收敛性能,在每个同步时间节点,每个节点随机选择几个节点传输模型的一部分。我们的目标是最大化节点间的带宽容量,和提高收敛性能的解决方案,”模式副本”介绍了确保得到足够的信息从不同的节点在聚合过程中。同时,我们提出一个模型分割粒度的同步机制。我们“分裂”片的模型转换为一个集合包含相同数量的模型参数,不互相重叠。节点执行限制电平更新通过聚合本地片与其他相应的片节点。进一步加快收敛,我们建议bandwidth-aware节点选择方法基于bandwidth-aware节点选择方法使用epsilon-greedy算法,节点总是监视和估计对等节点之间的平均带宽(同行),选择对等节点概率高的传输速度快的传输模型切片。最后,我们实现了Balcombe,基于模型的原型系统slicing-based八卦bandwidth-aware节点选择策略和政策,和实验结果表明,该设计可以显著减少总培训时间18倍,同时保持模型精度不变。
2。现状的研究
随着人工智能技术的发展,人工智能算法已经应用于复杂的决策问题,如资源配置(9]。目前,人工智能技术,如机器学习和深度学习可以从无线系统中提取有用的信息,从动态的环境学习和做决定,被认为是潜在的解决复杂和典型问题在未来无线网络,以前很难解决10]。机器学习不仅可以利用数据分析来增强态势感知和无线网络的整体网络操作,还有效地驱动无线网络优化。此外,机器学习可以发挥关键作用在无线网络的物理层。机器学习的应用在无线网络进行了研究,研究结果和教程已发表(11]。文献提出了一些新兴的学习框架适合物联网应用和总结了优点,局限性,物联网应用,和机器学习的关键结果,连续学习,强化学习。基于一种新的学习方法,无线资源管理提出了在文献[12]。的核心思想是考虑资源分配算法的输入和输出是一个未知的非线性映射,并使用深层神经网络近似它。文献[13)提出了一种实时multi-intelligent强化学习方法来管理聚合多个无线区域网络系统产生的干扰。文献[14)提出了一种基于强化学习的下行功率控制方案非正交多不考虑干扰和无线信道参数。文献[15)提出了一个 - - - - - -上优于传输调度机制,使用深度学习解决问题的想法如何与不同的缓冲区传输数据包到多个渠道最大化系统吞吐量。文献[16使用深度学习过程在一个端到端的无线频道方式和隐式估计信道状态信息(CSI)和直接恢复传播符号的基础上,深度学习的方法。文献[17)提出了认知引擎的设计方案,实现了学习者在认知引擎使用神经网络学习算法。
此外,文献[18)提出了一种细胞多界面的异构网络选择来聚合方法;为用户在两个LTE细胞的边缘,该算法主要关注允许用户选择的LTE细胞LWA模式可以执行。文献[19)提出了一种自优化算法控制数据服务是如何通过调整片LTE之间的聚合模式,无线局域网,其结果表明,该算法可以得到最优控制参数为每个细胞在不同负载情况下。的目标算法的自适应传输模式选择系统传播模式分配给每个用户的细胞从用户的角度来看细胞负荷和吞吐量,这样可以优化利用资源的技术。为此,基站分配LWA模式,用户如果用户是在良好的状态下两个网络。当用户在一个贫穷的LTE网络,一个完整的开关性能WLAN传输模式的结果。信噪比(SINR)干扰阈值决定是否使用WLAN传输模式,而接收信号强度指示(RSSI)阈值决定了WLAN网络的感知范围。
如果当前单个连接速度不能满足平滑的视频播放需求,然后用户设备可以发送一个请求到核心网络管理器,选择一个合适的访问网络的用户,与用户建立第二个连接基于一个内置的强化学习策略实现的目的,满足用户的服务质量。本文提出一种高动态密度变量异构网络资源管理架构,核心网络管理器的功能,访问网络重新配置管理器,用户终端经理在网络资源管理架构和传输数据包的格式和主要工作流程在网络资源管理架构。基于强化学习的和一个简单的user-adaptive访问算法实现基于异构网络资源管理的体系结构来提高网络资源的利用率和用户的服务质量。
3所示。深度学习智能无线通信网络中资源分配的技术分析
3.1。深入学习算法进行智能资源分配分析
DQN回放的经验使用均匀分布,均匀分布采样不会使数据的有效利用。因为主题的经验是经验丰富的数据,但这些数据不是同样重要的培训,主题学习比别人更有效地在一些州。优先体验回放的想法是将受试者的原始经验回放使用均匀采样,反而让更多的抽样权重的系统状态有效地学习。理想标准抽样的抽样权重问题是更高效的系统状态的主题学习,更大的重量分配到相对应的样品这系统状态20.]。强化学习还需要探索环境,从有效学习行为反馈,产生回报,并更新探索行动,也就是说,审判和错误搜索,实现我们的目标。大的区别值函数在系统状态和TD目标函数值,即:TD偏差越大,越更新主题时必须学习,因此,更高效的学习是在那个位置。
强化学习的过程是一个智能学习的“试错”,引导其下一步行动通过与环境的互动获得的奖励,奖励的价值最大化的目标获得的情报。强化学习主要用于解决连续多步决策问题的系统(RLS)必须依靠自己的经验学习由于低外部环境所提供的信息,在RLS action-evaluation环境中获得经验和改善行动计划,以适应目前的环境。强化学习延迟奖励和试错搜索的特点使其成为机器学习研究的重要分支。智能体学习过程需要看整个画面,并考虑不仅即时回报,而且长期累积奖励,即。、延迟奖励。此外,强化学习需要探索环境和学习反馈的有效行为由自己获得奖励和更新探索性行为,即。试错法搜索,实现最终的目标。在迭代RLS的决策行为之间的相互作用和环境状况的反馈和评价,强化学习不断修改状态的映射策略行动学习的方式来实现优化系统性能的目的。强化学习从周围环境的状态映射到动作行为使选择的战略情报获取最大回报值,这样的外部环境评估RLS在某种意义上或整个系统的操作性能最优。
强化学习是非常有效地处理问题的高小规模的复杂性在现实世界的应用程序和使用在许多自主学习问题,如自主驾驶、操纵机器人和其他人类。然而,它没有有效的面对现实的大规模、复杂的问题,这限制了强化学习的发展,所以介绍了深度学习与强化学习相结合,如图1。
蜂窝移动通信是使用手机无线网络连接终端和网络设备之间通过无线通道,从而使用户能够相互通信时的活动。其主要特征是终端的移动性和跨地区切换和自动漫游在本地网络(21]。在小细胞网络小基站的覆盖范围很小,和网络吞吐量将大大影响用户的运动。有必要提前定位用户。与传统的一步REL技术不同,它可以存储信息很长时间了。它有能力存储以前的隐层网络的状态。在传统蜂窝网络组成的macrobase站,移动用户对网络吞吐量的影响较少,由于广泛的宏观基站覆盖范围。相反,在小细胞网络、小基站覆盖面积较小和网络吞吐量的影响更多的用户的运动。在前面的小节中,众所周知,每个小基站有一定的缓存容量和每个小基站的缓存的内容不一定是相同的。因此,在用户的运动,并不能保证所有的小基站连接到移动路线的要求内容,用户的缓存。本部分考虑了影响网络吞吐量方面的用户的移动位置和是否小基站用户连接所需的缓存状态,小基站选择的一些用户提供最佳传输条件。
作为移动通信的速度增加,各种移动通信服务正在增长,和数据服务已经取代了传统的语音服务作为主流服务,用户移动性研究不仅限于无缝切换和漫游,还专家转向用户移动性和缓存技术的结合。因此,在小细胞网络,特别重要的研究用户移动性和缓存技术的结合。在传统的蜂窝网络组成的macrobase站,用户移动性对网络吞吐量的影响比较少,因为macrobase站覆盖一个广阔的区域内,有足够的时间来定位用户提前。接下来,本文分配频谱资源的基础上,建立了未加权的冲突图。这个方法决定了用户分配订单distance-aware的方式,并试图为用户分配正交的子信道中可能会引起强烈的相互干扰冲突图。在成功的情况下,用户分配净收益最大的子通道之间消除强干扰用户。相比之下,在小细胞网络,小型基站的覆盖范围很小,网络吞吐量受到用户的运动,和用户需要提前。与传统一步RL技术,它可以存储信息很长一段时间,内存可以存储以前的隐层网络的状态和可以预测未来网络状态序列,它在预测时间序列是非常强大的。预测对于一个给定的时间步长是影响网络状态之前的时间步骤和当前输入,所以使用LSTM预测用户的位置化合物的需求,如图2。
机器学习服务的需求激增导致适应性解决方案来减少计算消费的调查,同时仍然提供令人满意的服务质量。准确性和延迟之间的权衡是利用允许消费者选择的公差水平机器学习作为一个服务平台,从而使消费者牺牲的质量服务的结果通过使用不同版本的模型,从而提高服务的质量的其他方面,如服务调用的响应时间和成本。干扰管理是一个重要的工具来提高频谱效率的无线网络资源分配的过程,这是特别重要的超密网络严重干扰。在这篇文章中,一个集中的以用户为中心的资源分配算法提出了基于联合形成的游戏。联盟形成游戏是用来找到最优用户联盟形成方法定义的资源分配原则。
并无特权的冲突图反映了干扰关系是构建基于网络部门(即。联盟形成的结果)。然后,本文执行频谱资源分配的基础上,建立了未加权的冲突图,它决定了用户分配订单distance-aware的方式,并试图为用户分配正交的子信道冲突的图可能有很强的相互干扰。最高的子通道净收益分配给用户不可用的免费的子信道,消除强interuser干扰。此外,克服的限制每个用户只有一个辅助通道”在前面的联盟形成游戏,本文提出一种低补充分配剩下的子信道分配算法来提高系统的频谱效率。
解决timing-related问题,如预测下一帧视频或下一个词在文本,传统神经网络不能工作,因为他们不能”记住,“所以复发性神经网络推导基于神经网络。在传统的神经网络中,隐藏层在未来时刻的输出只是隐藏层的相关输入下一刻,在复发性神经网络隐层的输出在接下来的时刻也与隐层输出的前一刻,因此引入时间顺序的概念。然而,当扩张太深的递归神经网络的时间顺序,它往往导致梯度色散问题,使得神经网络的参数停止培训和更新,所以在实际应用中,递归神经网络是很少直接使用,但是递归神经网络的一个变体。LSTM和递归神经网络的区别主要是LSTM和递归神经网络之间的主要区别是,LSTM额外隐藏参数记录LSTM的状态,通常称为细胞状态。LSTM还引入了一个复杂的闸门机制自动学习哪些信息应该保留或被遗忘的细胞状态(22]。LSTM的闸门机制包含三种不同类型的盖茨,即输入盖茨,忘记了盖茨,盖茨和输出。输入门决定了哪些新信息细胞状态应该保留,忘记门决定哪些信息细胞状态应该忘记,从细胞和输出门决定哪些信息用作LSTM的输出状态。
最小的值相关系数影响用户聚类算法的性能。如果相关系数最小的值设置太大,用户的数量在同一集群将太小,大大降低了网络性能,如果相关系数最小的值设置过小,波束宽度太大,波束形成的难度大大增加。很少有这方面的研究国内外文献中相关系数最小,和最小相关系数通常设置为一个常数。
3.2。实验智能无线通信网络的资源分配
考虑为高效卸载D2D-assisted云混合动力系统的服务和资源管理。每个用户发现邻近用户相互影响最强烈的从列表当前用户的干扰,并试图加入联盟,邻近用户所在,导致一个新的网络分区。子通道的任务是根据新的网络部门,执行和潜在收益计算(总系统吞吐量)。当数据包的包到达率达到1.5以上,缓冲区的压力逐渐增加。为了不影响数据传输,网络的系统动作对six-watt宏之间的权利增加吞吐量。尝试发送一个接一个加入当前用户的联合周边强烈干扰用户位于干扰降序的顺序,和上面的尝试停止整个系统的吞吐量提高了,和最优网络划分和最大增益更新到当前网络部门和利益。合并或分裂操作时,只有当系统获得提高。游戏融合达到稳定时没有用户可以获得更高的系统增益的合并或分割操作。输出递归内核的游戏在这一点上:最优网络分区,网络,和子通道分配的结果。每个用户连接的联合干扰用户干扰的干扰在降序排列。 Thus, strong interference in a wireless network can be suppressed by dividing users that are likely to interfere strongly with each other into a coalition and allocating orthogonal resources to users within the same coalition whenever possible. The process of such attempts continues in a 3-determined order until the game converges and reaches stability, at which point the most suitable network partition has been obtained for a given subchannel allocation strategy. It should be noted that this paper adopts the centralized architecture of C-RAN, where the control center “cloud” stores the network node location information collected from each base station. During the game, the stored network node location information is used to determine the proposed grouping of each user, and the road loss model and distance information are used to estimate the throughput and then determine whether the new coalition formation method can improve the network performance and whether the game updates the network division and its corresponding benefits, as shown in Figure3。
前面的文章探索强化学习如何做用户访问或资源管理在通信系统局限于建立连接的过程只有一种类型的网络。然而,未来的异构网络,多种类型的网络共存,这已经成为一种很有前途的趋势为用户从不同的网络聚合数据流量提高通信速率,和“支离破碎”剩余资源可以利用通信系统用户,并能大大提高网络的利用率相对于用户。网络的利用将大大提高较单一的连接方法。多端口资源聚合技术,由双连接技术,许多论文探讨深入,给算法的最大利用率,可以实现当用户支持双系统中连接传输方式。然而,一些算法,虽然达到系统利用率的理论上限,需要搜索系统的最优解,利用优化遍历或多个迭代,因此具有很高的复杂性,用户访问过程和资源控制的过程在实际系统要求短时间延迟,所以这些算法没有实际意义。解决上述问题,DQN-based用户访问多端口技术提出了本节将分析得到的仿真结果说明该算法的通信系统和实际系统中的可行性。
假设细胞模拟场景中,WLAN美联社和microbase站的位置是通过细胞内的均匀随机散射点区域,相应的系统利用率可以通过模拟不同的用户场景使用DQN-based用户数量多端口访问算法,并仿真参数如表所示1。
代表之间的差距双重连接传输和单一连接传输系统利用率,本文模拟的用户数量之间的关系和系统的利用率,当用户单一的连接;代表之间的差距DQN-based用户访问算法和传统的用户访问算法,本文模拟了用户最近邻算法和最大信噪比(信噪比)的访问访问算法,分别。代表之间的差距DQN-based用户访问算法和传统的用户访问算法,我们模拟用户最近邻算法和最大信噪比(信噪比)的访问访问算法,在用户访问最近邻算法表明,每个用户选择最近的microbase车站建立第二个连接,和信噪比最大访问算法表明,用户选择microbase站最大的信噪比建立第二个连接。代表的区别DQN-based用户访问算法和理论上界,matching-based比例公平用户双重连接访问算法也是本文模拟,如图4。
从图4,可以看出系统效用会降低随着用户数量的增加,并可以观察到系统实用程序是最糟糕的时候所有用户单个连接;系统实用程序是最高当所有用户采用matching-based双重连接访问算法;钢筋的性能上优于用户访问算法和最近邻算法和最大信噪比访问算法在用户之间的单一连接访问算法和matching-based用户访问算法,性能的最近邻算法的访问,并且信噪比最大访问算法基本上是相似的,和DQN-based用户访问算法优于最近邻算法的访问,并且信噪比最大访问算法,但仍有一些差距相比,最优性能曲线(23]。从图可以看出4,DQN-based用户访问算法曲线继续隔matching-based比例公平算法和传统的用户访问用户访问算法,除了当所有用户使用一个连接,系统效用与小细胞的数量增加。当所有用户使用单个连接,随着小细胞的数量增加,增加用户将离开宏高概率和基站切换到单个连接小细胞,由于小细胞的传输功率远小于微蜂窝技术,用户访问的吞吐量小细胞减少;因此,系统实用程序往往减少小细胞的数量增加。
matching-based比例公平算法实现用户访问系统模型的局部最优解,但计算复杂度增加的成本,而DQN-based用户访问算法相比是完全平衡的最近邻算法和最大信噪比的访问访问算法,提高了系统效用的只有一小部分的延迟。
4所示。分析的结果
4.1。深入学习算法性能结果
总体而言,尽管强化学习模型需要大量的学习时间的早期探索系统,神经网络的参数时交流框架慢慢地收敛于一个稳定值作为学习速率减少,对于任何类型的用户分布,基于交流的强化学习模型框架可以很快给一个合理的用户访问和资源匹配方案,性能接近的matching-based本地最佳访问算法,但由于延迟储蓄,这意味着人工智能技术能取代传统工程优化方法带来的吞吐量以及长期下行通信系统利用率,如图5。
图5比较了三种算法的平均吞吐量和平均效用值。效用值表示在数据传输系统的链路利用率。当包到达率增加,系统帮助它减少缓存压力的形式增加即将离任的体积。然而,这种做法相对能源密集型。本文提出的算法可实现值,这样在略有增加价值产生很大波动,因此传输数据包,所以S-DQN算法传递更多的数据包和更高的吞吐量。随着数据量的增加,每个网络节点的缓存压力增加。进行路由,传统的路由算法不考虑其他渠道是否拥堵,使源节点最短路径的决定以自我为核心,这将导致显著降低系统的链路利用率。缓存的压力逐渐增加,当包到达率达到1.5以上。为了不影响数据传输,系统day-activates逆网之间的同伴对六瓦尔登湖宏,因此想吐量高。同时,随着调制方法的变化,受托人与环境互动的频率增加,从而增加链路利用率。此外,在图6不比较,DQN算法相同的情节数据包到达率增加由于其计算复杂度高,导致相对较低的平均效用值。
自Dijkstra算法有时会陷入局部最优,从而导致网络资源分配方案由代理不是上策,平均能耗太高了。迪杰斯特拉算法消耗更多的能源相比其他两个人工智能算法。由于缓存容量有限,能源消耗产生的曲线S-DQN算法往往生长缓慢,然后稳定下来。当数据量达到负载限制缓存,缓存压力不会增加,最终稳定。而1/2/3着色性能的方法,该方法的性能提高了43.88%,62.00%,和88.86%,分别。此外,相应的算法也模拟当网络负载是50%,70%,90%。迪杰斯特拉算法也会导致传输效率下降时,数据包到达率增加,和数据包传输的时间导致丢包。S-DQN算法产生更低的延迟比迪杰斯特拉算法。这是因为S-DQN算法使系统吞吐量更高时,数据包到达率增加,向缓存中施加更大的压力,迫使传递网络节点选择尽可能高阶调制传输数据,从而保证系统的实时性能。自从s-DQN算法输出的概率值,它相当于量化值,减少波动的范围在每个状态传输,从而减少了延迟抖动。
4.2。实验结果的智能无线通信网络的资源分配
图7反映了系统的能源效率和时间之间的关系。横轴是时间,纵轴是系统的能源效率。总体而言,似乎RL-LSTM-based资源分配算法的能源效率显著高于RL算法和随机存取算法。值得注意的是,双方的能源效率RL-LSTM算法和RL算法逐渐降低随着时间的增加。这是因为随着RL-LSTM算法可以增加用户,系统的能源效率降低为所有用户连接到基站覆盖范围内的小基站的传输条件最好的已经完成,和小基站为用户提供更长的传输距离。
随着小型基站的数量增加,负载体积的比例,每个小基站减少。此外,减少子信道的数量会导致负载体积的比例下降。虽然子信道的数量不是一个球员在游戏中,他们影响频谱分配的选择行动为每个小基站。随着子信道数量的增加,渠道选择的行动空间向量的增加,从而增加负载的数量的小基站。
当子信道的数量小于10,SAR值下降快;当子信道的数量不断增加,SAR值降低逐渐放缓。换句话说,与图相结合7,因为网络已经达到最优的子通道分配速度,继续把系统带宽分成更多的子信道不继续增加的总吞吐量。因为太多的干扰减少了总吞吐量,没有更多的频谱资源应该分配给用户最优后子通道分配率。的子信道分配用户时达到最佳的子通道分配率不应该被删除,因为它将导致未充分利用的子信道,从而降低整个网络的吞吐量。此外,由于子通道分配是独立的网络规模和网络密度,子通道分配率的变化曲线与子信道适用于不同的网络密度的数量。因此,在一个稀疏网络场景中,可以找到一个合适数量的子信道计算成本低,应用于高密度网络,如表所示2。
系统频谱效率的曲线与fap的数量给出一定的网络负载的网络表2。拟议中的load-aware资源分配方法相比,三个最近发表代表着色方法表2。当我们增加FAP的数量在网络规模(网络),该load-aware FAP资源分配方法比所有基准算法更好的频谱效率。当网络负载的30%,有128个fap网络的性能改进方法相比,着色方法获得1/2/3点是43.88%,62.00%,和88.86%,分别。此外,相应的算法还模拟为50%,70%,90%的网络负载。该方法优于所有基准方法对于大多数网络规模和网络负载。
在本节中,干扰问题的建模和资源分配为下行通信的情况下不可用网络节点的地理位置信息调查。上行的相对强度干涉模型基于关联规则算法使用网络中产生的大量的数据。此外,本节提出了一个load-aware资源分配方法,该方法计算的边界多路复用相同的频谱资源,为每个用户分配正交频谱资源的干扰来源根据建模相对干扰强度和每个创科实业的网络负载。一组正交干扰来源为每个用户生成基于时变多路复用/正交边界为每个用户,然后,频谱资源分配的基础上为每个用户设置正交干扰来源。在仿真结果部分,相对干扰强度建模方案的准确性基于关联规则算法评估在这一节中,仿真结果表明,该方法可以实现用更少的样本建模精度高。此外,仿真分析部分还分析load-aware资源分配算法的性能在不同的网络负载的情况下在这一节中,不同的网络大小,结果表明,该方法取得了良好的性能在大多数网络密度和网络负载情况。
5。结论
无线通信技术的快速发展,用户可以享受越来越高速数据服务。这进一步刺激了使用移动终端(智能手机、平板电脑、smartwatches等)的用户,因此,服务在蜂窝网络的数据量急剧增长。移动网络体系结构需要不断创新,以适应网络环境,数据服务的数量急剧增加。小细胞网络和缓存技术是目前最有前途的两种技术研究的专家。当前的资源分配算法应用到传统的蜂窝网络不再适用于小细胞网络架构缓存,所以需要提出新的资源分配算法。在这种背景下,研究小细胞网络架构与缓存的资源分配是非常重要的。无线接入网络的基本概念,未来网络技术发展简要解释说,和一个小细胞网络架构与缓存了。之后,小细胞的吞吐量CSCN计算体系结构由两个链接,传播和条件选择用户在小细胞方面的优化用户的移动位置和小细胞的缓存状态用户连接。问题是然后使用博弈论的知识建模和RL-LSTM-based资源分配算法基于深度增强学习的知识。基于小型基站选择好用户根据他们的传输条件下,该算法认为每个小基站作为一个智能体学习。 Using the encoder-decoder model, the semantic vector is obtained by encoding the input historical traffic sequence, after which the decoder decodes the semantic vector to obtain the action sequence of the small base station, and the optimal weight matrix parameters of the model are obtained by continuous iterative training. Then, the small base station action sequences are learned based on the optimal weight parameters so that the objective function is maximized.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。