检索结果-南通市图书馆

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于蜂窝网络的D2D通信资源分配机制研究

基于蜂窝网络的D2D通信资源分配机制研究

作者：赵敏北京邮电大学

学位级别：硕士

设备到设备(Device-to-Device,D2D)通信是一种有广泛研究价值和应用前景的技术,在减轻负载的同时可以有效地提高蜂窝通信网络的系统容量,在即将投入商用的5G通信中也有良好的实用价值和发展空间。由于D2D通信通常复用传统的蜂窝通信网... 详细信息

设备到设备(Device-to-Device,D2D)通信是一种有广泛研究价值和应用前景的技术,在减轻负载的同时可以有效地提高蜂窝通信网络的系统容量,在即将投入商用的5G通信中也有良好的实用价值和发展空间。由于D2D通信通常复用传统的蜂窝通信网络中的频谱资源,用户之间的干扰在所难免,控制干扰的主要方法包括资源分配和功率控制,因而高效的能源管理也就成为了D2D通信中的主要研究方向。本文为D2D通信提出了一种用户的资源分配算法,在协调干扰的同时,最大化系统吞吐量。由于无线信道状态和状态转换可能性的不确定性,所以考虑可以利用强化学习(Reinforcement Learning,RL)算法中的Q学习算法解决这一问题。在本文提出的方案中,每个D2D用户对被视为一个独立的智能体,根据其所观察到的信道状态做出资源选择的相应决策。为解决多用户系统中的决策问题,又进一步提出了多智能体RL算法。在D2D用户对不具有关于要分配的资源块的可用性和质量的任何信息的前提下,该问题可被建模为随机非合作博弈问题。每个智能体可视为一个参与者,通过所有参与者的共同决策以实现全局优化,从而提出了基于博弈论的多智能体Q学习算法。此外,本文又从调整每个D2D用户的传输功率角度出发,在调节干扰的同时实现最大化系统吞吐量。类似地,可将该问题建模为强化学习算法。为了提高效率并降低收敛时长,首先使用模糊聚类算法对D2D用户进行分组,使得同组内用户之间存在较小的干扰,然后再将每个分组视为Q学习算法中的一个智能体,从而建立了基于模糊聚类算法的多智能体Q学习算法模型。对于提出的上述两种算法,均进行了相应的仿真,仿真结果显示本文所提算法在提升系统吞吐量的同时也保证了蜂窝用户与D2D用户的通信性能,因此验证了本文提出的算法的优越性能。

关键词： D2D通信资源分配功率控制增强学习模糊聚类算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

无线多跳网络中虚拟网络映射研究

无线多跳网络中虚拟网络映射研究

作者：贾子寒北京邮电大学

学位级别：硕士

随着移动互联网的高速发展,多种多样的新业务也层出不穷,下一代接入网面临最主要的挑战就是如何在确保正常提供基本服务的条件下,深入的挖掘用户的潜在需求,从而加速对于不同需求的定制网络服务的发展。多跳中继蜂窝网络通过较低的成本... 详细信息

随着移动互联网的高速发展,多种多样的新业务也层出不穷,下一代接入网面临最主要的挑战就是如何在确保正常提供基本服务的条件下,深入的挖掘用户的潜在需求,从而加速对于不同需求的定制网络服务的发展。多跳中继蜂窝网络通过较低的成本提升了基站的覆盖范围、提高了网络中的信道质量、增加了网络的容量并且提高了网络中信息的传送速率网络虚拟化可以在公共的物理网络上建立不同的虚拟网络来提供服务,虚拟网络是物理网络的资源的切片,每个虚拟网络都可以定制自已的协议,路由规则,服务和控制方案。将网络虚拟化技术融合到下一代接入网的组网中,可以解决接入网面对的成本投入过大、业务质量较差、资源利用率低等问题,与此同时也可以实现下一代接入网的多样化的需求,如易管理,高性能,全业务等,从而可以加速完成异构网络的融合。本文首先分析了虚拟网络映射模型,而后设计了一种协同考虑功率和带宽资源的虚拟网络映射算法VNEA-EC算法。在提出的算法中本文主要关注节点的功率资源、链路的带宽资源,然后基于剩余物理资源定义资源的单位成本,以最小化虚拟网络映射成本为目标函数,并应用链路分割的思想以实现负载均衡。这样可以提高网络请求接受率以及物理资源的利用率,同时有着较低的映射成本。此外,本文研究无线多跳蜂窝网络的场景,为了解决业务质量难以保证和异构网络融合的问题,提出了基于多商品流的虚拟网络映射算法,根据网络中各节点速率的请求进行映射。综合考虑了网络中的节点和链路资源进行资源分配,可以为虚拟网络规划更合理的路径和更高效资源的映射过程,同时在网络关键位置保留更多的物理资源,以接受更多的虚拟网络映射请求。

关键词：虚拟网络映射无线多跳蜂窝网络最短路径多商品流问题拉格朗日松弛

基于分布式计算系统的多源生物数据索引与处理技术研究与实现

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于分布式计算系统的多源生物数据索引与处理技术研究与实现

作者：杨明朗北京邮电大学

学位级别：硕士

当前对生物数据进行研究与应用时,面临着多生物中心数据多源异构、数据量庞大和缺乏隐私保护的问题,使得多方用户在文件管理或数据共享时面临诸多不便。本文的研究通过将计算机技术、密码学技术与生物数据相结合,对其进行适合该场景的... 详细信息

当前对生物数据进行研究与应用时,面临着多生物中心数据多源异构、数据量庞大和缺乏隐私保护的问题,使得多方用户在文件管理或数据共享时面临诸多不便。本文的研究通过将计算机技术、密码学技术与生物数据相结合,对其进行适合该场景的方案设计和算法改造,能够更有效地实现数据管理和应用研究,更好的进行共享数据的保护和研究。本论文在调研和分析现有生物数据应用现状的基础上,分为三个方向对上述问题进行了研究:首先提出一种统一多生物中心和数据模型文件分级管理方案,随后提出一种生物文件加密管理方案和基于差异版本的同态加密文件的连接技术,最后在此基础上,提出了在同态加密密文域上的实现序列检索的方案。首先,针对多源异构的数据存储现状,设计建立物理层分散、逻辑层统一的分级文件管理和索引方案,实现全局文件管理统一入口,在管理能力和查找效率上实现了提升。其次,针对生物文件高量级、多版本、强隐私的特性,提出了基于位加密和同态加密的简洁存储和安全管理的技术。定义标准文件、差异文件等文件形式,缩减多版本文件的数据存储量,并利用位同态的特性实现密文文件的版本合并和修改操作,通过实验验证实现了减少存储量同时保障数据安全性的能力。随后,针对生物数据研究常用的序列检索操作和密文域上的检索困难性,对原始生物数据进行数字化转化后,使用结合改进kmp算法和同态加密的密文数据序列搜索方法。实现在强安全性前提下同时完成序列搜索操作,通过对比实验验证了本方案的有效性。本文将计算机技术、密码学技术应用于生物数据的文件管理和受限访问,完成算法、方案设计和基本实践。在实验室环境中,本文提出的三项方案能够实现对现有问题的解决,即实现数据的简洁管理、安全保护和密文搜索,并对同类型数据有一定的普适性。后续研究中可以在性能方面做进一步优化。

关键词：生物数据同态加密版本管理序列比对密文搜索

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于强化学习的协作多点传输技术研究

基于强化学习的协作多点传输技术研究

作者：林楠北京邮电大学

学位级别：硕士

为了满足人们对于无线通信速率、网络时延以及服务质量越来越高的要求,第五代(5G)移动通信系统商用的脚步逐渐临近。作为5G通信的一项关键技术,超密集组网已经成为业界关注的焦点。同时,为了减少超密集部署造成的信号干扰,协作多点传输... 详细信息

为了满足人们对于无线通信速率、网络时延以及服务质量越来越高的要求,第五代(5G)移动通信系统商用的脚步逐渐临近。作为5G通信的一项关键技术,超密集组网已经成为业界关注的焦点。同时,为了减少超密集部署造成的信号干扰,协作多点传输技术(CoMP)是近几年学术研究的热点。本文首先研究协作传输中的协作小区分簇问题,根据小区的地理位置以及小区内移动用户的分布情况,为用户选择合适小区组成协作簇共同为其提供服务并且以最大化系统吞吐量为目标采取合理的功率分配机制;然后以提高系统容量、降低数据丢失率为目标,研究基站之间的能量协作以及基站和用户的能量分配问题。具体包括如下两方面。在多点协作传输的分簇机制方面,本文提出了一种基于强化学习的半动态分簇方案,为了解决动态分簇造成的系统负担过大的情况,本文首先根据小区的地理位置将所有小区分为许多个预协作集;为解决用户的移动性和系统的时变特性,在每个预协作集合中,根据信道状态和用户的位置动态地为用户分配最佳协作簇以及最优功率,有效地提高了系统的吞吐量和边缘用户的服务质量。在多点协作传输的能量管理方面,本文提出了一种基于深度强化学习算法的能量协作与功率分配策略。首先根据中继基站的电池容量、能量捕获情况、缓存器中的数据量等建立马尔可夫决策模型,然后使用DQN算法求解得到最优的协作策略,最大化系统的吞吐量,通过能量协作弥补了由于绿色能量捕获的不均匀造成的系统寿命低的问题,提高了网络性能。

关键词：超密集网络协作多点传输分簇算法能量协作强化学习

基于区块链的分布式深度学习任务分配算法的研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于区块链的分布式深度学习任务分配算法的研究

作者：刘雨童北京邮电大学

学位级别：硕士

随着深度学习的广泛普及以及移动端硬件性能的提升,将深度学习和神经网络技术引入移动设备提升用户体验已经成为必然趋势。考虑移动设备移动性强和便携的特点,分布式训练深度学习模型要减少任务的执行时延和设备的电量消耗。为了提升训... 详细信息

随着深度学习的广泛普及以及移动端硬件性能的提升,将深度学习和神经网络技术引入移动设备提升用户体验已经成为必然趋势。考虑移动设备移动性强和便携的特点,分布式训练深度学习模型要减少任务的执行时延和设备的电量消耗。为了提升训练速度和保障训练过程中的隐私安全,目前已经有一些项目利用区块链开展移动设备的分布式训练,其中移动设备进行并行的分布式训练大大缩短了训练模型所需的时间,区块链网络记录了分布式训练的流程,利用其数据不可篡改的特性保证系统的安全。为了节约系统的能量消耗,减小系统的响应时间并提高吞吐率,本文首先提出了一个开创性的移动端分布式深度学习任务分配框架。这个框架提出了一个综合考量任务难易程度和用户属性的任务评估标准,通过用户选择和资源分配进行任务分配,使得系统能效最优。同时,使用区块链用于激励用户提供本地交互数据以提高模型的准确度,提出了基于区块链激励的分布式深度学习任务分配框架。这个框架将任务进行分类以提高不同种类移动设备的利用率,在保证服务质量的前提下降低执行任务的能耗从而提高综合收益,然后使用深度强化学习方法解决动态环境中的高维状态空间控制问题。最后展示了在不同参数下的仿真结果,证明了所提出框架的可行性。

关键词：移动分布式训练任务分配强化学习区块链

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

绿色异构网络用户调度及功率控制研究

绿色异构网络用户调度及功率控制研究

作者：刘晓伟北京邮电大学

学位级别：硕士

随着全面推进5G技术落地,目前的无线通信网络面临着用户数暴增、连接设备类型多样等需求。异构网络(Heterogeneous Network,HetNets)是在传统宏基站的网络中部署一定数量的小基站,无论是从技术实现还是成本上,都是现阶段最为主流的部署... 详细信息

随着全面推进5G技术落地,目前的无线通信网络面临着用户数暴增、连接设备类型多样等需求。异构网络(Heterogeneous Network,HetNets)是在传统宏基站的网络中部署一定数量的小基站,无论是从技术实现还是成本上,都是现阶段最为主流的部署方案,也是通信领域主要研究课题。而随着基站数量的激增,随之而来的能耗问题和管理问题成为异构网的重点难点。以绿色能源代替传统能源能有效降低碳排放,本文研究基于绿色通信技术的异构网络资源管理和能耗优化。网络用户的实时监测是无线网络覆盖的必备技术和发展趋势,针对由于用户功耗变化带来的耗能高等问题,本文提出一种基于循环神经网络(Recurrent Neural Networks,RNN)的异构网络中用户能耗预测模型。该模型通过综合分析用户在当前时刻前的能源使用基础上,通过深度神经网络处理复杂时序数据的拟合,预测用户未来短时间的能耗。预测结果为网络下一步决策提供输入。通过引入预测-决策机制,解决由于绿色能源不稳定造成的功率控制问题。绿色异构网络功率控制是绿色异构网络资源优化领域的一个重要研究方向,为了提供更好的性能和更低的碳排放的服务,需要提出一种高效的中心化控制算法,以使最大化网络能效。在这方面,深度强化学习(Deep Reforcement Learning,DRL)被认为是一种有前景解决方案。本文在简要回顾了深度强化学习的基本概念之后,研究了深度强化学习在异构网络场景中的一些典型资源管理中的应用,并展示了深度强化学习的优势。在本文中,基于预测结果,提出一种基于深度强化学习算法的异构网络决策模型。将网络功率控制建模成非凸函数模型,通过网络中心化决策算法,找到该方程的最优解,从而提高绿色异构网能效。在算法训练方面通过提出一种带有正则化的网络回报函数,深度强化学习能够达到较好的收敛。

关键词：异构网络能耗预测深度强化学习功率控制