基于无线接入网智能感知的多粒度资源分配算法研究

作     者：王佳妮 

作者单位：西安电子科技大学 

学位级别：硕士

导师姓名：赵力强

授予年度：2022年

学科分类：08[工学] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 

主      题：智能感知 流量预测 业务估计 深度强化学习 多维资源分配 

摘      要：随着无人化业务、全息通信等新业务的不断涌现,网络环境变得日益复杂,传统移动通信网络无法适应这些新兴业务的发展。而在移动通信网络中引入感知功能,将有助于网络提高其自适应能力,并最终实现网络的智能、按需、灵活管控,进而为这些新兴业务提供可靠的网络支撑。然而基于智能感知的网络管控方法由于频繁调整资源而造成成本提高的问题,势必会限制网络的自适应动态化与智能化发展。因此,本文研究基于无线接入网智能感知的多粒度资源分配算法:首先,利用深度学习,研究无线接入网(Radio Access Network,RAN)终端/基站流量预测、业务类型估计等感知算法,进而支撑动态、高效的资源分配算法。以此为基础,探索不同时间粒度下的通信、感知、计算资源的联合优化,提高网络频谱效率,并降低服务时延(包括传输时延及处理时延)和资源分配动作执行的成本。本文的具体研究内容如下:(1)本文研究了基于深度学习的流量与业务类型感知问题。首先,采用由门控循环单元(Gate Recurrent Unit,GRU)构成的具有注意力机制的序列到序列(Sequence to sequence,Seq2Seq)算法预测用户及基站的流量。具体的,介绍了流量预测问题的数学模型以及流量数据采集和预处理的过程,并给出了具有注意力机制的Seq2Seq模型的网络结构以及参数设定。然后,使用卷积神经网络(Convolutional Neural Networks,CNN)算法对用户的业务类型进行了估计。具体的,介绍了业务估计问题的数学模型以及业务样本数据采集和预处理的过程,并给出了CNN模型的网络结构以及参数设定。最后,搭建了通感算智能内生融合实验平台,并在此基础上实现了不同感知时间粒度上的流量预测与业务类型估计。通过对比不同算法在不同参数设置下的流量预测误差与业务类型估计准确率,验证了本文所采用的流量预测模型预测误差较小、业务估计模型准确率较高。(2)本文提出了一种基于深度强化学习的多粒度资源分配算法,多时间粒度体现在算法所生成策略的有效作用时间。首先,将通信、感知、计算资源联合优化问题建模为多时间粒度上的最大化效用函数问题(即:所有用户的时延、频谱效率以及执行动作成本的加权和),并满足用户最小数据传输速率门限、所有用户与基站占用的资源不超过系统总资源等约束。其次,采用决斗深度Q网络(Dueling Deep Q-network,Dueling DQN)对该问题进行求解,将感知信息(流量预测与业务类型估计结果)、通信信息(信噪比、发射功率、资源块数等)和计算信息(基站的计算资源)作为状态集;将资源分配策略有效作用时间粒度、资源块数、发射功率、基站的计算资源作为动作集;将所有用户的时延、频谱效率以及执行动作成本的加权和作为奖励值;最后,在基于开源软件搭建的实验平台中,将本文的算法与现有资源分配算法进行了对比,验证了本文所提的算法能够提高网络频谱效率,并降低了服务时延(包括传输时延及处理时延)和资源分配动作执行的成本。