检索结果-南通市图书馆

移动信息 2024年第6期46卷 17-19,22页

作者：代永亮沂南县残疾人联合会山东临沂276300

5G通信是现代信息体系的重要基础,由于流量波动较大,建立有效的预测与分配机制对于降低基站负载、提高信息传输效能具有积极意义。文中优化了ER-LSTM预测算法,采用误差循环的方式引入机器学习架构,旨在提高预测精度,并形成有效的分配机... 详细信息

5G通信是现代信息体系的重要基础,由于流量波动较大,建立有效的预测与分配机制对于降低基站负载、提高信息传输效能具有积极意义。文中优化了ER-LSTM预测算法,采用误差循环的方式引入机器学习架构,旨在提高预测精度,并形成有效的分配机制。研究发现,优化后的算法模型在500~2500次循环学习的基础上能实现有效的预测,提高系统承载力,具有推广应用的价值。

关键词：机器学习 5G 流量预测切片资源分配

来源：

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

面向车联网综合应用的任务调度与切片编排智能优化研究

面向车联网综合应用的任务调度与切片编排智能优化研究

引用

作者：董君宇北京工业大学

学位级别：硕士

车联网(Internet of Vehicles,Io V)作为B5G/6G的主要应用场景和重点研究对象,在发展智能交通、提升城市运行效率、改善群众生活体验中的重要作用得到了广泛认可。在人、车、路共存的车联网中,既存在满足人类各项活动需求的传统通信业务... 详细信息

车联网(Internet of Vehicles,Io V)作为B5G/6G的主要应用场景和重点研究对象,在发展智能交通、提升城市运行效率、改善群众生活体验中的重要作用得到了广泛认可。在人、车、路共存的车联网中,既存在满足人类各项活动需求的传统通信业务,又存在保障车辆行驶安全、支持车路协同的各类新型业务。由于不同业务在传输带宽、传输时延等关键性能指标上的要求差异巨大,如何高效调配无线网络资源、满足差异化的业务需求,成为车联网中研究的热点。本论文面向车联网中各类应用需求,对不同业务场景下的任务调度和资源分配问题进行了研究,基于深度强化学习技术(Deep Reinforcement Learning,DRL)设计了智能解决方案。论文主要研究工作如下:(1)针对车联网中的实时智能应用在带宽和时效性上的双重高要求,研究了节点智能调度算法。论文首先对车辆感知道路信息并训练本地模型、路侧单元聚合多车模型参数并下发的分布式机器学习(Distributed Machine Learning,DML)流程进行分析,将无线传输资源受限的模型参数传输聚合问题抽象为路侧单元(roadside unit,RSU)对车辆节点的调度问题,采用马尔可夫决策过程(Markov Decision Process,MDP)对其进行建模,并根据业务特点设计了与本地模型的时效性、本地节点有效感测区域面积和时延相关的系统效用函数,提出了一种基于深度策略梯度(Policy Gradient,PG)算法的车辆节点调度方案。论文中建立了完整的蒙特卡洛情节仿真,实验结果展示了所提算法在整体系统效用上具有优势。(2)针对车联网中多等级增强型移动宽带(Enhanced Mobile Broadband,e MBB)业务共存的场景,引入能够提供差异化定制服务的网络切片技术,研究切片内任务调度和切片间资源分配的联合动态优化问题。论文根据切片内任务调度决策和切片间资源分配决策的时间间隔差异,提出了一种适用于多维异步决策联合优化问题的异构马尔可夫决策过程(Heterogeneous Markov Decision Process,HMDP)模型,利用动态贝叶斯网络(Dynamic Bayesian Network,DBN)刻画了异构马尔可夫决策过程模型的状态、动作关联性,并重点分析了上下两层子过程交叉点对马尔可夫性的影响。在此基础上,根据HMDP结构特点设计了一种分层DRL架构,并采用深度策略梯度算法实现联合决策优化,提出了一种基于分层DRL架构的多等级e MBB的任务调度与切片资源联合优化算法。仿真结果表明,所提算法能够在多等级e MBB的任务调度和切片资源分配联合优化中实现与任务完成后获得的利润、排队时延、功耗代价和频率资源代价相关的系统性能评价指标的提升。(3)考虑到超可靠低时延通信(Ultra Reliable and Low Latency Communications,URLLCs)业务是车联网中支持车辆控制的重要业务类型,论文进一步研究了URLLC与e MBB业务混合共存场景下的切片内任务调度和切片间资源分配的联合动态优化问题。根据URLLC业务低时延需求特点,在系统模型中引入了5G NR中的短时隙的概念,支持URLLC和e MBB的任务以不同时间间隔进行调度决策。同时,为了保证与系统过程一致,对HMDP模型进行调整,使切片间资源划分、e MBB任务调度、URLLC任务调度对应的MDP过程完全异步运行。在此基础上,针对URLLC切片任务高频次调度决策的情况,设计了经典调度算法与深度策略梯度算法混合的分层DRL架构,提出了一种智能的联合资源分配和任务调度算法。仿真结果表明,所提算法能够在URLLC与e MBB业务混合场景的任务调度和切片资源分配联合优化中实现与任务完成后获得的利润、排队时延和频率资源代价相关的系统性能评价指标的提升,并能够保证URLLC业务超低的时延需求。

关键词：车联网任务调度切片资源分配异构马尔可夫决策过程深度强化学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向网络切片的分布式资源协同共享研究

面向网络切片的分布式资源协同共享研究

引用

作者：陈欢电子科技大学

学位级别：硕士

近年来,5G网络场景日益复杂,不同网络用例的网络资源需求在时间和空间维度上都在不断变化,这给网络资源管理带来了不小的挑战。如何合理利用有限的资源保证在满足用户基本用网需求的情况下提升收益成为了网络资源相关利益方关注的重点... 详细信息

近年来,5G网络场景日益复杂,不同网络用例的网络资源需求在时间和空间维度上都在不断变化,这给网络资源管理带来了不小的挑战。如何合理利用有限的资源保证在满足用户基本用网需求的情况下提升收益成为了网络资源相关利益方关注的重点问题。网络功能虚拟化和切片技术的出现,在一定程度上简化了资源的管理成本;催生了从切片层面进行资源管理的方法。基于深度强化学习(Deep Reinforcement Learning,DRL)的集中式资源管理方式能够实现资源切片的动态分配,但当面对多运营商场景时,因为商业竞争等因素的存在,运营商会对数据进行保护,使得多运营商之间无法直接共享数据支持DRL模型性能的训练和优化。为解决这一问题,同时实现集中式向分布式的扩展;本文设计了分布式切片资源分配方案。即在集中式DRL的基础上引入联邦学习,构建分布式资源协同共享框架,结合知识蒸馏设计模型自适应共享算法降低异质场景对传统联邦学习的影响,实现整体网络资源到切片级资源的划分。并在仿真场景中对联邦强化学习和联邦蒸馏进行了实验验证,联邦强化学习实验结果表明联邦学习在同质场景中能帮助模型更快收敛,联邦蒸馏实验结果表明在异质场景中联邦蒸馏算法能够在一定程度上缓解数据异质对传统联邦平均模型在收敛性和性能上的影响。此外,本文针对移动虚拟网络运营商(Mobile Virtual Network Operator,MVNO)和用户之间的切片资源分配过程进行了更进一步的研究,用交易的方式实现MVNO和用户之间的资源分配。具体来说,本文以博弈思想为底架,构建了基于市场代理的交易过程;由多个MVNO先发布资源售价,用户根据每个MVNO的价格给出购买策略,然后由市场代理基于收益最大化原则确定本轮交易的赢家MVNO和用户完成交易。针对交易过程中MVNO如何出价的问题提出了基于强化学习的动态计价策略以适应市场的不断变化。在MVNO出价算法的对比实验中,所提出的基于深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)的出价策略在累计利润和抢单能力上表现出了比随机出价以及其他强化学习经典算法更好的结果。

关键词：网络资源管理切片资源分配切片资源交易强化学习联邦蒸馏

来源：

同方学位论文库评论

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5G无线资源管理方法研究

引用

移动通信 2023年第12期47卷 66-70页

作者：张伟中国联合网络通信集团有限公司广东省分公司广东广州510630

针对当前网络切片资源分配方案不灵活的问题,提出一种基于强化学习的5G无线资源管理技术,该方法旨在实现自适应的网络切片动态优化和端到端服务的可靠性。首先,计算不同用户优先级实现基于用户优先级差异化的分配策略;然后,将用户业务的... 详细信息

针对当前网络切片资源分配方案不灵活的问题,提出一种基于强化学习的5G无线资源管理技术,该方法旨在实现自适应的网络切片动态优化和端到端服务的可靠性。首先,计算不同用户优先级实现基于用户优先级差异化的分配策略;然后,将用户业务的QoE视为服务质量主观看法与特定网络指标之间的映射;最后,以最大化系统的用户QoS需求和吞吐量为目标,实现网络切片资源分配方案。仿真表明,所提方法能够有效提升系统的吞吐量和公平性,可以为5G无线资源管理提供参考。

关键词：切片资源分配用户分组 QoE 强化学习

来源：

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：