一、一种基于多主体的网络带宽分配方案（论文文献综述）
崔玉亚[1]（2021）在《面向移动边缘计算的任务调度的关键技术研究》文中进行了进一步梳理随着万物互联的不断发展,目前的网络带宽已经不能满足数据的爆炸式增长。并且,工业物联网、智慧城市、无人驾驶等高新技术对低延迟的需求更高。移动边缘计算（Mobile Edge Computing,MEC）将存储、计算和网络资源部署在网络的边缘,在地理位置上更加靠近用户。将计算任务卸载到边缘服务器上可以使任务得到及时的处理,能够有效的减少端到端延迟,提高网络效率,减轻云中心的负载。计算卸载是MEC中的研究重点,动态环境下设计高效的卸载策略能够有效的减少延迟以及能量消耗。同时移动管理也是MEC中难点之一,当用户在多个边缘服务器之间移动时,何时迁移服务、将服务迁移到哪直接影响用户的体验质量（Quality of Experience,Qo E）。本文研究了不同场景下任务卸载以及多用户服务迁移问题。针对不同的MEC场景,设计最优的卸载调度策略来减少边缘设备的延迟和能耗,另一方面,在迁移代价约束下,通过最优任务迁移算法来最小化平均延迟。本文的贡献如下:首先,针对多用户单服务器的粗粒度卸载场景,在考虑动态环境下信道的时变性以及多用户之间的干扰,本文研究了多用户粗粒度卸载问题。用户被看作博弈的玩家,执行计算的方式（本地或卸载到边缘服务器执行）被看作博弈的策略空间,将基于MEC的多用户计算卸载问题建模为一个演化博弈模型来最小化延迟和能耗。然后,通过复制者动态（Replicated Dynamic,RD）研究了多用户卸载策略的更新过程,并证明了在复制者动态模型下存在唯一的演化稳定策略（Evolu-tionary Stability Strategy,ESS）。最后在实际的应用环境中,设计了一个基于Q学习的演化博弈算法（Evolutionary Game Theory-Q Learning,EGT-QL）,每个用户根据Q学习独自选择、更新策略,经过不断的学习最终达到ESS。通过实验证明所提出算法的收敛性,并且与5种相关算法进行对比,验证了EGT-QL的可靠性。然后,研究了多用户多服务器场景下的细粒度卸载问题,将全部任务都卸载边缘服务器处理并不是必须或者是最优的。本文,提出了一种面向移动边缘计算的多用户细粒度任务卸载调度方法。联合卸载调度策略,将计算任务建模为一个有向无环图（Directed Acyclic Graph,DAG）。通过分析本地和边缘服务器的并行处理来优化任务节点的执行位置和调度顺序。考虑系统的能耗和延迟把计算卸载看作一个约束多目标优化问题（Constrained Multi-object Optimization Problem,CMOP）,然后提出了一个改进的带有精英策略的快速非支配排序算法（NSGA-Ⅱ）算法来解决CMOP。所提出的算法能够实现本地和边缘的并行处理从而减少延迟和能耗。最后通过大量的实验来证明算法的性能,实验结果表明,算法能够在实际应用程序中作出最优决策。最后,研究了MEC中的移动管理问题。当用户处在移动状态时,需要在多个边缘服务器之间动态迁移计算任务来保持服务的连续性。由于移动的不确定性,频繁的迁移会增加成本和延迟,不迁移会导致服务的中断,因此设计一个有效的迁移策略非常具有挑战性。本文研究了动态环境下多用户任务迁移问题,在考虑迁移成本、服务质量（Quality of Service,Qo S）、服务器上的迁移负载、频谱资源分配的情况下,提出了一个多用户任务迁移模型。在迁移代价约束下,将多用户任务迁移问题描述为最小化优化问题,最大程度的降低系统的延迟。在多代理深度强化学习（Multi-agent Deep Reinforcement Learning,MADRL）中,本文构造了一个自适应权重的深度确定性策略梯度（Adaptive Weight Deep Determinis-tic Policy Gradient,AWDDPG）算法来优化任务迁移的代价和延迟。采用集中训练分布式执行的方式来促进移动用户之间的协作通信,通过离线训练AWDDPG模型,移动用户能够实时做出迁移决策。大量实验表明,所提出的算法与相关算法相比大大降低了服务延迟和迁移代价。
孟琦[2]（2021）在《多连接下的网络选择算法研究》文中指出信息化时代的来临给人们生活带来颠覆性的影响,云计算、大数据、区块链等创新技术为用户带来更好的业务体验。用户数据流量激增、终端设备的广泛普及与用户差异化的服务质量（Qualityof Service,QoS）需求也对当前的通信网络提出巨大挑战,因此需要多种制式网络相互融合,促进“互通互联”体系。多种无线接入网络相互融合使网络环境变的愈加复杂,为了实现异构网络间的无缝漫游,网络选择算法成为异构网络融合中的研究热点。优秀的网络选择算法能够保证无线资源合理分配,有效提高用户满意度。本文研究了常用的异构无线网络选择技术,分析不同网络选择算法的特点与局限性。针对现有的网络选择算法存在的问题,在原有算法的基础上提出了两种改进的网络选择算法,并对算法性能进行了仿真验证。为了解决不同网络制式中的资源联合调度问题,本文提出了一种基于立方映射的自适应萤火虫搜索算法（Step Adaptive Firefly Algorithm Based on Cubic Chaotic Mapping,SACM-FA）。该算法通过将萤火虫算法与混沌优化理论相融合,使用混沌序列随机产生萤火虫初始位置,以保证初始个体的随机性,并引入自适应搜索步长加强种群的多样性,在满足用户QoS保证的条件下进行寻优操作,经过多次迭代计算,得到无线资源的最佳分配方案。SACM-FA算法在多种业务类型共存的eLWA上行链路环境中,优化了带宽分配和功率控制问题,提高了用户效用与用户满意度。最后仿真结果表明,在多种业务共存的eLWA系统中,SACM-FA算法能够改善无线系统的吞吐量,有效提高网络性能。同时相较于传统的网络选择算法,改进算法能有效均衡网络负载,显着提高了用户的满意度。同时,针对经典的理想解逼近法（Technique for Order Preference by Similarity to Ideal Solution,TOPSIS）贴近度计算不合理及逆序问题,本文提出了一种基于灰色关联度与主客观联合赋权的网络选择接入算法（TOPSIS Based on Grey Correlation with Joint AHP-Entropy Assignment,AE-GTOPSIS）。该算法采用将层次分析法和熵值法相结合的主客观联合赋权法代替传统单一赋权法,综合考虑了算法复杂度与权值分配的合理性。引入灰色关联度改进传统的TOPSIS算法,使用灰色关联度与欧氏距离联合构造新的相对贴近度,将相对贴近度作为评判方案优劣程度的标准,对候选网络进行排序。仿真结果表明,相较于单一赋权法,主客观综合赋权法能够在考虑属性的重要程度下合理分配属性权重。同时,相较于经典的选择算法,本文提出的AE-GTOPSIS算法能够有效减少网络垂直切换次数,缓解网络频繁切换为用户感知带来的负面影响,在保障用户QoS需求的同时提供稳定可靠的网络连接,提高用户满意度。
齐丹丹[3]（2020）在《虚拟网络功能部署及整合的优化方法研究》文中提出网络功能虚拟化（Network Function Virtualization,NFV）将网络功能从专用设备中剥离出来,利用虚拟化技术将网络功能软件部署在工业通用服务器上,形成虚拟网络功能（Virtual Network Function,VNF）,由VNF提供原本由专用设备提供的网络功能。多种虚拟网络功能能够以虚拟机的形式共存于通用服务器中,因此,与传统使用专用设备部署网络功能相比,NFV技术能够大大减少专用设备的投入和运营成本。通常,通信流需按指定的顺序依次被网络功能处理,以加强应用的安全及性能。有序的网络功能可以称为服务功能链（Service Function Chain,SFC）。在NFV网络中,SFC由一组有序的VNF组成。给定一系列包含SFC请求的通信服务请求,需要部署相应的VNF及其通信路径来完成这些服务。由于VNF软件特性,其部署位置可以更加灵活地来决定。不同的部署位置产生的能耗和资源消耗不同。因而,对于包含SFC请求的通信服务请求,NFV网络需要一种有效的方法来决定VNF部署位置及其通信路径来降低能耗和资源消耗,这类问题被称为VNF初始部署优化问题（简称VNF部署优化问题）。另外,在网络的长期运行过程中,网络中部署VNF的服务器负载随着通信流量的改变而动态变化,使得初始的VNF部署方案变得不再高效。在出现大量服务器负载降低时,有必要将VNF整合到更少的服务器中以使部分服务器关闭,从而减少服务器的使用,降低服务器能耗,这一过程被称为VNF整合过程。选择关闭哪些服务器,以及如何迁移这些服务器上的VNF直接影响到VNF整合涉及的VNF迁移代价和能耗节省,因而在VNF整合过程中需要一种最优方案来最大化能耗节省同时最小化迁移代价,这一问题被称为VNF整合优化问题。目前NFV环境下VNF部署和整合研究工作仍然存在以下几个方面的问题:（1）已有VNF部署优化方法难以高效平衡服务器能耗和带宽资源消耗;（2）由于VNF部署优化问题的NP难特征以及庞大的解搜索空间,已有基于元启发式或启发式的VNF部署优化方法时间效率仍然不高;（3）对于数据中心中承载应用业务的虚拟机（Virtual Machine,VM）之间通信所需的VNF部署优化问题,忽略了承载应用业务的VM的部署位置对其产生的影响;（4）已有VNF整合优化方法难以高效权衡长期VNF迁移代价和能耗节省。因此,针对上述问题,本文从VNF部署优化和整合优化两个方面进行了深入研究,主要研究内容和贡献如下:1)在VNF部署过程中,减少活动服务器能够有效地降低服务器能耗,但由此很容易增加VNF之间的通信路径长度,从而增加带宽资源消耗。如何在服务器能耗和带宽消耗之间取得一个较好的平衡是解决VNF部署优化问题的一个难点。本文以降低服务器能耗和带宽资源消耗为目标,建立了在线VNF部署优化问题的整数线性规划模型。针对该模型,提出了一种联合优化能耗和带宽消耗的VNF部署优化方法。考虑到底层网络中具有充足链路资源的活动服务器有助于同时降低能耗和带宽资源消耗。该方法在每次的VNF部署过程中,当需要开启新服务器来部署VNF时,在考虑当前VNF部署产生的带宽代价的同时尽可能选择链路带宽资源丰富的服务器来开启。实验结果证明,相比已有VNF部署优化方法,所提出的方法能够更好地平衡服务器能耗和带宽消耗。2)为了提高VNF部署优化方法的时间效率,本文提出将可部署域约束引入VNF部署优化问题中,从而缩小解搜索空间。可部署域是由底层网络中小部分服务器组成的一个集合。每组通信服务的请求有其对应的可部署域。可部署域约束是指在部署某个通信服务请求的VNF时,用于部署VNF的目标服务器只能在相应的可部署域内搜索,而不是直接在所有服务器中搜索。在构建可部署域时,一方面,为了使在可部署域内搜索VNF的部署位置不增加带宽资源消耗,优先选择距离通信流端点路径最短的服务器组成该组请求的可部署域。另一方面,为了使在可部署域内搜索VNF的部署位置不影响VNF部署成功率,可部署域内总服务器容量与其所服务的通信服务请求的资源需求量呈正比。从而保证了可部署域约束能够大大提高VNF部署优化方法的时间效率而不牺牲VNF部署成功率及其方案质量。3)在数据中心中,应用通常通过多个VM以分布式部署在不同服务器中。承载应用业务的VM（简称应用VM）通过相互通信协作完成任务。应用VM部署优化问题即根据应用VM需求和可用的服务器资源,如何选择服务器来承载应用VM以优化需要的目标,如服务器能耗、负载均衡等。为了加强应用的安全与性能,应用VM之间通信通常需要部署SFC。在基于NFV的数据中心中,对于应用VM之间通信服务请求,VNF的成功部署在一定程度上依赖于应用VM的部署位置。因而,有必要联合优化应用VM部署以及应用VM之间所需VNF的部署。当引入可部署域约束以提高VNF部署优化时间效率时,应用VM作为通信流的端点,其部署位置直接决定了应用VM之间通信服务请求的可部署域的设置,进而很大程度上影响应用VM之间VNF的成功部署。本文首次将该联合优化应用VM和VNF部署问题建模为了一个二进制整数线性规划模型,并且,为了求解该模型,提出了两种联合优化应用VM和VNF部署方法。所提出方法在应用VM部署时考虑了其部署位置对应用VM之间通信服务请求的可部署域资源容量的影响,从而大大提高VNF部署的成功率。4)VNF整合通过将VNF集中至尽可能少的服务器中,从而降低能源消耗,但不可避免会引起其它方面额外代价,如迁移代价。其中,选择关闭哪些服务器,继而迁移相应的VNF,是高效权衡能耗节省和迁移代价的关键之一。本文建立了VNF整合优化问题的数学模型,模型以最小化长期平均能耗和迁移代价为优化目标。针对该问题的数学模型,考虑服务器的关闭策略应与多个状态特征相关,继而提出了基于多状态特征的VNF整合优化方法,该方法使用神经网络方法构建多个相关的状态特征和服务器关闭策略之间的关联。另外,由于粒子群算法在优化训练神经网络模型上具有高效性优势,将粒子群优化算法应用于所建立的神经网络模型的训练。实验结果表明,所提出的VNF整合优化方法能够以更低的迁移代价节省更多的能耗。
黄一航[4]（2020）在《无线视频广播系统中的增强传输关键技术研究》文中研究指明广播模式作为一对多的传输模式,能够利用相同的无线资源为无限制的用户提供可靠的传输服务,非常适合共性视频内容的高效分发。现有的无线视频广播系统主要包括地面数字电视广播（DTTB）系统和基于移动通信系统的多媒体广播多播服务（MBMS）系统。两系统各自经历了长达?几年的技术演进并且分别掌握着独立的无线资源。由于DTTB资源的欠利用情况较为普遍,因此最新DTTB标准允许移动通信帧与地面数字电视广播帧以时分复用的方式拼接起来然后通过DTTB资源分发到各自终端。为了实现终端的统一接入,DTTB系统需要在两种信号帧前部都添加一种资源占用少但鲁棒性要求极高的信令信号,称为导引信号。该信号需要被两类终端同时识别,携带着用于后续信号接收的必要参数信令,因此影响着整个系统的传输可靠性。然而,现有最新导引信号在恶劣信道环境下却无法提供足够的信令保护能力。于是,本文一方面从高鲁棒性导引信号的设计与接收算法入手,为DTTB系统提供高可靠传输支持。另一方面,就MBMS系统而言,如何根据用户的反馈信息为广播链路按需分配时频资源是目前亟待解决的问题。实际标准将信道质量与编码调制模式进行了映射,实现了对信道传输能力的统一量化,但也增加了广播链路的资源分配难度。于是,本文从广播链路的资源优化分配入手为MBMS系统提供高效资源利用支持。综上,本文从两个方面入手为无线视频广播系统提供增强传输支持,主要研究内容归纳如下:本文首先针对上述时分复用传输模式下的导引信号提出了两种创新设计方案,所得导引信号能够提供远优于目前最新导引信号的信令传输可靠性。现有最新导引信号利用其时域主体部分的良好移位相关特性进行信令加载,然而多径分量和信道变化对时域相关性的影响非常显着。这也导致了其在强多径干扰信道和时间选择性衰落信道下的信令传输性能会明显下降。于是本文提出了两种增强导引信号设计方案,利用频域序列良好的相关特性实施信令加载。所得信号根据带宽占用情况被分别称为固定带宽导引信号和自适应带宽导引信号。其中,固定带宽导引信号利用了频域序列的理想移位相关特性,在低动态环境中具有最优的传输性能。而所提自适应带宽导引信号的优点在于其能够根据所接帧类型灵活调整所占带宽,在保持参数兼容性的前提下充分利用所有可用带宽来提高传输可靠性。同时,时频域二维信令加载方式可以提升其信令传输容量。在性能方面,本文首先通过理论推导获得了上述两种导引信号在AWGN信道下的信令解析错误率并通过数值仿真验证了其准确性。然后对信令解析时的相关峰特征进行分析和对比,验证了所提导引信号在恶劣信道环境下的优越性。本文接下来从导引信号的接收过程入手,针对其信号同步和信令传输两大关键功能提出了高可靠接收算法。在信号同步方面,本文首先分析了导引信号特殊时域结构的似然特征并以此为基础构造了定时同步算法与信号检测算法。之后分析了该结构下频偏似然估计的克拉美罗下界用于评估频偏估计器的性能,同时提出了低复杂度的小数倍频偏微调算法。仿真结果表明,所提算法与最新标准推荐算法相比可以取得更高的定时同步成功率和小数倍频偏估计精度。在参数信令的解析方面,本文在已有迭代均衡算法的基础上,使用多径控制滤波器对信道转移函数进行去噪处理以提升信令解析函数的峰值显着性。针对所提导引信号在信令解析过程中的错误扩散现象,我们在信令解析模块中引入了纠正模式,充分利用传输函数的前向和后向相关性来实现对错误信令的纠正。仿真结果进一步验证了增强导引信号与相应接收算法的结合可有效提高信令传输鲁棒性。本文最后针对MBMS系统中的单小区广播模式提出了基于用户反馈信息的高效资源分配算法。本文以资源块（RB）为基本分配单元,将优化目标锁定为消耗最少的RB来满足给定传输速率需求。假设用户以RB为单位上传信道质量指示（CQI）,本文通过充分利用RB间的频率选择性特征来获取资源调度增益,进而提高广播链路的资源利用率。我们结合实际标准设定,将上述问题建模成了一个目标函数无闭合表达式的特殊NP难组合优化问题。针对该问题,现有优化算法并不能在有限时间内给出令人满意的解。受神经网络处理非线性问题的启发,本文利用增强学习策略训练了一个基于神经网络的资源分配器,能够实现对广播链路的高效资源分配。在已知所有用户信道质量的情况下,该分配器可以通过神经网络为所有RB分配合适的选择概率。基于该选择概率实施少量的并行搜索即可获得令人满意的解。仿真结果表明,在满足所有用户正常接收的前提下,所提资源分配算法与对比算法相比可显着减少带宽消耗。
陈科先[5]（2020）在《面向知识定义网络的带宽分配系统设计与实现》文中研究说明随着网络规模的日益复杂,网络承载的业务种类日渐增加,不同业务对网络的带宽资源和服务质量（Quality of Service,Qo S）需求呈现出显着的差异性。传统网络架构因其相对独立的分布式管控机制不能实现灵活的带宽控制,无法满足多业务需求的动态变化和管控系统的自适应性。知识定义网络（Knowledge Define Network,KDN）是一种将知识平面与软件定义网络（Software Defined Network,SDN）架构结合的新型网络架构,其知识平面提供机器学习模型的运行载体,由SDN提供数控分离的网络管控逻辑,有利于网络更加灵活地管控带宽资源。针对网络中动态变化的业务带宽需求,如何在KDN架构下为多业务提供灵活自适应的带宽分配方案,并实现网络的最大化效用价值是一个重要的研究课题。传统带宽分配方案分别从时延、吞吐和抖动等性能指标去衡量网络的运行效率,从效用价值的维度去评价网络的可用效益。然而单一的优化目标难以达到性能与效用的均衡,难以满足业务差异化的Qo S需求。针对差异化Qo S需求的多业务场景,本文提出了一种基于深度Q网络（Deep Q-Network,DQN）的效用带宽分配方案,实现多业务需求的动态带宽管控。针对不同的分配目标量化相应的效用价值,利用DQN模型与网络状态的交互反馈进行训练,适应动态变化的带宽需求并得到最大效用价值的分配结果。结果表明该方案能够得到最大的效用分配带宽,适应带宽需求的动态变化并提高链路带宽利用率,在网络效用与性能方面均具有优越性。为了提高网络管控系统的灵活性和自适应性,本文详细研究知识平面及KDN架构的特点,设计并实现一个基于DQN模型的知识平面原型。通过整合知识平面、控制平面以及数据平面来搭建KDN的网络架构,并基于此设计和实现一个面向KDN的带宽分配系统及其通信方法。该系统包括流量采集、流量识别、路由规划以及带宽分配等四个功能模块。各功能模块之间协同工作,实现对KDN架构网络的流量、路由以及带宽资源的统一有效管理。通过系统平台的搭建测试以及带宽分配模块的功能测试,验证系统平台及模块功能的有效性。结果表明在多业务需求变化的模型场景下,该系统能够实现有效的带宽分配功能,提高管控系统的运行效率。
朱筱泽[6]（2020）在《5G时代移动数据流量的价格研究》文中指出随着工信部宣布5G商用,我国正式迎来了由4G向5G过渡阶段。4G时代移动互联网高度发展,激发了消费领域的巨大需求。而正在来临的5G将拉开产业互联网的发展序幕,5G网络大带宽、低时延、广连接的特征,将激发实体经济的巨大效能。可以预见,消费互联网与产业互联网协同发展将激发社会的移动数据流量需求爆炸式增长。然而,当前电信运营商面临着“管道化”趋势明显、企业收入增长放缓、强价格管控下量收剪刀差持续加大、4G投资尚未完全回收、5G网络建设成本高、盈利模式不清晰等问题,对当前的5G网络建设造成了不利影响。在移动数据流量需求与供应不平衡的背景下,如何协调好用户权益与电信业可持续发展,是需要企业和政府慎重考虑的问题。本文从经济学的角度,深入挖掘移动数据流量的本质特征,重新区分和定义了移动数据流量的经济学属性,通过数据验证了部分数据流量具有公共品属性,而另外一部分数据流量具有商品属性,并据此提出移动数据流量分类定价方案,试图通过价格手段缓解中国电信行业的困局。为了验证分类的定价方案的科学性和有效性,本文基于电信市场中移动数据服务的供给和消费流程,建立了多Agent排队系统模型,通过设置不同的价格参数来对比分析不同定价模式下网络的运行状况和消费者的需求满足度,最终验证了分类定价方案相比统一定价方案更具优越性。最后,本文基于研究结论,对电信运营商和政府主管部门提出政策上的建议。一方面,本文建议运营商对移动数据流量采取分类定价策略,与互联网公司、内容提供商等探索更加灵活多样的合作方式,同时在电信行业内部尽量避免恶性价格战,保障行业的良性竞争;另一方面,本文建议政府对电信行业的移动数据流量业务采取分类监管,既要保障用户基本权益的落实以及电信普遍服务义务的实现,又要给予电信运营商自主经营的空间,维持网络经济生态的平衡,推动行业的长远发展。
严牧[7]（2020）在《无线网络智能接入控制与调度机制研究》文中进行了进一步梳理近年来,随着通信技术的快速发展,移动网络应用及接入设备数量爆炸式增长。根据思科公司给出的统计和预测,截止到2023年,全球移动设备将从2018年的8.8亿台增长到2023年的13.1亿台,其中5G设备和连接将占到全球移动设备和连接的10%以上。此外,随着众多新兴垂直行业比如智慧城市、物联网、移动边缘计算等的广泛应用,用户需求变得更加多元化。因此,为了满足大规模增长的移动业务量和多元化的用户需求,在5G及下一代移动通信网络架构中引入了很多新兴技术,比如:异构蜂窝网、多无线电接入技术、网络切片技术等。这些新兴技术的引入,在提高网络性能的同时也使得无线网络变得更加的复杂且异构。伴随着无线网络环境的愈加复杂和异构,异构蜂窝网中的接入控制与调度机制的研究变得更加困难。由于异构网络的时变性以及用户行为的随机性,传统的基于模型的资源分配方法（比如:最优化方法、博弈理论）缺乏一定的自适应能力和泛化能力。在异构网络中,密集部署的蜂窝网小基站可以提高网络容量,但是同时也受限于严重的同频干扰。在引入多频段频谱资源共享来扩充网络容量的时候,由于不同无线电技术的传输协议及性能差异,跨频段的资源也更加的困难。此外,切片技术的引入也需要对无线资源的调度方式进行重新考虑。总之,在未来无线网络中,由于网络环境的时变特性、用户需求的多元性以及异构网络的多层次重叠覆盖都给无线网络的资源分配带来了极大的挑战。因此,需要采用更加智能以及自适应的解决方案来支撑未来复杂HetNets中的资源分配问题,从而更好地应对爆发式增长的移动业务量以及多元化的用户需求。机器学习方法是解决复杂网络环境中的动态决策问题的一种高效的智能化方法,其拥有强大数据处理能力和决策功能,是一种在非确定环境下做决策的有效的工具。机器学习方法可以用于分析异构蜂窝网中的用户行为特征、业务特征等,然后基于这些特征设计合适的接入策略,以达到优化网络长期性能的目的。因此,本论文采用基于机器学习方法并配合多智能体博弈模型来解决5G通信网络中的复杂接入控制、资源调度、功率分配等问题。本文主要研究以下四个内容:（1）异构无线接入网中基于自模拟学习的干扰协调;（2）基于多主体强化学习的无线接入机制;（3）切片化无线接入网智能资源调度;（4）基于联邦合作与增强的无线接入网中分布式功率分配。本文的主要贡献以及创新点总结如下:首先,本文研究了分布式自治HetNets中即插即用蜂窝网小基站（SBS）之间的干扰控制问题,目的是在保证小区用户受到的干扰在阈值以下的同时最大化系统的吞吐量。本文首先将SBS的决策模型建模为部分可观测马尔可夫决策过程,然后将干扰控制过程建模成为一个无模型的逆强化学习问题,并提出了一个自模拟学习（Self-Imitation Learning,SIL）方法从策略/行为模仿和奖励函数估计两个角度来进行解决。此外,考虑到强化学习算法在启动开始阶段的“慢启动”现象,本研究工作在SIL的训练过程中采用了嵌套式的学习方法并为SIL的初始策略提供了基于max-SINR的经验策略,以减少慢启动过程的总时间。最后,仿真结果验证了 SIL与其他基准频谱资源调度算法相比能够提高约19.8%的系统总吞吐量。然后,本文针对多无线电HetNets场景下的用户接入和资源调度问题进行了研究,目的是在满足不同用户QoS需求的条件下来最大化异构网络的吞吐量。考虑到LTE和WiFi之间的性能及传输协议的差异以及网络环境的动态性,本文提出了一种基于多智能体强化学习的多无线电接入技术SARA（Smart Aggregated RAT Access）。SARA构造了一个基于马尔科夫决策过程的分层决策架构,包括无线电/信道选择过程和多用户间的资源分配过程。数值结果表明,SARA在满足用户的服务质量需求的前提下能够显着提高网络的吞吐量,并且可以随时终止并提供一个当前训练状态下的最优解,从而在最优解和学习时间之间的找到一个折中点。接着本文研究了 RAN切片中的资源调度问题,目的是在保证切片间一定程度隔离性的条件下,最大化无线频谱资源的利用率。资源调度是RAN切片面临的核心问题,它需要根据信道状态、网络环境,将有限的频谱资源适当地分配给具有不同服务质量需求的用户。基于此,本文提出了一种用于RAN切片的智能资源调度策略（intelligent Resource Scheduling Strategy,iRSS）,其中深度学习和强化学习以一种协作的方式去解决大时间尺度下切片资源的预配置和小时间尺度下实时资源动态配置。最后通过不同场景下的仿真实验,验证了 iRSS的性能优势。最后,本文针对用户隐私保护下的分布式HetNets中的功率控制进行了研究。联邦学习（Federated Learning,FL）作为一种分布式机器学习算法,让用户通过上传权重信息或者梯度信息来更新共享的决策模型,同时将其数据集保留在本地设备上。本文研究了分布式HetNets下的功率分配问题,并提出了一种基于FL框架的协作和数据增强算法 FL-CA（FL based Cooperation and Augmentation）。此外,为了解决由数据泄漏引起的过拟合问题,FL-CA利用WGAN（Wasserstein GAN）算法进行数据增强,来减少不同用户数据集之间的相关度。仿真验证了 FL-CA在算法的鲁棒性和功率分配准确性较其他基准算法有明显的提高。
梁颖杰[8]（2020）在《基于机器学习的车辆网络资源分配策略研究》文中研究说明随着通信网络的高速发展,未来的网络将会成为一个自治系统,海量数据与智能算法一定会成为无线网络进一步发展的重要基础。在智能交通方面,随着人们对车辆智能化需求的不断增加,车辆网络亟待研究与发展。在车辆网络中,各类车辆服务对缓解交通压力和减少交通事故有着重要意义。然而,车辆网络资源有限,随着车辆服务需求的增加,合理分配车辆网络中的资源,对保障车辆服务的高可靠低时延需求具有重要意义。首先,介绍了车辆网络的研究现状,并介绍了机器学习在车辆网络中的研究现状,对车辆网络中的资源分配策略进行了重点描述,发现了机器学习方法的可适用性,认为使用机器学习方法来进行车辆网络的资源分配是一项有意义的研究。然后,提出一个三层车辆网络架构,包括本地计算层、移动边缘计算层和云计算层。在此架构的基础上,考虑到车辆网络的低时延要求,将完成任务的时延作为系统成本提出了目标函数;针对这个目标函数,为系统制定了相关状态、动作及奖励,提出基于强化学习的资源分配算法,实现了层与层之间高效的动态计算资源分配。仿真结果表明,所提策略可以使系统总成本最小化,使得服务任务满足其低时延需求。进一步,在上述工作的基础上,提出以机器学习算法为基础的多平台多MEC的联合通信与计算资源的智能分配策略。考虑到车辆网络的低时延与高可靠要求,分别计算出各层间的时延及速率,并将其作为系统总成本用以构建目标函数;接着针对这个目标函数,提出一个联合层间和层内的资源分配总算法。针对本地计算层,提出车辆间的协作子算法。针对移动边缘计算层,为系统制定相关的状态、动作及奖励,提出基于多目标强化学习的资源分配子算法。仿真结果表明,所提策略实现了层间与层内的通信与计算资源分配,使得整个车辆网络中的服务任务满足其低时延和高可靠需求,使得系统总成本最小化。最后,对本文的主要工作与创新点进行了归纳与总结,并对后续的研究工作进行了展望。
袁河存[9]（2020）在《命名数据无线自组网资源分配与路由优化机制》文中研究指明近年来随着移动互联网的发展,视频、语音、文字等多媒体内容的传输需求越来越大,内容分发成为移动互联网的主要需求。命名数据网络（Named Data Networking,NDN）更好地支持了网络的内容分发,成为未来网络的研究热点之一。无线自组织网络的便捷组网方式和健壮的网络特性带来了越来越多的应用,如车辆网络、灾难应急通信等。以内容为中心、支持移动性等特点使得将命名数据网络应用于无线自组织网络具有很多优势。但是由于传输业务不同、节点的移动性、无线链路的不可靠、节点资源受限以及网络拓扑不断变化等特点,对网络的服务质量提出了更高的要求。因此本文将研究如何提高命名数据无线自组网中的服务质量（Quality of Service,QoS）。针对命名数据无线自组网中的QoS需求,本文从两方面来进行研究。首先,各种类型的业务对网络传输的需求有所不同,迫切需要命名数据无线自组网能够在保证数据传输的基础上,针对不同的业务提供基于区分服务的资源分配,改善业务的传输质量。此外,由于命名数据无线自组网的动态拓扑变化、信道衰落等特点都极大的影响着网络的性能和服务质量。因此,迫切需求通过优化路由决策来保证各类业务数据的高效传输。为了实现命名数据无线自组网中的资源分配需求,本文提出了 一种基于区分服务的多优先级仿生竞争机制（Multi-priority Bionic Competition Mechanismbased on Differentiated Services,MBCM）。首先,根据以内容名称命名的特点,设计了在内容名称中标记服务类型字段来区分不同业务的方法,路由节点可以根据内容名称中的类型字段来对兴趣包（Interest package）和数据包（Data package）进行区分。然后,为了实现合理的资源分配方案,在EDCA协议的基础上,综合考虑相同类型数据之间的内部竞争和不同类型数据之间的外部竞争,建立了基于多优先级仿生竞争的区分服务传输模型,保证了网络的稳定性和动态适应性。最后通过仿真实验验证了本文所提机制的有效性,能够提高各类业务的网络吞吐量,降低传输时延和丢包率,保证各类业务数据的友好高效传输。为了提高命名数据无线自组网中的路由传输能力,本文提出了 一种基于深度Q学习的多业务多路径路由机制（DQN-based Multi-service Multi-path Routing Mechanism,DMMRM）。首先,针对命名数据无线自组网节点移动、网络拓扑不断变化等特性,建立了基于分簇的网络模型,在簇头节点实现路由策略的算法学习和路由转发;实现了基于深度Q学习的多业务多路径路由机制,根据时延、带宽、节点稳定性、缓存命中率等性能指标建立了基于深度Q学习的路由优化机制,能够根据网络状态的变化及时更新路由策略,实现最佳的路径转发。之后,根据多路径的优势,提出了多业务多路径机制,设计了三种路径约束来为不同类型的业务提供合适的传输路径,提高了数据传输的高效性,保证了网络的负载均衡。最后通过仿真实验评估了本文所提机制的有效性,实验表明该机制能有效提高请求成功率、降低响应时延、保障各类业务的带宽利用率。
尹鹏伟[10]（2019）在《异构无线网络中基于多属性的联合资源调度策略研究》文中研究说明在无线通信技术不断飞速升级革新的形式之下,不同无线接入技术在同一区域内共存形成了异构无线网络（HWN,Heterogeneous Wireless Networks）场景。同时,随着用户对业务QoS需求的进一步上升,如果仍然使用单一的无线接入选择技术很难满足用户多样化的业务需求,各种无线接入技术的联合调度成为HWN向协同融合演进的发展方向。由于不同无线接入技术的管理机制和资源实现形式不同,需要建立完善的HWN中的联合资源调度（JRS,Joint Resource Scheduling）体系,本文就JRS体系中的关键技术问题提出了相应的解决方案。首先讨论分析了传统HWN资源融合管理架构,并归纳出主要的实现模型,以此为据提出了联合资源调度JRS架构的具体实现模型。之后分析了JRS架构的用户层面与管理层面,具体介绍了各层面中不同模块的具体作用。本文主要围绕JRS管理架构中用户层面和网络层面的具体模块实现和主要执行的算法进行进一步研究。在用户侧,本文提出了一种基于多属性决策多网络联合传输的网络选择方案。在检测用户所处位置的所有可用的不同接入网络及其各项网络参数之后,列举出所有的候选接入方案,再通过对用户具体的业务进行分类,针对不同类型带宽需求的业务做是否需要JRS的决定。对于支持JRS的业务,计算各不同候选接入方案的融合参数值。在整合出不同业务的决策矩阵之后,经过一系列预处理以及不同业务的权重设定之后再使用MADM中的GRA算法计算出效用值最高的最佳方案。仿真结果表明,使用JRS的网络选择算法相对于单一网络接入使得用户的整体满意度得到了提升,尤其是对大带宽需求业务。由于资源的合理分配致使带宽需求较小的业务的用户满意度也有一定提升。在网络侧,JRS也能使得网络间的负载也更加均衡。在网络侧,针对于之前基于排队论制定分流比例的策略,建立了在约束条件下以信道资源块为细粒度要求的最优化模型,使得分配的资源能够满足用户带宽需求并满足负载均衡为优化目标,利用拉格朗日松弛法对问题进行简化,再通过次梯度法和凸函数的单调性迭代求出拉格朗日对偶问题的最优解。最后,设计了网络侧的拥塞控制管理模块与移动用户资源调度优化模块,对网络端的资源调度做进一步的灵活控制。拥塞控制包括三个阶段,（a）在网络利用率较低情况下的正常分配;（b）在FSC阶段通过动态自适应资源使用状况对用户请求的资源做初步的限流措施;（c）当资源使用率突破了理论阀值进入SSC阶段停止继续分配资源,对已接入用户按照业务类型进行资源均匀分配,避免网络出现堵塞瘫痪的现象。仿真结果表明,在JRS系统的网络端使用该算法相对于单一网络连接能够在均摊网络负载的前提之下,进一步保证通信网络的正常运作,预防通信链路拥塞,以使得在接入用户数量较大时用户仍能够获得更高的满意度,并使得移动用户接入方案发生变化的次数得到降低。论文在异构无线网络中,针对多属性业务分类提出了用户侧的联合调度策略,为保证网络侧的负载均衡提出了改进的无线资源分配调度落地机制,有效地改进了差异化服务需求的无线用户获取最佳的用户体验。
二、一种基于多主体的网络带宽分配方案（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种基于多主体的网络带宽分配方案（论文提纲范文）
（1）面向移动边缘计算的任务调度的关键技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究的背景 |
| 1.2 MEC的研究现状 |
| 1.2.1 MEC中卸载问题及研究现状 |
| 1.2.2 MEC中移动性管理问题及研究现状 |
| 1.3 研究的意义 |
| 1.4 论文的研究内容和结构安排 |
| 第二章 移动边缘计算中任务调度的相关理论与技术 |
| 2.1 移动边缘计算 |
| 2.1.1 系统框架 |
| 2.1.2 MEC的特点 |
| 2.1.3 MEC的应用场景 |
| 2.2 博弈论和演化博弈论 |
| 2.3 强化学习 |
| 2.3.1 基于值函数的方法 |
| 2.3.2 基于策略的方法 |
| 2.3.3 Actor-Critic方法 |
| 2.3.4 深度强化学习 |
| 2.4 NSGA-Ⅱ算法 |
| 2.5 本章小结 |
| 第三章 基于演化博弈策略的计算卸载新方法 |
| 3.1 引言 |
| 3.2 系统模型构建 |
| 3.2.1 通信模型 |
| 3.2.2 任务模型 |
| 3.3 多用户计算卸载演化博弈策略 |
| 3.3.1 演化博弈模型 |
| 3.3.2 复制者动态 |
| 3.3.3 演化稳定策略分析 |
| 3.4 分布式环境下边缘计算卸载方法 |
| 3.4.1 基于强化学习的分布式演化博弈算法(EGT-QL) |
| 3.4.2 基于Q学习演化博弈算法(EGT-QL)的收敛性 |
| 3.4.3 EGT-QL算法复杂度分析 |
| 3.5 实验测试与结果分析 |
| 3.5.1 收敛性分析 |
| 3.5.2 算法对比 |
| 3.6 本章小结 |
| 第四章 基于多用户的细粒度卸载调度策略 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 计算延迟模型 |
| 4.2.2 计算能耗模型 |
| 4.3 调度约束和卸载策略 |
| 4.3.1 调度约束 |
| 4.3.2 卸载策略 |
| 4.4 多用户细粒度任务卸载调度方法 |
| 4.4.1 传统的NSGA-Ⅱ算法 |
| 4.4.2 基于改进的NSGA-Ⅱ卸载调度决策方法 |
| 4.4.3 算法复杂度分析 |
| 4.5 实验结果和分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验结果 |
| 4.5.3 对比实验 |
| 4.6 本章小结 |
| 第五章 基于深度强化学习的分布式服务迁移方法 |
| 5.1 引言 |
| 5.2 系统模型和问题描述 |
| 5.2.1 回程延迟 |
| 5.2.2 通信延迟 |
| 5.2.3 计算延迟 |
| 5.2.4 迁移成本 |
| 5.2.5 问题描述 |
| 5.3 基于AWDDPG的分布式任务迁移算法 |
| 5.3.1 AWDDPG算法 |
| 5.3.2 AWDDPG架构 |
| 5.3.3 复杂度分析 |
| 5.4 性能评估 |
| 5.4.1 实验环境 |
| 5.4.2 实验结果 |
| 5.4.3 实际应用场景 |
| 5.5 本章小结 |
| 第六章 总结和展望 |
| 6.1 研究总结 |
| 6.2 未来展望 |
| 参考文献 |
| 在学期间取得的科研成果和科研情况说明 |
| 致谢 |
（2）多连接下的网络选择算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景 |
| 1.2 课题研究意义 |
| 1.3 课题研究现状 |
| 1.3.1 LTE/WLAN聚合技术研究现状 |
| 1.3.2 网络选择算法研究现状 |
| 1.4 课题研究内容及贡献 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 第二章 多连接关键技术与网络选择算法 |
| 2.1 超密集网络 |
| 2.2 多连接系统架构 |
| 2.2.1 LTE/WLAN链路聚合技术 |
| 2.2.2 LTE/NR链路聚合技术 |
| 2.2.3 多连接网络分流架构 |
| 2.3 网络选择算法 |
| 2.3.1 基于单一属性的网络接入选择算法 |
| 2.3.2 基于多属性决策的网络接入选择算法 |
| 2.3.3 基于历史信息的网络接入选择算法 |
| 2.3.4 基于效用函数的网络接入选择算法 |
| 2.3.5 基于模糊逻辑的网络接入选择算法 |
| 2.3.6 基于博弈论的网络接入选择算法 |
| 2.4 本章小结 |
| 第三章 基于立方映射的自适应萤火虫搜索算法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 问题描述 |
| 3.2.2 LTE/WLAN融合组网 |
| 3.2.3 多种业务类型 |
| 3.3 萤火虫算法 |
| 3.3.1 生物学原理 |
| 3.3.2 算法描述 |
| 3.3.3 萤火虫算法的局限性 |
| 3.4 基于立方映射的自适应萤火虫搜索算法 |
| 3.4.1 理论基础 |
| 3.4.2 混沌映射 |
| 3.4.3 自适应步长 |
| 3.4.4 边界约束机制 |
| 3.4.5 基于立方映射的自适应萤火虫算法 |
| 3.5 性能仿真与结果分析 |
| 3.5.1 仿真参数 |
| 3.5.2 仿真结果及分析 |
| 3.6 本章小结 |
| 第四章 基于灰色关联理论的网络选择算法研究 |
| 4.1 引言 |
| 4.2 算法流程 |
| 4.3 改进的权重计算模块 |
| 4.3.1 层次分析法 |
| 4.3.2 熵值法 |
| 4.3.3 主客观联合赋权 |
| 4.4 改进的网络排序模块 |
| 4.4.1 逼近理想解排序法 |
| 4.4.2 改进的理想解排序法 |
| 4.5 性能仿真与结果分析 |
| 4.5.1 仿真参数 |
| 4.5.2 仿真结果及分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 课题研究工作总结 |
| 5.2 未来研究工作展望 |
| 参考文献 |
| 缩略语 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）虚拟网络功能部署及整合的优化方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容 |
| 1.3 研究贡献 |
| 1.4 论文的组织结构 |
| 第2章 相关工作分析 |
| 2.1 NFV分析 |
| 2.1.1 NFV的产生背景 |
| 2.1.2 NFV的部署场景 |
| 2.1.3 NFV标准架构 |
| 2.1.4 相关技术支撑 |
| 2.2 虚拟网络功能和服务功能链 |
| 2.3 VNF部署优化方法 |
| 2.3.1 同时降低服务器能耗和带宽消耗 |
| 2.3.2 提高VNF部署优化的时间效率 |
| 2.3.3 数据中心中VNF部署优化研究 |
| 2.4 VNF整合优化方法 |
| 2.5 本章小结 |
| 第3章 联合优化服务器能耗和带宽消耗的VNF部署方法 |
| 3.1 引言 |
| 3.2 问题模型 |
| 3.3 JOEB-VNFD方法 |
| 3.3.1 己有VNF部署优化方法的基本思路 |
| 3.3.2 对己有方法的扩展 |
| 3.4 实验与分析 |
| 3.4.1 实验环境与设置 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 第4章 面向时间高效的VNF部署优化方法 |
| 4.1 引言 |
| 4.2 可部署域的构建 |
| 4.2.1 服务器选择 |
| 4.2.2 可部署域的容量设置 |
| 4.3 实验与分析 |
| 4.3.1 实验环境与设置 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 数据中心中应用VM和VNF联合优化部署 |
| 5.1 引言 |
| 5.2 问题描述 |
| 5.2.1 数据中心网络 |
| 5.2.2 应用部署请求 |
| 5.2.3 问题建模 |
| 5.3 可部署域感知的联合优化应用VM与VNF部署方法 |
| 5.3.1 可部署域构建 |
| 5.3.2 感知可部署域的二阶段联合优化应用VM与VNF部署方法DS_TS |
| 5.3.3 感知可部署域的一阶段联合优化应用VM与VNF部署方法DS_OS |
| 5.4 实验与分析 |
| 5.4.1 实验环境与设置 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 第6章 基于多状态特征的VNF整合优化方法 |
| 6.1 引言 |
| 6.2 问题描述 |
| 6.3 VCOMSC方法 |
| 6.3.1 神经网络分析 |
| 6.3.2 输入状态特征 |
| 6.3.3 服务器关闭策略的神经网络模型 |
| 6.3.4 服务器关闭策略的神经网络模型训练 |
| 6.4 实验与分析 |
| 6.4.1 实验环境与设置 |
| 6.4.2 实验结果及分析 |
| 6.5 本章小结 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 未来研究展望 |
| 参考文献 |
| 附录1 攻读博士学位期间撰写的论文 |
| 附录2 攻读博士学位期间参加的科研项目 |
| 致谢 |
（4）无线视频广播系统中的增强传输关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词对照表 |
| 第一章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与研究内容 |
| 1.2.1 无线视频广播系统的标准演进 |
| 1.2.2 研究内容 |
| 1.3 章节安排与主要创新点 |
| 第二章 时分复用传输模式下的高可靠导引信号设计 |
| 2.1 引言 |
| 2.2 高可靠导引信号的频域主体部分设计 |
| 2.2.1 现有的频域导引信号设计方案 |
| 2.2.2 最新标准导引信号存在的问题 |
| 2.2.3 提出的频域导引信号设计方案 |
| 2.3 高可靠导引信号的时域结构设计 |
| 2.3.1 基于前缀的结构(C-A结构) |
| 2.3.2 基于前缀与后缀结合的结构(C-A-B结构) |
| 2.3.3 基于多符号前缀后缀和超前缀组合的结构(C-A-B B-C-A结构) |
| 2.4 导引信号与各自系统参数的兼容性 |
| 2.4.1 标准中的多采样率设计 |
| 2.4.2 提出的多采样率设计 |
| 2.5 本章小结 |
| 第三章 高可靠导引信号的接收算法 |
| 3.1 引言 |
| 3.2 标准导引信号的推荐接收算法 |
| 3.3 导引信号的同步与检测改进算法 |
| 3.3.1 信号的定时同步与检测算法 |
| 3.3.2 信号的载波同步算法 |
| 3.3.3 信号同步与检测性能仿真 |
| 3.4 所提导引信号的信令解析算法 |
| 3.4.1 固定带宽导引信号的信令解析算法 |
| 3.4.2 自适应带宽导引信号的信令解析算法 |
| 3.5 本章小结 |
| 第四章 移动通信系统中广播链路的资源分配 |
| 4.1 引言 |
| 4.2 系统描述 |
| 4.3 现有资源分配算法 |
| 4.3.1 基于多场景分支定界算法的资源分配方法 |
| 4.3.2 基于遗传算法的资源分配方法 |
| 4.3.3 基于初始选择概率的随机分配方法 |
| 4.4 所提基于神经网络的资源分配算法 |
| 4.4.1 神经网络模块与训练过程 |
| 4.4.2 基于神经网络的优化解输出 |
| 4.4.3 基于已训练神经网络的资源分配算法 |
| 4.5 理论分析 |
| 4.6 数值仿真与性能分析 |
| 4.7 本章小结 |
| 第五章 全文总结 |
| 5.1 本文贡献 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间申请的专利 |
（5）面向知识定义网络的带宽分配系统设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究动机与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 知识定义网络架构 |
| 1.3.2 带宽资源分配机制 |
| 1.4 本文主要工作与创新点 |
| 1.4.1 主要工作 |
| 1.4.2 创新点 |
| 1.5 内容安排 |
| 第二章 知识定义网络及相关技术 |
| 2.1 知识定义网络 |
| 2.1.1 知识平面 |
| 2.1.2 架构平面 |
| 2.2 多业务QoS及效用模型 |
| 2.2.1 QoS服务模型 |
| 2.2.2 多业务分类 |
| 2.3 带宽分配相关技术方法 |
| 2.3.1 基于拥塞控制的分配方法 |
| 2.3.2 基于队列调度的分配方法 |
| 2.3.3 基于业务效用的分配方法 |
| 2.3.4 基于机器学习的分配方法 |
| 2.4 本章小结 |
| 第三章 面向知识定义网络的带宽分配方案 |
| 3.1 多业务网络环境描述 |
| 3.1.1 多业务效用模型 |
| 3.1.2 网络模型场景 |
| 3.2 基于多业务的效用带宽分配方案 |
| 3.2.1 多业务效用函数模型 |
| 3.2.2 效用公平方案实现 |
| 3.3 基于DQN的效用带宽分配方案 |
| 3.3.1 DQN算法原理 |
| 3.3.2 DQN模型设计 |
| 3.3.3 DQN方案实现 |
| 3.4 仿真实验与分析 |
| 3.4.1 模型参数设置 |
| 3.4.2 仿真结果分析 |
| 3.4.3 对比算法分析 |
| 3.5 本章小结 |
| 第四章 面向知识定义网络的带宽分配系统 |
| 4.1 网络拓扑结构 |
| 4.2 系统设计 |
| 4.2.1 系统平面 |
| 4.2.2 系统结构 |
| 4.3 系统实现 |
| 4.3.1 模块功能 |
| 4.3.2 通信方法 |
| 4.4 实验与性能分析 |
| 4.4.1 系统平台测试 |
| 4.4.2 功能测试分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（6）5G时代移动数据流量的价格研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 5G时代互联网发展转型推动数据流量需求跃升 |
| 1.1.2 5G网络建设加重运营商的建网成本和资金压力 |
| 1.1.3 国家大力推进提速降费政策 |
| 1.2 研究意义 |
| 1.2.1 理论意义 |
| 1.2.2 实践意义 |
| 1.3 研究设计 |
| 1.3.1 研究思路 |
| 1.3.2 研究内容 |
| 1.3.3 研究方法 |
| 1.4 研究创新点 |
| 第二章 文献综述 |
| 2.1 移动数据流量定价机制 |
| 2.1.1 移动数据流量定价的关键问题研究 |
| 2.1.2 移动数据流量定价策略 |
| 2.2 网络中立的存废 |
| 2.2.1 网络中立的诞生 |
| 2.2.2 网络中立的废除 |
| 2.3 公共品理论 |
| 2.3.1 公共品理论的起源与发展 |
| 2.3.2 公共品理论在电信业的探讨与应用 |
| 2.4 马斯洛需求层次理论 |
| 2.4.1 马斯洛需求层次理论的内涵 |
| 2.4.2 马斯洛需求层次理论在移动互联网时代的探讨与应用 |
| 2.5 基于Agent建模理论研究 |
| 2.5.1 基于Agent建模的概念 |
| 2.5.2 基于Agent建模在社会经济领域的应用 |
| 2.5.3 基于Agent建模与仿真研究 |
| 2.6 本章小结 |
| 第三章 移动数据流量的属性及价格分析 |
| 3.1 移动数据流量中立性分析 |
| 3.1.1 电信行业的困局 |
| 3.1.2 移动数据流量的差异性分析 |
| 3.1.3 小结 |
| 3.2 移动数据流量公共品属性分析 |
| 3.2.1 移动数据服务的竞争性分析 |
| 3.2.2 移动数据流量的排他性分析 |
| 3.2.3 小结 |
| 3.3 移动数据流量分类定价模式 |
| 3.4 本章小结 |
| 第四章 基于多Agent排队系统的移动数据流量市场建模 |
| 4.1 概述 |
| 4.2 多Agent排队模型构建 |
| 4.2.1 顾客Agent |
| 4.2.2 服务Agent |
| 4.2.3 协调Agent |
| 4.3 多Agent排队系统运行规则 |
| 4.3.1 顾客生成过程 |
| 4.3.2 协调过程 |
| 4.3.3 服务过程 |
| 4.3.4 顾客离去过程 |
| 4.4 本章小结 |
| 第五章 基于MATLAB平台的仿真实验 |
| 5.1 MATLAB仿真平台介绍 |
| 5.2 属性设定 |
| 5.3 运行规则 |
| 5.4 仿真结果分析 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 研究结论 |
| 6.2 政策建议 |
| 6.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（7）无线网络智能接入控制与调度机制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 相关研究分析 |
| 1.2.1 HetNets中的接入控制与调度机制 |
| 1.2.2 基于多无线电技术及切片化的HetNets中的资源分配 |
| 1.2.3 机器学习方法在HetNets中的应用 |
| 1.3 研究动机与意义 |
| 1.4 主要研究内容与创新 |
| 1.4.1 本文的主要研究内容 |
| 1.4.2 本文的主要创新点 |
| 1.5 本论文的结构安排 |
| 第二章 异构蜂窝网中基于自模拟学习的干扰协调机制 |
| 2.1 引言 |
| 2.2 系统模型 |
| 2.2.1 网络容量和功率消耗 |
| 2.2.2 UE接入和QoS约束 |
| 2.2.3 基于免模型的部分可观测MDP (POMDP)模型 |
| 2.3 基于分布式IRL架构下的ICIC问题建模 |
| 2.3.1 非合作的POMDP博弈过程 |
| 2.3.2 问题建模 |
| 2.4 基于SIL的ICIC策略 |
| 2.4.1 基于WGANs的策略模仿 |
| 2.4.2 基于Double DQN的奖励函数估计和频谱资源调度策略 |
| 2.4.3 SIL的算法复杂度分析 |
| 2.5 仿真结果 |
| 2.5.1 性能比较参考算法 |
| 2.5.2 数值结果和分析 |
| 2.6 本章小节 |
| 第三章 异构蜂窝网中基于多智体强化学习的多无线电接入机制 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 场景描述 |
| 3.2.2 信道接入模型 |
| 3.3 问题分析和问题建模 |
| 3.4 基于MDP的智能多无线电接入控制 |
| 3.4.1 基于MDP的双层决策框架 |
| 3.4.2 多无线电接入控制问题建模 |
| 3.4.3 无线电-信道选择中的奖励函数设计 |
| 3.4.4 资源分配中的奖励函数设计 |
| 3.5 基于无模型MDP的多主体强化学习算法 |
| 3.5.1 预备知识:基于强化学习的Q-learning算法 |
| 3.5.2 无线电-信道选择中的Nash Q-learning算法 |
| 3.5.3 资源分配中的多主体MCTS强化学习算法 |
| 3.5.4 SARA的算法复杂度 |
| 3.6 仿真实验与性能分析 |
| 3.7 本章小结 |
| 第四章 切片化无线接入网中的智能资源调度策略 |
| 4.1 引言 |
| 4.2 网络模型 |
| 4.2.1 网络拓扑 |
| 4.2.2 业务需求模型 |
| 4.2.3 RAN切片模型 |
| 4.3 问题建模 |
| 4.4 基于监督学习和非监督学习的协作学习框架 |
| 4.4.1 使用递归神经网络LSTM进行周期性流量预测 |
| 4.4.2 在线资源调度分布式架构 |
| 4.5 连续动作空间马尔可夫决策过程 |
| 4.5.1 连续动作空间MDP模型 |
| 4.5.2 基于c-MDP的Actor-Critic算法 |
| 4.5.3 AC单元中网络切片的并行计算和信息交换 |
| 4.5.4 异步Actor-Critic (A3C)算法 |
| 4.5.5 算法复杂度 |
| 4.6 数值结果和讨论 |
| 4.7 本章小节 |
| 第五章 异构蜂窝网中基于联邦学习的分布式功率分配策略 |
| 5.1 引言 |
| 5.2 系统模型和问题建模 |
| 5.2.1 网络吞吐量和服务约束 |
| 5.2.2 问题建模 |
| 5.3 联邦学习:基于分布式学习的解决方案 |
| 5.3.1 联邦协作算法 |
| 5.3.2 分布式梯度下降算法 |
| 5.3.3 收敛性分析 |
| 5.4 联邦增强及本地在线功率控制算法 |
| 5.4.1 基于WGANs算法的联邦增强 |
| 5.4.2 本地UE设备功率控制中的AC算法 |
| 5.5 性能评估 |
| 5.5.1 仿真中的比较算法 |
| 5.5.2 仿真结果和数值分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间取得的研究成果 |
（8）基于机器学习的车辆网络资源分配策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 注释表 |
| 第1章 引言 |
| 1.1 车辆网络概述 |
| 1.1.1 车辆网络研究背景 |
| 1.1.2 车辆网络相关技术 |
| 1.2 车辆网络研究现状 |
| 1.2.1 车辆网络资源分配研究现状 |
| 1.2.2 机器学习在车辆网络中的研究现状 |
| 1.3 选题意义及主要工作 |
| 1.4 本文结构安排 |
| 第2章 基于机器学习的资源分配策略概述 |
| 2.1 机器学习概述 |
| 2.1.1 机器学习分类 |
| 2.1.2 机器学习在车辆网络的应用 |
| 2.2 车辆网络资源分配策略 |
| 2.2.1 车辆网络分层架构 |
| 2.2.2 资源分配策略 |
| 2.3 本章小结 |
| 第3章 基于强化学习的资源分配策略 |
| 3.1 研究背景 |
| 3.2 系统模型及问题建立 |
| 3.2.1 网络模型 |
| 3.2.2 任务模型 |
| 3.2.3 计算模型 |
| 3.2.4 问题建立 |
| 3.3 基于强化学习的资源分配策略 |
| 3.3.1 问题分析 |
| 3.3.2 强化学习模型 |
| 3.3.3 低时延下的资源分配算法 |
| 3.4 数值结果与分析 |
| 3.5 本章小结 |
| 第4章 基于多目标强化学习的资源分配策略 |
| 4.1 研究背景 |
| 4.2 系统模型及问题建立 |
| 4.2.1 网络模型 |
| 4.2.2 任务模型 |
| 4.2.3 计算模型 |
| 4.2.4 问题建立 |
| 4.3 基于多目标强化学习的资源分配策略 |
| 4.3.1 问题分析 |
| 4.3.2 卸载平台选择 |
| 4.3.3 车辆间协作 |
| 4.3.4 多目标资源分配 |
| 4.4 数值结果与分析 |
| 4.5 本章小结 |
| 第5章 结束语 |
| 5.1 主要工作与创新点 |
| 5.2 后续研究工作 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（9）命名数据无线自组网资源分配与路由优化机制（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究内容及创新点 |
| 1.2.1 研究内容 |
| 1.2.2 创新点 |
| 1.3 研究生期间主要工作 |
| 1.4 论文组织结构 |
| 第二章 命名数据无线自组网资源分配与路由优化概述 |
| 2.1 相关概念 |
| 2.1.1 命名数据无线自组网 |
| 2.1.2 QoS与区分服务 |
| 2.1.3 深度强化学习 |
| 2.2 研究现状 |
| 2.2.1 面向业务的区分服务技术研究现状 |
| 2.2.2 面向业务的路由优化技术研究现状 |
| 2.3 面临的挑战及解决方案 |
| 2.3.1 面临的挑战 |
| 2.3.2 解决方案 |
| 2.4 本章小结 |
| 第三章 基于区分服务的资源分配机制 |
| 3.1 命名数据网络区分服务设计 |
| 3.2 基于多优先级仿生竞争模型的网络资源分配机制 |
| 3.2.1 网络资源竞争分析 |
| 3.2.2 多优先级仿生竞争机制 |
| 3.2.3 模型稳态值 |
| 3.3 仿真实验 |
| 3.3.1 仿真环境 |
| 3.3.2 仿真结果 |
| 3.4 本章小结 |
| 第四章 基于深度强化学习的路由优化机制 |
| 4.1 分簇网络模型 |
| 4.2 基于深度Q学习的多业务多路径路由优化机制 |
| 4.2.1 多业务多路由机制 |
| 4.2.2 深度Q学习路由算法 |
| 4.3 仿真与性能分析 |
| 4.3.1 仿真环境和参数配置 |
| 4.3.2 仿真结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 作者攻读学位期间发表的学术论文目录 |
（10）异构无线网络中基于多属性的联合资源调度策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 无线通信技术的发展形势 |
| 1.1.1 移动通信系统的发展 |
| 1.1.2 宽带无线通信技术的发展 |
| 1.2 研究背景 |
| 1.3 研究现状 |
| 1.4 论文的主要研究内容及安排 |
| 第二章 HWN中的联合资源调度技术研究 |
| 2.1 异构无线网络的场景和特征 |
| 2.2 异构网络融合互通框架 |
| 2.2.1 3G时代融合组网方案 |
| 2.2.2 LTE时代融合组网方案 |
| 2.3 异构网络资源管理模型 |
| 2.4 面向网络及终端协同联合管理与控制架构 |
| 2.4.1 早期研究 |
| 2.4.2 多网络并行传输技术 |
| 2.4.3 异构网络联合资源调度架构模型 |
| 2.5 本章小结 |
| 第三章 基于多属性决策的JRS策略设计 |
| 3.1 研究背景 |
| 3.2 无线异构网络联合资源调度的场景及系统模型 |
| 3.3 基于多属性决策的联合资源调度选网策略 |
| 3.3.1 候选网络的各种可能性分析 |
| 3.3.2 多无线网络组合策略中各融合网络参数 |
| 3.3.3 多属性决策算法 |
| 3.3.4 基于多属性决策的联合资源调度传输网络选择算法流程 |
| 3.4 基于排队论的资源分流算法 |
| 3.5 算法性能评估依据 |
| 3.6 仿真实验与结果分析 |
| 3.6.1 仿真场景及参数设定 |
| 3.6.2 仿真结果及分析 |
| 3.7 本章小结 |
| 第四章 基于负载均衡的资源分配算法 |
| 4.1 研究背景 |
| 4.1.1 网络侧资源分配方法研究 |
| 4.2 联合资源调度分配算法 |
| 4.2.1 确定最优化目标以及约束条件 |
| 4.2.2 拉格朗日对偶松弛法解决最优化问题 |
| 4.2.3 次梯度法迭代求解简化问题 |
| 4.3 拥塞预防措施 |
| 4.4 移动用户资源调度优化 |
| 4.5 仿真实验与结果分析 |
| 4.5.1 仿真场景及参数设定 |
| 4.5.2 仿真结果及分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 论文总结 |
| 5.2 未来展望 |
| 参考文献 |
| 附录1 程序清单 |
| 附录2 攻读硕士学位期间撰写的论文 |
| 致谢 |
四、一种基于多主体的网络带宽分配方案（论文参考文献）
- [1]面向移动边缘计算的任务调度的关键技术研究[D]. 崔玉亚. 天津理工大学, 2021(02)
- [2]多连接下的网络选择算法研究[D]. 孟琦. 北京邮电大学, 2021(01)
- [3]虚拟网络功能部署及整合的优化方法研究[D]. 齐丹丹. 南京邮电大学, 2020(03)
- [4]无线视频广播系统中的增强传输关键技术研究[D]. 黄一航. 上海交通大学, 2020(01)
- [5]面向知识定义网络的带宽分配系统设计与实现[D]. 陈科先. 西安电子科技大学, 2020(05)
- [6]5G时代移动数据流量的价格研究[D]. 朱筱泽. 北京邮电大学, 2020(05)
- [7]无线网络智能接入控制与调度机制研究[D]. 严牧. 电子科技大学, 2020(01)
- [8]基于机器学习的车辆网络资源分配策略研究[D]. 梁颖杰. 重庆邮电大学, 2020(02)
- [9]命名数据无线自组网资源分配与路由优化机制[D]. 袁河存. 北京邮电大学, 2020(05)
- [10]异构无线网络中基于多属性的联合资源调度策略研究[D]. 尹鹏伟. 南京邮电大学, 2019(02)