CN107105455A - 一种基于自回程感知的用户接入负载均衡方法 - Google Patents
一种基于自回程感知的用户接入负载均衡方法 Download PDFInfo
- Publication number
- CN107105455A CN107105455A CN201710283883.5A CN201710283883A CN107105455A CN 107105455 A CN107105455 A CN 107105455A CN 201710283883 A CN201710283883 A CN 201710283883A CN 107105455 A CN107105455 A CN 107105455A
- Authority
- CN
- China
- Prior art keywords
- user
- base station
- access
- backhaul
- load
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000013016 learning Effects 0.000 claims abstract description 11
- 230000006399 behavior Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000280 densification Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 241000256844 Apis mellifera Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于自回程感知的用户接入负载均衡方法，属于无线通信网络技术领域。该方法根据密集异构网络下各个小基站接入与回程资源的负载状态提出一种用户接入负载均衡策略；利用Q‑Learning算法对各个小基站带内无线接入与回程带宽分配进行学习，用户在不同带宽分配因子下，根据用户接入负载均衡策略进行重新接入，得到不同接入情况下的***效用，进而得到最优带宽分配策略，保证负载均衡性的同时实现***效用最大化。本发明为在密集异构网络自回程场景中的负载均衡工作模式提供了解决方案，在提高网络负载均衡性的同时提升了用户速率体验。
Description
技术领域
本发明属于无线通信网络技术领域，涉及一种基于自回程感知的用户接入负载均衡方法。
背景技术
近年来智能设备、多媒体业务接入和云服务器的数量高速增长，人们正见证着成***式增长的移动IP数据流量，这也成为3GPPLTE在全世界范围内大量部署以及下一代蜂窝网技术(如，5G)探索的主要推动力。但是由于移动通信的可用无线频谱资源极其缺乏，在未来的蜂窝网络中基站密集化部署是大势所趋，这样可以提升频谱效率同时也能在有限频带下满足日益增长的数据流量需求。密集组网是解决5G网络数据流量高速增长问题的有效解决方案。在宏基站覆盖区域，各种低功率小基站密集部署，形成超密集异构网络。超密集网络的实现可以很好应对到2020年用户终端连接数近百倍增长的需求，而对每个小小区来说，服务终端数量降低，有效缓解了小基站的负载。然而随着小基站的密集部署，传统的光纤回程链路也会使得部署运营成本大大增加，这种回程方式限制成为传统网络密集化的一个重要瓶颈。在一个非常密集的无线接入拓扑结构中，采用大容量有线链路连接每个小站点是不切实际的。无线回程技术部署成本低，适合快速部署，成为一种可行且低成本的解决5G蜂窝网络中大规模小基站回程链路的方法。通过快速部署采用无线自回程的小基站，运营商可以迅速搭建起一个大规模的5G蜂窝网络，以满足市场的需求。
无线回程的方式主要可以分为两种：带内无线回程(in-bandbackhaul/self-backhaul)和带外无线回程(out-of-bandbackhaul)。带内无线回程指无线回程与所有用户共享全部可用频谱资源，而带外无线回程指运营商单独分配额外的带宽给无线回程链路，不分享用户的可用频谱资源。相较而言带外无线回程方式更容易获得较高的回程容量，但考虑到成本与频谱效率限制，运营商是不可能总是为无线回程链路单独提供一部分带外频谱的。而相反，只要能保证给用户提供更好的服务，带内无线回程通常会与现有资源整合到一起使用。但带内无线自回程也带来了新的问题，如接入-回程干扰问题以及对用户接入控制、负载均衡和资源分配策略的影响。因此，现有无线回程技术存在如下缺点：
(1)在密集异构网络自回程场景中，小基站采用带内无线回程的方式，接入链路与回程链路共享同一频带资源。在这一场景下小基站负载需要从接入与回程分别考虑接入负载与回程负载。如果接入与回程带宽分配不合理将引起接入负载或回程负载不均衡问题，造成基站整体性能偏低。
(2)超密集网络中采用带内自回程技术的小基站密集部署，带内无线回程的带宽资源分配成为***吞吐量与负载均衡性提升的重要限制因素，而在现有的研究中，带内无线回程带宽分配时通常采用固定比率或统一调整的方式，这两种方式都存在准确性和时效性的问题，不能随***状态的改变而及时自适应调整，从而不能将接入回程带宽分配收益最大化。
发明内容
有鉴于此，本发明的目的在于提供一种基于自回程感知的用户接入负载均衡方法，具体的提供一种用户接入负载均衡策略与基于自回程感知的微基站接入回程带宽分配的技术方案。
为达到上述目的，本发明提供如下技术方案：
一种基于自回程感知的用户接入负载均衡方法，包括以下步骤：
S1：将基站频谱资源分为接入资源和回程资源，根据资源占用情况判断基站接入负载与回程负载状态；
S2：当用户接入负载均衡模块时，针对网络中小基站的接入与回程负载状态，基站通过Q-learning算法学习进行接入与回程带宽自适应学习分配；
S3：用户在不同带宽分配因子下，从候选基站列表中选择小基站进行基于负载均衡策略的重新接入，用户接入时同时考虑基站接入回程负载状态与对应基站RSRP；
S4：用户接入完毕以后网络中各小基站接入与回程负载状态改变，计算***效用函数；
S5：通过用户接入不同的候选基站计算得到不同***效用大小，判断***效用是否达到效用门限值，确定最佳用户接入负载均衡策略。
进一步，当所述对应基站RSRP满足RSRPi≥RSRPth时，用户进行测量并上报可接入基站列表；当所述门限值满足时，用户接入负载均衡策略结束。
进一步，所述基站通过Q-learning算法学习接入与回程带宽分配，包括以下步骤：
S201：建立决定状态与行为的函数Qt(s,a)，表示当用户处于状态s下在采取行动a时预期达到的奖励值大小；
S202：通过比较不同行为得到的奖励值大小，选择使得奖励值最大的行为作为下一时刻行为；
S203：确定状态与行为，并建立相应的映射关系，即策略π(s,a)。
进一步，所述建立决定状态与行为的函数Qt(s,a)，包括以下步骤：
S1：设计Agent,环境状态S，动作A，以及立即回报r；
其中，Agent：网络中所有SBSb，b∈{1,2,…,B}；
环境状态S：在时刻t，SBS b的状态可以表示为其中表示在时刻t小基站b的接入与回程信道状态，可由NLOS信道模型得到；表示小基站b在时刻t接入用户情况，可由小基站b检测信息得到；表示小基站b在时刻t接入与回程带宽分配情况；
动作A：表示SBS b的动作，即在时刻t设置小基站b的无线带内自回程带宽比例确定带宽分配比例后，用户根据用户接入负载均衡策略，确定用户最佳接入策略；
立即回报r：在时刻t，当SBS b选择动作时，SBS b带内无线回程带宽分配发生变化，则b的效用函数发生变化；
S2：确定立即回报函数和Q值。
本发明的有益效果在于：
本发明根据密集异构网络下各个小基站接入与回程资源的负载状态提出一种用户接入负载均衡策略；进一步利用Q-Learning算法对各个小基站带内无线接入与回程带宽分配进行学习，用户在不同带宽分配因子下，根据用户接入负载均衡策略进行重新接入，得到不同接入情况下的***效用，最后得到最优带宽分配策略，为在密集异构网络自回程场景中的负载均衡工作模式提供了解决方案，在提高网络负载均衡性的同时提升用户速率体验。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明中Co-channel TDD与接入回程带宽分配示意图；
图2为本发明中Co-channel TDD帧结构时隙上下行配置示意图；
图3为本发明中基于Q-Learning的self-backhaul智能体模块与环境的交互示意图；
图4为本发明中密集网络self-backhaul场景中用户接入负载均衡策略具体流程示意图；
图5为本发明中基于self-backhaul感知的用户接入负载均衡算法整体流程框图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1为***Co-channel TDD与接入回程带宽分配示意图，具体包括：
***采用正交信道时分双工模式(Co-channel TDD)。这种模式宏基站与小基站在上行/下行时隙配置时采用相同的配置方式，即在一个时隙配置同为UL或DL，而宏基站与小基站之间无线回程链路和小基站与用户之间接入链路信道资源正交，可以很好解决干扰问题。文中将所有时隙平均分配给上下行链路，小基站与宏基站UL/DL时隙配置成相同状态。当时隙状态为UL时，用户通过接入链路向小基站发送数据，小基站通过无线回程链路向宏基站回传数据；当时隙状态为DL时，宏基站将核心网下行数据通过无线回程链路发送给小基站，小基站将接收到的数据通过接入链路发送给用户。
图2为本发明中Co-channel TDD帧结构时隙上下行配置示意图，本实施例的方法，包括：
在密集异构网络中小基站采用带内无线回程，***采用时分双工模式TDD时，基站在相邻不同时隙所处的接收/发送状态不同，宏基站与小基站采用相同的时隙配置。当处于时隙0时，MBS向MUE发送数据，同时通过无线回程链路向SBS发送数据；SBS通过接入链路向SUE发送数据。此时SBS端需要进行自适应接入回程带宽资源分配，以满足接入与回程链路对带宽资源的不同需求，达到***吞吐量最大化的目标；当处于时隙1时，SUE通过接入链路向SBS发送数据，SBS通过无线回程链路向MBS回传数据，同样SBS端需要进行接入回程带宽资源分配。由于SBS与SUE之间的接入链路和SBS与MBS之间的无线回程链路传输数据的信道模型不同，信道质量不同，故相同业务量下带宽需求不同，同时基站下用户列表更新后业务需求产生变化，因此在每个带宽分配周期内需要进行自适应的调整接入回程带宽分配比例以适应网络的需求。在方法中将只考虑处于时隙0时的情况，即只考虑***处于下行状态时的self-backhaul感知与接入负载均衡。
图3为本发明中基于Q-Learning的self-backhaul智能体模块与环境的交互示意图，本实施例的方法，包括：
学习者在学习过程中采取不同行为时，得到的奖励值也就会不同。学习者尝试所有行为，通过比较不同行为得到的奖励值大小，选择使得奖励值最大的行为作为下一时刻行为，以达到长期奖励值最优的目标。在Q-Learning算法中，Qt(s,a)是决定状态与行为的函数，即当用户处于状态s下在采取行动a时预期达到的奖励值大小，在确定了状态与行为后，将它们建立相应的映射关系，即策略π(s,a)。
下面具体分析利用Q-learning理论实现密集异构网络中无线带内自回程带宽分配。首先设计Agent,环境状态S，动作A，以及立即回报r：
Agent：网络中所有SBSb，b∈{1,2,…,B}。
环境状态：在时刻t，SBS b的状态可以表示为其中表示在时刻t小基站b的接入与回程信道状态，可由NLOS信道模型得到；表示小基站b在时刻t接入用户情况，可由小基站b检测信息得到；表示小基站b在时刻t接入与回程带宽分配情况。
动作A：表示SBS b的动作，即在时刻t设置小基站b的无线带内自回程带宽比例确定带宽分配比例后，用户根据4.3.2中密集网络self-backhaul场景中用户接入负载均衡策略，确定用户最佳接入策略。
立即回报r：在时刻t，当SBS b选择动作时，SBS b带内无线回程带宽分配发生变化，则b的效用函数发生变化，因此立即回报函数可以表示为：
则Q值可以表示为：
其中，p'表示由状态sb转移到sb'概率，γ是折扣因子。
通过学习Q-learning理论可以知道，Q-learning相对于其他强化学习方法有一个明显的优势，即在状态转移概率未知的情况下更新Q值。在非确定性环境下，Q值迭代更新公式表示如下：
其中，λ学***均得到。
利用Boltzmann探索方式进行SBS策略更新，将带内无线回程分配的部分带宽因子βb∈[0,1]离散化为N个值，则策略空间可以表示为：
πt＝{πt(βb1|sb),πt(βb1|sb),…,πt(βbn|sb),…,πt(βbN|sb)}
在时刻t,具体的策略更新表达式为：
其中，T∈(0,1)位探索参数，表示用户策略空间各个动作概率差异。当T取值越小时，说明用户策略空间各个动作概率的差异越大，文方法取经验值0.5。
图4为本发明中密集网络self-backhaul场景中用户接入负载均衡策略具体流程示意图，具体包括：
在步骤400，***初始化，初始化各个SBS频谱资源划分为Wa和Wb，效用值门限
在步骤401，更新用户列表Ua，更新SBS接入资源状态与回程负载状态ρa和ρb；
在步骤402，开始用户接入负载均衡策略，每个小基站根据接入回程负载状态设置带宽分配因子β；
在步骤403，用户测量上报可接入基站列表(满足RSRPi≥RSRPth)；用户根据用户接入负载均衡策略选择候选基站列表中基站接入；
在步骤404，判断Ua中用户是否接入完毕，“是”执行步骤405，“否”返回步骤403执行；
在步骤405，计算基站接入与回程负载ρa和ρb；计算效用函数值ThrX,β；
在步骤406，判断(达到目标效用值)，“是”用户接入负载均衡策略结束，“否”执行步骤402；
图5为本发明中基于self-backhaul感知的用户接入负载均衡算法整体流程框图，具体包括：
在步骤500，***初始化，初始化各个SBS频谱资源划分为Wa和Wb，效用值门限学习次数上限
在步骤501，更新用户列表Ua，更新SBS接入资源状态与回程负载状态ρa和ρb；
在步骤502，开始Q-learning学习，每个小基站根据接入回程负载状态设置带宽分配因子β；
在步骤503，用户测量上报可接入基站列表(满足RSRPi≥RSRPth)；用户根据用户接入负载均衡策略选择候选基站列表中基站接入；
在步骤504，判断Ua中用户是否接入完毕，“是”执行步骤505，“否”返回步骤502执行；
在步骤505，执行用户接入负载均衡策略结束，计算基站接入与回程负载ρa和ρb；计算效用函数值ThrX,β；
在步骤506，判断或(达到目标效用值或学习上限)，“是”执行步骤507，“否”执行步骤502；
在步骤507，该小基站本次学习结束；
在步骤508，判断是否全部小基站学习完毕，“是”执行步骤509；“否”执行步骤501；
在步骤509，学习结束，学习得到带宽分配因子β，更新***效用函数ThrX,β与***负载衡性指示IJF。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种基于自回程感知的用户接入负载均衡方法，其特征在于：该方法包括以下步骤：
S1：将基站频谱资源分为接入资源和回程资源，根据资源占用情况判断基站接入负载与回程负载状态；
S2：当用户接入负载均衡模块时，针对网络中小基站的接入与回程负载状态，基站通过Q-learning算法学习进行接入与回程带宽自适应学习分配；
S3：用户在不同带宽分配因子下，从候选基站列表中选择小基站进行基于负载均衡策略的重新接入，用户接入时同时考虑基站接入回程负载状态与对应基站RSRP；
S4：用户接入完毕以后网络中各小基站接入与回程负载状态改变，计算***效用函数；
S5：通过用户接入不同的候选基站计算得到不同***效用大小，判断***效用是否达到门限值确定最佳用户接入负载均衡策略。
2.根据权利要求1所述的一种基于自回程感知的用户接入负载均衡方法，其特征在于：当所述对应基站RSRP满足RSRPi≥RSRPth时，用户进行测量并上报可接入基站列表；当所述门限值满足时，用户接入负载均衡策略结束。
3.根据权利要求1所述的一种基于自回程感知的用户接入负载均衡方法，其特征在于：所述基站通过Q-learning算法学习接入与回程带宽分配，包括以下步骤：
S201：建立决定状态与行为的函数Qt(s,a)，表示当用户处于状态s下在采取行动a时预期达到的奖励值大小；
S202：通过比较不同行为得到的奖励值大小，选择使得奖励值最大的行为作为下一时刻行为；
S203：确定状态与行为，并建立相应的映射关系，即策略π(s,a)。
4.根据权利要求3所述的一种基于自回程感知的用户接入负载均衡方法，其特征在于：所述建立决定状态与行为的函数Qt(s,a)，包括以下步骤：
S1：设计Agent、环境状态S、动作A以及立即回报r；
其中，Agent：网络中所有SBSb，b∈{1,2,L,B}；
环境状态S：在时刻t，SBSb的状态可以表示为其中表示在时刻t小基站b的接入与回程信道状态，可由NLOS信道模型得到；表示小基站b在时刻t接入用户情况，可由小基站b检测信息得到；表示小基站b在时刻t接入与回程带宽分配情况；
动作A：表示SBS b的动作，即在时刻t设置小基站b的无线带内自回程带宽比例确定带宽分配比例后，用户根据用户接入负载均衡策略，确定用户最佳接入策略；
立即回报r：在时刻t，当SBSb选择动作时，SBSb带内无线回程带宽分配发生变化，则b的效用函数发生变化；
S2：确定立即回报函数和Q值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710283883.5A CN107105455B (zh) | 2017-04-26 | 2017-04-26 | 一种基于自回程感知的用户接入负载均衡方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710283883.5A CN107105455B (zh) | 2017-04-26 | 2017-04-26 | 一种基于自回程感知的用户接入负载均衡方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107105455A true CN107105455A (zh) | 2017-08-29 |
| CN107105455B CN107105455B (zh) | 2020-05-22 |
Family
ID=59656541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710283883.5A Active CN107105455B (zh) | 2017-04-26 | 2017-04-26 | 一种基于自回程感知的用户接入负载均衡方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107105455B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107889195A (zh) * | 2017-11-16 | 2018-04-06 | 电子科技大学 | 一种区分业务的自学习异构无线网络接入选择方法 |
| CN107979540A (zh) * | 2017-10-13 | 2018-05-01 | 北京邮电大学 | 一种sdn网络多控制器的负载均衡方法及*** |
| CN108307511A (zh) * | 2018-03-07 | 2018-07-20 | 重庆邮电大学 | 无线自回传小基站接入控制与资源分配联合优化方法 |
| CN108347744A (zh) * | 2018-01-19 | 2018-07-31 | 厦门大学 | 一种设备接入方法、装置及接入控制设备 |
| CN109035812A (zh) * | 2018-09-05 | 2018-12-18 | 平安科技（深圳）有限公司 | 交通信号灯的控制方法、装置、计算机设备及存储介质 |
| CN111742573A (zh) * | 2018-04-18 | 2020-10-02 | 谷歌有限责任公司 | 用户设备发起的带宽请求 |
| CN112470506A (zh) * | 2018-08-01 | 2021-03-09 | 高通股份有限公司 | 用于选择回程节点以连接到集成接入和回程网络的技术 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103763747A (zh) * | 2014-02-21 | 2014-04-30 | 重庆邮电大学 | 一种实现异构网络中动态负载均衡的方法 |
| CN103906076A (zh) * | 2014-03-26 | 2014-07-02 | 浙江工商大学 | 一种分布式自适应调节小基站发射功率偏置值的方法 |
| CN103997742A (zh) * | 2014-05-07 | 2014-08-20 | 西安交通大学 | 一种lte-a中继蜂窝网中基于负载的中继选择策略 |
| CN104754589A (zh) * | 2013-12-26 | 2015-07-01 | 中国科学院沈阳自动化研究所 | 基于流量感知的动态组网方法 |
| US20150189551A1 (en) * | 2013-12-31 | 2015-07-02 | Qualcomm Incorporated | TECHNIQUES FOR DYNAMICALLY SPLITTING BEARERS BETWEEN VARIOUS RADIO ACCESS TECHNOLOGIES (RATs) |
| CN106717058A (zh) * | 2014-09-26 | 2017-05-24 | 瑞典爱立信有限公司 | 增强从无线局域网到lte网络的负载报告 |
-
2017
- 2017-04-26 CN CN201710283883.5A patent/CN107105455B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104754589A (zh) * | 2013-12-26 | 2015-07-01 | 中国科学院沈阳自动化研究所 | 基于流量感知的动态组网方法 |
| US20150189551A1 (en) * | 2013-12-31 | 2015-07-02 | Qualcomm Incorporated | TECHNIQUES FOR DYNAMICALLY SPLITTING BEARERS BETWEEN VARIOUS RADIO ACCESS TECHNOLOGIES (RATs) |
| CN103763747A (zh) * | 2014-02-21 | 2014-04-30 | 重庆邮电大学 | 一种实现异构网络中动态负载均衡的方法 |
| CN103906076A (zh) * | 2014-03-26 | 2014-07-02 | 浙江工商大学 | 一种分布式自适应调节小基站发射功率偏置值的方法 |
| CN103997742A (zh) * | 2014-05-07 | 2014-08-20 | 西安交通大学 | 一种lte-a中继蜂窝网中基于负载的中继选择策略 |
| CN106717058A (zh) * | 2014-09-26 | 2017-05-24 | 瑞典爱立信有限公司 | 增强从无线局域网到lte网络的负载报告 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107979540A (zh) * | 2017-10-13 | 2018-05-01 | 北京邮电大学 | 一种sdn网络多控制器的负载均衡方法及*** |
| CN107979540B (zh) * | 2017-10-13 | 2019-12-24 | 北京邮电大学 | 一种sdn网络多控制器的负载均衡方法及*** |
| CN107889195A (zh) * | 2017-11-16 | 2018-04-06 | 电子科技大学 | 一种区分业务的自学习异构无线网络接入选择方法 |
| CN107889195B (zh) * | 2017-11-16 | 2020-06-16 | 电子科技大学 | 一种区分业务的自学习异构无线网络接入选择方法 |
| CN108347744A (zh) * | 2018-01-19 | 2018-07-31 | 厦门大学 | 一种设备接入方法、装置及接入控制设备 |
| CN108307511A (zh) * | 2018-03-07 | 2018-07-20 | 重庆邮电大学 | 无线自回传小基站接入控制与资源分配联合优化方法 |
| CN108307511B (zh) * | 2018-03-07 | 2022-02-22 | 重庆邮电大学 | 无线自回传小基站接入控制与资源分配联合优化方法 |
| CN111742573A (zh) * | 2018-04-18 | 2020-10-02 | 谷歌有限责任公司 | 用户设备发起的带宽请求 |
| CN111742573B (zh) * | 2018-04-18 | 2024-06-07 | 谷歌有限责任公司 | 用户设备发起的带宽请求 |
| CN112470506A (zh) * | 2018-08-01 | 2021-03-09 | 高通股份有限公司 | 用于选择回程节点以连接到集成接入和回程网络的技术 |
| CN109035812A (zh) * | 2018-09-05 | 2018-12-18 | 平安科技（深圳）有限公司 | 交通信号灯的控制方法、装置、计算机设备及存储介质 |
| CN109035812B (zh) * | 2018-09-05 | 2021-07-27 | 平安科技（深圳）有限公司 | 交通信号灯的控制方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107105455B (zh) | 2020-05-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107105455A (zh) | 一种基于自回程感知的用户接入负载均衡方法 | |
| Wu et al. | Biologically inspired resource allocation for network slices in 5G-enabled Internet of Things | |
| CN110493826B (zh) | 一种基于深度强化学习的异构云无线接入网资源分配方法 | |
| Zhou et al. | A deep-learning-based radio resource assignment technique for 5G ultra dense networks | |
| Chen et al. | Caching in the sky: Proactive deployment of cache-enabled unmanned aerial vehicles for optimized quality-of-experience | |
| CN109862610A (zh) | 一种基于深度强化学习ddpg算法的d2d用户资源分配方法 | |
| Asheralieva et al. | Combining contract theory and Lyapunov optimization for content sharing with edge caching and device-to-device communications | |
| CN113597799B (zh) | 用于调整波束赋形简档的设备、方法和计算机可读介质 | |
| EP3997902B1 (en) | Optimizing a cellular network using machine learning | |
| US20210326695A1 (en) | Method and apparatus employing distributed sensing and deep learning for dynamic spectrum access and spectrum sharing | |
| CN112020103A (zh) | 一种移动边缘云中的内容缓存部署方法 | |
| CN108322938B (zh) | 超密集组网下基于双层非合作博弈理论的功率分配方法及其建模方法 | |
| CN106341826B (zh) | 基于虚拟化技术的面向无线电力专网的资源优化分配方法 | |
| Nomikos et al. | A survey on reinforcement learning-aided caching in heterogeneous mobile edge networks | |
| Feng et al. | Cell selection in two-tier femtocell networks with open/closed access using evolutionary game | |
| CN109905864A (zh) | 一种面向电力物联网的跨层资源分配方案 | |
| Agarwal et al. | Qoe-driven optimization in 5g o-ran-enabled hetnets for enhanced video service quality | |
| CN105490794B (zh) | Ofdma毫微微小区双层网络基于分组的资源分配方法 | |
| De Santis et al. | Satellite integration into 5G: Deep reinforcement learning for network selection | |
| CN108924934A (zh) | 基于多维资源分配的异构网络干扰管理方法 | |
| Lu et al. | An access selection mechanism in 5G network slicing | |
| Fu et al. | A game-theoretic approach for bandwidth allocation and pricing in heterogeneous wireless networks | |
| CN116567667A (zh) | 一种基于深度强化学习的异构网络资源能效优化方法 | |
| CN104023381A (zh) | 一种基于有效容量的上行ofdma家庭基站双层网络的功率控制方法 | |
| Ma et al. | An energy-efficient user association scheme based on robust optimization in ultra-dense networks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240603 Address after: 1003, Building A, Zhiyun Industrial Park, No. 13 Huaxing Road, Henglang Community, Dalang Street, Longhua District, Shenzhen City, Guangdong Province, 518000 Patentee after: Shenzhen Wanzhida Technology Transfer Center Co.,Ltd. Country or region after: China Address before: 400065 Chongqing Nan'an District huangjuezhen pass Chongwen Road No. 2 Patentee before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS Country or region before: China |