CN117915481B - 超密集工业物联网的资源分配方法及*** - Google Patents
超密集工业物联网的资源分配方法及*** Download PDFInfo
- Publication number
- CN117915481B CN117915481B CN202410075321.1A CN202410075321A CN117915481B CN 117915481 B CN117915481 B CN 117915481B CN 202410075321 A CN202410075321 A CN 202410075321A CN 117915481 B CN117915481 B CN 117915481B
- Authority
- CN
- China
- Prior art keywords
- interference
- model
- iiotd
- resource allocation
- things
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013468 resource allocation Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 59
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 12
- 230000001413 cellular effect Effects 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 51
- 238000004088 simulation Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 14
- 230000000052 comparative effect Effects 0.000 description 8
- 230000007423 decrease Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/535—Allocation or scheduling criteria for wireless resources based on resource usage policies
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/75—Information technology; Communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/265—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the quality of service QoS
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/26—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service]
- H04W52/267—TPC being performed according to specific parameters using transmission rate or quality of service QoS [Quality of Service] taking into account the information rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/40—Resource management for direct mode communication, e.g. D2D or sidelink
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/543—Allocation or scheduling criteria for wireless resources based on quality criteria based on requested quality, e.g. QoS
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及电通信技术领域,具体公开了一种超密集工业物联网的资源分配方法及***,首先建立了超密集工业物联网的***模型。然后,建立了基于超图的干扰超图模型,以避免UDIIoT网络中的重叠干扰。然后,考虑到在UDIIoT网络中,许多实时应用都需要保证数据传输的及时性,使用AOI指数来量化实时性能,建立了一个考虑功率控制和资源冲突约束的不完全CSI的鲁棒优化模型,以最大化网络吞吐量为目标。最后,为了对优化模型进行求解,提出了一种基于学习理论的LRRA‑IHAoI算法,通过降低不完善CSI的影响,获得更准确的稳健优化模型解。仿真结果表明,该算法在UDIIoT网络中具有良好的网络吞吐量、干扰效率(IE)和能量效率(EE),这证明了所提出的方案的有效性。
Description
技术领域
本发明涉及电通信技术领域,尤其涉及一种超密集工业物联网的资源分配方法及***。
背景技术
随着工业物联网(IIoT)应用的不断扩大,工业物联网设备(IIoTD)的数量也有了显著的增长。这些设备通过物联网进行交互、处理数据和通信,形成超密集IIoT(UDIIoT)网络。为了满足UDIIoT应用中的高可靠性和实时通信要求,频繁的数据传输至关重要,导致IIoTD在短时间间隔内生成大量数据。因此,UDIIoT网络中频谱资源的有效管理已成为关键的研究热点。值得注意的是,设备到设备(D2D)通信技术对于有效的数据传输具有很大的希望。D2D通信允许设备直接相互通信,减少了仅依赖于基站(BS)的需求。该特征将D2D与诸如毫微微小区和微微小区的小型蜂窝技术区分开。通过最小化对BS的依赖,D2D通信增强了UDIIoT网络中的频谱资源利用。然而,当将D2D通信技术集成到UDIIoT网络中以增强整体网络性能时,由共享资源的众多D2D连接引起的重叠干扰显著损害了UDIIoT网络的性能。因此,解决这种干扰问题并优化UDIIoT网络中频谱资源的利用至关重要。在最近的研究中,研究人员专注于使用D2D通信技术的IIoT网络中的干扰引起的资源分配问题。随着D2D对数量的增加,与IIoTD的干扰冲突也会增加,导致通信质量下降。
有文献考虑了共享子信道中蜂窝用户和D2D用户之间的相互干扰问题。他们提出了一个定量的反馈方案,以确保服务质量(QoS),提高频谱效率。有文献在支持D2D的5G窄带IoT网络中实现了避免干扰的资源分配方案,这最大化了频谱利用率。有文献提出了一种用于D2D移动的组的干扰减少方案,其使用上行链路非正交多址来最大化网络吞吐量。有文献针对D2D通信的簇内传输资源,设计了IIoTD分簇算法,以提高簇内资源的效率,消除簇内干扰。同时,通过分析车载自组织网络中的无线业务,有文献提出了一种优化资源利用率的协作通信方案,簇内频谱效率。有文献提出了一种基于过时局部干扰信息的分布式叠加D2D网络方案。该方案可以有效地从过时的干扰信息中学习链路间与时间相关的干扰模式,从而调整链路功率,最大化全局和速率。有文献对D2D支持的异质蜂窝网络中的干扰管理进行了研究,提出了一种有效利用有限频谱资源的联合模式选择和功率控制方案。总体而言,这些研究有助于理解和实施资源管理战略,以减少使用D2D通信技术的IIoT网络中的干扰。已有的重叠干扰场景资源管理研究提高了网络频谱效率,但没有考虑信息时代的保障问题。
AOI是衡量信息新鲜度的重要性能指标,对于UDIIoT网络中对时间敏感的应用至关重要。过时的信息可能会导致数据处理时间增加和网络拥塞。AOI量化的实时数据可以有效地提高网络性能。重叠干扰会影响AOI,降低通信质量。例如,IoTDS可能需要更多时间来处理接收到的信息,这会降低数据传输速率。由于干扰导致的数据传输错误或丢失不能保证对时间敏感的服务要求,从而导致网络信号质量下降。然而,很少有关于资源管理的研究考虑重叠干扰场景下的AOI保证。
发明内容
本发明提供超密集工业物联网的资源分配方法及***,解决的技术问题在于:保证超密集工业物联网重叠干扰场景下,有效的AOI资源管理。
为解决以上技术问题,本发明提供超密集工业物联网的资源分配方法,包括步骤:
S1、构建超密集工业物联网的***模型;
所述***模型包括多个基站BS和多个工业物联网设备IIoTD,多个工业物联网设备包括M个蜂窝设备CD和N个D2D设备DD;M个CD的集合表示为CDm表示第m个CD,m=1,2,...,M;N个DD的集合表示为DDn表示第n个DD,n=1,2,...,N;在网络中,有DD重复使用CD的频谱进行通信;子信道集合定义为/>LKj表示第j条子信道,j=1,2,...,J;
S2、构建所述***模型的超图干扰模型;
所述超图干扰模型表示为H={V,E},V={v1,v2,...,vN+M}是顶点集合,E={e1,e2,...,eD}是超边集,顶点表示IIoTD,超边表示相互干扰的IIoTD集合,vi表示第i个顶点,i=1,2,...,N+M,ed表示第d个超边,d=1,2,...,D,D表示超边数量;
S3、以满足实时服务的要求,基于所述超图干扰模型构建鲁棒优化模型;
S4、对所述鲁棒优化模型进行求解。
进一步地,在所述步骤S3中,所述鲁棒优化模型构建为:
C2:HTHX=O,
其中,xn,j表示每个DD的资源分配因子,当xn,j=1时,这意味着DDn被分配LKj;Rn,j是LKj上从DDn到IIoTD的可达传输速率,AoI表示信息年龄;Rth表示最小速率阈值;Pr{·}表示事件{·}发生的概率;ζ表示最小概率阈值;X表示IIoTD的资源分配矩阵,X={0,1}(M+N)×J,其中X中的第i行第j列元素O={0,1}(M+N)×J是零矩阵;pn,j表示DDn在LKj上的发射功率,pth表示最大发射功率阈值;约束C1表示确保DDn的AoI要求所需的最小速率的概率约束;约束C2表示基于干扰超图模型的资源分配约束;约束C3表示每个DD的发射功率不能最大发射功率阈值;max表示使最大,s.t.表示需满足,/>表示任意的。
进一步地,Rth通过求解下式获得:
ΔM/M/1<Δth
其中,将DD向IIoTD传输数据的过程表示为M/M/1模型,ΔM/M/1表示M/M/1模型的平均AoI,Δth表示队列中允许的最大AoI阈值;
ΔM/M/1由下式计算:
ρ是DD的数据利用率,定义为λ是数据到达速率。
进一步地,所述步骤S4具体包括步骤:
S41、构建表征信道实现的不确定性的椭球集合表示为:
其中, 和C是从样本数据集学习的参数,Hn,j为N个DD在LKj上的信道增益集合,/>h1,h2,...,hN表示第1,2,...,N个信道增益,C表示约束向量,/>表示实数;
S42、基于所述椭球集合将约束C1改写为:
其中,Pn,j表示N个DD对LKj的发射功率矩阵,Ω=σ2IN×1表示噪声功率矩阵,σ表示噪声功率,IN×1表示N×1的单位矩阵;
S43、剔除所述椭球集合中的低概率区域,重建所述椭球集合/>如下:
假设Hn,j=[φ]N×1和 表示重建后/>的中心,hn,j表示DDn在LKj上的信道增益,hm,j表示CDm在LKj上的信道增益,hn,j是随机信道参数;[]T表示矩阵转置;
S44、将所述步骤S42改写后的约束C1进一步改写为:
S45、使用步骤S44重建的椭球集合对步骤S43改写C1后的鲁棒优化模型进行求解,获得全局最优网络吞吐量解。
进一步地,所述步骤S41具体包括步骤:
S411、收集I个独立同分布的不完美CSI样本Q1,Q2,…,QI构成样本集合QS=Q1,Q2,…,QI,CSI表示信道状态信息;
S412、将样本集合QS分成两个集合和/>其中QS1包括前I1个样本/>QS2包括剩余样本/>
S413、计算参数和块对角矩阵/>将椭球集合/>表示为 的对角元素是集合/>的样本协方差;Γ为的初始大小,/>是/>的中心,表示为:/>
S414、通过集合QS2定义任一样本Q的校准值i(Q)的潜在分布的1-θ分位数q1-θ,然后,获得观测值i(Q1),...,i(QN)的函数值,并将观测值i(1)≤…≤i(N)按升序排列后,值用作i(Q)的1-θ分位数的上界;
S415、根据Γ=i(Q*)计算C,其中∑是/>的Cholesky分解;
S416、基于计算的参数和C得到样本集/>
进一步地,在所述步骤S45中,首先将改写后的鲁棒优化模型转化为拉格朗日对偶模型,构造凸问题,然后根据拉格朗日的KKT定理求解模型的解。
进一步地,在所述干扰超图模型中,干扰包括独立干扰和累积干扰;独立干扰指,将一个IIoTD产生的干扰与干扰阈值sth进行比较,若IIoTD产生的干扰超过干扰阈值sth,则该若IIoTD产生的干扰被认为是独立干扰;累积干扰指,当多个IIoTD产生的干扰超过干扰阈值sth时,则该多个IIoTD产生的干扰被认为是累积干扰。
本发明还提供一种超密集工业物联网的资源分配***,其关键在于:包括***模型构建模块、超图干扰模型构建模块、鲁棒优化模型构建模块、优化模型求解模块;所述***模型构建模块、所述超图干扰模型构建模块、所述鲁棒优化模型构建模块、所述优化模型求解模块分别用于执行上述方法中所述的步骤S1、S2、S3、S4。
本发明提供的超密集工业物联网的资源分配方法及***,首先建立了超密集工业物联网的***模型。然后,建立了基于超图的干扰超图模型,以避免UDIIoT网络中的重叠干扰,该模型可以分析D2D设备(DD)和IIoTD之间的干扰类型和关系,并识别不同DD之间的资源分配冲突,从而减少干扰,优化频谱资源利用。然后,考虑到在UDIIoT网络中,许多实时应用都需要保证数据传输的及时性,使用AOI指数来量化实时性能,而在UDIIoT网络的重叠干扰场景中,存在复杂的环境,信号衰减和信道不确定性增加,导致无法准确获取实时的信道状态信息,因此,建立了一个考虑功率控制和资源冲突约束的不完全CSI的鲁棒优化模型,以最大化网络吞吐量为目标。最后,为了对优化模型进行求解,提出了一种基于学习理论的LRRA-IHAoI算法,通过降低不完善CSI的影响,获得更准确的稳健优化模型解。仿真结果表明,该算法在UDIIoT网络中具有良好的网络吞吐量、干扰效率(IE)和能量效率(EE),这证明了所提出的方案的有效性。
本发明的主要贡献如下:
1)针对UDIIoT网络中的重叠干扰问题,分析了DD之间的干扰类型。在此基础上,建立了干涉超图,可以同时分析DD之间的干涉关系。最后,设计了一种不同DD之间资源分配冲突的判断方法。
2)为了解决在UDIIoT网络重叠干扰场景中保证业务数据及时传输的挑战,本发明使用AoI指标来量化实时性能并构建AoI模型。该模型可以将AoI指标转换为速率,以满足实时数据传输的要求。在干扰超图模型和AoI模型的基础上,建立了一种不完美CSI下的鲁棒优化模型,该模型结合了功率控制约束和资源分配约束,以最大化网络吞吐量为目标。
3)针对不完美CSI引入随机信道参数的鲁棒优化模型求解困难的问题,提出了一种基于学习理论的LRRA-IHAoI算法。该算法利用学习理论来改进鲁棒优化模型的信道样本数据集,从而产生更准确的可行解,最大化UDIIoT网络下的网络吞吐量,同时减少不完美CSI的影响。
附图说明
图1是本发明实施例提供的超密集工业物联网的***模型图;
图2是本发明实施例提供的干扰超图模型的示例图;
图3是本发明实施例提供的UDIIoT网络中的AoI示例图;
图4是本发明实施例提供的AoI阈值Δth与DD的吞吐量之间的关系图;
图5是本发明实施例提供的DD的功率阈值pth与总EE之间的关系图;
图6是本发明实施例提供的功率阈值pth与DD的总IE之间的关系图;
图7是本发明实施例提供的功率阈值pth与DD的总吞吐量之间的关系图;
图8是本发明实施例提供的速率阈值Rth与UDIIoT网络性能之间的关系图;
图9是本发明实施例提供的噪声功率σ与UDIIoT网络性能之间的关系图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
本发明实施例提供一种超密集工业物联网的资源分配方法,包括步骤:
S1、构建超密集工业物联网的***模型;
S2、构建***模型的超图干扰模型;
S3、以满足实时服务的要求,基于超图干扰模型构建鲁棒优化模型;
S4、对鲁棒优化模型进行求解。
(1)步骤S1:构建超密集工业物联网的***模型
本发明研究的场景是采用D2D技术的UDIIoT场景,如图1所示。该区域包括基站(BS)和工业物联网设备(IIoTD)。IIoTD包括M个蜂窝设备(CD)和N个D2D设备(DD),M个蜂窝设备(CD)的集合被定义为其中第m个蜂窝设备表示为CDm,m=1,2,…,M。N个D2D设备(DD)的集合被定义为/>其中第n个D2D设备表示为DDn,n=1,2,…,N。在网络中,有DD重复使用CD的频谱进行通信。此外,假设J条子信道的集合定义为/>其中第j条子信道表示为LKj,j=1,2,…,J。
根据瑞利衰落信道模型,信号干扰噪声比(SINR)表示为:
其中,γm,j是CDm在LKj上的信号干扰噪声比,γn,j是DDn在LKi的信号干扰噪声比,pm,j是CDm在LKj上的发射功率,pn,j是DDn在LKj上的发射功率,hm,j是CDm在LKj上的信道增益,hm是CDm到BS的信道增益,hn是DDn到BS的信道增益,hn,j是DDn在LKj上的信道增益。同时,DD和非实时信道估计之间的无线信道的时变性质将导致不完美的CSI,hn,j是随机信道参数,σ2表示噪声功率之和。
基于式(1),LKj上从CDm到IIoTD的可达传输速率Rm,j和LKj上从DDn到IIoTD的可达传输速率Rn,j分别如下:
其中B表示每个子信道的带宽。
(2)步骤S2:构建超图干扰模型
超图是图的一般图,其中超边可以包含任意数量的顶点。在UDIIoT中,多个IIoTD累积形成累积干扰,影响IIoTD的通信质量。因此,超图可以提供比图更精确的多个IIoTD之间的干涉关系。为了解决UDIIoT中的干扰问题,本例提出了基于超图理论的干扰超图模型来分析IIoTD之间的干扰关系。针对超密集工业物联网的***模型,超图表示为H={V,E},其中V={v1,v2,...,vN+M}是顶点集合,E={e1,e2,...,eD}是超边集,D表示超边的数量。顶点和超边的关系由关联矩阵H={0,1}(M+N)×D记录,其中的第i行第d列元素h(i,d)取值如下:
其中,顶点表示IIoTD,超边表示相互干扰的IIoTD集合。在干扰超图模型中,干扰主要包括独立干扰和累积干扰。图2示出了干扰超图模型的示例,该干扰超图模型包括8个顶点和4个超边,分别表示为(v1,v2,...,v8)和(e1,e2,...,e4)。
独立干扰:将一个IIoTD产生的干扰与干扰阈值进行比较,该阈值sth决定IIoTD处的干扰严重程度。当干扰不存在时,干扰被认为是独立干扰。IIoTD产生的干扰超过干扰阈值,即:
pi,j表示第i个IIoTD在LKj上的发射功率,i=1,2,…,N+M。这意味着超边只包括两个顶点,如图2中的超边e3和e4。
累积干扰:它由多个IIoTD产生。通过比较多个IIoTDS干扰的叠加和IIoTDS的干扰阈值,可以确定它们是否为累积干扰。当多个IIoTD产生的干扰超过干扰阈值时,即:
这意味着超边包括多于两个的顶点,例如图2中的超边e1和e2。
为了在干扰超图模型中记录分配给IIoTD的资源,引入IIoTD的资源分配矩阵X={0,1}(M+N)×J,其中X中的元素x(i,j)的含义如下:
然后,为了避免基于关联矩阵H和资源分配矩阵X的IIoTD之间的干扰,同一超边缘中的IIoTD的资源必须不同,即,满足条件如下:
HTHX=O (7)
其中,右上标T表示矩阵转置,O={0,1}(M+N)×J是零矩阵。
在上面提到的干扰模型中,本例分析了IIoTD之间的干扰关系和资源冲突关系,得到了设备之间的资源关系矩阵。这个矩阵允许本例观察节点之间的资源分配。当矩阵中的值为0时,表示节点之间没有冲突;否则,存在冲突。这种方法有助于减少干扰并优化频谱资源利用率。然而,在这个网络中,有大量的AoI应用需要数据的及时性,确保信息的新鲜度确实是一个具有挑战性的问题。在重叠干扰的背景下,有效地管理资源以满足这些时间敏感型应用的需求变得更加关键。这需要先进的算法和策略来优化资源分配、最小化干扰影响并保持所需信息的AoI。
(3)步骤S3:构建鲁棒优化模型
为了应对这一挑战,本例可以利用AoI指数来量化实时数据,并有效地提高UDIIoT网络的网络性能。在本步骤中,本例考虑到UDIIoT网络中存在大量的时效***,因此本例使用AoI指标来构建平均AoI模型。在该模型中,本例将DD向IIoTD传输数据的过程表示为M/M/1模型,并将其转换为速率约束。通过结合资源冲突矩阵和功率控制矩阵,建立了一个鲁棒优化模型,其目标是最大限度地提高网络吞吐量。该模型旨在协调节点间的资源分配和功率控制,以最大限度地提高网络吞吐量,同时满足AoI应用的新鲜度要求。
在UDIIoT网络中,传输的信息随着时间的推移而变化,数据的有效性在很大程度上取决于其及时性。为了评估***在IIoTDS及时接收数据方面的性能,本例引入了AOI的概念。AOI衡量IIoTDS收到的数据的新鲜度或及时性,并提供对***性能的洞察。
在这个场景中,网络的主要任务是DD向CD发送分组,本例假设源是DD,目的是IIoTDS。时间t的AOI被定义为:
Δ(t)=t-U(t) (8)
其中U(t)是BS接收的最新更新的时间戳。图3表示UDIIoT网络中AoI随时间变化的示意图。曲线图中的时间曲线表示状态年龄时间Δ(t),其线性增加,然后在接收到数据包时下降到较小的值。假设ti是DD发送生成的分组的次数,并且ti′是CD接收分组的次数。在UDIIoT网络中,本例将DD发送数据包的过程建模为M/M/1队列模型。在M/M/1模型中,数据到达率服从泊松分布,数据服务时间服从指数分布。λ是数据到达速率。本例假设P是数据到达间隔时间的指数分布,ρ是DD的数据利用率,定义为因此,/>且 表示期望。
平均AoI则计算为:
其中TA表示图3中的梯形区域,ST是***时间,即,排队等待时间W和服务时间S之和如下:
ST=W+S (10)
其中因此,式(9)可以改写为:
在M/M/1模型中,当网络达到稳态时,***时间ST是随机相同的,并且M/M/1模型的***时间ST的概率密度函数为:
s表示时间。
因此,给定Pi=p的等待时间Wi的条件期望可以获得为:
根据式(12)和(13),可以如下获得期望
本例将式(11)和(14)代入式(9),M/M/1的平均AoI可得到如下:
通过导出的平均AoI,本例可以观察到M/M/1模型中的平均AoI与IIoTD处理数据速率和数据到达速率有关。在UDIIoT网络中,存在大量的时效***,需要保证数据传输的时效性。因此,本例为AoI服务建立了一个平均AoI模型。为了满足AoI服务的及时性要求,平均AoI必须小于队列中允许的最大AoI阈值Δth,表达式如下:
ΔM/M/1<Δth (16)
因此,AoI服务的DD表达的速率通过以下公式获得:
其中是式(16)的解,其表示用于AoI服务的DDn的最小速率阈值。等式(17)将DDn对AoI服务的AoI要求变换为速率要求。它获得所需的最小速率约束,以确保对时间敏感的应用程序的DDn的AoI要求。
在UDIIoT网络中,资源分配问题是通过最大化网络吞吐量同时确保AoI要求来实现的。在不完全信道状态信息条件下,建立了一种基于干扰超图的资源分配模型。结合发射功率约束和信道选择约束,建立了以网络吞吐量最大化为目标的鲁棒优化模型,数学模型如下所示:
其中xn,j表示每个DD的资源分配因子,当xn,j=1时,这意味着DDn被LKj。ζ表示最小概率阈值。约束C1表示确保DDn的AoI要求所需的最小速率的概率约束;约束C2表示基于干扰超图模型的资源分配约束;约束C3表示每个DD的发射功率不能最大发射功率阈值。max表示使最大,s.t.表示需满足,表示任意的。Pr{·}表示事件{·}发生的概率。Rth的最小速率阈值即/>
(4)步骤S4:鲁棒优化模型的求解
从鲁棒优化模型中可以看出,信道增益hn,j在不完美CSI下是不确定的,使得该模型不能用传统的优化方法求出全局最优解。因此,本文采用***学习理论的思想对随机概率约束进行训练,以获得更精确的不确定性集,并将其应用于鲁棒优化模型的求解。
在本步骤中,本例提出了一个LRRA-IHAoI算法(考虑干扰超图和AOI需求的基于学习的稳健资源分配算法)来求解鲁棒优化模型。针对上述鲁棒优化模型中遇到的问题,本例首先收集多个独立同分布的不完全CSI样本来学习信道增益不确定集。然后,利用形状学习和尺寸校准方法获得更精确的通道增益不确定性集合,从而对优化模型进行求解。
在鲁棒优化模型中,由于不完美CSI下传输速率的随机性,目标函数不易求解。为了学习不确定性模型,本例需要收集信道增益的样本。在鲁棒优化模型(18)中,速率约束可以重新公式化为:
其中 表示实数,/>表示椭圆集。
在不完美CSI环境中,Hn,j是需要学习的不确定性。本例选择一个椭圆集来表征信道的不确定性。其表达式如下:
其中 和T是从样本数据集学习的参数。因此,本例收集样本QS=Q1,Q2,...,QI,/>用于Hn,j学习。然而,不完美CSI的先验分布的不确定性,使得它难以学习数据集。因此,本例使用置信度的方法来构建不完美CSI的先验分布。式(20)可以重新表述为:
Pr{Pr{Hn,j∈Hn,j(QS)}≥ζ}≥1-θ (21)
其中1-θ是规定的置信水平,Hn,j(QS)表示在条件QS下随机变量Hn,j的取值。然后,本例设计了一种学习方法来确定参数,其中包括形状学习和尺寸校准。在此之前,本例将样本数据集分为两部分,即和/>
形状学习:集合可以被重新公式化为:
其中,的对角元素是集合/>的样本协方差,Γ为/>的初始大小,/>和Γ>0。/>是/>的中心,可以表示为:
矩阵是一个块对角矩阵,其对角元素是数据集的样本协方差,表示为:
其中任一对角线元素/>计算如下:
其中a=1,2和b=1,2表示对角矩阵中块的行和列,Qi是一个特征向量,上标2(n-1)+a和2(n-1)+b表示特征向量的索引,被用作参考值,/>表示特征值/>的均值,/>被用作参考值,/>表示特征值/>的均值。
尺寸校准:尺寸校准的任务是以1-θ的置信度校准符合式(21)的不确定度集。主要问题是估计数据样本变换的分位数:
其中式(26)是从随机空间到/>的映射,Q表示任一样本。然后,为了校准/>本例基于样本数据集QS2定义i(Q)的潜在分布的(1-θ)分位数q1-θ如下:
Pr{i(Q)≤q1-θ}=1-θ (27)
然后,本例可以获得观测值i(Q1),...,i(QN)的函数值。在观测值i(1)≤…≤i(N)按升序排列后,值可以用作分位数i(Q)的上界。因此,不确定集合/>的大小可以被设置为:
Pr{Γ≥q1-θ}=1-θ (28)
其中Γ=i(Q*)。基于上面的学习,本例可以计算出C为:
其中∑是的Cholesky分解,即/>然后,结合表达式(23)和(29),本例可以得到通道增益的相关数据。
然后,通过使用所建立的样本集可以推导出鲁棒形式的问题,SINR可以重写为:
为了便于模型计算,假设:
可以得到:
基于式(31),鲁棒优化问题可以重写为:
其中,||C||是向量C的范数,Ω=σ2IN×1表示噪声功率矩阵。其中:
因此,鲁棒优化问题可以重写为:
在上述优化中,随机信道被学习和训练为然而,在学习过程中,也包括一些遥远的点。为了使随机信道更加准确,需要对数据集进行改进。
在这一部分中,本例将样本集分成几个独立的样本集,剔除远离中心的样本,从而得到更准确的样本集。本例假设Hn,j=[φ]N×1和φ=[hn,j,hm,j]T,式(33)可以重新表示为:
其中基于同样的方法,本例重新构造了椭圆集:
其中 的中心表示如下:
/>
然后,将样本集Q={Q1,Q2,...QI}再次分成N个样本。
以Q1为例,不同信道实现之间的关系被计算为:
其中表示样本Q1的长度,Q1i表示样本Q1中的第i个特征向量,a=1,2且b=1,2,表示特征向量Q1i的第a维度的值,/>表示特征空间中第a维度上的均值,/>表示特征向量Q1i的第b维度的值,/>表示特征空间中第b维度上的均值。
对于尺寸校准,本例将校准函数定义为:
因此,的大小可以重写如下:
Γ=iQ(Q*) (40)
其中Q*表示公式(39)中的一个特值。
然后,C可以重新计算为:
因此,基于式(35)和(36),鲁棒优化模型可以重新公式化如下:
通过上述学习,本例可以得到更准确的样本数据集。为了求解鲁棒优化模型以最大化网络吞吐量,本例采用LRRAIHAoI算法,通过拉格朗日对偶定理将鲁棒优化模型转化为凸优化问题进行求解。LRRAIHAoI资源分配方法的伪码在算法1中示出。由于CSI的不完美性,信道参数是随机的。因此,本例使用学习信道样本数据集来获得更准确的信道参数。然后,对***参数进行初始化,设置初始点p0等相关参数,通过迭代求出优化模型的解。
根据上面的伪代码可以看到,在算法1中,每个信道都必须通过样本数据集进行学习,从而获得更准确的信道样本参数,然后利用拉格朗日对偶定理对模型进行求解,得到模型的可行解。因此,所提出的LRRA-IHAoI算法的总复杂度为O((INJ))。
基于上述方法,本发明实施例还提供一种超密集工业物联网的资源分配***,包括***模型构建模块、超图干扰模型构建模块、鲁棒优化模型构建模块、优化模型求解模块。***模型构建模块、超图干扰模型构建模块、鲁棒优化模型构建模块、优化模型求解模块分别用于执行上述方法中的步骤S1、S2、S3、S4。
下面将提供数值和仿真结果来证明所提出的LRRAIHAoI算法的性能,并通过比较联合鲁棒算法和非鲁棒算法来验证所提出的LRRA-IHAoI算法的有效性。模拟场景是使用D2D技术的UDIIoT。BS的覆盖范围为半径为600m的圆,BS带宽B为5MHz,DD数量为30,数据集数量为100。其余的模拟参数如表1所示。
表1
图4示出了在UDIIoT网络中DD的最大AoI阈值Δth与DD的吞吐量之间的关系。可以观察到,随着最大AoI阈值Δth增加,DD的吞吐量也降低。这是因为UDIIoT网络中DD的实时业务需求增加,DD之间数据传输的及时性将降低,从而降低UDIIoT网络的通信质量。此外,本例还可以观察到,当数据到达率Δ增加时,UDIIoT网络的吞吐量也会增加。这是因为当DD之间的数据传输速率增加时,可能导致分组拥塞,从而导致UDIIoT网络的吞吐量降低。
图5示出了DD功率阈值pth与EE之间的关系。图5清楚地示出了所提出的LRRA-IHAoI算法实现了比联合鲁棒算法更高的EE。这表明,在具有不完美CSI的UDIIoT网络中,在实现EE上,LRRA-IHAoI算法优于联合鲁棒算法。这种改进可以归因于LRRA-IHAoI算法通过增强学习样本数据集来降低信道不确定性的能力。因此,该算法有效地降低了DD的功耗,全面提高了网络EE。
图6和图7示出了DD的功率阈值pth与IE和吞吐量之间的关系。如图6所示,所提出的LRRAIHAoI算法的IE与对比算法的IE相当。然而,图7表明LRRA-IHAoI算法的网络吞吐量超过对比算法的网络吞吐量。这表明LRRA-IHAoI算法在具有不完美CSI的UDIIoT网络中实现了比对比算法更好的服务质量。
同时,从图5、图6和图7中,本例还观察到,当功率阈值pth增大时,DD的IE和EE减小,并且吞吐量增大。这可以归因于当DD的实时服务需求增加时,DD的功耗也增加的事实。因此,这种功耗的增加会影响IE和EE,从而导致UDIIoT网络吞吐量的整体提升。
图8示出了速率阈值Rth与UDIIoT网络的性能之间的关系,图8的(a)表示速率阈值Rth与DD的总EE之间的关系,图8的(b)表示速率阈值Rth与DD的总IE之间的关系,图8的(c)表示速率阈值Rth与DD总吞吐量之间的关系。从图8的(a)、(b)和(c)可以看出,当速率阈值Rth增加时,DD的IE、EE和吞吐量增加,并且所提出的LRRA-IHAoI算法的IE、EE和吞吐量大于对比算法的IE、EE和吞吐量,证明了所提出的LRRA-IHAoI算法的性能优于对比算法和非鲁棒算法。这表明在CSI不完善的UDIIoT网络中,LRRA-IHAoI算法在区分服务中可以获得比对比算法更好的服务质量。同时,比较图8的(a)和(b),可以观察到DD的IE比EE大得多,因为所提出的LRRA-IHAoI算法具有良好的功率效率,这对IE和EE有影响。
图9示出了噪声功率σ与UDIIoT网络性能之间的关系,其中图9的(a)示出了DD的噪声功率σ与总EE之间的关系,图9的(b)示出了噪声功率σ与DD的总吞吐量之间的关系。从图9的(a)和(b)可以看出,当噪声功率σ增加时,DD的EE和吞吐量降低。此外,在不同噪声功率σ的条件下,LRRA-IHAoI算法比对比算法具有更高的EE和吞吐量。这是因为所提出的LRRA-IHAoI算法具有良好的鲁棒性,并且可以有效地降低UDIIoT网络的不完美CSI的影响。结果表明,所提出的LRRA-IHAoI算法的性能优于对比算法和非鲁棒算法。这表明本文提出的LRRAIHAoI算法相比于对比算法表现出了更好的性能,能够有效地最大化UDIIoT场景下的网络吞吐量。
综上所述,本发明实施例提供的超密集工业物联网的资源分配方法及***,首先建立了超密集工业物联网的***模型。然后,建立了基于超图的干扰超图模型,以避免UDIIoT网络中的重叠干扰,该模型可以分析D2D设备(DD)和IIoTD之间的干扰类型和关系,并识别不同DD之间的资源分配冲突,从而减少干扰,优化频谱资源利用。然后,考虑到在UDIIoT网络中,许多实时应用都需要保证数据传输的及时性,使用AOI指数来量化实时性能,而在UDIIoT网络的重叠干扰场景中,存在复杂的环境,信号衰减和信道不确定性增加,导致无法准确获取实时的信道状态信息,因此,建立了一个考虑功率控制和资源冲突约束的不完全CSI的鲁棒优化模型,以最大化网络吞吐量为目标。最后,为了对优化模型进行求解,提出了一种基于学习理论的LRRA-IHAoI算法,通过降低不完善CSI的影响,获得更准确的稳健优化模型解。仿真结果表明,该算法在UDIIoT网络中具有良好的网络吞吐量、干扰效率(IE)和能量效率(EE),这证明了所提出的方案的有效性。
本发明的主要贡献如下:
1)针对UDIIoT网络中的重叠干扰问题,分析了DD之间的干扰类型。在此基础上,建立了干涉超图,可以同时分析DD之间的干涉关系。最后,设计了一种不同DD之间资源分配冲突的判断方法。
2)为了解决在UDIIoT网络重叠干扰场景中保证业务数据及时传输的挑战,本例使用AoI指标来量化实时性能并构建AoI模型。该模型可以将AoI指标转换为速率,以满足实时数据传输的要求。在干扰超图模型和AoI模型的基础上,建立了一种不完美CSI下的鲁棒优化模型,该模型结合了功率控制约束和资源分配约束,以最大化网络吞吐量为目标。
3)针对不完美CSI引入随机信道参数的鲁棒优化模型求解困难的问题,提出了一种基于学习理论的LRRA-IHAoI算法。该算法利用学习理论来改进鲁棒优化模型的信道样本数据集,从而产生更准确的可行解,最大化UDIIoT网络下的网络吞吐量,同时减少不完美CSI的影响。
实验结果表明,LRRA-IHAoI算法能有效提高网络性能,验证了该方法及***的有效性。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (6)
1.超密集工业物联网的资源分配方法,其特征在于,包括步骤:
S1、构建超密集工业物联网的***模型;
所述***模型包括多个基站BS和多个工业物联网设备IIoTD,多个工业物联网设备包括M个蜂窝设备CD和N个D2D设备DD;M个CD的集合表示为CDm表示第m个CD,m=1,2,...,M;N个DD的集合表示为/>DDn表示第n个DD,n=1,2,...,N;在网络中,有DD重复使用CD的频谱进行通信;子信道集合定义为/>LKj表示第j条子信道,j=1,2,...,J;
S2、构建所述***模型的超图干扰模型;
所述超图干扰模型表示为H={V,E},V={v1,v2,...,vN+M}是顶点集合,E={e1,e2,...,eD}是超边集,顶点表示IIoTD,超边表示相互干扰的IIoTD集合,vi表示第i个顶点,i=1,2,...,N+M,ed表示第d个超边,d=1,2,...,D,D表示超边数量;
S3、以满足实时服务的要求,基于所述超图干扰模型构建鲁棒优化模型;
在所述步骤S3中,所述鲁棒优化模型构建为:
C2:HTHX=O,
其中,xn,j表示每个DD的资源分配因子,当xn,j=1时,这意味着DDn被分配LKj;Rn,j是LKj上从DDn到IIoTD的可达传输速率,AoI表示信息年龄;Rth表示最小速率阈值;Pr{·}表示事件{·}发生的概率;ζ表示最小概率阈值;X表示IIoTD的资源分配矩阵,X={0,1}(M+N)×J,其中X中的第i行第j列元素O={0,1}(M+N)×J是零矩阵;pn,j表示DDn在LKj上的发射功率,pth表示最大发射功率阈值;约束C1表示确保DDn的AoI要求所需的最小速率的概率约束;约束C2表示基于干扰超图模型的资源分配约束;约束C3表示每个DD的发射功率不能最大发射功率阈值;max表示使最大,s.t.表示需满足,/>表示任意的;
Rth通过求解下式获得:
ΔM/M/1<Δth
其中,将DD向IIoTD传输数据的过程表示为M/M/1模型,ΔM/M/1表示M/M/1模型的平均AoI,Δth表示队列中允许的最大AoI阈值;
ΔM/M/1由下式计算:
ρ是DD的数据利用率,定义为λ是数据到达速率;
S4、对所述鲁棒优化模型进行求解。
2.根据权利要求1所述的超密集工业物联网的资源分配方法,其特征在于,所述步骤S4具体包括步骤:
S41、构建表征信道实现的不确定性的椭球集合 表示为:
其中, 和C是从样本数据集学习的参数,Hn,j为N个DD在LKj上的信道增益集合,/>h1,h2,...,hN表示第1,2,...,N个信道增益,C表示约束向量,/>表示实数;
S42、基于所述椭球集合将约束C1改写为:
其中,Pn,j表示N个DD对LKj的发射功率矩阵,Ω=σ2IN×1表示噪声功率矩阵,σ表示噪声功率,IN×1表示N×1的单位矩阵;
S43、剔除所述椭球集合中的低概率区域,重建所述椭球集合/>如下:
假设Hn,j=[φ]N×1和φ=[hn,j,hm,j]T,表示重建后/>的中心,hn,j表示DDn在LKj上的信道增益,hm,j表示CDm在LKj上的信道增益,hn,j是随机信道参数;[]T表示矩阵转置;
S44、将所述步骤S42改写后的约束C1进一步改写为:
S45、使用步骤S44重建的椭球集合对步骤S43改写C1后的鲁棒优化模型进行求解,获得全局最优网络吞吐量解。
3.根据权利要求2所述的超密集工业物联网的资源分配方法,其特征在于,所述步骤S41具体包括步骤:
S411、收集I个独立同分布的不完美CSI样本Q1,Q2,...,QI构成样本集合QS=Q1,Q2,...,QI,CSI表示信道状态信息;
S412、将样本集合QS分成两个集合和/>其中QS1包括前I1个样本/>QS2包括剩余样本/>
S413、计算参数和块对角矩阵/>将椭球集合/>表示为 的对角元素是集合/>的样本协方差;Γ为的初始大小,/>是/>的中心,表示为:/>
S414、通过集合QS2定义任一样本Q的校准值i(Q)的潜在分布的1-θ分位数q1-θ,然后,获得观测值i(Q1),...,i(QN)的函数值,并将观测值i(1)≤...≤i(N)按升序排列后,值用作i(Q)的1-θ分位数的上界;
S415、根据Γ=i(Q*)计算C,其中Σ是/>的Cholesky分解;
S416、基于计算的参数和C得到样本集/>
4.根据权利要求3所述的超密集工业物联网的资源分配方法,其特征在于:在所述步骤S45中,首先将改写后的鲁棒优化模型转化为拉格朗日对偶模型,构造凸问题,然后根据拉格朗日的KKT定理求解模型的解。
5.根据权利要求1所述的超密集工业物联网的资源分配方法,其特征在于:在所述干扰超图模型中,干扰包括独立干扰和累积干扰;独立干扰指,将一个IIoTD产生的干扰与干扰阈值sth进行比较,若IIoTD产生的干扰超过干扰阈值sth,则该若IIoTD产生的干扰被认为是独立干扰;累积干扰指,当多个IIoTD产生的干扰超过干扰阈值sth时,则该多个IIoTD产生的干扰被认为是累积干扰。
6.超密集工业物联网的资源分配***,其特征在于:包括***模型构建模块、超图干扰模型构建模块、鲁棒优化模型构建模块、优化模型求解模块;所述***模型构建模块、所述超图干扰模型构建模块、所述鲁棒优化模型构建模块、所述优化模型求解模块分别用于执行权利要求1~5任意一项所述的步骤S1、S2、S3、S4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075321.1A CN117915481B (zh) | 2024-01-18 | 2024-01-18 | 超密集工业物联网的资源分配方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410075321.1A CN117915481B (zh) | 2024-01-18 | 2024-01-18 | 超密集工业物联网的资源分配方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117915481A CN117915481A (zh) | 2024-04-19 |
CN117915481B true CN117915481B (zh) | 2024-06-18 |
Family
ID=90694672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410075321.1A Active CN117915481B (zh) | 2024-01-18 | 2024-01-18 | 超密集工业物联网的资源分配方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117915481B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106792824B (zh) * | 2016-12-29 | 2019-11-12 | 重庆邮电大学 | 认知异构无线网络鲁棒资源分配方法 |
US10440310B1 (en) * | 2018-07-29 | 2019-10-08 | Steven Bress | Systems and methods for increasing the persistence of forensically relevant video information on space limited storage media |
US10959101B2 (en) * | 2019-05-01 | 2021-03-23 | Accenture Global Solutions Limited | Cell resource allocation |
US11703853B2 (en) * | 2019-12-03 | 2023-07-18 | University-Industry Cooperation Group Of Kyung Hee University | Multiple unmanned aerial vehicles navigation optimization method and multiple unmanned aerial vehicles system using the same |
CN114690799A (zh) * | 2022-01-24 | 2022-07-01 | 东莞理工学院 | 基于信息年龄的空天地一体化无人机物联网数据采集方法 |
CN116249202A (zh) * | 2023-03-13 | 2023-06-09 | 东北大学 | 一种物联网设备的联合定位与计算支持方法 |
CN116634500A (zh) * | 2023-05-31 | 2023-08-22 | 河南工业大学 | 基于超图匹配计算与通信容量增强的d2d计算卸载方法 |
CN116938721A (zh) * | 2023-08-30 | 2023-10-24 | 重庆邮电大学 | 工业物联网中数字孪生辅助的网络切片资源分配方法 |
CN117354833A (zh) * | 2023-10-12 | 2024-01-05 | 福州大学 | 基于多智能体强化学习算法的认知物联网资源分配方法 |
CN117376355B (zh) * | 2023-10-31 | 2024-07-09 | 重庆理工大学 | 基于超图的b5g海量物联网资源分配方法及*** |
-
2024
- 2024-01-18 CN CN202410075321.1A patent/CN117915481B/zh active Active
Non-Patent Citations (2)
Title |
---|
Gabr, B等.Age of Information for Preemptive/Non-preemptive Transmissions in Large-Scale IoT Networks.《IEEE GLOBAL COMMUNICATIONS CONFERENCE (GLOBECOM 2022)》.2022,全文. * |
杨凡等.6G密集网络中基于深度强化学习的资源分配策略.《通信学报》.2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117915481A (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sharma et al. | Toward massive machine type communications in ultra-dense cellular IoT networks: Current issues and machine learning-assisted solutions | |
Alqerm et al. | Sophisticated online learning scheme for green resource allocation in 5G heterogeneous cloud radio access networks | |
CN109639377B (zh) | 基于深度强化学习的频谱资源管理方法 | |
US8190165B2 (en) | System and method for utility-based scheduling for space division multiple access (SDMA) on an uplink of a wireless communications network | |
CN105704824B (zh) | 一种无线网络的多维资源分配的方法 | |
US9585077B2 (en) | Systems and methods facilitating joint channel and routing assignment for wireless mesh networks | |
US9451611B2 (en) | System and method for controlling multiple wireless access nodes | |
US9072098B2 (en) | Load aware resource allocation in wireless networks | |
CN110492955B (zh) | 基于迁移学习策略的频谱预测切换方法 | |
US8488530B2 (en) | Method and apparatus of dynamic channel assignment for a wireless network | |
Hou et al. | Radio resource allocation and power control scheme in V2V communications network | |
US10736119B2 (en) | Radio resource management in large wireless networks | |
Yang et al. | Efficient resource allocation algorithm for overlay D2D communication | |
CN115802380A (zh) | 动态不确定场景下认知工业物联网的资源分配方法及装置 | |
Logeshwaran et al. | Load based dynamic channel allocation model to enhance the performance of device-to-device communication in WPAN | |
Yang et al. | Queue stability and dynamic throughput maximization in multi-agent heterogeneous wireless networks | |
Liu et al. | Robust power control for clustering-based vehicle-to-vehicle communication | |
CN117715219A (zh) | 基于深度强化学习的空时域资源分配方法 | |
US20220078625A1 (en) | Spectrum management device, electronic device, radio communication method, and storage medium | |
CN117915481B (zh) | 超密集工业物联网的资源分配方法及*** | |
CN106162887B (zh) | 一种资源共享匹配的方法及*** | |
CN110012483B (zh) | 一种联合不对称接入和无线携能通信的干扰协调方法 | |
Kim et al. | Multi-channel-based scheduling for overlay inband device-to-device communications | |
Ji et al. | Optimization of resource allocation for V2X security communication based on multi-agent reinforcement learning | |
CN117641598B (zh) | 基于***鲁棒学习的消费电子资源分配方法及*** |
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 |