566 浏览大规模机器类通信网络中基于干扰控制的资源分配方法研究
摘要：作为第五代移动通信系统（The Fifth Generation Mobile Communication System,5G）三大应用场景之一的大规模机器类通信（massive Machine-Type Communication,m MTC）,受到了研究人员的广泛关注。在该场景下,M2M（Machine to Machine）通信终端数量增长迅速,不仅造成网络中频谱资源匮乏,而且会导致网络拥塞。本文主要针对m MTC场景下无线资源管理及分配问题进行研究。首先,一种借助于干扰图的资源分配策略被提出,解决蜂窝用户（Cellular User,CUE）和数据聚合器（Data Aggregator,DA）之间的资源块和功率分配问题。在该算法中,本文基于图论理论为网络中通信实体之间的干扰关系构造了干扰图,其中CUE、DA为干扰图中的顶点,CUE和DA之间的干扰关系表示为干扰图的边。通过干扰图能够清晰获得系统中各通信实体间的干扰关系,进而能够更有效地指导资源分配、降低系统干扰。仿真结果表明,该算法在提升系统吞吐量,降低干扰方面具有一定的效益。其次,针对m MTC网络中机器类型设备（Machine-Type Communication Device,MTCD）之间的资源分配问题,本文分MTCD聚类和MTC网络内部资源分配两个阶段研究,并分别提出对应算法予以解决。第一阶段中提出一种新的基于余弦相似度（Cosine Similarity,CS）的聚类算法,将系统中MTCD聚类为若干个小的MTC网络。第二阶段则针对MTC网络内部的资源块和功率联合分配,提出了两种Q学习（Q-learning）算法,即集中式Q学习算法（Team Q-learning,Team-Q）和分布式Q学习算法（Distributed Q-learning,Dis-Q）。由仿真结果可得,Team-Q学习算法和Dis-Q学习算法相较于传统算法均可提高系统吞吐量,同时,Dis-Q算法由于复杂度更低,因此它的收敛速度明显快于Team-Q算法。最后,围绕时延敏感的MTCD和DA之间的功率分配问题,且在两者传输时延限制约束下,将功率分配问题转化为一个凸优化问题。通过提出一种次优的功率控制策略,能够在满足MTCD和DA的传输时延限制条件下,最小化MTCD数据传输过程中的能量消耗。
关键词：大规模机器类通信;干扰图
文章目录
摘要
Abstract
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 论文研究内容及结构安排
第二章 5G系统及强化学习技术概述
2.1 5G系统
2.1.1 5G技术指标及应用方向
2.1.2 5G应用场景
2.1.3 mMTC面临的挑战
2.2 强化学习论概述
2.2.1 强化学习理论
2.2.2 Q学习理论
2.3 本章小结
第三章 mMTC场景中基于干扰图的资源分配方案
3.1 系统模型及问题描述
3.1.1 系统模型
3.1.2 问题描述
3.2 算法的提出
3.2.1 CUE用户资源块的分配
3.2.2 数据聚合器DA的资源分配
3.3 仿真结果分析
3.4 本章小结
第四章 mMTC场景下基于集中式和分布式Q学习的资源分配方法
4.1 系统模型及问题描述
4.1.1 系统模型
4.1.2 问题描述
4.2 算法的提出
4.2.1 MTCD聚簇的形成
4.2.2 MTC网络内资源分配
4.3 仿真结果分析
4.4 本章小结
第五章 mMTC场景中时延敏感MTCD的功率分配策略
5.1 系统模型及问题描述
5.1.1 系统模型
5.1.2 问题描述
5.2 算法的提出
5.3 仿真结果分析
5.4 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来展望
参考文献
[1]一种H2H和M2M混合场景下的前导码资源动态分配机制[J]. 王聪,魏成强,李宁,马文峰,田辉. 计算机科学. 2021(05)
[2]室内超密集网络中基于干扰图的自适应干扰协调方法[J]. 吴宣利,谢子怡,吴玮. 通信学报. 2019(09)
[3]H2H/M2M共存场景下基于图论的干扰协调机制[J]. 随楠楠,徐友云,王聪,谢威,朱赟. 计算机科学. 2019(05)
[4]强化学习研究综述[J]. 马骋乾,谢伟,孙伟杰. 指挥控制与仿真. 2018(06)
[5]A trust framework based smart aggregation for machine type communication[J]. Tabinda SALAM,Waheed ur REHMAN,Xiaofeng TAO,Yu CHEN,Ping ZHANG. Science China（Information Sciences）. 2017(10)
