【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
论文部分内容阅读
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。
其他文献
随着各种移动和物联网设备的出现,利用机器学习和增强现实技术的新型服务和移动应用程序正在涌现。这些服务通常都需要更多的云上计算资源、更低的延迟和更高的可靠性,因此边缘计算技术应运而生。目前,边缘计算技术在诸多场景下都得到了应用。多接入边缘计算（MEC）技术将边缘计算的应用从原来的移动蜂窝网络推广向非3GPP（如Wi-Fi和固网）这类的无线接入方式,进一步促进了边缘计算技术的普及和实施。尽管MEC技术
差分隐私技术通过噪声机制和指数机制分别对数值型数据和非数值型数据进行保护,其以严格的数学证明和定量分析来有效保护隐私数据,传统上在中心化数据上进行差分隐私保护保护,但是如今面临分布式数据的情况,需要在联邦学习的环境下进行隐私保护。联邦学习旨在建立一个分布数据集的联邦学习模型,其设计之初面对的是跨领域、跨部门、跨行业的敏感数据集无法中心化的问题,因此需要在本地进行相应的处理,然后协同构建学习模型。本
西双版纳傣族竹器是当地人不可或缺的生活器具之一。作为人类最早使用的器具,竹器以其取材的便利性、实用的功能性流传至今,随着城镇化的建设进程,竹器从兴盛开始走向衰落,如何适应于当代生活可持续的发展下去,不仅是竹器,也是传统手工艺共同面对的问题。研究以西双版纳傣族竹器为对象,拟在前人已有的研究基础上以设计学的视角为切入点,通过对西双版纳傣族地区竹器的产品分类、工艺流程、艺术特征、生产现状、使用主体、风俗
在未来网络中爆发式计算密集型应用的可预测性推动下,移动边缘计算（Mobile Edge Computing,MEC）被认为是缓解移动终端压力的有效技术,MEC技术允许用户能够将其计算工作负载卸载到位于基站（Base Station,BS）附近具有丰富计算和缓存能力的MEC服务器。面对大量的卸载需求,如何利用有限的通信资源和计算资源为用户提供服务已经是MEC系统中的一个关键问题。此外,非正交多址接入
随着5G时代的到来,与之相关的D2D（Device-to-Device）通信技术已经成为当下研究的重点。作为如今5G时代的移动通信系统的关键技术之一,D2D通信技术已经被证明具有许多非常优秀的特性,例如提高频谱资源的利用率、实现小范围内的资源共享、扩展传统的互联网业务等。虽然D2D通信有很多的优点,但缺点也很明显。在没有基站的支持下,D2D通信容易受到干扰,这就需要其他手段来提高传输可靠性,而网络
近年来,随着物联网的快速发展,物联网设备的数量呈指数型增长。面对上千亿的接入量,传统的云计算蜂窝无线网络难以满足未来网络需求,而且由于移动设备有限的计算、存储、传输等能力,实现无线网络低时延的要求面临着巨大挑战。同时受限于目前的电池技术,移动设备的能耗问题也给物联网的发展增添了不少阻碍。为此,本文主要利用设备到设备（Device-to-Device,D2D）通信辅助移动边缘计算,充分利用无线网络中
随着移动通信技术的发展,具有大量设备接入、数据包短、低速率传输和零星通信特点的大规模机器类型通信（massive Machine-Type Communication,mMTC）已为第五代无线通信（Fifth Generation Mobile Communication System,5G）的研究热点之一。免调度非正交多址接入（Non-Orthogonal Multiple Access,NOM
毫米波（mm Wave）波段为5G通信开启了一个新时代。由于毫米波波长较短,导致传输过程中路径损耗较为严重,而大规模MIMO技术可提供较大的传输增益,因此将毫米波通信技术与大规模MIMO技术相结合可有效缓解这个问题,但随着MIMO规模越来越大必然会导致天线数目的增加,从而增加基站部署成本以及过高的功率损耗。另外,在室内,由于障碍物的存在导致毫米波视距链路不可靠。智能反射面（IRS）是一种具有成本效
移动边缘网络中流量呈现爆炸式增长,移动用户对个性化服务的要求也逐渐提升,但由于有限的缓存,通信网络将面临通信拥塞甚至中断的问题。为了解决这些问题,一种可行的方案就是移动主动缓存。移动主动边缘缓存旨在通过利用与用户行为相关的信息来提高网络吞吐量并改善用户体验。通常,缓存策略需要识别并缓存最受欢迎的内容,以充分利用边缘存储容量。因此,缓存策略的评估指标通常为缓存命中率。本着这种思路,现有缓存策略已经从
本课题以遭受典型网络攻击的一类非线性系统为被控对象,研究控制回路、跟随者输出信号、传感器或执行器不同部位遭受拒绝服务攻击或遭受欺骗攻击的安全控制问题,采用的研究方法包括投影算子技术、分离函数引理、反步法以及动态面控制技术等理论方法。主要研究工作包括以下三个内容:1、针对被控对象和控制器端之间的控制回路遭受拒绝服务攻击的一类不确定非线性系统,提出了一种事件触发的安全控制方案。当系统受到间歇性拒绝服务