Network Topology Adaptation and Interference Coordination for Energy Saving in Heterogeneous Networks
异构网络中的干扰耦合给网络资源优化问题引入了固有的非凸性，阻碍了有效解决方案的发展。本文提出了一种基于多模式公式的新框架，研究联合小区激活、用户关联和多小区多用户信道分配的节能策略。这种干涉图案公式化的一个关键特征是图案保持固定并且独立于优化过程。这为线性规划公式化创造了有利的机会，同时仍然考虑干扰耦合。一个定制的算法来解决制定的网络节能问题的双重域利用问题的结构，这给出了一个显着的复杂性节省相比，使用标准的求解器。数值结果表明，所提出的方案在节能方面取得了巨大的进步。
2016-01-09 cs.NI
Learning Based Frequency- and Time-Domain Inter-Cell Interference Coordination in HetNets
在这篇文章中，我们专注于异构网络（Het-Net）部署中的小区间干扰协调（ICIC）技术，宏小区和微微小区通过松散的协调自主优化其下行链路传输。我们将这种战略共存建模为多代理系统，旨在联合干扰管理和小区关联。使用强化学习（RL）的工具，代理（即，宏小区和微微小区）感测它们的环境，并且基于本地信息自适应，以便最大化它们的网络性能。具体来说，我们探索时域和频域ICIC的情况下，并提出了两个级别的RL制定。这里，微微小区学习它们的最佳小区范围扩展（CRE）偏置和发射功率分配，以及用于多流传输的适当频带，其中用户设备（UE）可以同时由来自宏层和微微层的两个或更多个基站（BS）服务。为了证实我们的理论研究结果，基于长期演进高级（LTEA）的系统级仿真进行了比较，我们提出的方法与一些基线方法，如资源划分（RP），静态CRE，单流载波聚合（CA）。与静态ICIC方法相比，我们提出的解决方案在时域中的平均UE吞吐量方面产生高达125%的大幅增益。在频域中，我们提出的解决方案在小区边缘UE吞吐量方面产生高达240%的增益。
2014-11-20 cs.NI
Optimized Distributed Inter-cell Interference Coordination (ICIC) Scheme using Projected Subgradient and Network Flow Optimization
在本文中，我们解决多小区资源调度的问题，其目标是通过小区间干扰协调（ICIC）最大化加权和速率。消隐方法用于减轻小区间干扰，其中资源以预定发射功率使用或根本不使用，即，空白该问题是一个强NP难问题，这意味着它不仅难以在多项式时间内求解，而且很难找到一个保证最优性间隙的近似算法。在这项工作中，我们确定了一个多项式时间算法可以构建解决这个问题的理论保证的特殊情况。特别是，我们定义了一个占主导地位的干扰环境，其中对于每个用户，从每个干扰器的接收功率显着大于从所有其他较弱的干扰器的总接收功率。我们表明，强NP难问题可以紧紧放松到一个线性规划问题在一个占主导地位的干扰环境。因此，我们提出了一个多项式时间的分布式算法，是基于原始分解，投影次梯度，和网络流优化方法。仿真结果表明，与基线方案相比，该方案在总吞吐量、小区边缘吞吐量和中断概率方面都有更高的增益。
2014-10-31 cs.NI
Deep Reinforcement Learning for 5G Networks: Joint Beamforming, Power Control, and Interference Coordination
第五代无线通信（5G）有望大幅增加业务量和数据率，并提高语音呼叫的可靠性。在5G无线网络中联合优化波束成形、功率控制和干扰协调以增强对终端用户的通信性能是一项重大挑战。在本文中，我们将波束成形、功率控制和干扰协调的联合设计表述为非凸优化问题，以最大化信号干扰噪声比（SINR），并使用深度强化学习解决此问题。通过使用深度Q学习的贪婪性质来估计未来的行为回报，并使用网络服务的用户的报告坐标，我们分别提出了一种用于6 GHz以下和毫米波（mmWave）频段的语音承载和数据承载的算法。该算法提高了由信干噪比和速率和容量衡量的性能。在现实的蜂窝环境中，仿真结果表明，我们的算法优于亚6 GHz语音承载的链路自适应行业标准。对于毫米波频带中的数据承载，我们的算法接近最大和速率容量，但所需的运行时间小于4%。
2019-12-29 cs.NI
Algorithms for Enhanced Inter Cell Interference Coordination (eICIC) in LTE HetNets
具有宏小区和微微小区的LTE异构网络（HetNet）的成功关键取决于高功率宏小区和低功率微微小区之间的高效频谱共享。在此上下文中的两个重要挑战是，{（i）}确定宏小区应当{ \em提供}给微微小区的无线电资源的量，以及{（ii）}确定决定哪些UE应当与微微小区相关联的关联规则。在本文中，我们开发了一种新的算法来解决这两个耦合问题的联合方式。我们的算法具有可证明的保证，而且，它占网络拓扑结构，流量负载，和宏微微干扰地图。我们的解决方案是标准兼容的，并且可以使用LTE标准提出的几乎空白子帧（ABS）和小区选择偏置（CSB）的概念来实现。我们还展示了广泛的评估，使用RF计划从一个真实的网络，并讨论基于SON的eICIC实现。
2013-02-15 cs.NI
A Self-Organized Resource Allocation using Inter-Cell Interference Coordination (ICIC) in Relay-Assisted Cellular Networks
在多小区场景中，小区间干扰（ICI）对于实现预期的系统性能是有害的，特别是对于边缘用户。在中继辅助蜂窝网络（RACN）的ICI协调（ICIC）的文献中，工作是缺乏的。本文对蜂窝网络和RACN中的ICIC方案进行了综述。然后，我们提出了一个自组织的资源分配计划的RACN，以提高边缘用户的性能ICIC。我们比较了复用-1，复用-3，软频率复用（SFR）计划，提出的计划与没有中继的性能。用于比较的性能指标是边缘用户的频谱效率，他们的信号干扰噪声比（SINR）和系统的区域频谱效率。仿真结果表明，在静态分配场景下，我们提出的计划比现有的资源分配方案性能更好。接下来，我们建议使我们的资源分配计划是动态的和自组织的。我们提出的计划的显着特点是：一，它实现了系统的区域频谱效率和边缘用户的频谱效率性能之间的权衡。其次，引入干扰邻居集的概念，通过实体间的局部交互实现ICIC。
2014-04-19 cs.NI
A Multi-traffic Inter-cell Interference Coordination Scheme in Dense Cellular Networks
本文提出了一种新的半分布式和实用的ICIC方案的基础上几乎空白子帧（ABSF）的方法，由3GPP。我们定义了两个数学规划问题的情况下，保证和尽力而为的流量，并使用博弈论来研究衍生的ICIC分布式计划，这是比较详细的对负担不起的集中式计划的属性。基于对所提出的模型的分析，我们定义了分布式多业务调度（DMS），一个统一的分布式框架自适应干扰感知调度的基站在未来的蜂窝网络，占保证和尽力而为的流量。DMS遵循两层方法，由本地ABSF调度器和轻量级本地管理器组成，本地ABSF调度器在保证流量和尽力而为流量之间执行资源分配，本地管理器协调ABSF本地决策。由于这种双层设计，DMS需要非常轻的信令来驱动本地路由器到全局有效的操作点。如通过数值结果所示，DMS允许（i）最大化无线电资源重用，（ii）为保证的业务提供所请求的质量，（iii）最小化专用于保证的业务的时间以为尽力而为业务留下空间，以及（iv）最大化尽力而为业务的资源利用效率。
2017-08-24 cs.NI
Enhanced Inter-Cell Interference Coordination Challenges in Heterogeneous Networks
3GPP LTE-Advanced已经开始了一项新的研究项目，以研究异构网络（HetNet）部署作为处理无情的业务需求的成本有效的方式。HetNet由宏小区、远程无线电头端和低功率节点（例如微微小区、毫微微小区和中继）的混合组成。利用网络拓扑，增加接入网络和终端用户之间的接近度，有可能在无线网络中提供下一个重大的性能飞跃，提高空间频谱重用并增强室内覆盖。然而，覆盖宏小区的大量小小区的部署并非没有新的技术挑战。在这篇文章中，我们提出了异构网络的概念，并描述了与这种网络架构相关的主要技术挑战。我们特别关注与增强的小区间干扰协调相关的3GPP内的标准化活动。
2011-12-07 cs.IT cs.NI math.IT
Queue-Aware Joint Dynamic Interference Coordination and Heterogeneous QoS Provisioning in OFDMA Networks
我们提出了云无线接入网络，不仅提供异构的服务质量（QoS）的速率，重要的是，延迟敏感的应用程序，但也共同优化的频率复用模式的算法。重要的是，与相关的作品，我们占随机到达，通过队列意识，不像大多数作品只集中在一个单一的帧，我们认为QoS措施平均在多个帧涉及一组闭环控制。我们将此问题建模为多小区优化，以最大化受QoS约束的总效用，表示为最小平均速率或最大平均延迟。由于我们考虑动态干扰协调与动态用户关联，即使在整数松弛后，问题也不是凸的。我们将问题转化为帧速率的优化，服从于交织的原始和对偶问题的分解。这个优化问题的解决方案提供了联合决策调度，动态干扰协调，重要的是，不像大多数作品在这一领域，动态用户关联。此外，我们提出了一种新的方法来管理不可行的负载。大量的仿真证实，该设计响应瞬时负载，异构用户和AP的位置，信道条件和QoS约束，同时，如果需要的话，保持低中断时，处理不可行的负载。与基线比例公平计划的比较说明了所取得的成果。
2018-01-25 cs.IT cs.NI math.IT
Self-optimized Coverage Coordination in Femtocell Networks
本文提出了一种自优化的覆盖协调方案的两层毫微微蜂窝网络，其中一个毫微微蜂窝基站调整发射功率的基础上的信号和干扰功率的统计测量在毫微微蜂窝下行链路。此外，推导了毫微微小区覆盖区泄漏到室外宏小区的覆盖泄漏概率的解析表达式。通过仿真验证了覆盖分析的正确性，表明该方案能够提供足够的室内毫微微小区覆盖，且不会泄漏到室外宏小区。
2010-10-14 cs.NI
Femto-Macro Cellular Interference Control with Subband Scheduling and Interference Cancelation
部署毫微微蜂窝基站的一个重大技术挑战是控制从毫微微蜂窝基站到宏蜂窝基站覆盖的干扰。本文提出了一种新的干扰控制方法，将宏蜂窝带宽划分为子带，短程毫微微蜂窝链路基于负载溢出功率控制方法在子带上自适应地分配功率。该方案可以改善宏网络中的速率分布，同时也为短距离通信提供机会。此外，所提出的方案需要最小的干扰之间的协调通信的毫微微蜂窝和宏，这是在毫微微蜂窝系统的主要挑战之一。此外，模拟显示出一定的优势，比简单的正交化方案或功率控制方案，没有子带划分。利用干扰消除，进一步的适度增益也是可能的。
2010-07-11 cs.NI
Downlink Interference Estimation without Feedback for Heterogeneous Network Interference Avoidance
在本文中，我们提出了一种新的方法，一个基站（BS）估计由任何给定的移动接收机接收的总下行链路干扰功率，没有来自用户的信息反馈或相邻BS之间的信息交换。预测方法是确定性的，可以快速计算。这是通过首先将蜂窝网络抽象为数学模型，然后基于在观察BS处进行的功率谱测量来推断在任何位置处接收的干扰功率来实现的。分析扩展的方法，一个$\mathsf{K}$层异构网络，并证明了各种采样密度的技术的准确性。本文演示的方法，通过将其应用到一个机会主义的传输技术，避免传输的信道被淹没的干扰。仿真结果表明，所提出的技术表现接近或优于现有的干扰避免技术，需要信息交换，并产生了30%的吞吐量提高基线配置。
2014-04-01 cs.NI
Solution for Interference in Hotspot Scenarios Applying Q-Learning on FFR-Based ICIC Techniques
Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）
针对热点场景中的干扰问题，提出基于Q-Learning动态调整FFR-ICIC参数的方法，以提升用户SINR，实验表明热点用户SINR最高提升180%。
2026-09-28 cs.NI
Predicting Performance of Channel Assignments in Wireless Mesh Networks through Statistical Interference Estimation
无线网状网络（WMN）部署准备减少对有线基础设施的依赖，特别是随着多无线电多信道（MRMC）WMN架构的出现。但是MRMC WMN提供的好处，即，增强的网络容量、不间断的连接和减少的等待时间被普遍干扰的有害影响所贬低。因此，干扰缓解是WMN部署的主要目标。它通常是通过谨慎的信道分配（CA）计划，最大限度地减少干扰的不利影响，提高网络性能。然而，在研究文献中已经提出了许多CA方案，并且经常感觉到CA性能预测度量的缺乏，该度量可以帮助为给定的WMN选择有效的CA方案。在这项工作中，我们提供了一个新的特性的干扰地方性无线网络。然后，我们提出了一个可靠的CA性能预测指标，它采用了统计干扰估计方法。我们进行了严格的定量评估建议的指标，通过验证其CA性能预测与实验结果，记录从广泛的模拟运行在ns-3 802.11g环境。
2015-06-28 cs.NI
Radio Resource Management for eICIC, CoMP, Relaying and Back-Hauls Techniques in LTE-Advanced Networks, Concepts and a Literature Survey
小区中的频率复用是LTE用于最大化频谱效率的策略之一。然而，这导致小区之间的干扰，特别是在小区边缘处，其中小区边缘用户在由相邻小区发送的资源块上被调度的概率很高;因此，干扰很高。为了减轻小区间干扰，第三代合作伙伴计划3GPP标准针对LTE网络提出了小区间干扰协调，并且随后针对高级LTE异构网络部署提出了增强的小区间干扰协调。由3GPP针对高级LTE网络提出的可以减少小区间干扰并提高小区平均和小区边缘用户吞吐量的另一种技术是协调多点发送和接收技术，其中它可以通过多个小区中的联合调度和数据处理来增加上行链路和下行链路传输中的小区平均和小区边缘用户吞吐量。由3GPP针对高级LTE网络提出的可以在困难条件下改善LTE网络覆盖的另一种技术是部署中继节点和回程。在本文中，我们调查的无线电资源管理这些技术，与LTE-Advanced。我们首先解释这些技术的概念。然后，通过总结文献中提出的无线资源管理方法，这些技术。最后，我们在最后一节提出一些结论性意见。
2022-08-30 cs.NI
Self-organized Low-power IoT Networks: A Distributed Learning Approach
实现大规模节能物联网（IoT）连接是实现网络化社会的重要一步。虽然传统的广域无线系统高度依赖于网络侧协调，但信令中消耗的能量水平以及物联网设备数量的预期增加使得这种集中式方法在未来不可行。在这里，我们通过从过去的通信中学习，通过物联网网络的自我协调来解决这个问题。为此，我们首先研究适用于物联网通信的低复杂度分布式学习方法。然后，我们提出了一个学习的解决方案，以适应设备的通信参数的环境，以最大限度地提高能源效率和数据传输的可靠性。此外，利用随机几何工具，我们评估了建议的分布式学习解决方案对集中式协调的性能。最后，我们分析了能源效率之间的相互作用，通信的可靠性，对噪声和干扰的数据信道，并对对抗性干扰的数据和反馈信道的可靠性。仿真结果表明，与最先进的方法相比，使用所提出的学习方法可以显着提高物联网通信的能效和可靠性。这些使用轻量级学习实现的有希望的结果使我们的解决方案在许多低成本低功耗物联网应用中非常有利。
2018-07-15 cs.NI
Interference Graph Estimation for Resource Allocation in Multi-Cell Multi-Numerology Networks: A Power-Domain Approach
本文针对多小区多参数集网络提出功率域干扰图估计方法，通过控制基站发射功率同时估计小区内外干扰信道增益，并与资源分配联合优化，实现低开销、高鲁棒性的干扰图估计。
2025-03-11 cs.NI
Power-Domain Interference Graph Estimation for Full-Duplex Millimeter-Wave Backhauling
本文提出在全双工毫米波回传网络中利用功率域进行干扰图估计，将网络建模为线性系统，通过功率控制联合优化资源分配与IGE，实现数据传输与测量同时进行，仿真验证了该方法能以极小额外功耗准确估计重要干扰链路。
2024-05-09 cs.NI
GPS Spoofing Attacks on Automated Frequency Coordination System in Wi-Fi 6E and Beyond
本文揭示了 Wi-Fi 6E/7 自动频率协调系统中基于 GPS 的位置报告可被低成本无线电设备欺骗，从而操纵 AP、非法占用频谱或使其失效，并通过实验验证了商用 AFC 系统的安全缺陷。
2025-11-07 cs.CR cs.NI
Joint Resource Allocation for eICIC in Heterogeneous Networks
高功率宏和低功率微微之间的干扰协调对异构网络（HetNet）的性能有着深刻的影响。它应该处理三个挑战：与宏和微微的用户关联、宏应该为微微保留的几乎空白子帧（ABS）的量、以及每个eNB中的资源块（RB）分配策略。我们制定的三个问题联合和加权对数效用最大化，同时保持比例公平的用户。提出了一类求解联合优化问题的分布式算法。我们的框架可以部署用于现有LTE-A协议中的增强型小区间干扰协调（eICIC）。广泛的评估进行验证我们的算法的有效性。
2014-09-12 cs.IT cs.NI math.IT
Cross-network transferable neural models for WLAN interference estimation
Huawei Technologies Co. Ltd（华为技术有限公司）；Institut Polytechnique de Paris（巴黎理工学院）
空中时间干扰是WLAN的关键性能指标，测量给定时间段内节点在发送或接收之前被迫等待其他传输的时间百分比。能够准确地估计由给定状态改变（例如，信道，带宽，功率）将允许更好地控制WLAN资源，在实际实施之前评估给定配置的影响。我们首先使用真实数据来描述影响它的因素，并导出一组相关的合成工作负载，用于在准确性，泛化性和对离群数据的鲁棒性方面对各种深度学习架构进行受控比较。我们发现，毫不奇怪，图卷积网络（GCN）产生最佳的整体性能，利用校园无线局域网固有的图结构。我们注意到，与LSTM不同，它们很难学习特定节点的行为，除非另外给出节点索引。最后，我们通过将训练好的模型应用于训练时看不到的作战部署，验证了GCN模型的泛化能力。
2022-11-25 cs.AI cs.NI
Efficient Interference Graph Estimation via Concurrent Flooding
Shanghai Jiao Tong University（上海交通大学）
本文提出通过并发泛洪与功率控制实现高效的干扰图估计，以解决无线网络中干扰图应用的挑战。
2026-03-12 cs.NI cs.SY eess.SY
