A Bayesian Network Model of the Bit Error Rate for Cognitive Radio Networks
除了作为动态频谱接入的平台,认知无线电还可以作为一种方法,用于通过根据环境和需求智能地调整其操作参数来提高无线通信系统的性能。环境中始终存在的不确定性使得后一种应用的实际实施变得困难。在本文中,我们提出了一个概率图形模型,贝叶斯网络捕捉变量之间的因果关系比特能量噪声谱密度比(EbN 0),载波干扰比(C/I),调制方案(MOD),多普勒相移(Dop_Phi),和比特出错率(BER)。BER指示通信链路的性能。我们提出的贝叶斯网络的目标是使用BER作为证据,以推断其他变量的行为,因此认知无线电可以了解环境的条件,并根据这些知识做出更明智的决策。本文描述了该模型以及用于构建该模型的方法。
2016-07-03 cs.IT math.IT
Graph-Based Radio Resource Management for Vehicular Networks
本文研究了基于设备到设备(D2D)的车辆通信中的资源分配问题,基于信道状态信息(CSI)的慢衰落统计,以减轻用于报告移动链路的快速变化的准确CSI的信令开销。我们考虑的情况下,每个车辆到基础设施(V2I)链路共享频谱与多个车辆到车辆(V2V)链路。利用移动链路的慢衰落统计CSI,在保证所有V2V链路的可靠性的同时,最大化总和V2I容量。我们提出了一种基于图的算法,使用图划分工具划分高干扰V2V链路到不同的集群之前,制定的频谱共享问题作为一个加权的三维匹配问题,然后通过适应高性能的近似算法来解决。
2018-01-08 cs.IT math.IT
Distributed Uplink Resource Allocation in Cognitive Radio Networks -- Part I: Equilibria and Algorithms for Power Allocation
频谱管理已被确定为实现认知无线电网络(CRN)技术的关键一步。当前处理CRN中的频谱管理的大多数工作集中于问题的单个任务,例如,频谱感测、频谱决策、频谱共享或频谱移动性。在这篇由两部分组成的论文中,我们认为,对于某些网络配置,联合执行几个任务的频谱管理提高了频谱效率。具体来说,我们的目标是研究在CRN的上行链路资源管理问题,存在多个认知用户(CU)和接入点(AP)。为了最大化其上行链路传输速率,CU必须与合适的AP相关联(频谱决策),并且与其他CU共享由该AP使用的信道(频谱共享)。这些任务显然是相互依存的,如何有效地以分布式方式执行这些任务的问题在文献中仍然是开放的。
2011-02-10 cs.IT math.IT
A Centralized Metropolitan-Scale Radio Resource Management Scheme
这项工作研究了集中式无线电资源管理的城域网中有非常大量的接入点和用户设备。中央控制器收集来自所有接入点的时间平均流量和信道条件,并在适当的时间尺度上协调整个网络的频谱分配、用户关联和功率控制。在今天的网络中,时间尺度被认为是秒,并且在未来可能会变得更快。在每个时间点的协调问题被公式化为网络效用最大化问题,其中接入点的任何子集可以使用频谱的任何部分来服务设备的任何子集。证明了通过极其稀疏的频谱分配可以使网络效用最大化。通过利用这种稀疏性,一个有效的迭代算法与保证收敛的开发,其中的每一个迭代是在封闭的形式进行。所提出的集中式优化框架可以结合考虑加权和速率、平均分组延迟和/或能量消耗以及对传输功率的非常一般的约束的广泛类别的效用函数。数值结果表明,该算法的可行性的网络多达1,000个接入点和几千个设备。此外,该方案产生显着改善的吞吐量区域和平均分组延迟与几个著名的竞争计划相比。
2018-08-07 cs.IT math.IT
Stochastic Joint Radio and Computational Resource Management for Multi-User Mobile-Edge Computing Systems
移动边缘计算(MEC)最近已经成为一种突出的技术,通过将移动设备卸载到邻近的MEC服务器,将移动设备从计算密集型工作负载中解放出来。为了使卸载有效,需要动态管理无线电和计算资源,以应对时变的计算需求和无线衰落信道。在本文中,我们开发了一种在线联合无线电和计算资源管理算法的多用户MEC系统,目标是最小化的长期平均加权和功耗的移动设备和MEC服务器,受任务缓冲区的稳定性约束。具体而言,在每个时隙,以封闭形式获得移动设备的最优CPU周期频率,并使用Gauss-Seidel方法确定计算卸载的最优发射功率和带宽分配;而对于MEC服务器,以封闭形式获得CPU核心的最优频率和MEC服务器的最优调度决策。此外,延迟改进机制,提出了减少执行延迟。对该算法及其延迟改进版本进行了严格的性能分析,结果表明,以$V$为控制参数,加权总功耗和执行延迟服从$\left[O\left(1\slash V\right),O\left(V\right)\right]$的折衷.仿真结果验证了理论分析的正确性,并说明了各种参数对系统性能的影响。
2017-02-03 cs.IT math.IT
Data-Driven Cellular Mobility Management via Bayesian Optimization and Reinforcement Learning
针对蜂窝网络移动性管理复杂度高的问题,提出基于高维贝叶斯优化和深度强化学习的数据驱动方法,优化切换参数或选择服务小区,在真实场景中优于3GPP基准,并通过迁移学习提升泛化性和训练效率。
2025-05-27 cs.IT math.IT
Learning Radio Resource Management in 5G Networks: Framework, Opportunities and Challenges
在第五代(5G)移动宽带系统中,无线电资源管理(RRM)将达到前所未有的复杂程度。为了应对日益复杂的RRM功能和日益多样化的场景,同时执行5G所需的快速决策,本文提出了一种精益的5G RRM架构,该架构利用了机器学习领域的最新进展,并结合了网络中随时可用的大量数据,这些数据来自测量和系统观察。该架构依赖于一个单一的通用学习框架,直接使用网络中收集的数据为RRM设想。RRM的复杂性被转移到框架的设计,而从该框架导出的RRM算法在无线电接入节点处以计算高效的分布式方式执行。这种方法的潜力进行了验证,在一对相关的场景和未来的方向上的应用机器学习RRM进行了讨论。
2018-05-20 cs.IT cs.NI math.IT
Optimal Hierarchical Radio Resource Management for HetNets with Flexible Backhaul
为宏基站和微微基站(BS)提供回程连接构成了未来异构网络(HetNet)中基础设施成本的显著份额。为了解决这个问题,提出了灵活回程的新兴思想。在这种架构下,并非所有的微微BS都连接到回程,从而显著降低了基础设施成本。在这方面,没有回程连接的微微BS需要与其附近的BS通信,以便具有对回程的间接可接入性。这使得这种网络中的无线电资源管理(RRM)更加复杂和具有挑战性。在本文中,我们解决的问题,跨层RRM在HetNet灵活的回程。我们制定这个问题作为一个两个时间尺度的非凸随机优化,共同优化流量控制,路由,干扰缓解和链路调度,以最大限度地提高通用网络效用。通过利用这个非凸问题的一个隐藏的凸性,我们提出了一个迭代算法,收敛到全局最优解。所提出的算法的好处是低复杂度和低信令,这使得它的可扩展性。此外,由于所提出的双时标设计,它对回程信令延迟也是鲁棒的。仿真结果表明,所提出的解决方案在不同的基线显着的性能增益。
2020-08-27 cs.IT math.IT
Digital-Twin Empowered Site-Specific Radio Resource Management in 5G Aerial Corridor
本文提出基于信道孪生的两阶段资源分配框架,通过高保真CSI优化波束赋形和无人机-基站-波束关联,在5G空中走廊中显著提升端到端吞吐量。
2025-07-06 cs.IT math.IT
Graph Neural Networks for Scalable Radio Resource Management: Architecture Design and Theoretical Analysis
Hong Kong University of Science and Technology(香港科技大学);Peng Cheng Lab(鹏城实验室);ShanghaiTech University(上海科技大学);The Hong Kong Polytechnic University(香港理工大学)
深度学习最近已经成为解决无线网络中具有挑战性的无线电资源管理问题的颠覆性技术。然而,现有的工作所采用的神经网络架构遭受的可扩展性差,通用性,并缺乏可解释性。一种长期存在的提高可扩展性和泛化能力的方法是将目标任务的结构合并到神经网络架构中。在本文中,我们提出了应用图神经网络(GNNs)来解决大规模的无线电资源管理问题,有效的神经网络架构设计和理论分析的支持。具体来说,我们首先证明,无线电资源管理问题可以制定为图优化问题,享有普遍的置换等变性。然后,我们确定了一类神经网络,命名为\emph{message passing graph neural networks}(MPGNNs)。结果表明,它们不仅满足置换等变性,而且可以推广到大规模的问题,同时享有较高的计算效率。为了解释性和理论保证,我们证明了MPGNN和一类分布式优化算法之间的等价性,然后用于分析基于MPGNN的方法的性能和推广。以功率控制和波束成形为例进行的大量仿真将证明,所提出的方法以无监督的方式使用未标记的样本进行训练,在没有特定领域知识的情况下匹配甚至优于经典的基于优化的算法。值得注意的是,所提出的方法是高度可扩展的,并且可以在单个GPU上在$6$毫秒内解决具有$1000$收发器对的干扰信道中的波束成形问题。
2020-10-29 cs.IT cs.LG eess.SP
Bayesian and Multi-Armed Contextual Meta-Optimization for Efficient Wireless Radio Resource Management
本文提出将元学习与贝叶斯优化和多臂老虎机优化相结合的上下文元优化算法,通过跨配置知识转移加速无线网络资源分配参数优化,并在多小区多天线系统上行链路功率控制中验证了其优势。
2023-05-19 cs.IT eess.SP math.IT
Deep Learning based Radio Resource Management in NOMA Networks: User Association, Subchannel and Power Allocation
随着未来无线通信的快速发展,NOMA技术与毫米波技术的结合成为研究热点。NOMA在毫米波异构网络中的应用可以满足未来通信中不同应用和场景下用户的多样化需求。在本文中,我们提出了一个机器学习框架来处理在这样一个复杂的场景中的用户关联,子信道和功率分配问题。我们专注于最大限度地提高能源效率(EE)的服务质量(QoS),干扰限制和功率限制的约束下的系统。具体而言,用户关联通过拉格朗日对偶分解方法来解决,而半监督学习和深度神经网络(DNN)分别用于子信道和功率分配。特别是,未标记样本的引入,以提高近似和泛化能力的子信道分配。仿真结果表明,该方案可以以较低的复杂度获得较高的效率。
2020-06-20 cs.IT eess.SP math.IT
RadiOrchestra: Proactive Management of Millimeter-wave Self-backhauled Small Cells via Joint Optimization of Beamforming, User Association, Rate Selection, and Admission Control
毫米波自回程小小区是下一代无线网络的关键组成部分。它们的密集部署将提高数据速率,减少延迟,并实现接入和回程网络之间的高效数据传输,提供光纤以前无法实现的更大灵活性。尽管具有很高的潜力,但以最佳方式运行密集的自回程网络是一个开放的挑战,特别是对于无线电资源管理(RRM)。本文提出了一个整体RRM框架,RadiOrchestra模型和优化波束成形,速率选择以及用户关联和自回程网络的准入控制。该框架被设计为考虑诸如基站的硬件限制(例如,计算容量、离散速率)、对回程链路的适应性的需要以及干扰的存在。我们的框架被制定为一个非凸的混合整数非线性规划,这是具有挑战性的解决。为了解决这个问题,我们提出了三个算法,提供了复杂性和最优性之间的权衡。此外,我们推导出上界和下界来表征系统的性能极限。我们在各种情况下评估开发的策略,显示在未来的网络中部署实际的自回程的可行性。
2022-07-13 cs.IT cs.NI eess.SP
EMM: Energy-Aware Mobility Management for Mobile Edge Computing in Ultra Dense Networks
将移动边缘计算(MEC)功能与密集部署的基站(BS)相结合,可以带来巨大的好处,例如对计算资源的真正接近、低延迟访问。然而,设想的集成带来了许多新的挑战,其中移动性管理(MM)是一个关键的。简单地应用现有的面向无线电接入的MM方案导致较差的性能,这主要是由于MEC使能的BS的无线电接入和计算服务的共同供应。在本文中,我们开发了一种新的以用户为中心的能量感知移动性管理(EMM)计划,以优化由于无线电接入和计算的延迟,在长期的用户能耗约束。基于李雅普诺夫优化和多臂强盗理论,EMM在线工作的方式没有未来的系统状态信息,并有效地处理不完美的系统状态信息。理论分析明确考虑了无线切换和计算迁移成本,并证明了与具有准确和完整的未来系统信息的Oracle解决方案相比,延迟性能和能耗都有界偏差。所提出的算法也有效地处理的情况下,候选BS随机开关在卸载过程中的任务。仿真结果表明,该算法在满足用户能量消耗约束的情况下,可以获得接近最优的时延性能。
2017-09-08 cs.IT cs.NI math.IT
Bayesian Compressive Sensing with Circulant Matrix for Spectrum Sensing in Cognitive Radio Networks
对于宽带频谱感知,压缩感知已经被提出作为加速高维信号感知和降低计算复杂度的解决方案。压缩感知包括从稀疏信号中获取必要的信息,并在接收机处基于有效的采样矩阵和重构技术来恢复它。为了处理不确定性,提高信号捕获性能,降低感知和重构过程中的随机性,压缩感知需要一个鲁棒的采样矩阵和高效的重构技术。在本文中,我们提出了一种方法,结合了循环矩阵与贝叶斯模型的优点。这种方法的实施,广泛的测试,其结果进行了比较的l1范数最小化与循环或随机矩阵的基础上的几个指标。这些指标是均方误差、重建误差、相关性、恢复时间、采样时间和处理时间。结果表明,我们的技术是更快,更有效。
2018-02-09 cs.IT eess.SP math.IT
ENGNN: A General Edge-Update Empowered GNN Architecture for Radio Resource Management in Wireless Networks
The University of Hong Kong(香港大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);Tongji University(同济大学)
为了在未来的无线网络中实现高数据率和无处不在的连接,关键任务是通过明智的波束成形和功率分配来有效地管理无线电资源。不幸的是,由于高计算复杂性,通常应用的基于优化的算法的迭代性质不能满足低延迟要求。对于实时实现,基于深度学习的方法,特别是图神经网络(GNN),由于置换等方差(PE)属性,已经被证明具有良好的可扩展性和泛化性能。然而,目前的架构只配备了节点更新机制,这禁止应用程序到更一般的设置,其中未知变量也定义在图的边缘。为了填补这一空白,我们提出了一种边缘更新机制,使GNN能够处理节点和边缘变量,并证明其相对于发送器和接收器的PE属性。典型无线资源管理问题的仿真结果表明,该方法实现了更高的和速率,但与国家的最先进的方法相比,具有更短的计算时间,以及推广不同数量的基站和用户,不同的噪声方差,干扰水平,和发射功率预算。
2022-12-14 cs.AI cs.IT cs.NI
An Overview of Data-Importance Aware Radio Resource Management for Edge Machine Learning
The University of Hong Kong(香港大学);Zhejiang University(浙江大学)
连接数十亿物联网(IoT)设备的5G网络将使收集大量实时移动数据成为可能。此外,5G虚拟化架构将在(网络)边缘实现云计算。边缘的丰富数据和计算能力的可用性促使互联网公司在那里部署人工智能(AI),创造了边缘AI的热门领域。边缘学习是该项目的主题,涉及训练边缘AI模型,该模型赋予物联网设备响应实时事件的智能。然而,从许多边缘设备到服务器的高维数据传输可能会导致过度的通信延迟,从而为边缘学习带来瓶颈。传统的无线技术设计,只有无线电接入是无效的,在应对挑战。为了克服通信瓶颈的尝试已经导致了用于智能无线电资源管理(RRM)的一类新技术的发展,称为数据重要性感知RRM。他们的设计以主动机器学习和无线通信的相互作用为特色。具体地说,在主动学习中测量数据重要性的度量(例如,分类不确定性和数据多样性)被应用于RRM,以有效地获取无线网络中的分布式数据,从而在服务器上训练AI模型。本文的目的是提供一个新兴领域的重要性感知RRM的介绍。为此,我们将介绍设计原则,调查该领域的最新进展,讨论一些设计实例,并提出一些有前途的研究机会。
2019-12-08 cs.IT cs.LG math.IT
Average Reward Reinforcement Learning for Wireless Radio Resource Management
University of Virginia(弗吉尼亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
针对无线资源管理中折扣报酬强化学习与无折扣优化目标不匹配的问题,提出平均报酬离策略软演员评论家方法,仿真显示系统性能较传统方法提升15%。
2025-01-12 cs.IT cs.LG cs.NI
Data-Driven Design of 3GPP Handover Parameters with Bayesian Optimization and Transfer Learning
本文提出基于高维贝叶斯优化和迁移学习的3GPP切换参数优化框架,在真实部署中优于3GPP基准方案,并实现跨用户速度的快速适配。
2025-04-03 cs.IT cs.NI eess.SP
When Multiple Agents Learn to Schedule: A Distributed Radio Resource Management Framework
Intel Corporation(英特尔公司)
在无线网络中,并发传输之间的干扰是限制系统性能的关键因素。缓解该问题的一种方式是管理无线电资源,以便最大化平均或最坏情况下的性能。然而,这两个指标的联合考虑往往被忽视,因为它们在本质上是竞争的。在这篇文章中,提出了一种使用多代理深度强化学习(RL)的无线电资源管理机制,该机制在最大化平均和$5^{th}$百分位用户吞吐量之间取得了正确的权衡。网络中的每个发射机都配备有深度RL代理,从网络接收部分观测(例如,信道质量、干扰电平等)以及对于给定的无线电资源,在每个调度间隔决定是活动的还是不活动的,该过程被称为链路调度。根据所有代理的行为,网络向代理发出奖励,表明他们的联合决策有多好。建议的框架使代理以分布式的方式作出决定,和奖励的设计方式,代理努力保证最低的性能,导致公平的资源分配之间的所有用户在整个网络。仿真结果表明,我们的方法相比,分散的基线的平均和$5^{th}$百分位用户吞吐量的优越性,同时实现性能接近的集中式穷举搜索方法。此外,所提出的框架是强大的训练和测试场景之间的不匹配。特别是,它示出了在具有低发射器密度的网络上训练的代理保持其性能,并且当部署在具有较高发射器密度的网络中时优于基线。
2019-06-20 cs.IT cs.LG math.IT
Learning Resilient Radio Resource Management Policies with Graph Neural Networks
University of Pennsylvania(宾夕法尼亚大学);Intel Labs(英特尔实验室);Intel Corporation(英特尔公司)
我们考虑无线干扰网络中的用户选择和功率控制问题,无线干扰网络包括通过共享无线介质与一组用户设备装置(UE)通信的多址接入点(AP)。为了实现高聚合速率,同时确保所有用户的公平性,我们制定了一个弹性的无线电资源管理(RRM)策略优化问题,每个用户的最小容量约束,通过可学习的松弛变量适应底层网络条件。我们重新制定的拉格朗日对偶域的问题,并表明,我们可以参数化的RRM政策使用一组有限的参数,可以通过一个无监督的原始-对偶的方法,由于一个可证明的小的对偶差距,松弛和对偶变量一起训练。我们使用一个可扩展的和置换等变图神经网络(GNN)架构的RRM策略的基础上,从瞬时信道条件的图形拓扑结构参数。通过实验结果,我们验证了最小容量约束适应底层网络配置和信道条件。我们进一步证明,与基线算法相比,由于这种自适应,我们提出的方法在平均速率和第5百分位数速率(量化资源分配决策公平性水平的指标)之间实现了卓越的权衡。
2023-03-15 cs.IT cs.LG eess.SP
Radio Resource Management Design for RSMA: Optimization of Beamforming, User Admission, and Discrete/Continuous Rates with Imperfect SIC
本文针对不完美SIC下的多用户RSMA系统,提出联合优化波束成形、用户准入和离散/连续速率的RRM算法,以最大化WSR和WEE,并通过仿真证明考虑离散速率和用户准入可显著提升资源效率与系统稳健性。
2024-04-30 cs.ET cs.IT cs.NI
Optimal Radio Resource Management for ISAC Under Imperfect Information: A Resource Economy-Driven Perspective
Ruhr University Bochum(波鸿鲁尔大学)
本文研究了下行一体化感知与通信系统中无线电资源管理的设计,通过联合优化时隙分配、波束适应、功能选择和用户-目标配对,以在不完美信息下实现资源消耗最小化。
2026-03-17 cs.IT cs.NI eess.SP