Context-aware Cluster Based Device-to-Device Communication to Serve Machine Type Communications
预计在未来十年内将部署数十亿台机器类型通信（MTC）设备，因此可能为下一代无线网络打开新市场。然而，与传统蜂窝网络提供的服务相比，MTC应用具有不同的特性和要求。例如，MTC设备偶尔需要发送包含由传感器生成的信息的小数据分组。同时，由于MTC设备的大规模部署，手动为其电池充电是低效的，因此MTC设备需要长的电池寿命。从这个意义上说，传统的网络被设计为实时的服务于人为驱动的业务不能有效地支持MTC。为了提高MTC设备的可用性和电池寿命，本文开发了上下文感知的设备到设备（D2D）通信。通过应用D2D通信，一些MTC用户可以充当经历不良信道条件的其他MTC用户的中继。此外，信令方案还被设计为使得能够收集上下文信息并支持所提出的D2D通信方案。最后，我们利用一个系统级的模拟器来评估所提出的技术的系统效能，并通过数值计算的结果来显示其有很大的效能增益。
2017-08-31 cs.NI
ACCORD: Application Context-aware Cross-layer Optimization and Resource Design for 5G/NextG Machine-centric Applications
针对机器中心型应用在动态无线网络中的QoS挑战，提出ACCORD框架，通过实时感知应用上下文并利用深度强化学习跨层优化网络参数，实现定制化QoS与高效资源利用，并经3GPP兼容仿真验证有效性。
2025-02-27 cs.NI cs.SY eess.SY
Vehicle Speed Aware Computing Task Offloading and Resource Allocation Based on Multi-Agent Reinforcement Learning in a Vehicular Edge Computing Network
对于车载应用，具有不同速度的车辆具有不同的延迟要求。然而，车辆速度尚未被广泛探索，这可能导致车辆速度与其分配的计算和无线资源之间的不匹配。在本文中，我们提出了一种车辆速度感知的任务卸载和资源分配策略，以减少执行任务的能量消耗，而不超过延迟约束。首先，我们建立了基于不同速度和任务类型的车辆速度感知延迟约束模型。然后，计算了VEC服务器和本地终端执行任务的延迟和能量消耗。接下来，我们制定了一个联合优化的任务卸载和资源分配，以最大限度地减少车辆的能源成本受延误的约束。采用MADDPG方法得到了卸载和资源分配策略。仿真结果表明，该算法在能量消耗和任务完成延迟方面具有较好的性能。
2020-08-19 cs.NI eess.SP
Towards Next Generation Immersive Applications in 5G Environments
针对5G下多用户沉浸式应用的高带宽、超低时延需求，提出模块化Hera框架，融合应用感知流传输与QoE速率控制，显著降低时延、提升码率与公平性。
2025-07-26 cs.NI cs.SY eess.SY
Context-Aware Semantic Communication for the Wireless Networks
提出CaSemCom框架，利用LLM门控机制与MoE架构自适应选择多模态高影响力语义特征，显著提升图像保真度并降低带宽，优于单智能体DRL与传统基线。
2025-05-29 cs.NI eess.SP
Toward Demand-Aware Networking: A Theory for Self-Adjusting Networks
物理拓扑正在成为使通信网络更加灵活的下一个前沿。虽然第一个实证结果表明，这些灵活性可以被利用来重新配置和优化网络，以适应它所服务的工作负载，例如，以较低的基础设施成本提供相同的带宽，今天对可重构网络设计的基本算法问题知之甚少。本文是对需求感知、自适应网络理论的研究。我们的主要立场是，自我调整网络应该通过自我调整数据结构的分析来看待。因此，我们提出了一个分类的不同算法模型的需求不经意的，固定的需求感知和可重构的需求感知网络，引入一个正式的模型，并确定目标和评估指标。我们还展示了，通过例子，需求感知网络的固有优势，在国家的最先进的需求遗忘，固定网络（如扩展器）。
2018-07-09 cs.NI
Predicting a User's Next Cell With Supervised Learning Based on Channel States
知道用户的下一个小区允许更有效的资源分配，并实现新的位置感知服务。为了预测用户将切换到的单元，我们引入了一个新的基于机器学习的预测系统。在这里，我们制定的预测作为一个分类问题的基础上的信息，是很容易在蜂窝网络。仅使用信道状态信息（CSI）和切换历史，我们通过将支持向量机（SVMs）嵌入到一个有效的预处理结构中来执行分类。从曼哈顿电网的情况下，从法兰克福市中心的一个现实的无线电地图的模拟结果表明，我们的系统提供了及时的高精度预测。
2013-05-13 cs.NI
Knowledge Transfer in Deep Reinforcement Learning for Slice-Aware Mobility Robustness Optimization
Nokia Bell Labs（诺基亚贝尔实验室）；Technical University of Munich（慕尼黑工业大学）；Nokia Software（诺基亚软件部门）
自组织网络中的传统移动性鲁棒性优化（MRO）旨在通过优化小区特定的切换参数来提高切换性能。然而，这样的解决方案不能满足下一代网络的需求与网络切片，因为它只保证接收信号的强度，而不是每个切片的服务质量。为了提供真正无缝的移动服务，我们提出了一种基于深度强化学习的切片感知移动鲁棒性优化（SAMRO）方法，该方法通过优化切片特定的切换参数来提高切换性能，并确保切片服务。此外，为了允许安全和样本有效的在线训练，我们开发了一个两步迁移学习方案：1）正则化的离线强化学习，以及2）有效的在线微调与混合经验重放。系统级仿真结果表明，与传统的MRO算法相比，SAMRO算法在优化切换性能的同时，显著提高了切片感知服务的连续性。
2022-03-07 cs.AI cs.LG cs.NI
QoS-Aware Routing in Wireless Networks Using Aerial Vehicles
下一代无线网络需要有效的数据分发机制，该机制应该以更好的服务质量（QoS）支持用户。然而，现有的解决方案无法满足这一需求，需要重新部署或重新规划网络。此外，这会增加网络的整体运营成本和复杂性。这个问题可以通过部署无人机（UAV）来解决，无人机可以在下一代无线网络中充当按需中继。在这项工作中，一种新的策略，包括一系列的算法的基础上神经网络的设计，解决了相关的数据分发，QoS，容量和覆盖的问题。与现有的方法相比，所提出的方法表现出更好的结果，为各种参数，即吞吐量，消息传播，服务传播率，无人机分配时间，路由捕获延迟，链路利用率和信噪比的终端用户。实验结果表明，所提出的方法利用39.6%，41.6%，43.5%，44.4%，和46.9%，分别比EEDD，A-Star，OCD，GPCR，和GyTAR少迭代。因此，很明显，所提出的方法超越了现有的方法，通过优越的性能和增强的效率。
2018-04-01 cs.NI
Context-Aware Resource Allocation in Cellular Networks
我们定义并提出了一个蜂窝网络的资源分配架构。该架构结合了内容感知、时间感知和位置感知的资源分配，用于下一代宽带无线系统。该体系结构通过在分配资源时将实时应用用户优先于延迟容忍应用用户来确保内容感知的资源分配。它通过在一天的不同时间（例如，高峰和非高峰交通时间）变化的交通依赖定价来实现时间感知资源分配。另外，通过包括各种频带的载波聚合，位置感知资源分配可集成在该架构中。上下文感知的资源分配是一种最优的、灵活的架构，可以很容易地在实际蜂窝网络中实现。我们强调了所提出的网络架构的优势，讨论了上下文感知资源分配架构的未来研究方向。我们还提供了实验结果来说明这种新架构的概念的一般证明。
2015-10-18 cs.NI
Improving Resiliency of Vital Services in Flood-Affected Regions of Bangladesh Using Next-Generation Opportunistic DTN Edge Ad Hoc Networks
University of Nottingham（诺丁汉大学）
本研究提出AZIZA协议，通过区域化转发、信任感知逻辑和上下文驱动决策，提升洪水影响地区关键通信服务的韧性。
2025-06-26 cs.NI
Location-Aware Dynamic Resource Management for High-Speed Railway Wireless Communications
随着高速铁路的快速发展，高速列车上的移动通信需求日益增长。这使得有限带宽下高速铁路无线通信资源管理的研究受到了极大的关注。由于HSR无线通信的异构服务质量（QoS）需求和动态特性，资源管理是一个具有挑战性的问题。在这篇文章中，我们首先提供了一个国家的最先进的概述高速铁路无线通信和现有的资源管理方案。在此基础上，提出了一种基于位置感知的跨层动态资源管理优化框架，利用训练位置信息进行动态设计。接下来，我们展示了随机网络优化理论在解决高速铁路无线通信中的动态资源管理问题中的应用。最后在结论中指出了位置感知动态资源管理的未来研究方向。
2016-01-08 cs.NI
Next Generation Intelligent Low-Altitude Economy Deployments: The O-RAN Perspective
Mississippi State University（密西西比州立大学）
本文提出基于O-RAN的低空经济框架，利用AI优化实现闭环任务协调，通过语义感知rApp和强化学习xApp提升轨迹规划性能。
2026-01-01 cs.AI cs.CV cs.MA
Machine Learning and Artificial Intelligence in Next-Generation Wireless Network
University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）
由于技术的进步，下一代无线网络将是非常多样的，复杂的，并根据消费者的需求变化。当前网络运营商的方法和途径是传统的，并且不能帮助下一代网络最适当地利用它们的资源。传统工具的有限能力将不允许网络提供商满足未来网络用户的需求。因此，本文将重点关注机器学习、自动化、人工智能和大数据分析，以提高下一代无线网络的容量和效率。本文将讨论这些新技术在未来改善网络提供商的服务和性能方面的作用。本文将发现，机器学习、大数据分析和人工智能将有助于使下一代无线网络具有自适应、自我感知、规范和主动性。在文章的最后，它将提供未来的无线网络运营商不能工作，而不转移其运营框架，人工智能和机器学习技术。
2021-12-30 cs.AI cs.NI
Cognitive Green Radio for Energy-Aware Communications
在5G网络中，连接设备的数量、每区域的数据率和数据量以及各种QoS要求将达到前所未有的规模。这些目标的实现将依赖于新技术以及网络架构和节点设计的颠覆性变化。能源效率被认为在补充5G技术和优化其部署、动态配置和管理方面发挥着关键作用[1]。在绿色通信和网络的框架内，特别是对于下一代绿色蜂窝无线电接入网络，GREAT（绿色认知无线电能源感知无线通信技术的发展）倡议，一个CominLabs卓越中心（卓越教育）和布列塔尼欧洲大学（UEB）项目，主要从不同的角度和角度解决能源效率的基本问题，在网络层和物理层利用认知技术。
2016-03-10 cs.IT cs.NI math.IT
Cell Selection in Wireless Two-Tier Networks: A Context-Aware Matching Game
小型小区网络的部署被视为下一代无线网络的主要特征。本文提出了一种新的小小区网络中的小区关联方法。所提出的方法利用从用户的设备和环境中提取的新类型的信息来改进用户被分配到其服务基站的方式。这样的上下文信息的示例包括设备的屏幕尺寸和用户的轨迹。该问题被制定为一个匹配的游戏与外部性和一个新的分布式算法，提出了解决这个游戏。所提出的算法，以达到一个稳定的匹配，其属性进行了研究。仿真结果表明，所提出的上下文感知匹配方法产生显着的性能增益，在每个用户的平均效用，当与经典的最大SINR的方法相比。
2015-12-02 cs.IT cs.NI math.IT
"X of Information'' Continuum: A Survey on AI-Driven Multi-dimensional Metrics for Next-Generation Networked Systems
Department of Electrical Engineering and Computer Science, South Dakota State University（南达科他州立大学电气工程与计算机科学系）；School of Computer Science, University of Technology Sydney（悉尼大学计算机科学学院）
本文综述“X of Information”连续体，提出时间、质量/效用、可靠性/鲁棒性及网络/通信四维分类框架，分析AI优化方法与六大应用领域及挑战。
2025-07-25 cs.AI cs.NI
