论文部分内容阅读
在第五代移动通信系统(5th-generation,5G)和超5G的系统中,随着广泛出现的多样化应用和终端的大规模连接,物联网(Internet of things,IoT)在学术界和工业界又得到了许多的关注。研究人员一致认为,在不同的通信场景下,例如增强型移动宽带(enhanced mobile broadband,eMBB)、大规模机器类型通信(massive machine-type communications,mMTC)以及超可靠和低延迟通信(ultra-reliable and low-latency communications,URLLC),智慧交通、智慧医疗等新兴行业会对网络的接入能力提出极高的标准。许多研究表明,到2020年,机器类通信设备(Machine Type Communication Device,MTCD)的数量将达到500亿左右。具体来说,低功耗大规模连接已被确定为5G的关键应用之一,并着重于MTC、IoT等垂直集成行业的服务要求。如何在5G场景下高效且智能地接入机器类通信设备,减轻网络拥塞,是当前亟需解决的热点问题。本文主要关注MTC场景下的智能接入机制和资源分配方案,主要概括如下:1)在异构网络场景下我们提出了一种MTC的智能接入机制,以接入网络的设备数量作为目标,以系统吞吐量和设备平均传输速率作为性能指标,建立了MTC智能接入的理论优化模型。通过对模型的分析,我们采用遗传算法来对模型进行求解,并且设计了相应的智能接入机制。仿真结果显示,相比较于传统网络中基于RSS算法、贪心算法,我们提出的GAIAM算法在设备接入成功率、系统吞吐量和设备平均传输速率等性能方面,能获得更好的性能。2)针对于群呼的网络场景,我们考虑网络中MTCD的业务类型、移动性等情况,然后对设备进行分组处理。运用智能学习的方式,观测当前基站的可用资源和负载情况,动态的调整设备的接入请求,获得更优的网络性能。在本研究中,我们将设备接入时隙的问题建模成一个马尔科夫决策过程(Markov Decision Process,MDP),并且基于多智能体强化学习(Multi-agent Reinforcement Learning,MARL),提出了一种基于Q-learning的智能接入机制。通过仿真实验,在基站资源充足和不足的两种情况下,验证了算法的有效性,数值结果表明,该算法能有效提升MTCD的接入性能。3)MTC特有的退避机制能有效降低网络的碰撞概率,避免网络拥塞。由于网络具有动态性,一个设备的接入选择会影响网络中的可用资源,进而影响到其他设备的接入选择。我们考虑了退避机制和ACB机制的联合,将退避机制的排队模型建模成为MDP过程,基于AC算法提出一个新的退避机制,通过优化策略参数,对值函数进行估计,可以获得当前状态的最优退避接入机制。由仿真结果可以得到,本研究提出的算法能有效的提升MTC网络的接入能力,减少接入时延。本文针对MTC通信网络的特点,分析了机器学习用于通信网络场景中的可行性,并且针对实际网络场景设计了智能化的接入机制,提升了网络接入能力,减缓了网络拥塞,为将来基于AI的MTC接入控制方案提供了一种新的思路。