论文部分内容阅读
随着用户数据量需求的急剧增长,网络容量提升的需求不断地被提出。为了应对这样的挑战,无线网络密集化已经被提出,并且被视为满足5G所保证的一千倍的容量提升的关键实现方案。然而,超密集网络优化却面临着大规模网络的挑战,这是传统的网络资源分配方法不足以应对的。为了应对大规模网络中庞大的设备数目带来的挑战,图论、稀疏优化、分组/集群等方法已经纷纷被提出。但这些方法仍然无法解决庞大的设备数量导致的严重的信道测量和信道反馈问题。针对这些挑战,平均场(Mean-Field,MF)理论是非常有前景的解决方案。基于MF理论,可以将超密集网络中数目庞大的设备之间的相互作用转化为一个设备和其它全部设备构成的群体之间的相互作用,由此可以对严重耦合的超密集网络进行解耦,从而大幅降低资源分配算法的复杂度。论文围绕超密集网络中基于MF理论的无线资源分配及网络优化进行研究,包括以下两个方面:第一,在超密集小区网络中OFDM场景下,本文提出了基于平均场近似(Mean-Field Approximation,MFA)方法和李雅普诺夫DPP(Drift-Plus-Penalty)方法的混合时间尺度联合功率、子载波分配和用户调度机制。针对全部基站通过下行链路干扰严重耦合的问题,采用MFA方法将系统解耦,从而对干扰实现了低复杂度的计算。针对系统队列稳定性约束的时间相关性问题,采用DPP方法将原优化问题转化为每个时刻各自的优化问题,从而得到了兼顾队列稳定性和网络吞吐量优化的用户调度机制。仿真结果表明,采用MFA方法能够实现网络平均状态的快速收敛,并且在超密集场景下采用MFA方法得到的吞吐量明显高于自适应传输方法。且采用李雅普诺夫DPP方法得到的系统队列稳定性明显优于比例公平调度方法。第二,在超密集缓存网络中,本文提出了基于平均场博弈(Mean-Field Game,MFG)方法和李雅普诺夫DPP方法的混合时间尺度联合缓存和删除机制。考虑到求解随机微分博弈(Stochastic Differential Game,SDG)的纳什均衡(Nash Equilibrium,NE)的复杂度极高,提出基于MFG的迭代求解NE的算法,实现了基站最优缓存策略的低复杂度的求解。利用李雅普诺夫DPP方法,针对系统的缓存和删除稳定性约束构建虚拟队列,推导出依照虚拟队列的兼顾节约网络开销和网络缓存和删除稳定性的删除机制。仿真结果表明,采用MFG方法能够实现网络最优控制策略的快速收敛,并且在超密集场景下采用MFG方法得到的网络开销明显低于基本缓存方法;且采用李雅普诺夫DPP方法能够实现兼顾节约网络开销的网络缓存和删除稳定性。