传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配...传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配问题,提出一种异构功率控制图神经网络(Heterogeneous Power Control Graph Neural Network,HPCGNN)算法,旨在最大化所有用户的加权和速率。首先通过构建干扰的异构图,将信道和噪声等信息嵌入到图的节点和边;再由HPCGNN完成消息传递和更新,采用无监督学习方式优化深度神经网络(Deep Neural Network,DNN)参数,最终得到最佳的功率分配。仿真结果表明,相较于其他深度学习算法,所提算法能够有效提高系统性能,且在损失5%性能下相较分式规划(Fractional Programming,FP)能降低82%~98%的时间复杂度。展开更多
对D2D(Device to Device)通信系统的隐蔽通信问题进行研究,提出了一种基于智能反射面(Intelligent Reflecting Surfaces,IRS)的D2D通信系统,该系统采用双IRS模式。首先分析了各信号的信干噪比(SINR)和各自的期望值,并据此推导出系统遍...对D2D(Device to Device)通信系统的隐蔽通信问题进行研究,提出了一种基于智能反射面(Intelligent Reflecting Surfaces,IRS)的D2D通信系统,该系统采用双IRS模式。首先分析了各信号的信干噪比(SINR)和各自的期望值,并据此推导出系统遍历总容量的解形式,接着针对隐蔽通信建立了二元假设问题,推导出误检测率的解形式,并据此计算出平均最小误检测率。除此之外,还分析了无IRS系统的遍历总容量和平均最小误检测率,与双IRS系统进行对比。仿真结果表明,双IRS系统的遍历总容量和平均最小误检测率优于无IRS系统,双IRS系统能够比传统的无IRS系统获得更高的容量和更低的误检测率。展开更多
当前设备到设备(Device-to-Device, D2D)中继通信已成为5G网络的关键部分,现有方案在能效与其他性能指标平衡上存在不足,缺乏有效的激励机制,无法提升中继用户设备(Relay User Equipment, RUE)的参与积极性。针对上述问题,文章提出一种...当前设备到设备(Device-to-Device, D2D)中继通信已成为5G网络的关键部分,现有方案在能效与其他性能指标平衡上存在不足,缺乏有效的激励机制,无法提升中继用户设备(Relay User Equipment, RUE)的参与积极性。针对上述问题,文章提出一种融合组合拍卖的能量高效自适应D2D中继通信转发方案。该方案中,源用户设备(Source User Equipment, SUE)作为买方,多个RUE构成群组作为卖方,RUE的转发能耗则作为双方的拍卖物。RUE依据是否能够提高系统能效,自适应地加入转发集合,买卖双方通过转发集合的打包定价策略进行组合拍卖交互。仿真实验结果表明,该方案能有效兼顾系统能量效率与整体社会福利。相较于现有方案,该方法在不同通信距离下均展现显著优势,其能效水平与社会福利均获得明显提升,在中近距离场景中的提升效果尤为显著。展开更多
In dynamic 5G network environments,user mobility and heterogeneous network topologies pose dual challenges to the effort of improving performance of mobile edge caching.Existing studies often overlook the dynamic natu...In dynamic 5G network environments,user mobility and heterogeneous network topologies pose dual challenges to the effort of improving performance of mobile edge caching.Existing studies often overlook the dynamic nature of user locations and the potential of device-to-device(D2D)cooperative caching,limiting the reduction of transmission latency.To address this issue,this paper proposes a joint optimization scheme for edge caching that integrates user mobility prediction with deep reinforcement learning.First,a Transformer-based geolocation prediction model is designed,leveraging multi-head attention mechanisms to capture correlations in historical user trajectories for accurate future location prediction.Then,within a three-tier heterogeneous network,we formulate a latency minimization problem under a D2D cooperative caching architecture and develop a mobility-aware Deep Q-Network(DQN)caching strategy.This strategy takes predicted location information as state input and dynamically adjusts the content distribution across small base stations(SBSs)andmobile users(MUs)to reduce end-to-end delay inmulti-hop content retrieval.Simulation results show that the proposed DQN-based method outperforms other baseline strategies across variousmetrics,achieving a 17.2%reduction in transmission delay compared to DQNmethods withoutmobility integration,thus validating the effectiveness of the joint optimization of location prediction and caching decisions.展开更多
在不可靠信任环境下,考虑设备到设备(Device-to-Device,D2D)辅助边缘计算中的时效性问题,针对多用户单服务器的场景,基于用户间社会关系与交互行为,构建端到端信任模型及联合服务缓存和卸载决策优化模型,以最小化平均响应时延;提出基于...在不可靠信任环境下,考虑设备到设备(Device-to-Device,D2D)辅助边缘计算中的时效性问题,针对多用户单服务器的场景,基于用户间社会关系与交互行为,构建端到端信任模型及联合服务缓存和卸载决策优化模型,以最小化平均响应时延;提出基于信任的服务缓存及卸载(Trust-based Service Caching and Task Offloading,TCO)算法,将原问题分解为多个子问题,将服务缓存子问题转换为背包问题,使用动态规划法进行求解,将D2D中继选择子问题建模为最短路径问题,使用Dijkstra算法求解,采用轮询比较方式完成最终的卸载策略。实验仿真验证了所提算法能够有效提高缓存命中率,降低用户响应时延,保障系统的时效性。展开更多
文摘传统的功率分配算法由于复杂的矩阵运算与迭代所造成的高时延,在实际通信中实时获取信道信息十分困难,当前重要的研究方向是在系统性能和计算复杂度之间找到有效平衡。针对终端直通(Device-to-Device,D2D)用户与蜂窝用户的联合功率分配问题,提出一种异构功率控制图神经网络(Heterogeneous Power Control Graph Neural Network,HPCGNN)算法,旨在最大化所有用户的加权和速率。首先通过构建干扰的异构图,将信道和噪声等信息嵌入到图的节点和边;再由HPCGNN完成消息传递和更新,采用无监督学习方式优化深度神经网络(Deep Neural Network,DNN)参数,最终得到最佳的功率分配。仿真结果表明,相较于其他深度学习算法,所提算法能够有效提高系统性能,且在损失5%性能下相较分式规划(Fractional Programming,FP)能降低82%~98%的时间复杂度。
文摘对D2D(Device to Device)通信系统的隐蔽通信问题进行研究,提出了一种基于智能反射面(Intelligent Reflecting Surfaces,IRS)的D2D通信系统,该系统采用双IRS模式。首先分析了各信号的信干噪比(SINR)和各自的期望值,并据此推导出系统遍历总容量的解形式,接着针对隐蔽通信建立了二元假设问题,推导出误检测率的解形式,并据此计算出平均最小误检测率。除此之外,还分析了无IRS系统的遍历总容量和平均最小误检测率,与双IRS系统进行对比。仿真结果表明,双IRS系统的遍历总容量和平均最小误检测率优于无IRS系统,双IRS系统能够比传统的无IRS系统获得更高的容量和更低的误检测率。
文摘当前设备到设备(Device-to-Device, D2D)中继通信已成为5G网络的关键部分,现有方案在能效与其他性能指标平衡上存在不足,缺乏有效的激励机制,无法提升中继用户设备(Relay User Equipment, RUE)的参与积极性。针对上述问题,文章提出一种融合组合拍卖的能量高效自适应D2D中继通信转发方案。该方案中,源用户设备(Source User Equipment, SUE)作为买方,多个RUE构成群组作为卖方,RUE的转发能耗则作为双方的拍卖物。RUE依据是否能够提高系统能效,自适应地加入转发集合,买卖双方通过转发集合的打包定价策略进行组合拍卖交互。仿真实验结果表明,该方案能有效兼顾系统能量效率与整体社会福利。相较于现有方案,该方法在不同通信距离下均展现显著优势,其能效水平与社会福利均获得明显提升,在中近距离场景中的提升效果尤为显著。
基金supported by the Liaoning Provincial Education Department Fund,grant number JYTZD2023083.
文摘In dynamic 5G network environments,user mobility and heterogeneous network topologies pose dual challenges to the effort of improving performance of mobile edge caching.Existing studies often overlook the dynamic nature of user locations and the potential of device-to-device(D2D)cooperative caching,limiting the reduction of transmission latency.To address this issue,this paper proposes a joint optimization scheme for edge caching that integrates user mobility prediction with deep reinforcement learning.First,a Transformer-based geolocation prediction model is designed,leveraging multi-head attention mechanisms to capture correlations in historical user trajectories for accurate future location prediction.Then,within a three-tier heterogeneous network,we formulate a latency minimization problem under a D2D cooperative caching architecture and develop a mobility-aware Deep Q-Network(DQN)caching strategy.This strategy takes predicted location information as state input and dynamically adjusts the content distribution across small base stations(SBSs)andmobile users(MUs)to reduce end-to-end delay inmulti-hop content retrieval.Simulation results show that the proposed DQN-based method outperforms other baseline strategies across variousmetrics,achieving a 17.2%reduction in transmission delay compared to DQNmethods withoutmobility integration,thus validating the effectiveness of the joint optimization of location prediction and caching decisions.
文摘在不可靠信任环境下,考虑设备到设备(Device-to-Device,D2D)辅助边缘计算中的时效性问题,针对多用户单服务器的场景,基于用户间社会关系与交互行为,构建端到端信任模型及联合服务缓存和卸载决策优化模型,以最小化平均响应时延;提出基于信任的服务缓存及卸载(Trust-based Service Caching and Task Offloading,TCO)算法,将原问题分解为多个子问题,将服务缓存子问题转换为背包问题,使用动态规划法进行求解,将D2D中继选择子问题建模为最短路径问题,使用Dijkstra算法求解,采用轮询比较方式完成最终的卸载策略。实验仿真验证了所提算法能够有效提高缓存命中率,降低用户响应时延,保障系统的时效性。
