[发明专利]一种超密集网络的移动边缘计算资源分配方法

说明书

本发明公开了一种超密集网络的移动边缘计算资源分配方法，基于超密集网络，所述超密集网络中的NOMA‑MEC通信系统包括M＝{1,2,…,M}个小基站，其中，每个小基站配备一个MEC服务器以执行用户卸载的计算任务；假定每个小基站服务的用户集合为N＝{1,2,…,N}，N个用户分为Y＝{1,2,…,Y}个组，每个组内有K＝{1,2,…,K}个用户。解决了现有技术难以处理用户之间的相互干扰，从而影响用户的计算性能的问题。

【技术领域】

本发明属于无线通信技术领域，具体涉及一种超密集网络的移动边缘计算资源分配方法。

【背景技术】

随着第五代(5G)移动通信技术的飞速发展，超密集网络(UDN)的部署已成为未来发展的主要架构。UDN可以有效提高系统容量和数据传输速率，以确保用户服务质量。但是，由于用户有限的计算能力，解决UDN中的计算密集型任务是一个巨大的挑战。作为新兴技术，已经提出了移动边缘计算(MEC)来减轻UDN中用户的计算压力。具体来说，MEC将计算密集型任务卸载到网络边缘，以减少用户的能耗和任务延迟。

在MEC系统中，如何提高用户之间的频谱资源利用率是一个重大挑战，因为它直接影响能耗和任务延迟。作为一种新兴的多路访问方法，非正交多路访问(NOMA)可通过将相同的资源分配给多个用户来有效地提高系统的频谱效率。因此，在某些工作中，NOMA已应用于MEC系统，以减少能耗和任务延迟。

平均场博弈(MFG)是一种适用于具有大规模博弈个体的场景的工具，可以为UDN中的个人和群体之间的关系建模。具体来说，在UDN中，MFG将每个成员之间的影响平均化，从而简化复杂的模型。

文献1“Learning deep mean field games for modeling large populationbehavior[in International Conference on Learning Representations,,Vancouver,Canada,Apr.2018]”中作者用马尔可夫决策过程(MDP)证明了平均场博弈的均衡解，以随着时间的变化预测人口分布的演变。

文献2“Collaborative Artificial Intelligence(AI)for User-CellAssociation in Ultra-Dense Cellular Systems[IEEE International Conference onCommunications Workshops(ICCWorkshops),Kansas,MO,May2018]”提出了一种神经Q学习算法来解决超密集网络系统中的用户关联问题。

与现有文献不同，本发明对在UDN场景下，对NOMA-MEC系统进行了建模，其中每个小型基站(SBS)都配备了MEC服务器。当用户无法处理大量计算任务时，某些任务将被卸载到MEC服务器上。首先，提出了一种基于信道增益差异的用户聚类匹配算法(UCMA)，对用户进行聚类处理，提高了用户的数据速率。然后，以NOMA-MEC系统为模型，建立了MFG理论框架，使用强化学习中深确定性策略梯度(DDPG)算法来求解MFG的均衡解算法，以减少用户的能耗和任务延迟。

【发明内容】

本发明的目的是提供一种超密集网络的移动边缘计算资源分配方法，以解决现有技术难以处理用户之间的相互干扰，从而影响用户的计算性能的问题。

本发明采用的技术方案是，一种超密集网络的移动边缘计算资源分配方法，所述资源分配方法基于超密集网络，所述超密集网络中的NOMA-MEC通信系统包括M＝{1,2,…,M}个小基站，其中，每个小基站配备一个MEC服务器以执行用户卸载的计算任务；假定每个小基站服务的用户集合为N＝{1,2,…,N}，N个用户分为Y＝{1,2,…,Y}个组，每个组内有K＝{1,2,…,K}个用户；

所述资源分配方法按照以下步骤实施：