[发明专利]一种基于分布式A-C的智能接入控制与资源分配方法

说明书

本发明涉及一种基于分布式A‑C的智能接入控制与资源分配方法，属于通信技术领域。该方法中，根据eMBB和URLLC切片的性能需求，构建了一个联合eMBB切片用户传输速率和URLLC切片用户时延的双目标优化模型。其次，将联邦学习与强化学习融合，建立一个联邦强化学习框架，各个智能体协作，以更新全局权重参数，且各个智能体本地数据不相互交换。联邦强化学习框架中的智能体利用A‑C学习不断与环境进行交互，各个智能体间相互协作，动态调整接入控制与资源分配策略，优化系统模型。本发明所提能够满足各切片用户性能需求且维持各切片用户队列处于稳定状态，优化eMBB用户传输速率和URLLC用户时延，提高资源利用率。

技术领域

本发明属于通信技术领域，涉及一种基于分布式A-C的智能接入控制与资源分配方法。

背景技术

下一代移动通信网络将支持大量垂直行业的多元化业务场景，比如智能安防、远程医疗、智能家居、自动驾驶、增强实现、电力巡检等，这些具有不同通信需求的应用场景通常包括大规模机器类型通信(massive Machine-Type Communication,mMTC)、增强移动宽带(enhanced Mobile BroadBand,eMBB)和超可靠低时延通信(Ultra-Reliable and Low-Latency Communication,URLLC)。基于软件定义网络(Soft Defined Network,SDN)和网络功能虚拟化(Network Function Virtualtion,NFV)技术的网络切片是指将底层的物理网络构建为多个独立的逻辑虚拟网络，网络切片被认为是支持异构业务需求的重要使能技术，通过网络切片，可以提供灵活、高效的定制化服务，以满足不同应用的特定需求。然而，在具有多样化服务请求的无线应用快速发展的驱动下，如何利用网络中有限的无线网络资源，为满足不同应用需求的提供特定服务的无线接入网(Radio Access Network,RAN)切片制定高效、动态的智能资源分配策略仍然是一个具有挑战性的问题。

目前，现有技术存在以下问题：首先，现有的网络切片的资源分配方法旨在提高基础设施提供商的收益，没有考虑网络中的异构业务请求特性，也没有具体分析接入切片用户的性能需求，或者对于多种网络切片场景下只通过单一性能来刻画用户需求，但实际上针对不同的切片，用户性能需求是不同的。其次，现有的接入控制与资源分配问题将用户的性能作为约束条件，以最大化收益为目标，忽略了网络中业务动态到达的特性，没有考虑接入控制策略以限制接入到网络中的数据量，当到达的随机数据量过大时，可能影响网络的稳定性，且静态的接入控制与资源分配策略已不再适用动态变化的网络环境。最后，随着人们对数据安全和设备隐私的关注度越来越高，数据隐私安全问题也成为大众重点关注的问题。因此，如何在无线接入网多切片场景中，合理动态的控制业务接入量并进行资源分配，从而优化用户性能非常值得研究。

发明内容

有鉴于此，本发明的目的在于提供一种基于分布式A-C的智能接入控制与资源分配方法。该方法在RAN支持多种异构切片请求服务的下行链路传输场景下，根据动态变化的用户队列长度和业务到达率，自适应动态的调整各用户的接入控制与资源分配方法，稳定队列长度，优化eMBB切片用户传输速率和URLLC切片用户时延，提高资源利用率。

为达到上述目的，本发明提供如下技术方案：

一种基于分布式A-C的智能接入控制与资源分配方法，该方法包括以下步骤：

S1：针对无线接入网(RAN)网络下网络切片的智能资源动态分配优化问题，综合考虑用户数据隐私、接入控制与资源分配，建立基于eMBB切片用户传输速率最大化和URLLC切片用户时延最小化的接入控制与资源分配的网络切片模型。

S2：针对用户数据隐私，单个用户数据不具代表性，将联邦学习和强化学习融合，构建一个联邦强化学习框架，该框架旨在让各个智能体协作，以制定出全局策略，且各个智能体内部的数据不需要相互交换，无需上传原始数据，维护数据安全。