-
公开(公告)号：CN114051254B
公开(公告)日：2024-05-03
申请号：CN202111312119.9
申请日：2021-11-08
Applicant: 南京大学
Abstract: 一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成；地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器；步骤如下：1)以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量分别为二元变量和连续变量的两个子问题；2)将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择x和基站卸载选择β；生成多对(x,β)；将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。
-
公开(公告)号：CN114051254A
公开(公告)日：2022-02-15
申请号：CN202111312119.9
申请日：2021-11-08
Applicant: 南京大学
Abstract: 一种基于星地融合网络的绿色云边协同计算卸载方法，基于星地融合网络，所述星地融合网络由低轨卫星组网与传统地面网络构成；地面网络包含TSC和LSC两种基站；每一个LSC旁部署有MEC服务器；步骤如下：1)以最小化星地融合网络的能耗为优化目标，结合服务质量要求，建立目标优化问题；对原问题进行数学分析，分解为优化变量分别为二元变量和连续变量的两个子问题；2)将大尺度衰落、用户任务到达速率、天线增益等环境参数输入深度神经网络，求解出用户接入选择x和基站卸载选择β；生成多对(x,β)；将多对(x,β)代入第二个子问题，利用连续凸近似算法求解出对应的能耗；将最小的能耗对应的一组(x,β)加入深度神经网络的训练集；经多次迭代训练神经网络参数直至收敛。
-
公开(公告)号：CN119834842A
公开(公告)日：2025-04-15
申请号：CN202411963432.2
申请日：2024-12-30
Applicant: 南京大学
IPC: H04B7/06 , H04B7/0456 , H04L5/00
Abstract: 本发明公开了一种无物理层反馈的6G全解耦网络下行多基站协作传输方法，在无物理层反馈传输机制下，多个基站使用固定的物理层参数，在同一时频资源块上对移动终端进行下行协作传输。本发明的方法包括：建立多径信道模型下的多基站协作传输闭合表达式；基于历史信道数据计算多基站协作传输的预编码指示(PMI)，秩指示(RI)和信道质量指示(CQI)；统计历史信道数据中的PMI、RI和CQI的众数值，将其作为多基站协作传输的固定物理层参数，应用于多个子帧的下行传输。相较于传统LTE/5G中基于实时信道状态信息(CSI)计算传输参数的链路自适应模式，本发明的无物理层反馈机制有效减少了多基站协作的计算和通信开销，为多基站协作传输提供了可行的设计方案。
-
公开(公告)号：CN118233997A
公开(公告)日：2024-06-21
申请号：CN202410295847.0
申请日：2024-03-15
Applicant: 南京大学
Abstract: 本发明公开了一种面向绿色全解耦网络的全维功耗建模方法及系统，得到了全解耦网络的全面功耗模型，包括全解耦网络基站功耗模型、基站与边缘云之间的前传链路的功耗模型、边缘云的功耗模型以及用户的功耗模型；基站功耗模型中考虑功率放大器、射频和BBU功耗，并考虑架构功耗，其中上行基站不考虑功率放大器功耗；前传链路的功耗模型包括与负载无关的固定功耗，以及与负载相关的功耗；边缘云的功耗模型根据全解耦网络中的中心化等级，以及BBU在基站中功耗的百分比计算；用户的功耗模型包括电路功耗和发送功耗型。本发明为全解耦网络的能效研究提供了准确和实际的能耗评估标准，为进一步研究全解耦网络上行和/或下行能效优化提供了基础。
-
公开(公告)号：CN117060958A
公开(公告)日：2023-11-14
申请号：CN202311164126.8
申请日：2023-09-11
Applicant: 南京大学
IPC: H04B7/0413 , H04B7/0456 , H04L27/00 , H04B7/06 , H04B7/08
Abstract: 本发明公开了一种基于地理位置信息的6G全解耦网络下行传输方法与系统，为6G全解耦网络提供了一个无信道状态信息反馈的高频效解决方案。该方法包括：使用射线追踪信息根据地理位置信息生成频率选择性衰落信道数据；发射机根据接收机的地理位置信息利用多任务深度强化学习网络选择传输参数，并使用相应的调制编码方式和预编码矩阵进行数据传输；接收机根据接收到的数据对传输参数进行评估并更新多任务神经网络参数；发射机在射线追踪地图中随机游走，并重复以上步骤直至多任务神经网络的输出和最佳传输参数一致。本发明无需信道状态信息反馈，可有效解决6G全解耦网络中由硬件解耦造成的无反馈难题，为6G全解耦网络提供了一种有效的下行传输方法。
-
Patent Agency Ranking
公开(公告)号：CN112616149B
公开(公告)日：2023-04-07
申请号：CN202011250754.4
申请日：2020-11-11
Applicant: 南京大学
Abstract: 一种面向车联网的异构运营商区块链频谱动态共享方法，基于异构运营商频谱区块链系统，步骤为：对系统进行初始化，联盟节点收集具有频谱要求的所有车辆用户和多个无线服务提供商的基站的信息；每个车辆用户和WSP都有一对公钥和私钥，当车辆用户和WSP进行频谱交易时将使用它们；开始频谱分配，车辆用户选择初始订阅WSP，联盟节点整合多个WSP的频谱资源，采用进化博弈的方法完成多WSP的频谱分配；在快速收敛的条件下，保证了频谱资源分配的合理性和公平性；区块生成与利润分配，将频谱交易数据打包成区块，交易结果以各联盟节点的分布式账本的形式分布存储。智能合约自动分配与频谱对应的利润。
-
公开(公告)号：CN114554494A
公开(公告)日：2022-05-27
申请号：CN202210027262.1
申请日：2022-01-11
Applicant: 南京大学
IPC: H04W16/10 , H04W52/36 , H04W72/04 , H04B7/08 , H04B7/0456 , H04B17/391
Abstract: 一种面向6G全解耦网络的上下行联合动态资源分配方法，1)上行基站收集全网的信道估计，包括用户发出的导频信号和用户基于下行基站导频信号进行的信道估计，将全网信道信息回传至边缘中心做动态资源分配；2)根据用户与上下行基站和不同子信道之间的信道信息，假设基站和用户采用功率均分的方法，将用户‑基站‑子信道的三维匹配问题建模为大规模多对多匹配模型；3)根据用户‑基站‑子信道的匹配关系，基于连续凸近似理论，分别针对多用户的上行相干传输和多基站的下行相干传输，采用上下行功率控制算法；4)步骤2、3均进行并行计算，得出使得系统容量最大的上下行频谱划分比例，并将动态资源分配方案发送给上行用户和下行基站实现。
-
公开(公告)号：CN114449634A
公开(公告)日：2022-05-06
申请号：CN202210057174.6
申请日：2022-01-18
Applicant: 南京大学
IPC: H04W52/14 , H04W52/24 , H04B7/0456
Abstract: 本发明公开一种面向6G全解耦网络的上行用户高效功率控制方法，上行基站上传信道的一阶和二阶统计信息至边缘云；边缘云基于全局的信道统计信息，对用户的发射功率进行迭代求解；边缘云将计算得到的用户发射功率下发至控制基站；控制基站将发射功率信息发送至相应的用户；基站将用户通过该基站将信息上传到边缘云视为等效信道，统计该等效信道的期望和方差，并周期性地上传至边缘云；边缘云基于等效信道的统计信息，迭代计算用户的发射功率直至算法收敛。该方法可以高效地计算用户的发射功率，并提高无线移动通信网络的频效和能效。通过控制用户的发射功率，降低用户间的干扰，从而实现更高的网络频效和能效。
-
公开(公告)号：CN114448485A
公开(公告)日：2022-05-06
申请号：CN202210053419.8
申请日：2022-01-18
Applicant: 南京大学
IPC: H04B7/08 , H04B17/318 , H04B17/345 , H04B17/391
Abstract: 面向6G全解耦网络的上行多点灵活联合接收方法，包括基站、用户和边缘云，算法实现基于两层合并解码机制，包括在基站处的分布式执行过程和基站边缘云处的中心式执行过程；所述两层合并解码机制，基站对用户发送的数据信息进行局部的第一级的合并即分布式执行过程，该合并使用最小均方误差(MMSE)的合并方式，假设此时用户发送信息的合并向量为wm,k；基站会将合并后的数据上传至边缘云；边缘云基于信道的统计信息，将来自步骤1多路的合并后数据进行基站边缘云处的中心式的MMSE解码，实现第二级的合并；本发明为解决6G全解耦网络中上行虚拟服务基站集的高效选择，为用户提供个性化的服务保障进而提高网络的频效和能效提供新的潜在方法。
-
公开(公告)号：CN113727306A
公开(公告)日：2021-11-30
申请号：CN202110934853.2
申请日：2021-08-16
Applicant: 南京大学
Abstract: 本发明公开了一种基于深度强化学习的解耦C‑V2X网络切片方法，基于两层异构网络HetNet在C‑V2X通信的动态RAN切片框架，在切片第一层中，采用深度强化学习SAC算法在宏基站MBS和微基站SBS之间分配带宽，实现V2I和RAC‑V2V之间的资源编排；采用云接入网络C‑RAN中的虚拟化方法在边缘云上聚合UL/DL带宽，满足V2I片和RAC‑V2V片的通信需求；在切片第二层中，将RAC‑V2V通信的QoS建模为一个绝对值优化问题，并采用ASRS算法进行求解，进一步将带宽分配给每个车辆用户；每个车辆用户都采用DL/UL解耦接入技术，并向相关的基站BS报告最低速率要求，边缘云采集不同切片的速率要求，SAC策略网络根据网络状态选择一个转移，即UL/DL带宽分配比，设计ASRS算法，为每一个车辆用户分配带宽。
-
-
-
-
-
-
-
-
-
Search Results
25
records
(took 0.111 seconds)
