公开(公告)号：CN113612843A

公开(公告)日：2021-11-05

申请号：CN202110882738.5

申请日：2021-08-02

Applicant: 吉林大学

Inventor： 钱志鸿 ,  张菁 ,  王雪 ,  向长波 ,  张继真 ,  谢明桐 ,  刘水

IPC: H04L29/08 ,  H04L12/911 ,  H04L12/24 ,  G06N20/00

Abstract: 本发明公开的属于通信技术领域，具体为一种基于深度强化学习的MEC任务卸载和资源分配方法，包括以下步骤：S1：在移动边缘计算场景下，构建包括云服务器、移动边缘计算服务器与终端设备的三层计算卸载与资源分配模型，并初始化系统参数；S2：针对三层的卸载场景，计算系统总体开销；S3：以最小化系统开销为优化目标，构建深度强化学习模型；S4：提出一种基于最大熵框架的柔性制动策略，进行卸载决策和资源分配决策。该基于深度强化学习的MEC任务卸载和资源分配方法，在保证满足不同用户服务质量需求的情况下不仅有效利用了系统的资源而且能帮助用户选择最优卸载策略以最小化系统开销。

公开(公告)号：CN109327851B

公开(公告)日：2021-05-25

申请号：CN201811473149.6

申请日：2018-12-04

Applicant: 吉林大学

Inventor： 钱志鸿 ,  朱巧 ,  黄岚 ,  许建华 ,  向长波 ,  王雪

IPC: H04W24/06 ,  H04W48/16

Abstract: 本发明属于超密集异构蜂窝网络用户接入技术领域，公开了一种覆盖与数据平面分离的超密集异构蜂窝网络用户接入方法，基于泊松簇过程建立微蜂窝基站系统模型；用户可由围绕同一个热点分布的多个微基站协作接入服务；基于泊松点过程建立宏基站系统模型；在宏基站主要负责完成覆盖功能，微基站负责高数据速率传输的前提下，分别推导出宏基站用户和微基站用户接收SINR分布模型和干扰分布模型；利用SINR分布模型和已知的距离分布模型推导网络中用户由不同类型基站服务时的平均可达速率；推导干扰分布模型的拉氏变换的可靠闭式上界和下界。本发明通过数值仿真结果可以发现，所提方法能够获得更高的数据速率。

公开(公告)号：CN109327851A

公开(公告)日：2019-02-12

申请号：CN201811473149.6

申请日：2018-12-04

Applicant: 吉林大学

Inventor： 钱志鸿 ,  朱巧 ,  黄岚 ,  许建华 ,  向长波 ,  王雪

IPC: H04W24/06 ,  H04W48/16

Abstract: 本发明属于超密集异构蜂窝网络用户接入技术领域，公开了一种覆盖与数据平面分离的超密集异构蜂窝网络用户接入方法，基于泊松簇过程建立微蜂窝基站系统模型；用户可由围绕同一个热点分布的多个微基站协作接入服务；基于泊松点过程建立宏基站系统模型；在宏基站主要负责完成覆盖功能，微基站负责高数据速率传输的前提下，分别推导出宏基站用户和微基站用户接收SINR分布模型和干扰分布模型；利用SINR分布模型和已知的距离分布模型推导网络中用户由不同类型基站服务时的平均可达速率；推导干扰分布模型的拉氏变换的可靠闭式上界和下界。本发明通过数值仿真结果可以发现，所提方法能够获得更高的数据速率。

公开(公告)号：CN113612843B

公开(公告)日：2022-08-30

申请号：CN202110882738.5

申请日：2021-08-02

Applicant: 吉林大学

Inventor： 钱志鸿 ,  张菁 ,  王雪 ,  向长波 ,  张继真 ,  谢明桐 ,  刘水

IPC: H04L67/10 ,  H04L41/0894 ,  H04L41/14 ,  H04L47/78 ,  G06N20/00

Abstract: 本发明公开的属于通信技术领域，具体为一种基于深度强化学习的MEC任务卸载和资源分配方法，包括以下步骤：S1：在移动边缘计算场景下，构建包括云服务器、移动边缘计算服务器与终端设备的三层计算卸载与资源分配模型，并初始化系统参数；S2：针对三层的卸载场景，计算系统总体开销；S3：以最小化系统开销为优化目标，构建深度强化学习模型；S4：提出一种基于最大熵框架的柔性制动策略，进行卸载决策和资源分配决策。该基于深度强化学习的MEC任务卸载和资源分配方法，在保证满足不同用户服务质量需求的情况下不仅有效利用了系统的资源而且能帮助用户选择最优卸载策略以最小化系统开销。