基于机器学习的5G网络高能效动态资源管理技术研究

Intelligent resource management technology can effectively solve the problems of quality of service and low resource utilization in the network, and it is one of the key research technologies in the field of 5G wireless communications. However, the resources of 5G networks have strong diversity and scalability, which greatly increases the complexity of resource management and brings great challenges to the network operation and optimization. Based on 5G network communication theories and machine learning algorithms, this project studies extensively and comprehensively on the resource management from multiple perspectives and levels. This project proposes to adopt self-imitation approach of transfer learning to dynamically optimize the physical resources and user admission control, and enhance the adaptability of algorithm to the network environment. We propose to combine ensemble learning and deep neural network to realize adaptive data transmission of fronthaul network. Further, we construct energy efficient intelligent optimization system based on deep reinforcement learning with the sensing and learning results. Finally, the feasibility of the technical route is proved through thoretical research and simulation analysis. This project provides newly valuable theoretical basis and implementations for theory development, standard formulation and applications of intelligent resource management in 5G networks.

智能资源管理技术可以有效解决网络中的业务QoS保障、资源利用率低等问题，是5G无线通信领域研究的关键技术之一。然而，5G网络的资源具有很强的多样性和可扩展性，极大地增加了资源管理的复杂性，并给网络运维和优化带来了极大的挑战。本项目以5G网络通信理论和机器学习算法为研究基础，多层面、多角度对资源管理问题进行全面深入的研究。本项目提出利用自模仿迁移学习动态优化物理资源模式和用户接入控制机制，增强算法的无线网络环境适应性；提出利用集成学习与深度神经网络相结合，实现自适应前传网络数据传输；提出利用感知和学习结果，构建基于深度强化学习算法的能效智能优化系统；并通过理论研究与仿真分析对本项目技术路线的可行性进行论证。本项目为5G网络智能化资源管理的理论发展、标准制定与应用提供的有参考价值的理论基础及实现方案。

随着5G网络用户业务需求的急剧增加，网络资源运维管理的智能化需求也越来越高。鉴于智能资源管理技术可以有效解决5G网络中的QoS保障、资源利用率低等问题，本项目对5G网络基于机器学习的动态资源管理机制进行深入研究，满足5G网络资源智能化管理需求。本项目主要工作分两个部分：第一部分工作是针对迁移学习模型训练开销与优化目标未知问题，提出基于自模仿迁移学习的动态物理资源管理和用户接入控制优化方法；针对前传策略无法根据网络环境参数动态调整问题，结合集成学习与深度神经网络，提出自适应前传网络传输机制；针对无确定性能效模型的感知学习与智能决策问题，提出快速、准确地获取环境、用户和网络状态参数的感知和学习机制，建立了智能化决策方法。第二部分工作是基于5G网络中智能化资源管理技术中深度学习相关理论的研究，扩展研究了基于深度学习理论的毫米波雷达信号处理，通过超分辨参数估计、干扰抑制、深度学习网络设计、信号分离与重构等技术，实现了毫米波雷达手势识别和生命体征信号检测。