数据驱动的自演进未来移动接入资源分配与优化机制研究

This project focuses on data-driven network resource service models and the associated self-evolved closed-loop resource optimization strategies, to explore efficient and smart optimized schemes for resource allocation issues. Through analyzing the characteristics of user-related data and network-related data and their application methods, we plan to design data-driven intelligent network resource service models that can adapted dynamically as the train data. Using the proposed models, resource allocation strategies with network resource service perception are proposed. And then, utilizing reinforcement learning, we plan to propose self-evolved closed-loop resource allocation strategies with the capability of network resource service perception. Based on the outcomes of those theoretical researches, we intend to build a test-bed that implements the proposed strategies using the reconfigurable universal software radio platform (USRP) and servers in a supercomputing center, through which the performance of the proposed theoretical schemes can be tested and evaluated by actual generated data; by this way, we can obtain a series of improved proposals and thus develop optimized feasible approaches.. As the outcomes of this project, it is expected that (1) in theory, revealing the connection mechanism between user-related data and network-related data and network resource service models, and proposing network resource service models generated or built via actual data, and then developing self-evolved closed-loop resource allocation strategies that work under dynamic application requirements; and (2) in practice, obtaining system-level practical optimization approaches for self-evolved closed-loop resource allocation with network resource service perception.

本项目重点研究数据驱动的网络资源服务模型及以此为基础的自演进闭环资源优化分配策略，为构建高效的智能化的资源优化分配方案开辟新的研究途径。拟深入分析与用户和网络相关数据的特征及其运用方法，研究动态性模型策略，设计数据驱动的智能化网络资源服务模型；基于此模型，设计网络资源服务感知的资源优化分配策略，并运用强化学习理论，提出具备自演进闭环特性的网络资源感知的资源优化分配策略。基于以上理论研究结果，构建实际测试系统平台，通过实测数据验证与评估理论方案的性能表现，并提出基于实测数据的改进方案以得到最优化可行方案。. 通过本项目的研究，可望在理论上揭示用户数据和网络数据与网络资源服务模型之间的联系机制，提出基于实际数据构建与生成的网络资源服务模型，在此基础上形成能适应动态业务需求的自演进闭环资源优化分配策略，并在实践上构建高可用性的网络资源服务感知的自演进闭环资源分配优化方案。

本项目的核心出发点在于运用机器学习或深度学习技术，从数据驱动角度，研究未来移动通信网络的无线接入端频谱资源优化分配和云端网络资源优化分配，以提升无线频谱资源和其它网络资源的利用率并增强用户体验。在研究过程中，项目组主要从两大方面展开了研究：（1）研究了数据驱动的无线接入端频谱资源优化分配与调度，（2）研究了数据驱动的云端网络资源优化分配与调度研究。并在此过程中，（3）研究了相关的深度学习理论基础优化技术和（4）云端数据安全控制技术。通过这些研究，提出了数据驱动的智能化网络资源服务模型、网络资源感知的资源优化分配策略以及云端数据安全控制策略，并构建了性能评估仿真平台。汇总4年的研究成果，已逐步形成了数据驱动的自演进未来移动接入资源分配与优化算法簇。除完成计划任务外，考虑到在5G无线网络及后续未来演进网络环境下，基于数据驱动的无线信号、图像或视频信号等相关的智能化应用将大量涌现，项目组还对原定研究内容进行了拓展，针对本领域的相关热门研究开展了一些研究工作，包括：（1）数据驱动的无线信号相关应用研究，（2）数据驱动的图像或视频信号相关应用研究，以及（3）数据驱动的数据源跟踪和内容推荐技术研究。通过这些研究，提出了一系列基于传统机器学习或深度学习技术的智能化算法和应用系统，为相关应用提供了良好的参考价值。