基于用户行为预测的无线边缘网络资源利用理论研究

By leveraging the predictability of user behavior and the computing and caching capability of base station and smart devices, wireless network design can be shifted from reactive to predictive communication paradigm. By avoiding network congestion in advance, selecting high-available transmission route, and preserving network resources and even serving users before they initiate requests, predictive communication paradigm can explore excess network resources in temporal and spatial dimension in a wide range, which provides a promising new way to increase the utilization efficiency of the resources in wireless edge. This project investigates inherent mechanism and potential in improving resource utilization efficiency by predicting different types of user behavior with various time/space/user group granularity. The methods of user behavior prediction, reconstruction and online learning towards boosting resource usage efficiency will be proposed. The dynamic resource configuration and allocation strategies by predicting and steering user behavior will be devised. This will establish theoretical foundation for using transmission, computing and caching resources efficiently. The mobile user behavior will be analyzed and the proposed techniques will be evaluated in cellular networks. The major research topics are summarized as follows: 1) investigating basic principles and performance upper bound of predictive communications in exploiting residual resources in wireless edge, 2) predicting user behavior aimed at increasing usage efficiency of resource in wireless edge, 3) devising dynamic resource utilization strategies with online learning and aggressive steering user behavior, and 4) analyzing behavior of mobile users in cellular networks and evaluating proposed techniques with test-bed experiments.

利用用户行为的可预测性及基站和智能终端的计算与存储能力，无线网络可以从反应式转变到预测式通信范式，通过提前回避网络拥塞、选择高效传输路径、预先定制化分配网络资源甚至提前服务，大范围地利用网络在时空两维的闲置资源，有望为大幅度提高无线资源利用率提供新途径。本项目探索通过预测不同类型、不同时间/空间/群体粒度的用户行为提升传输资源利用率的内在机理和性能潜力，提出面向提升无线边缘资源利用率的用户行为信息预测、合成、重构与在线学习方法，研究通过预测用户行为和引导用户行为高效配置和分配边缘资源的策略，建立预测式无线网络边缘资源利用理论，在蜂窝网络中进行分析和验证。主要研究内容包括：预测通信范式利用无线边缘网络残余资源的原理与性能上界;面向提高无线边缘网络资源利用率的用户行为预测;基于在线学习和主动引导用户行为的动态资源利用方法; 分析移动蜂窝网络中的用户行为，在实验基站上评估所提出新方法的性能。

本项目研究通过预测不同类型和粒度用户行为提升无线资源利用率的原理和潜力，研究面向高效利用资源的行为信息预测，以及通过学习和引导用户行为动态利用资源的方法，利用实测数据和实验平台进行用户行为建模和方法验证。.我们分析了利用未来毫秒至小时级的个体和群体用户在内容请求、业务需求、移动性和视角等方面行为信息来管理资源的机理和性能，优化了主动和预测资源分配。研究发现：预测行为信息的增益源于非实时用户的“平均数据率分集”，当预测未来三分钟的信息时，在保证视频用户体验时吞吐量增益可达到300%；对于虚拟现实（VR）视频的主动传输，存在资源受限和预测受限区域；基于个体行为优化缓存能大大提升网络性能与用户公平性。.我们分析了流量和轨迹预测与平均数据率预测的关系，比较了所用时间序列数据的可预测性，为面向资源分配进行预测提供了指导；提出了利用小区级轨迹和15分钟粒度流量数据的预测资源分配方法；提出了面向传输和缓存资源管理的用户轨迹/移动性、网络流量和文件流行度预测方法。.我们基于强化学习设计了网络切片资源按需服务方案，对移动用户的切片资源进行了在线优化，提出了把强化学习与随机博弈优化相结合的切片资源协调方法，提出了一种名为“共识主动性”的分布式控制模型；提出了在线推荐与推送内容的方法，通过引导用户行为提升资源利用率；提出了利用无线策略的关系先验和数据率公式设计神经网络的方法，能显著降低大规模资源分配的训练开销；提出了快速强化学习对信息预测和资源优化进行端到端在线学习的方法，提出了在线无监督深度学习来优化资源分配，能保证严苛的可靠性和计算延时需求。.我们利用实测数据建模了用户请求视频的时空行为，基于4G基站下行小区参考信号构建了射频信号地图，基于5G实验基站搭建了无线VR传输系统、研制了智能无线网络切片平台；设计了基于实时预测的负载均衡，进行了现网试点验证。实验结果验证了主动缓存、主动VR传输、智能动态资源管理和预测负载均衡等方法的优势。