云雾融合下面向未来新型网络演进的智能资源优化技术研究

The cloud-fog combining structure and the three-dimensional dense coverage networks with powerful computation and communication capability are the important techniques to realize the large capacity and connections of the future wireless networks. Intelligent and coordinated large-scale resource allocation based on artificial intelligence is being one of the research highlights. However, resource allocation of the future networks is faced with practical issues such as the large network scale, dynamic business requirement, limited adaptive modulation and coding (AMC) strategy, and the high complexity and long delay of the optimization algorithms. This research intends to study some resource optimization problems of the dynamic cloud-fog combining and three-dimensional dense coverage networks on the basis of a new established fuzzy neural network model. The resource optimization problems such as the hierarchical adaptive user access strategy under predetermination mechanisms, and the clustering based transmit power optimization algorithms considering dynamic traffic requirements and practical limited AMC strategies are discussed. Low-complexity and smart optimization algorithms with self-learning, self-adaptation and self-evolution capabilities are designed to improve the user access and service ability of the real dynamic networks, reduce the blocking rate and traffic delay, improve the throughput and save the energy consumption of the network.

具有强大计算与通信能力的云雾融合密集立体覆盖网络是实现未来新型网络大容量、大连接的重要技术手段。基于人工智能技术的智能化大规模网络资源协同分配问题正成为研究热点之一。然而，未来新型网络资源分配面临着优化计算过程忽略网络规模、网络动态业务需求、实际有限自适应调制编码策略以及算法复杂度高、时延大等方面的问题。本项目拟通过在云雾融合密集立体覆盖网络中建立基于模糊神经网络的资源优化模型，来研究预判决机制下动态网络的分层自适应用户接入策略，以及动态业务需求和实际有限自适应调制编码策略下基于分簇算法的功率优化计算等动态网络资源优化计算问题。设计自我学习、自我适应、自我演进的计算方法，实现优化计算的灵巧性，降低算法复杂度，提高新型网络实际动态业务下的用户接入能力和服务能力，降低阻塞率和业务时延，提升网络吞吐量，降低网络能耗。

作为实现大规模用户群通信与海量数据业务传输的重要手段，云雾融合网络将云无线接入网与雾无线接入网相结合，形成云雾融合密集立体覆盖网络，实现无线通信资源、计算资源与缓存资源的有效整合，从而最大程度地利用有限的频谱资源满足各种应用的可靠性和时延需求，提高移动和车载网络的资源效率和网络性能，成为未来网络的基石。然而，云雾辅助方案因网络复杂性高而面临着资源协同分配效率、网络容量、能量效率和复杂异构动态业务支持等方面的问题。为了解决这些问题，从以下几个方面做了一些研究。1) 针对超密集立体覆盖网络中的信道信息不准确、回传受限和资源分配问题，提出了基于深度学习的信道估计方法，考虑实际回传容量限制提出基于智能优化的用户关联、子信道分配、回传资源分配和雾接入点休眠策略以及超密集立体覆盖网络最大化能效的资源共享方法。主要包括：利用卷积神经网络可靠预测下行信道协方差，并在此基础上提出了基于休眠、用户接入、子信道分配和回传数据速率的资源分配方法。2) 针对云雾融合网络的网络架构、用户接入、计算能力分配、任务卸载、网络时延和负载均衡问题，研究合理的分层架构，提出最小化时延的计算资源分配、任务卸载方法和最大化能效的智能用户关联与切换判决方法。主要实现了：由射频单元、雾接入分布式单元和中央单元三层计算服务构成的三层云雾融合网络架构与性能分析，实现快速计算资源分配与任务卸载和智能用户关联与切换判决。3) 针对动态业务场景、移动场景与毫米波大规模MIMO场景等重要场景和网络切片、D2D等技术，研究混合业务需求网络，提出历史能量信息预测方法，提出综合考虑时延、传输速率与服务代价的评价指标和动态业务场景下的频谱、波束、功率资源分配与用户接入算法，实现了提升用户体验质量，降低网络能耗和时延的目标。提出的方法不仅为云雾融合网络更好地支持业务需求提供理论分析和性能参考，而且对推动云雾融合网络的商用部署具有重要意义。