考虑社交信息的超密集网络中用户体验优先的无线资源管理

Traditionally, radio resource management (RRM) aims to satisfy one or several independent quality of services but can not response users’ quality of experience (QoE). Such RRM may lead to over services and even waste of resources. Social information from mobile social networks and big data is the analysis of users’ social activities and responses QoE directly. Faced ultra-dense networks of 2020, we studied the RRM approaches oriented QoE by using social information: ① To transform social information into QoE related functions. ② To model the problem as a hierarchical game with the objective function of QoE to realize the network access selection and access control. Furthermore, an effective interference coordination scheme is proposed by designing a multi-objective joint optimization problem. ③ To design a stimulation mechanism to perform autonomously relaying signals by mobile terminals from physical layers and social layers respectively, where an energy harvesting based scheme and a social traits based method are proposed for these two layers respectively. ④ To formulate the differential energy efficiency model according to QoE and to maximize this objective function of energy efficiency. The formulation of objective functions is oriented to QoE. The realization of the proposed algorithms aims to enhance energy efficiency and reduce the complexity. The machine learning strategy guarantees the local optimal solutions to reach to the global ones steadily. The achievements of this project will provide helpful results for the RRM in ultra-dense networks of 2020.

传统上以满足一项或几项独立的服务质量为目标的无线资源管理无法完整体现用户对业务的主观感受，造成过度服务甚至资源浪费。来源于移动社交网络和大数据的社交信息是对用户社会行为的分析，直接体现了用户体验（QoE）。 本课题面向2020年的超密集异构网络，探讨利用社交信息设计用户体验优先的无线资源管理：①利用概率论与模糊理论将社交信息转化为QoE函数。②将问题建模为优化QoE的多层博弈实现接入网络选择与接纳控制；进一步构建最大化QoE的多目标资源联合优化问题实现有效的干扰协调。③利用能量采集机制与社交属性设计综合考虑物理层面与社交层面的终端自主中继激励算法。④根据用户QoE构建差异化能效模型并建立最大化能效的优化问题。目标函数的构建体现QoE优先原则；算法实现过程中提高能量效率、降低复杂度；机器学习机制保证局部最优解稳定逼近全局最优解。本课题将对面向2020年的超密集网络的无线资源管理提供有益积累。

物联网和移动互联网的飞速发展推动了用户对更高速率、更大数据流量、更密集的网络覆盖的需求，第五代移动通信系统（5G）也应运而生。5G系统要求更高的网络容量和更好的用户体验，而超密集网络（UDN）作为有效的解决网络无缝链接的部署方案，已经被公认为5G通信系统的关键技术之一。但是，UDN也面临着一些技术挑战，比如用户的接入选择、小小区间的干扰、用户的移动性、无线资源的利用等。同时，现有的无线通信网络的设计和优化都是依据传统的物理环境的特点进行的，并未考虑到设备的持有者即用户所构建的社交网络的特性对其产生的影响。而社交网络中用户间存在的社交关系不仅能够体现出终端设备正常通信的概率，而且能够影响协作通信中中继设备的选择和发射功率。为了进一步提高异构网络的通信性能，就需要结合社交网络，对当前的通信系统进行优化。本课题面向5G的超密集异构网络，探讨利用社交信息设计用户体验优先的无线资源管理：1）在基于D2D和蜂窝网络的异构网络中，开展了社交网络高准确度的社区检测算法研究，基于社区的D2D系统频谱资源分配的研究和基于社交网络的D2D中继选择的研究。2）在面向5G的UDN网络中，针对用户选择小小区的接入问题，提出了基于一级价格密封拍卖博弈的方法；其次，针对小小区间干扰的问题，提出了基于几何规划的分布式无线资源管理方法。3）在面向5G的大规模物联网中，针对M2M与H2H共存的正交场景与干扰场景，针对M2M设备的能效和以及H2H设备的信道容量之和的折中进行了探讨。在M2M与H2H共存场景下构建一个多目标问题进行联合频谱与功率的资源管理，并提出采用加权切比雪夫算法求解该问题。算法实现过程中提高能量效率、降低复杂度；机器学习机制保证局部最优解稳定逼近全局最优解。仿真表明了本课题提出的算法比传统方法能够获得更大的性能增益和明显的性能改善。本课题将对面向2020年的超密集网络的无线资源管理提供有益积累。