基于NFV的异构蜂窝网络高能效资源优化方法研究

Network functions virtualization (NFV), as a new network architecture that can provide a flexible resource management, has been getting increased attention. This project is focused on studying resource allocation in virtualized heterogeneous cellular networks, including virtualized network slicing, resource optimization and low-complexity algorithm. Firstly, we shall study the resource allocation method based on the slices in virtualized heterogeneous cellular networks. We formulate optimization problems for maximizing the energy efficiency with delay guarantees, and solve them by joint slice scheduling, user association and resource allocation. Secondly, we shall study the virtualized resource allocation in massive MIMO-enabled heterogeneous cellular networks with pilot contamination. In order to obtain higher energy efficiency, we design the joint slice scheduling, pilot allocation and beamforming in the proposed virtualized networks. Finally, we shall study the low-complexity and distributed resource allocation methods in virtualized heterogeneous networks and propose efficient algorithms. This project is a further research on the resource optimization problem in heterogeneous cellular networks. Its ultimate goal is to propose the energy-efficient, low-latency and low-complexity resource optimization methods for virtualized heterogeneous networks, and provide some support to the development of energy-aware radio resource management in virtualized wireless networks.

网络功能虚拟化作为一种新型的网络体系架构，能够提供灵活高效的资源管理方式，越来越受到人们的关注。本项目拟针对虚拟异构蜂窝网络中的高能效资源优化方法开展研究，重点解决虚拟网络切片、资源优化、高复杂度等问题。研究内容具体包括：（1）研究基于网络切片的资源优化方法，以提高系统的能量效率和降低传输时延为目标，解决虚拟异构网络联合的切片调度、用户接入和资源分配问题。（2）研究虚拟异构大规模MIMO网络高能效资源优化，解决导频污染下的联合切片调度、导频分配和波束成型问题。（3）研究低复杂度和分布式的高能效资源优化方法，设计有效的虚拟资源分配算法，解决中心式多层迭代方法的高复杂度问题。本项目是对异构蜂窝网络资源优化理论方法和技术的进一步深化，目标是获得高能效、低时延和低复杂度的虚拟资源优化方法，为面向未来虚拟无线网络的资源管理提供理论依据和技术支持。

本项目围绕虚拟异构蜂窝网络中的高能效资源优化方法开展研究，主要完成的研究内容包含以下方面：（1）研究了基于网络切片的高能效资源分配方法。提出了基于深度强化学习的高能效资源分配算法，分别设计了离散型和连续型深度强化学习的子信道分配和功率分配，改善了功率离散化量化误差和动作空间维度增大的问题，提高了系统的能量效率。并提出了基于数据缓存的高能效资源优化算法，设计了功率分配和传输模式选择方案，获得更优的能量效率和时延性能。（2）研究了虚拟异构大规模MIMO网络高能效资源优化方法。提出了MIMO-NOMA通信系统波束成型与功率分配算法，设计了公平性的功率分配方案获得了更高的系统传输速率和用户公平性。并提出了基于深度学习的MIMO的通信信号检测算法，分别设计了数据驱动和模型驱动的深度网络MIMO信号检测，提高了检测算法的鲁棒性和提升了训练速度，并进一步将SIC结构与深度学习网络相结合，降低了MIMO-NOMA系统的误码率。（3）研究了低复杂度和分布式的高能效资源优化方法。提出了分布式的多智能体高能效的联合功率分配和子载波分配算法，采用集中训练和分布式执行的方式，获得了更好的稳定性和能量效率性能；并提出了低复杂度的非完美SIC的NOMA通信系统资源优化算法，利用最优解的性质降低了算法复杂度。项目组完成了预定的研究任务，相关研究成果是对无线资源优化技术的发展和完善，并可以延伸服务于多个相关领域。