Abstract—In heterogeneous networks (HetNets), user association approaches should be able to achieve load balancing among base stations (BSs). This paper investigates the joint optimization of user association and resource allocation in Backhaul-constrained HetNets for capacity enhancements. We consider two major limitations in HetNets: the backhaul bottleneck of BSs and the capability of user equipment (UE). We establish a framework based on a multi-leader multi-follower Stackelberg game, in which resource allocation is formulated as a follower-level game and user association is cast as a leader-level game. Because of the backhaul bottleneck of small BSs, the given preference order of users renders the final association result unstable. Thus, the resident-oriented GaleShapley (GS) algorithm is included in the proposed framework to obtain a stable single-BS association. Furthermore, congestion factors are introduced to reflect the relative backhaul congestion degrees of BSs, which enables load balancing among the small BSs in the proposed algorithm. The study considers user association and resource allocation with and without limitations on the number of serving users for small BSs in HetNets. Extensive simulation results suggest that the proposed algorithm can adaptively respond to a wide variety of network situations.中文

在异构网络（HetNets）中，用户关联方法应该能够实现基站（BS）之间的负载平衡。本文研究了在受限于回程链路的HetNets中，用户关联和资源分配的联合优化问题，以增强系统容量。我们考虑了HetNets中的两个主要限制：BS的回程瓶颈和用户设备（UE）的能力。我们建立了一个基于多领导者-多追随者Stackelberg博弈的框架，其中资源分配被形式化为追随者级别的博弈，用户关联被视为领导者级别的博弈。由于小型BS的回程瓶颈，给定的用户优先顺序导致最终关联结果不稳定。因此，该提出的框架中包括了面向居民的Gale-Shapley（GS）算法，以获得稳定的单BS关联。此外，引入了拥塞因子来反映BS的相对回程拥塞程度，从而实现了提出算法中小型BS之间的负载平衡。本研究考虑了HetNets中限制小型BS服务用户数量和不限制的用户关联和资源分配。广泛的仿真结果表明，该提出的算法能够适应各种网络情况。

相关问题

Backhaul-Constrained HetNets翻译

"Backhaul-Constrained HetNets" 可以翻译为 "受限背靠背异构网络"。其中，“Backhaul”表示背靠背，指的是网络中后端传输资源有限的情况；"Constrained"表示受限，指的是资源受到限制；"HetNets"是Heterogeneous Networks的缩写，表示异构网络。因此，整个短语描述了一个具有有限背靠背传输资源的异构网络。

heterogeneous graph neural network for recommendation

异构图神经网络（Heterogeneous Graph Neural Network）是一种在推荐系统中应用的技术。在传统的推荐系统中，用户和物品通常被表示为一个二部图，而异构图神经网络则可以更好地处理用户和物品之间多样的关系。

异构图神经网络在推荐系统中的应用，主要是通过将用户和物品的不同信息进行融合和学习，以提高推荐的效果。这包括用户的行为数据、社交关系、偏好信息等，以及物品的属性、标签、类别等多种信息。通过异构图神经网络的学习，可以更好地挖掘用户和物品之间的复杂关系，从而提升推荐系统的准确性和个性化程度。

在异构图神经网络中，会使用不同的神经网络结构来处理不同类型的节点和边，以更好地表达它们之间的关系。通过多层神经网络的学习，可以逐渐提取用户和物品的抽象表达，从而更好地进行推荐任务。同时，异构图神经网络也可以更好地处理数据稀疏和冷启动等问题，提高了推荐系统的泛化能力。

总的来说，异构图神经网络在推荐系统中的应用，可以更好地利用用户和物品之间的多样信息，提高了推荐的效果和个性化程度，是推荐系统领域的研究热点之一。