物联网中非正交多址接入上行数据收集的资源优化分配

0 下载量 140 浏览量 更新于2024-07-15 收藏 498KB PDF 举报
"这篇研究论文探讨了非正交多址接入(NOMA)技术在物联网(IoT)应用中的上行链路数据收集优化资源分配问题。文章指出,随着5G蜂窝系统的发展,满足大规模连接性是关键目标。NOMA作为一种允许多个移动用户同时共享同一频谱信道进行传输的技术,对于实现高效频谱利用率和数据传输具有重要意义。作者们分析了一个传感器网络的上行传输场景,并针对该场景提出了优化资源分配策略,以提高数据收集效率和网络性能。" 正文: 非正交多址接入(NOMA)是一种创新的多址接入技术,它打破了传统的正交频分多址(Orthogonal Frequency Division Multiple Access, OFDMA)和其他基于时隙或频率区分的多址接入方式,允许不同用户在同一时间和频率资源上进行数据传输。这种技术在未来的5G通信系统中被寄予厚望,特别是对于支持物联网(IoT)应用的大规模连接性需求。 物联网中的传感器网络是由大量分布式传感器节点组成的,这些节点负责收集环境数据并将其发送到中央节点或云服务器。在上行链路数据收集过程中,如何有效地利用有限的无线资源是提高整个网络性能的关键挑战。本文关注的正是这个问题,通过优化资源分配策略来提升上行数据传输的效率和系统的整体吞吐量。 作者们提出了一种优化算法,该算法考虑了网络中各个传感器节点的功率分配、信道条件以及数据需求。目标是在满足服务质量(Quality of Service, QoS)的前提下,最大化网络的整体数据速率或最小化总的能耗。他们可能采用了诸如联合功率分配和用户配对等策略,以实现更高效的资源利用。 在实际应用中,NOMA可以通过功率域多址(power-domain NOMA)实现,其中用户根据其信噪比(Signal-to-Noise Ratio, SNR)被分组,具有较高SNR的用户能够解码并消除其他用户的信号,而低SNR用户则可以直接解码自己的数据。这种“强用户帮助弱用户”的策略可以改善网络边缘用户的性能,同时提高了频谱效率。 此外,论文还可能涉及了干扰管理和用户公平性方面的研究。在NOMA系统中,由于用户之间的信号重叠,干扰管理成为一个重要问题。有效的资源分配需要平衡不同用户之间的干扰,确保网络的稳定运行。同时,保证所有用户都能获得公平的数据传输机会也是优化策略需要考虑的因素之一。 这篇研究论文深入研究了NOMA技术在物联网传感器网络中的应用,提出了优化上行链路数据收集的资源分配策略。这些研究成果对于设计高效、节能且公平的5G IoT网络具有重要的理论和实践价值。

Algorithm 1: The online LyDROO algorithm for solving (P1). input : Parameters V , {γi, ci}Ni=1, K, training interval δT , Mt update interval δM ; output: Control actions 􏰕xt,yt􏰖Kt=1; 1 Initialize the DNN with random parameters θ1 and empty replay memory, M1 ← 2N; 2 Empty initial data queue Qi(1) = 0 and energy queue Yi(1) = 0, for i = 1,··· ,N; 3 fort=1,2,...,Kdo 4 Observe the input ξt = 􏰕ht, Qi(t), Yi(t)􏰖Ni=1 and update Mt using (8) if mod (t, δM ) = 0; 5 Generate a relaxed offloading action xˆt = Πθt 􏰅ξt􏰆 with the DNN; 6 Quantize xˆt into Mt binary actions 􏰕xti|i = 1, · · · , Mt􏰖 using the NOP method; 7 Compute G􏰅xti,ξt􏰆 by optimizing resource allocation yit in (P2) for each xti; 8 Select the best solution xt = arg max G 􏰅xti , ξt 􏰆 and execute the joint action 􏰅xt , yt 􏰆; { x ti } 9 Update the replay memory by adding (ξt,xt); 10 if mod (t, δT ) = 0 then 11 Uniformly sample a batch of data set {(ξτ , xτ ) | τ ∈ St } from the memory; 12 Train the DNN with {(ξτ , xτ ) | τ ∈ St} and update θt using the Adam algorithm; 13 end 14 t ← t + 1; 15 Update {Qi(t),Yi(t)}N based on 􏰅xt−1,yt−1􏰆 and data arrival observation 􏰙At−1􏰚N using (5) and (7). i=1 i i=1 16 end With the above actor-critic-update loop, the DNN consistently learns from the best and most recent state-action pairs, leading to a better policy πθt that gradually approximates the optimal mapping to solve (P3). We summarize the pseudo-code of LyDROO in Algorithm 1, where the major computational complexity is in line 7 that computes G􏰅xti,ξt􏰆 by solving the optimal resource allocation problems. This in fact indicates that the proposed LyDROO algorithm can be extended to solve (P1) when considering a general non-decreasing concave utility U (rit) in the objective, because the per-frame resource allocation problem to compute G􏰅xti,ξt􏰆 is a convex problem that can be efficiently solved, where the detailed analysis is omitted. In the next subsection, we propose a low-complexity algorithm to obtain G 􏰅xti, ξt􏰆. B. Low-complexity Algorithm for Optimal Resource Allocation Given the value of xt in (P2), we denote the index set of users with xti = 1 as Mt1, and the complementary user set as Mt0. For simplicity of exposition, we drop the superscript t and express the optimal resource allocation problem that computes G 􏰅xt, ξt􏰆 as following (P4) : maximize 􏰀j∈M0 􏰕ajfj/φ − Yj(t)κfj3􏰖 + 􏰀i∈M1 {airi,O − Yi(t)ei,O} (28a) τ,f,eO,rO 17 ,建立了什么模型

2023-05-12 上传