[发明专利]一种基于智能边缘缓存的部分机会性干扰对齐方法

说明书

一种基于智能边缘缓存的部分机会性干扰对齐方法，在异构网络环境下考虑时变信道和时变需求的智能边缘缓存下行链路部分机会干扰对齐方法，将时变信道建模为有限马尔可夫状态，将边缘缓存内容替换作为最大动态规划，然后，将异构网络中边缘缓存辅助的部分机会干扰对齐的优化问题转化为一个深度强化学习问题，边缘缓存可用于部机会干扰对齐中的动态上下文更新和信道状态信息的交换，最后，实验结果验证了深度强化学习在异构网络下行传输中智能优化边缓存辅助部分机会干扰对齐的可行性和优越性，结果表明，所提出的方法可以获得相当高的平均和速率和平均能量效率。

技术领域

本发明属于移动通信异构网络技术领域，涉及异构网络环境下考虑时变信道和时变需求的智能边缘缓存的下行链路部分机会干扰对齐方法，具体涉及一种基于智能边缘缓存的部分机会性干扰对齐方法。

背景技术

随着边缘计算在未来无线物联网网络的应用，边缘缓存被用来提高无线网络的频谱效率、下载时延和能量效率。主动将频繁请求的数据(例如，更新代码或流行内容)放置在边缘高速缓存中，将通过减少用于无线传输的重复内容来减轻回程链路的沉重负载。此外，在基站 (BS)和物联网设备上辅助缓存可以消除干扰，从而提高无线物联网网络的系统容量。有研究表明根据每个小区的自由度(DoF)，具有基站 (BS)缓存的蜂窝网络中的下行链路传输来增加网络容量。

在蜂窝网络中，干扰对齐(IA)是利用基站之间的协作来进行预编码以减轻干扰，已经得到了广泛的研究。在物联网用户数量较多的情况下，采用干扰对齐的多用户复用技术(OIA)可以提高无线网络的传输速率。由于异构网络的宏基站和微基站之间的不同功率，应用部分干扰对齐可以改善异构网络的系统容量。

由于密集终端设备请求的具有较高的时变性，无线容量存在巨大的压力，无线缓存可以认为是解决这一问题的重要途径。对于物联网设备的时变请求，具有有限缓存大小的微基站需要频繁地更新其高速缓存。然而，传统传统缓存策较少考虑时变带来的复杂性。深度强化学习(DRL)被用来准确获得终端请求的动态特征。深度强化学习将深度学习的感知能力和强化学习的决策能力相结合，为复杂系统的感知决策问题提供了解决思路，直接从高维原始数据学习控制策略。而深度Q学习(DQN)是深度强化学习的其中一种算法，它要做的就是将卷积神经网络(CNN)和Q-Learning结合起来，实现从感知 (Perception)到动作(Action)的端对端(End-to-end)学习的一种全新的算法。

对联合缓存和干扰对齐进行研究，以获得基于干扰对齐的无线网络的容量。然而，这些工作都认为无线信道是慢衰落和不变的。在考虑时变信道的情况下，提出了使用深度强化学习的高速缓存启用的机会干扰对齐，干扰对齐网络中的基站可以通过边缘缓存来交换信道状态信息(CSI)，以考虑受限的回程，但它没有考虑物联网设备的动态频繁请求或内容热度更新对无线容量的影响。在假设基站不知道内容流行度的情况下，采用深度强化学习算法动态更新基站的缓存，以适应时变的用户请求。最近关于基站中缓存上下文更新的工作只考虑了内容热度的动态特性，但没有考虑缓存辅助干扰对齐的时变信道。

将异构网络中干扰管理与边缘智能结合是一个值得深入探讨的问题，但面临两个方面关键挑战是：1)如何根据终端用户动态请求内容放置边缘缓存；2)同时利用边缘缓存对时变无线信道进行干扰管理。

发明内容

为了克服上述现有技术的不足，本发明的目的是提供一种基于智能边缘缓存的部分机会性干扰对齐方法，在异构网络环境下考虑时变信道和时变需求的智能边缘缓存下行链路部分机会干扰对齐方法，将时变信道建模为有限马尔可夫状态，将边缘缓存内容替换作为最大动态规划，然后，将异构网络中边缘缓存辅助的部分机会干扰对齐的优化问题转化为一个深度强化学习问题，边缘缓存可用于部机会干扰对齐中的动态上下文更新和信道状态信息的交换，最后，实验结果验证了深度强化学习在异构网络下行传输中智能优化边缓存辅助部分机会干扰对齐的可行性和优越性，结果表明，所提出的方法可以获得相当高的平均和速率和平均能量效率。

为了实现上述目的，本发明采用的技术方案是：