Resumen

En este artículo, se utiliza un enfoque de aprendizaje profundo para llevar a cabo un estudio y análisis en profundidad de la asignación inteligente de recursos en redes de comunicación inalámbricas. En primer lugar, se discuten los conceptos relacionados con la arquitectura CSCN y se analiza el rendimiento de las pequeñas estaciones base (SBS) en la arquitectura CSCN; a continuación, se utiliza el modelo de red de memoria a largo plazo (LSTM) para predecir la ubicación móvil de los usuarios, y se puntúan las condiciones de transmisión de los usuarios en función de dos condiciones, a saber, la ubicación móvil de los usuarios y si las pequeñas estaciones base a las que están conectados los usuarios tienen sus estados de caché deseados, y las pequeñas estaciones base seleccionan la transmisión. A continuación, se introduce el concepto de teoría de juegos para modelar el problema de maximizar el rendimiento de la red como un problema de juego no cooperativo multiinteligente; por último, se propone un algoritmo de asignación de recursos inalámbricos basado en el aprendizaje profundo aumentado para que la pequeña estación base aprenda de forma autónoma y seleccione los recursos de canal en función del entorno de red para maximizar el rendimiento de la red. Los resultados de la simulación muestran que el algoritmo propuesto en este artículo mejora significativamente el rendimiento de la red en comparación con el algoritmo tradicional de acceso aleatorio y el algoritmo propuesto en la literatura. En este trabajo, lo aplicamos al problema de control de recursos de grano fino de la asignación de tráfico de usuario y descubrimos que la técnica de control de recursos basada en el marco AC puede obtener un rendimiento muy cercano a la solución óptima local de un algoritmo de conexión dual de usuario justo proporcional basado en emparejamiento con una complejidad computacional de nivel polinomial. Se implementa la optimización de la política de decisión de asignación de recursos y descarga de tareas y, al final del proceso de entrenamiento, cada organismo inteligente realiza de forma independiente la asignación de recursos y la descarga de tareas de acuerdo con el estado y la política actuales del sistema. Por último, los resultados de la simulación muestran que el algoritmo puede mejorar eficazmente la calidad de la experiencia del usuario y reducir la latencia y el consumo de energía.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:estaciones base pequeñas, rendimiento de red, usuarios, algoritmo, artículo, arquitectura cscn, localización móvil, asignación de recursos, problema de juego no cooperativo inteligente
• Keywords:small base stations, small base station, network throughput, users, algorithm, paper, cscn architecture, mobile location, resource allocation, intelligent noncooperative game problem