本发明专利技术提供了非监督学习下的URLLC和eMBB资源分配方法、系统及存储介质，该URLLC和eMBB资源分配方法包括：步骤一：在每个时隙一开始确定eMBB用户资源分配策略，并在该时隙内保持不变；步骤二：在每个微时隙根据活跃的URLLC用户数进行eMBB/URLLC用户配对，将原多用户问题转化为多个单对eMBB/URLLC用户问题；步骤三：从单对eMBB/URLLC用户角度建立基于泛函优化的资源分配模型，解决多个单对eMBB/URLLC用户资源分配问题并及时更新eMBB用户剩余资源。本发明专利技术的有益效果是：本发明专利技术可以实现URLLC的超低时延要求，同时有效降低因无法满足URLLC服务质量而造成的丢包率。务质量而造成的丢包率。务质量而造成的丢包率。
【技术实现步骤摘要】
非监督学习下的URLLC和eMBB资源分配方法、系统及存储介质
[0001]本专利技术涉及通讯
，尤其涉及一种非监督学习下的URLLC和eMBB资源分配方法、系统及存储介质。
技术介绍
[0002]eMBB和URLLC是5G网络下的两个主要应用。eMBB提供了高带宽应用，比如8K视频和增强现实服务。URLLC则旨在实现5G网络下小于1ms的端到端时延和不大于10
‑5的丢包率，其应用极为广泛(如工厂自动化，自动驾驶，远程医疗以及智能电网等)。但是未来一些应用(如扩展现实服务)既需要低时延高可靠性的URLLC服务又要满足高带宽的eMBB服务。为了有效解决这两类服务的共存问题，同时满足其各自的性能要求，URLLC需要在eMBB传输资源上通过打孔(puncture)机制共享资源。图1展示了一个通用的URLLC打孔机制，其中eMBB用户的资源分配在每个时隙开始时刻完成。由于URLLC的亚毫秒时延约束，到达的URLLC流量需要在更短的微时隙内完成资源分配。具体地，URLLC用户会在已分配给eMBB用户的资源上进行打孔，eMBB用户在所打孔的资源上不再分配功率。这种方案以牺牲eMBB用户吞吐量性能来实现eMBB和URLLC用户的共存，同时满足URLLC超低时延、超高可靠约束。
[0003]由图1可知，打孔机制会损害eMBB用户的吞吐量。目前已存在的方案旨在最大化eMBB用户的总吞吐量，然而该方案会牺牲信道较差用户的性能，以保护信道较好用户。因此，eMBB用户间的公平性无法得到保证。同时，微时隙级的资源分配方案虽然能有效应对因URLLC的随机性给资源分配带来的挑战，但是也带来了巨大的计算开销。这是因为在现实环境中无线信道具有较强的时间相关性，其相干时间甚至在几个毫秒。因此只要信道改变，基站要重复求解相同的优化问题，同时要求求解时间低于几个毫秒。由于求解时间与用户规模相关，该方案在大规模用户问题下很难实现URLLC亚毫秒级的时延要求，实用性差。
技术实现思路
[0004]为了解决现有技术中的问题，本专利技术提供了一种非监督学习下的URLLC和eMBB资源分配方法、系统及存储介质。
[0005]本专利技术提供了一种非监督学习下的URLLC和eMBB资源分配方法，包括以下步骤：
[0006]步骤一：在每个时隙一开始确定eMBB用户资源分配策略，并在该时隙内保持不变；
[0007]步骤二：在每个微时隙根据活跃的URLLC用户数进行eMBB/URLLC用户配对，将原多用户问题转化为多个单对eMBB/URLLC用户问题；
[0008]步骤三：从单对eMBB/URLLC用户角度建立基于泛函优化的资源分配模型，利用非监督学习框架解决单对eMBB/URLLC用户资源分配问题，最后通过解决多个单对eMBB/URLLC用户资源分配问题并及时更新eMBB用户剩余资源，从而解决原多用户问题。
[0009]作为本专利技术的进一步改进，所述步骤一具体为：
[0010]在每个时隙开端，基站先对eMBB用户进行资源预分配，基于比例公平及长包传输得到eMBB带宽分配策略和功率分配策略。
[0011]作为本专利技术的进一步改进，所述步骤二中，URLLC在短包传输下与eMBB用户进行配对。
[0012]作为本专利技术的进一步改进，所述步骤二包括：引进打孔指示矩阵I，采用混合匹配博弈的eMBB/URLLC用户配对方法确定打孔指示矩阵I，将多用户问题转化为多个单对eMBB/URLLC用户问题。
[0013]作为本专利技术的进一步改进，所述混合匹配博弈的eMBB/URLLC用户配对方法中，一个URLLC用户只能打孔一个eMBB用户，一个eMBB用户允许被多个URLLC用户打孔，当在第t1时隙中第t2个微时隙活跃的URLLC用户数不高于eMBB用户数M时，即采用一对一延迟接受算法，当则采用多对一延迟接受算法；对于eMBB用户，将优化目标函数作为偏好函数，对于URLLC用户，将eMBB用户信噪比作为偏好函数。
[0014]作为本专利技术的进一步改进，所述步骤三包括：
[0015]步骤S1：依次从匹配表选取一对eMBB/URLLC用户，建立URLLC资源分配模型；
[0016]步骤S2：URLLC进行资源分配；
[0017]步骤S3：每完成一次URLLC资源分配，基站及时更新被打孔的eMBB用户的剩余资源，同时更新元组S以准备接下来的URLLC资源分配。
[0018]作为本专利技术的进一步改进，所述步骤S1中，对URLLC的服务质量进行建模，具体为：
[0019]将总时延定义为即传输时延、排队时延和解码时延。因此可以定义最大排队时延为：
[0020][0021]引入排队超时概率：因此URLCC可靠性可表征为：
[0022]1‑
(1
‑
∈
c
)(1
‑
∈
q
)≈∈
c
+∈
q
≤∈
max
,
ꢀꢀꢀ
(2)
[0023]其中∈
c
是URLLC包解码出错概率，∈
max
是总丢包概率；
[0024]URLLC统计排队时延要求可通过保证排队系统包服务率不低于包到达率描述，公式如下：
[0025][0026]其中r
u
表示URLLC的数据速率。
[0027]作为本专利技术的进一步改进，所述步骤S2具体为：
[0028]定义一个元组变量s＝{w
m
,p
m
,α
m
,α
u
}为该单对eMBB/URLLC用户资源分配问题的输入，其中α
m
,α
u
分别表示eMBB用户m和URLLC用户u的信道增益，同时将ψ
u
(s)分别表示URLLC用户u抢占的带宽和功率比例，再利用神经网络分别近似URLLC最优打孔策略ψ
u
(s)，其中z
ψ
分别是和的参数，再采用主元对偶方法，交替更新神经网络参数z
ψ
直到收敛，最后得到训练好的神经网络和
[0029]本专利技术还公开了一种非监督学习下基于打孔机制的URLLC和eMBB资源分配系统，包括：存储器、处理器以及存储在所述存储器上的计算机程序，所述计算机程序配置为由所述处理器调用时实现本专利技术所述的RLLC和eMBB资源分配方法的步骤。
[0030]本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质存储有计算
机程序，所述计算机程序配置为由处理器调用时实现本专利技术所述的RLLC和eMBB资源分配方法的步骤。
[0031]本专利技术的有益效果是：1.本专利技术解决了URLLC用户随机性阻碍神经网络结构设计问题和打孔公平性问题；2.相比传统的基于数值算法逐个微时隙进行URLLC资源分配而导致计算开销巨大的问题，本专利技术可以实现URLL本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种非监督学习下的URLLC和eMBB资源分配方法，其特征在于，包括以下步骤：步骤一：在每个时隙一开始确定eMBB用户资源分配策略，并在该时隙内保持不变；步骤二：在每个微时隙根据活跃的URLLC用户数进行eMBB/URLLC用户配对，将原多用户问题转化为多个单对eMBB/URLLC用户问题；步骤三：从单对eMBB/URLLC用户角度建立基于泛函优化的资源分配模型，利用非监督学习框架解决单对eMBB/URLLC用户资源分配问题，最后通过解决多个单对eMBB/URLLC用户资源分配问题并及时更新eMBB用户剩余资源，从而解决原多用户问题。2.根据权利要求1所述的URLLC和eMBB资源分配方法，其特征在于，所述步骤一具体为：在每个时隙开端，基站先对eMBB用户进行资源预分配，基于比例公平及长包传输得到eMBB带宽分配策略和功率分配策略。3.根据权利要求1所述的URLLC和eMBB资源分配方法，其特征在于，所述步骤二中，URLLC在短包传输下与eMBB用户进行配对。4.根据权利要求1所述的URLLC和eMBB资源分配方法，其特征在于，所述步骤二包括：引进打孔指示矩阵I，采用混合匹配博弈的eMBB/URLLC用户配对方法确定打孔指示矩阵I，将多用户问题转化为多个单对eMBB/URLLC用户问题。5.根据权利要求4所述的URLLC和eMBB资源分配方法，其特征在于，所述混合匹配博弈的eMBB/URLLC用户配对方法中，一个URLLC用户只能打孔一个eMBB用户，一个eMBB用户允许被多个URLLC用户打孔，当在第t1时隙中第t2个微时隙活跃的URLLC用户数不高于eMBB用户数M时，即采用一对一延迟接受算法，当则采用多对一延迟接受算法；对于eMBB用户，将优化目标函数作为偏好函数，对于URLLC用户，将eMBB用户信噪比作为偏好函数。6.根据权利要求1所述的URLLC和eMBB资源分配方法，其特征在于，所述步骤三包括：步骤S1：依次从匹配表选取一对eMBB/URLLC用户，建立URLLC资源分配模型；步骤S2：URLLC进行资源分...
【专利技术属性】
技术研发人员：郑福春，石兵，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。