考量使用者互動之DDPG行動邊緣網路無線資源管理;DDPG Based Radio Resource Management for User Interactive Mobile Edge Networks

NCU Institutional Repository > 資訊電機學院 > 通訊工程研究所 > 博碩士論文 > Item 987654321/81008

請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/81008

題名:	考量使用者互動之DDPG行動邊緣網路無線資源管理;DDPG Based Radio Resource Management for User Interactive Mobile Edge Networks
作者:	陳柏臣;Chen, Po-Chen
貢獻者:	通訊工程學系
關鍵詞:	第五代通訊系統;資源排程;機器學習;邊緣雲端;5G system;resource scheduling;machine learning;edge cloud
日期:	2019-08-20
上傳時間:	2019-09-03 15:25:09 (UTC+8)
出版者:	國立中央大學
摘要:	隨著網路流量快速的成長，根據Cisco報告指出2022年時的流量將會是2017年8倍的，而且影像類型的應用所產生的流量占整體的80%。另外第五代通訊的來臨，由於系統的靈活度以及可調性，第五代通訊系統將會允許更多種極端類型的應用服務，例如高速傳輸的高畫質影片、極低延遲的即時串流服務或混合型的線上虛擬實境遊戲，因此下一代的行動通訊即將面臨更壅塞以及更複雜的網路環境。因此第五代通訊的資源排程問題會相對過往的複雜很多，許多論文致力於提出最佳的資源排程方式，研究結果顯示絕大數的機器學習方式都更適合傳統的排程方式。而有一部分文章除了使用機器學習的方式外更加入了環境的分析協助機器學習做出更佳的排程決策。本篇文章，運用了Google DeepMind所開發之DDPG機器學習演算法在多基地台網路環境中排程資源，並透過邊緣雲端伺服器對所有基地台下達資源分配的指令。另外，我們加入了分組的機制，並透過DIBR以及MBMS的技術提高頻寬的使用效率。從實驗結果可知我們的機器學習方法相較於單一的排成方式雖然不能達到最高的傳輸速率，但是在使用者滿足的方面我們提出的學習方法可以達到最高的滿足率。;The traffic flow grows rapidly in recent years. According to Cisco report, the network traffic of 2022 will be more than 8 times of 2017, and the traffic flow generated by image-type application will occupy up to 80% of total traffic flow. In addition the 5G system’s characteristic of flexibility and adjustability let the 5G system allow to serve more different application with different request and characteristic, e.g., The ultra-high video, video streaming and online interactive virtual reality gaming. So that next generation mobile communication system is going to face a higher congestion and higher complexity network environment. Therefore, the resource scheduling problem is more complicate than the past. Many papers devoted to proposing the best resource scheduling scheme. The results show the machine learning are more suitable for the 5G network. There are some papers analyze the network environment to assist the machine learning to make better scheduling decision. In this article, the DDPG, a machine learning algorithm developed by Google DeepMind is used to schedule resources in a multi-base network environment, and allocate resources to all base stations through the edge cloud server. In addition, we have added a grouping mechanism to improved bandwidth usage efficiency through DIBR and MBMS technologies. From the experimental results, we can see that our machine learning method cannot achieve the highest transmission rate compared with the single arrangement method, but the learning method proposed by the user can achieve the highest satisfaction rate.
顯示於類別:	[通訊工程研究所] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
index.html		0Kb	HTML	220	檢視/開啟

在NCUIR中所有的資料項目都受到原著作權保護.

社群 sharing

資料載入中.....