5G中面向QoE的网络选择方法研究

Restricted to limited system capacity, the traditional cellular network alone cannot meet the increasingly growing demand of mobile communications. In response to this challenge, researchers proposed to increase system capacity and enhance network coverage by deploying diverse wireless networks in the same zone to form overlapping coverage of heterogeneous wireless networks. Effective utilization of the potential resources of heterogeneous wireless networks still faces many challenges, one of the most critical issues is network selection. Focusing on the actual demands and the new challenges such as heterogeneous and hyper-dense networks, massive terminal devices, diverse traffic types and personalized user demands in 5G, from the user-centric perspective, this project aims to study on QoE-oriented network selection approaches. In response to the three representative scenarios of high-dynamic, large-scale and hyper-dense, this project use online learning theory to design online network selection approaches, focus on solving the three key scientific issues of QoE-oriented optimization mechanism, robust decision making in information uncertain situations, efficient decision making in complex environment, in order to provide 5G network selection optimization with theory and methods support.

受限于有限的系统容量，传统单一的蜂窝网络难以满足日益增长的移动通信需求。为应对以上挑战，人们通过在同一区域同时部署多种类型的无线网络，形成异构无线网络的重叠覆盖，从而提升系统的容量和增强网络覆盖。有效利用异构无线网络的潜在资源仍然面临多方面的挑战，网络选择是最为关键的问题之一。着眼于5G时代的现实需求以及异构、超密集的网络环境、海量的终端设备、多样化的业务类型和个性化的用户需求等全新挑战，本项目从以用户为中心的角度出发，研究面向QoE的网络选择方法。针对高动态、大规模和超密集三种典型的5G网络选择场景，本项目以在线学习为理论工具，设计在线的网络选择方法，着力解决面向QoE的优化机理、信息不确定条件下的稳健决策、复杂环境下的高效决策等三个关键科学问题，最终为5G网络选择优化提供理论与方法支撑。

着眼于5G时代的现实需求以及异构、超密集的网络环境、海量的终端设备、多样化的业务类型和个性化的用户需求等全新挑战，本项目从以用户为中心的角度出发，研究面向QoE的网络选择方法。项目主要围绕以下三个方面展开了较为深入的研究：（1）高动态场景下基于用户决策的在线网络选择。为量化动态环境对QoE的影响，定义了全新的动态QoE，将相应的网络选择优化建模为新颖的二阶强化学习问题，设计了阶数最优的强化学习算法，从理论上证明了算法的性能界，仿真验证了算法能够有效支撑面向动态QoE的网络选择。（2）大规模场景下基于网络决策的在线网络选择。在密集蜂窝场景下，提出基于邻居小蜂窝合作的博弈模型，设计了邻居合作网络选择算法，以较低复杂度实现了网络选择的优化。针对无人机机群的网络接入选择，采用分簇机制，协同小无人机形成分组，接入主控无人机获得网络服务，从而提高整个无人机群网络的吞吐量并降低能源消耗。（3）超密集场景下网络-用户联合决策的在线网络选择。考虑移动业务异构的上、下行传输需求定义了QoE，基于迁移强化学习设计了场景知觉的精细化网络选择算法。针对无人机场景中的网络选择，利用无人机的机动能力，设计了基于云辅助的混合决策算法。项目的科学意义体现在三点：一是提出的局部网络合作博弈优化机制能够有效解决大规模网络优化问题；二是提出了超越传统静态QoE的动态QoE的概念及定义；三是提出的二阶强化学习问题模型及算法能够为动态环境中的优化提供新的优化思路。项目组共发表13篇论文，其中SCI期刊论文8篇（IEEE期刊论文5篇），EI会议论文5篇。申请国家发明专利1项，出版英文学术专著1本（Springer出版社）。依托本项目的研究，项目组成功立项国家自然科学基金青年项目1项，军队级项目3项，2019年获得教育部高等学校科学研究优秀成果（科学技术）一等奖1项。