本技术介绍了一种多智能体协作的非竞争性多基站前导码排队分配策略,旨在解决大规模智能体随机接入时的拥塞问题。该方法适用于多基站多小区环境,通过深度强化学习技术,实现设备的排队式前导码选择,并利用联邦学习进行训练,有效缓解了竞争性接入导致的拥塞。该策略首先根据延迟容忍度对新接入智能体进行分组并设定优先级,然后通过多智能体强化学习算法合理分配智能体至空闲队列,最后通过联邦训练方法同步优化各智能体的神经网络,实现前导码的有效分配。
背景技术
大规模机器类通信(mMTC)是第五代移动通信技术的三大应用场景之一。机器类型通信是第五代新无线电(5G NR)的一项关键技术,在远程医疗,自动驾驶,智能交通等重要且关键的应用场景发挥巨大的作用。机器类通信(MTC)也被称为M2M通信,与人与人(H2H)通信不同,M2M通信主要发生在上行链路,终端数量庞大,持续时间短且次数频繁。传统的接入方法下,MTC设备总是会选择最佳信号质量的演进型Node B进行接入,大量的MTC设备进行碰撞,造成网络的拥塞,严重影响设备的接入成功率。因此,如何为大规模MTCD的随机接入设计合理的方案成为5G移动通信系统的关键。最有前途的解决方案是使用强化学习来制定一套前导码分配方案,让设备做决策,选择合适的前导码,最大限度减少随机接入时发生的冲突。这些方案中,设备互相竞争前导码,在设备数量越来越大的情况下,冲突无法避免,并且接入成功率将越来越低。因此需要制定合理的前导码分配方案来为大规模MTCD随机接入减少甚至避免冲突。
实现思路