用于增强 HetNets 容量管理与负载均衡的元启发式算法与联邦学习分层优化
网络与互联网体系结构
2023-12-22 v1 信号处理
摘要
本研究引入了一种革命性的 HetNet 管理范式，提出了一种超越传统网络容量增强概念的创新算法框架。我们的探索深入研究了不同组件之间的复杂相互作用，将元启发式算法、神经网络优化和联邦学习方法交织在一起。主要重点是在确保完美覆盖和数据可靠性的同时，优化基于 IoT 的异构网络中的容量。采用多层优化方法，我们提出了一个用于最优传输策略的动态模型，在云计算环境中策略性地分配副本以减少数据访问成本。我们的算法不仅能识别最优数据复制位置，还能在使用开/关控制的小区蜂窝 IoT 网络中，在频谱效率和遍历容量之间取得微妙的平衡。元启发式算法、神经网络优化和联邦学习之间的协同作用统筹资源重新分配，基于服务质量要求，在频谱效率、功率效用和遍历容量之间达到最佳平衡。仿真结果证实了我们方法的有效性，展示了在各种场景下，与现有算法相比，在降低中断概率的同时，频谱效率和总遍历容量之间的权衡得到了增强。
引用
@article{arxiv.2312.13592,
title = {Hierarchical Optimization of Metaheuristic Algorithms and Federated Learning for Enhanced Capacity Management and Load Balancing in HetNets},
author = {Saimin Chen Zhang},
journal= {arXiv preprint arXiv:2312.13592},
year = {2023}
}
备注
13 pages, 6 figures