针对现有虚拟化云无线接入网络(C-RAN)资源利用率低、能耗高、用户服务质量无法得到保证等问题，该文提出一种能耗和时延感知的虚拟化资源分配机制。根据虚拟化C-RAN的网络特点及业务流量特征，考虑资源约束和比例公平，建立能耗和时延优化模型。进而，利用启发式算法为不同类型虚拟C-RAN和用户虚拟基站分配资源，完成资源的全局优化配置。仿真结果表明，所提资源分配机制在提高网络资源利用率的同时，不但使能耗节省了62.99%，还使时延降低了32.32%。

在云接入网络(Cloud-RAN)中，现有工作大多假定射频拉远头(RRH)不具备缓存功能。然而下一代通信网络具有以内容为中心的特性，因此在Cloud-RAN中考虑带缓存的RRHs也变得有必要。该文考虑在Cloud-RAN中有效设计缓存方案，并通过资源分配有效减轻前程链路负担。假设系统采用正交频分多址接入(OFDMA)技术，通过联合优化子载波(SC)分配，RRH选择与传输功率，最小化系统下行总功耗，并通过拉格朗日对偶分解转化非凸问题，获得最优分配方案。仿真结果表明，比起其它缓存方案，该文提出的优化算法可以有效地提升系统能效，满足未来通信需求。

该文在同频全双工技术快速发展的背景下，针对物理层安全研究中波束成形技术的高复杂度和发端天线选择(TAS)技术的低性能，提出一种联合发端天线选择和收端人工噪声(AN)的物理层安全传输方法TAS-rAN。首先，有多根天线的发端，利用天线选择技术，选取能使合法接收方接收信噪比最大的天线发送保密消息；其次，有同频全双工能力的收端，在接收到消息的同时，发送人工噪声来扰乱窃听方对保密消息的窃听。在Nakagami-m信道下，推导了安全中断概率的闭合表达式，并基于此，得到非零安全容量的概率表达式；通过渐进安全中断概率的推导，得到TAS-rAN方法的安全分集度。仿真结果表明，与已有的TAS-single和TAS-Alamouti方法相比，TAS-rAN安全方法具有较强的稳定性，且能提供更优的安全性能。

针对云无线接入网络(C-RAN)的资源分配问题，该文采用max-min公平准则作为优化准则，以C-RAN用户的能量效率作为优化目标函数，在满足最大发射功率和最小传输速率约束条件下，通过最大化最差链路的能量效率来实现用户发射功率和无线远端射频单元(RRHs)波束成形向量的联合优化。上述优化问题属于非线性、分式规划问题，为了方便求解，首先将原优化问题转化为差分形式的优化问题，然后通过引入变量将差分形式的、非平滑优化问题转化为平滑优化问题。最终，提出一种双层迭代功率分配和波束成形算法。在仿真实验中，将该文算法与传统的非能效资源分配算法和能量效率最大化算法进行了比较，实验结果证明该文算法在改进C-RAN能量效率和提高资源分配公平性方面的有效性。

针对现有研究中缺乏云无线接入网络(C-RAN)场景下对网络切片高效的动态资源分配方案的问题，该文提出一种虚拟化C-RAN网络下的网络切片虚拟资源分配算法。首先基于受限马尔可夫决策过程(CMDP)理论建立了一个虚拟化C-RAN场景下的随机优化模型，该模型以最大化平均切片和速率为目标，同时受限于各切片平均时延约束以及网络平均回传链路带宽消耗约束。其次，为了克服CMDP优化问题中难以准确掌握系统状态转移概率的问题，引入决策后状态(PDS)的概念，将其作为一种“中间状态”描述系统在已知动态发生后，但在未知动态发生前所处的状态，其包含了所有与系统状态转移有关的已知信息。最后，提出一种基于在线学习的网络切片虚拟资源分配算法，其在每个离散的资源调度时隙内会根据当前系统状态为每个网络切片分配合适的资源块数量以及缓存资源。仿真结果表明，该算法能有效地满足各切片的服务质量(QoS)需求，降低网络回传链路带宽消耗的压力并同时提升系统吞吐量。

为了满足网络切片多样化需求，实现无线虚拟资源的动态分配，该文提出在C-RAN架构中基于非正交多址接入的联合用户关联和功率资源分配算法。首先，该算法考虑在不完美信道条件下，以切片和用户最小速率需求及时延QoS要求、系统中断概率、前传容量为约束，建立在C-RAN场景中最大化长时平均网络切片总吞吐量的联合用户关联和功率分配模型。其次，将概率混合优化问题转换为非概率优化问题，并利用Lyapunov优化理论设计一种基于当前时隙的联合用户调度和功率分配的算法。最后采用贪婪算法求得用户关联问题次优解；基于用户关联的策略，将功率分配的问题利用连续凸逼近方法将其转换为凸优化问题并采用拉格朗日对偶分解方法获得功率分配策略。仿真结果表明，该算法能满足各网络切片和用户需求的同时有效提升系统时间平均切片总吞吐量。

在时分波分无源光网络(TWDM-PON)与云无线接入网(C-RAN)的联合架构中，由于无线域的负载不均衡问题，限制了网络整体的传输效率。为了充分利用TWDM-PON与C-RAN联合架构的网络资源，并保证用户的服务质量(QoS)，该文提出一种负载平衡的用户关联与资源分配算法(LBUARA)。首先根据不同用户的服务质量需求以及分布式无线射频头端(RRH)的负载对用户的影响，构建用户收益函数。进而，在保证用户服务质量的前提下，根据网络状态建立随机博弈模型，并基于多智能体Q学习提出负载均衡的用户关联和资源分配算法，从而获得最优的用户关联与资源分配方案。仿真结果表明，所提的用户关联和资源分配策略能够实现网络的负载均衡，保证用户的服务质量，并提高网络吞吐量。

针对5G云化接入网场景下物理网络拓扑变化引起的高时延问题，读文提出一种基于部分观察马尔可夫决策过程(POMDP)部分感知拓扑的接入网服务功能链(SFC)部署方案。该方案考虑在5G接入网C-RAN架构下，通过心跳包观测机制感知底层物理网络拓扑变化，由于存在观测误差无法获得全部真实的拓扑情况，因此采用基于POMDP的部分感知和随机学习而自适应动态调整接入网切片的SFC的部署，优化SFC在接入网侧的时延。为了解决维度灾问题，采用基于点的混合启发式值迭代算法求解。仿真结果表明，该模型可以优化部署接入网侧的SFC，并提高接入网吞吐量和资源利用率。

针对传感数据在无线接入网(RAN)中传输的不可靠性与不及时性造成数字孪生(DTs)同步信息的不精确问题，该文提出一种基于智能分层切片技术的DTs传感信息同步策略。该策略在双时间尺度下，以最大化传感信息满意度和最小化切片重配置及DTs同步成本为目标，联合优化切片无线资源配置以及DTs传感信息同步问题。首先，在大时间尺度，利用网络切片为有着不同服务质量(QoS)的DTs提供隔离以及解决部署问题；在小时间尺度，通过更加灵活的无线资源分配来提高DTs传感信息同步任务对动态环境的适应性，进一步提高通信性能，建立更逼近于物理实体的DTs。其次，为了求解不同时间尺度的优化问题，该文提出一种双层深度强化学习(DRL)框架实现高效的网络资源交互，其中下层控制算法利用优先经验放回(PER)机制加快收敛速度。最后，仿真结果验证了所提策略的有效性。