随着以5G技术为代表的信息产业迅猛发展,智能设备和互联网应用层出不穷,无线通信系统面临海量设备接入与更快服务速率的需求。然而,无线通信系统中的频谱资源极其有限,如何高效利用现有通信资源,为迅猛增长的通信需求提供可靠服务,成为业界面临的重大挑战。无线网络中的接入技术作为连接用户终端和网络服务设备的关键环节,对于整个通信体系的性能具有重要的影响作用。为了进一步满足日益增长的海量设备接入需要,提升无线通信服务的实时性性能,本文将对无线网络中的大规模接入技术进行研究,旨在提供适用于不同场景下高效的大规模低时延分布式接入算法。具体工作内容包括:1.为了提升大规模随机接入技术的时延性能,针对现有算法中信道被邻居链路长时间占用的饥饿效应问题,本文提出了一种基于邻居队列感知的随机接入机制,在几乎不损失吞吐量最优的条件下,显著改善随机接入的时延性能。与已有工作不同的是,本工作最大的特点是同时考虑了本地队列信息及其与邻居队列长度的差异,从而有效改进现有算法对邻居链路忽视的问题。本文构造了一个全新的李雅普诺夫函数,并据此推导出相应的基于邻居队列感知的最大权重调度策略。通过构建带有辅助子网络的虚拟系统进行稳定性分析,证明了算法调度策略可以实现渐近吞吐量最优,并据此提出相应的分布式随机接入算法。仿真结果显示所提出的邻居队列感知随机接入算法可以有效减少链路队列长度差距过大的问题,进而缓解随机接入算法中的饥饿效应,实现比传统的基于本地队列的算法更好的时延性能,为低时延接入算法设计提供了参考。2.为了进一步增强高负载场景下的接入效率,本文引入虚拟队列的概念,通过将真实的本地队列长度与邻居队列长度之间的差异构造出虚拟队列,并通过对新构造虚拟队列研究具有最优吞吐量的接入算法,提出了一类基于虚拟队列系统的随机接入算法,分别设计出完全依赖虚拟队列系统的随机接入算法和同时考虑真实队列和虚拟队列的混合异构随机接入算法。具体来说,为了在保留考虑邻居队列带来性能增益的同时获得更好的吞吐量性能,根据新设计的虚拟队列体系设计相应的效用函数,推导出完全基于虚拟队列体系的吞吐量最优随机接入算法。为了进一步提升高负载场景下的时延性能,提出基于混合异构队列体系的吞吐量最优随机接入算法,该算法实现了在减轻本地队列长度和减少本地队列与邻居队列差值两种导向上的不同侧重,极大增强了算法在不同需求下的适用场景。理论分析和仿真结果表明,两种分布式随机接入算法均可以实现吞吐量最优性,并在不同场景下具有时延性能的提升,为高效随机接入算法设计提供指导方向。3.为了解决在给定时延约束且上行数据链路带宽受限的情况下的接入问题,本文研究了大规模接入中利用任务特性与历史数据发掘潜在的信息,并据此指导后续数据采集与选择策略,设计基于数据重要性学习的任务驱动选择性接入算法。为了在给定时延内实现最优的接入选择与参数估计任务,将难以直接求解的多时隙测量选择问题分解为可在每个时隙求解的一系列子问题,并通过基于稀疏贝叶斯学习的参数估计方案确定待接入数据的优先级,从而指导后续接入策略。为了实现算法的分布式部署,提出了一种基于改进次梯度法的分布式选择性接入算法。设计的分布式算法只需要由控制中心广播少量公共信息即可实现给定接入数量约束的选择,因此相比较传统方案在大规模网络中具有更好的实用性和适用性。仿真结果表明,与传统方案相比,提出的选择接入机制具有较高的性能增益,为大规模网络中实施高效分布式选择性接入提供理论支撑。