Deep Reinforcement Learning Based Mode Selection and Resource Management for Green Fog Radio Access Networks
雾无线接入网(F-RAN)被视为通过利用边缘缓存和边缘计算来支持物联网服务的潜在架构。然而,目前研究F-RAN中资源管理的工作主要考虑只有一种通信模式的静态系统。考虑到网络动态性、资源多样性以及资源管理与模式选择的耦合,F-RAN中的资源管理变得非常具有挑战性。基于人工智能的最新发展,提出了一种基于深度强化学习(DRL)的联合模式选择和资源管理方法。每个用户设备(UE)可以在云RAN(C-RAN)模式或设备到设备模式下操作,并且所管理的资源包括无线电资源和计算资源两者。核心思想是网络控制器对UE通信模式和处理器的开关状态进行智能决策,随后优化C-RAN模式下UE的预编码,旨在最小化边缘缓存状态动态下的长期系统功耗。通过仿真,分析了学习率和边缘缓存服务能力等参数对系统性能的影响,并与其他方案进行了比较,验证了该方案的有效性。此外,迁移学习与DRL相结合,以加速学习过程。
2018-09-15 cs.NI
Channel Selection Scheme for Cooperative Routing Protocols in Cognitive Radio Networks
认知无线电网络(CRN)提出了一种智能的解决方案,频谱使用效率低下。CRN的路由协议遵循不同的标准来选择到达目的地的最佳路由,并避免对主用户的干扰。一些协议使用协作通信技术来实现次用户(SU)和主用户(PU)之间的完全共存。虽然使用这种跨层技术对所选择的路由的质量有很大的影响,但现有的工作并没有选择最佳的信道来发送数据。因此,没有有效地利用可用频谱。在这项工作中,我们提出了CSCR,在CRN的合作为基础的路由协议的信道选择方案。该方案通过在基于协作的路由协议的路由发现阶段集成信道选择,提高了频谱利用率。最好的信道,这是较少拥挤的主用户和导致最小的切换开销,选择同时构建合作组。通过NS2模拟评估CSCR表明,它优于其同行的有效吞吐量,端到端延迟,和数据包投递率。该方案可以提高网络的有效吞吐量,在某些情况下,超过150%,相比其他相关协议。
2016-10-05 cs.NI
Context-based spectrum sharing in 5G wireless networks based on Radio Environment Maps
动态频谱共享可以为无线网络运营商提供许多益处。然而,其效率需要复杂的控制机制。它使用的上下文信息越多,网络的性能就越高。用于收集该信息、处理该信息以及控制由各种网络运营商管理的基站的设施是所谓的无线电环境地图(REM)子系统。本文提出了基于REM的4G/5G网络中基站功率电平分配方案,同时考虑对授权网络产生的干扰。假设两个网络具有不同的被服务用户简档,他们的位置和移动区域,这为频谱共享提供了机会。通过广泛的系统级仿真,并与两个广泛采用的基于政策的频谱共享参考方案进行了比较,所提出的方案进行了评估。仿真结果表明,利用丰富的上下文信息的动态方案,优于静态的,基于策略的频谱共享方案。
2018-11-07 cs.NI
AROMA: Automatic Generation of Radio Maps for Localization Systems
无线局域网定位是近年来无线局域网研究的热点。由于广泛的WLAN部署,WLAN定位提供无处不在的覆盖,并通过提供其用户的位置而无需使用任何额外的硬件来增加无线网络的价值。然而,WLAN定位系统通常需要构建无线电地图,这是WLAN定位系统部署的主要障碍。无线电地图存储关于来自感兴趣地点中的选定位置处的不同信号强度流的信号强度的信息。无线电地图的典型构建涉及测量和校准,使其成为繁琐且耗时的操作。在本文中,我们提出了AROMA系统,自动构建精确的主动和被动无线电地图的设备为基础的和无设备的WLAN定位系统。AROMA有三个主要目标:高精度、低计算要求和最小用户开销。为了实现高精度,AROMA使用3D光线追踪,并通过统一衍射理论(UTD)进行增强,以模拟电场行为和人体阴影效应。AROMA还可以自动执行一些常规任务,例如导入建筑模型和感兴趣区域的自动采样,以减少用户的开销。最后,AROMA使用许多优化技术来降低计算需求。我们提出了我们的系统架构,并描述了它的不同组件,使AROMA实现其目标的细节。我们在两个不同的测试平台上评估AROMA。我们的实验表明,预测的信号强度不同于测量的最大平均绝对误差为3.18 dBm,实现最大定位误差为2.44米的基于设备和无设备的情况下。
2010-02-09 cs.NI
Dataset of Pathloss and ToA Radio Maps With Localization Application
Technical University of Berlin(柏林工业大学);Technion – Israel Institute of Technology(以色列理工学院);Ludwig Maximilian University of Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学);Munich Center for Machine Learning (MCML)(慕尼黑机器学习中心)
本文公开了一组密集城市场景下的路径损耗/RSS与ToA无线地图数据集,可用于深度学习路径损耗预测与无线定位研究,能支撑两类定位方法的公平对比。
2024-09-16 cs.LG cs.NI eess.SP
Joint Transaction Transmission and Channel Selection in Cognitive Radio Based Blockchain Networks: A Deep Reinforcement Learning Approach
为了确保数据聚合、数据存储和数据处理都是以分散但可信的方式进行的,我们建议使用带有矿池的区块链来支持基于认知无线电网络的物联网服务。这样,次用户可以发送其感测数据,即,交易,到矿池。经过矿工验证后,交易被添加到区块中。然而,在主信道的动态性和矿池的mempool状态的不确定性下,它是具有挑战性的二级用户,以确定最优的交易传输策略。在本文中,我们提出使用深度强化学习算法来推导次级用户的最优事务传输策略。具体来说,我们采用了双深度Q网络(DDQN),允许二级用户学习最佳策略。仿真结果清楚地表明,所提出的深度强化学习算法在奖励和学习速度方面优于传统的Q学习方案。
2018-10-24 cs.NI
Mitigating the Impact of Location Uncertainty on Radio Map-Based Predictive Rate Selection via Noisy-Input Gaussian Process
The University of Electro-Communications(电气通信大学)
本文提出基于噪声输入高斯过程(NIGP)的无线电图构建框架,通过泰勒近似处理位置噪声,解决6G网络中定位误差导致的速率选择可靠性下降问题,实现比纯GP更可靠的传输速率选择和更高吞吐量。
2025-09-18 cs.NI eess.SP
Mode Selection and Resource Allocation in Sliced Fog Radio Access Networks: A Reinforcement Learning Approach
雾天无线接入网(F-RAN)中的模式选择和资源分配是提高频谱和能量效率的关键技术。在本文中,我们研究了模式选择和资源分配在上行链路F-RAN的联合优化,其中传统的用户设备(UE)和雾UE都由构造的网络切片实例服务。相关的优化被制定为一个混合整数规划问题,并提出了正交和复用的子信道分配策略,以保证切片隔离。受机器学习发展的推动,开发了两种基于强化学习的算法,以解决传统UE和雾UE特定性能要求下原有的高复杂度问题。该方案的基本思想是根据环境反馈的即时回报产生一个好的模式选择策略。仿真结果验证了我们提出的算法的好处,并表明系统功耗和队列延迟之间的折衷可以实现。
2020-02-13 cs.NI eess.SP
Research Project 2: Drone-supported AI-based Generation of 3D Maps of Indoor Radio Environments
无线电环境地图(REM)是增强无线电使能代理的经验的强大工具,但构建这样的REM可能是一项艰巨的任务,特别是在三维中。该项目展示了如何以自主和可扩展的方式生成室内三维空间的REM。在前面的研究项目1的结果的基础上,使用多个无人机来映射真实世界环境中存在于这样的空间中的WiFi信号,其中每个无人机都能够访问36个航点,并共同收集数千个WiFi信标数据样本。该报告还包括对收集到的数据的分析,并提出了基于机器学习的技术来预测无人机未访问的位置的已知接入点的信号强度。
2021-09-14 cs.NI eess.SP
Relay Selection for 5G New Radio Via Artificial Neural Networks
毫米波提供了宽带宽的替代频段,以更好地实现5G新无线电(5G-NR)的增强型移动宽带(eMBB)和超可靠低延迟通信(uRLLC)的支柱技术。当使用毫米波频段时,在无线电接入网络(RAN)中辅助基站覆盖的中继站成为一种有吸引力的技术。然而,导致最强链路的中继选择成为促进使用毫米波的RAN的关键技术。中继选择的另一种方法是利用现有的操作数据,并应用适当的人工神经网络(ANN)和深度学习算法来缓解毫米波频段的严重衰落。在本文中,我们应用分类技术,使用人工神经网络的多层感知预测的路径损耗的多个传输链路,并根据一定的损耗水平,从而执行有效的中继选择,这也建议切换到合适的路径。与其他ML算法相比,人工神经网络的多层感知证明中继选择在5G-NR的有效性。
2020-05-02 cs.NI cs.SY eess.SP
Beam Management Driven by Radio Environment Maps in O-RAN Architecture
Rimedo Labs(里梅多实验室)
本文提出一种基于无线环境地图(REM)的波束管理算法,利用接收功率地图和用户移动模式,通过强化学习的策略迭代方法优化波束分配,并在O-RAN架构下显著减少波束重选和无线链路失败次数。
2023-03-21 cs.LG cs.NI
LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning
TU Berlin(柏林工业大学);LMU München(慕尼黑大学)
本文论述了在密集的城市场景中的蜂窝网络中的定位问题。全球导航卫星系统(GNSS)通常在城市环境中表现不佳,在城市环境中视线条件的可能性较低,因此需要替代的定位方法以获得良好的精度。我们介绍LocUNet:一种用于定位的深度学习方法,其仅基于来自基站(BS)的接收信号强度(RSS),与依赖于到达时间或到达角度信息的方法不同,其不需要在用户设备处相对于设备标准操作的计算复杂度的任何增加。在所提出的方法中,待定位的用户将来自BS的RSS报告给可以位于云中的中央处理单元(CPU)。或者,可以在用户处本地执行定位。使用BS的估计路径损耗无线电地图,LocUNet可以以最先进的精度定位用户,并且对无线电地图中的不准确性具有很高的鲁棒性。所提出的方法不需要预先采样的环境,是适合于实时应用,由于RadioUNet,一个基于神经网络的无线电地图估计。我们还介绍了两个数据集,允许在现实的城市环境中的RSS和到达时间(ToA)方法的数值比较。
2022-02-03 cs.LG cs.NI eess.SP
Optimal Selection of Spectrum Sensing Duration for an Energy Harvesting Cognitive Radio
在本文中,我们考虑一个时隙的认知无线电(CR)设置缓冲和能量收集的主要和CR用户。在每个时隙的开始,CR用户从预定义的集合中概率性地选择频谱感测持续时间。如果感测到主用户(PU)不活动,则CR用户立即访问信道。CR用户优化的感知持续时间概率,以最大限度地提高其平均数据服务速率与约束的稳定性的主要和认知队列。优化问题分为两个子问题。第一个是线性分式规划,另一个是线性规划。这两个子问题都可以有效地解决。
2013-09-25 cs.IT cs.NI math.IT
Frequency Selection for Platoon Communications in Secondary Spectrum Using Radio Environment Maps
基于排的驾驶是一种车辆以近距离跟随彼此的想法,以增加道路吞吐量和节省燃料。这需要可靠的无线通信来调整车辆的速度。虽然有一个专用的频段用于车辆对车辆(V2V)通信,但研究表明,它过于拥挤,无法为车队提供可靠的传输。额外的频谱资源,即,当次级频谱信道未被其他用户占用时,可以利用这些次级频谱信道。这些信道中的干扰特征通常取决于位置,并且可以存储在所谓的无线电环境地图(REM)中。本文旨在设计REM,以支持排内通信的辅助频谱信道选择。我们建议评估的中断概率计算方面的信道质量,使用估计的干扰分布存储在REM。提出了一种频率选择算法,最小化沿计划的队列路线的通道开关的数量。此外,REM创建过程中,减少了数据库条目的数量使用(基于密度的空间聚类的应用程序与噪声)DBSCAN算法。这些提案使用在真实道路上捕获的真实智商样本进行测试。DBSCAN聚类的应用程序构建的REM提供了7%的减少其大小。利用所提出的频道选择算法,在每个位置独立执行的频道分配的频道切换次数减少了35倍。
2021-12-30 cs.NI eess.SP
Performance Evaluation of Optimal Radio Access Technology Selection Algorithms for LTE-WiFi Network
异构网络(HetNet)包括多个无线电接入技术(RAT),其允许用户与特定RAT相关联并且以无缝方式转向到其它RAT。为了应对前所未有的数据流量增长,移动数据可以被卸载到基于长期演进(LTE)的HetNet中的无线保真(WiFi)。在本文中,一个最佳的RAT选择问题被认为是最大化的总系统吞吐量在LTE-WiFi系统中的卸载能力。另一个配方也开发了最大限度地提高系统的总吞吐量是受语音用户阻塞概率的约束。证明了语音/数据用户的关联和卸载的最优策略包含阈值结构。基于阈值结构,我们提出了LTE-WiFi HetNet中的用户关联和卸载算法。仿真结果表明,语音用户阻塞概率和总的系统吞吐量性能的算法相比,另一个基准算法。
2017-05-20 cs.IT cs.NI math.IT
Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach
TU Berlin(柏林工业大学);Technion - Israel Institute of Technology(以色列理工学院);LMU Munich(慕尼黑大学);University of Tromsø(特罗姆瑟大学)
针对城市环境中卫星定位精度差的问题,提出端到端卷积神经网络LocUNet,利用基站路径损耗无线电地图估计和少量基站RSS测量值实现高精度实时室外定位,无需区域RSS指纹,并发布两个城市环境数据集,数值实验证明其优于现有RSS和ToA方法。
2023-04-09 cs.LG cs.NI eess.SP
Cooperation and Underlay Mode Selection in Cognitive Radio Network
在这项研究中,我们提出了一种新的方法,在认知无线电网络的合作和协作模式选择。我们的特点是我们提出的混合频谱共享方法的最大可实现的吞吐量。假设混合频谱共享,其中次用户(SU)可以在两种模式下接入主用户(PU)信道,即具有准入控制的协作模式或非协作模式。除了在覆盖模式下接入信道之外,允许次用户占用主用户当前占用的信道,但是具有小的发射功率。增加网络访问模式为二级用户传输数据提供了更多的机会。提出了次用户只有在主用户直接链路信道良好或预测为非中断状态时才能利用GPRS接入。因此,次用户可以在与主用户的频谱共享和协作之间切换。混合接入通过监控主链路的状态来调节。通过观察仿真结果,所提出的模型在最大次用户吞吐量方面比传统的合作和非合作方案的系统性能得到显着的改善。
2016-04-13 cs.IT cs.NI math.IT
Small UAVs-supported Autonomous Generation of Fine-grained 3D Indoor Radio Environmental Maps
Universiteit Antwerpen(安特卫普大学);imec(比利时微电子研究中心)
无线电环境地图(REM)是一个强大的工具,用于提高各种通信和网络代理的性能。然而,生成REM是一项费力的工作,特别是在复杂的三维(3D)环境中,例如室内。为了解决这个问题,我们提出了一个系统的室内3D空间的细粒度REM的自主生成。在该系统中,多个小型室内无人机(UAV)顺序用于信号质量指标的3D采样。收集到的读数被精简到机器学习(ML)系统中进行训练,一旦训练完成,系统就能够预测未知3D位置的信号质量。该系统能够自动和自主地生成REM,并且可以直接部署在新的环境中。此外,该系统支持无自干扰的REM采样,并且只要REM采样接收器具有适合无人机携带的尺寸和重量,则该系统是技术不可知的。在演示中,我们使用两架无人机实例化了系统设计,并展示了其访问72个航点和收集数千个Wi-Fi数据样本的能力。我们的研究结果还包括ML系统的实例化,用于预测无人机未访问的位置处的已知Wi-Fi接入点(AP)的接收信号强度(RSS)。
2021-11-05 cs.NI cs.RO cs.SY