Τεχνικές μηχανικής μάθησης για τη βελτίωση της ανάθεσης πόρων σε δίκτυα 5G

• Main Author: Αλλαγιώτης, Φοίβος
• Other Authors: Allagiotis, Fivos
• Language: Greek
• Published: 2022
• Subjects: Δίκτυα 5G; Ανάθεση πόρων; Ετερογενή δίκτυα; Ενισχυτική μάθηση; 5G networks; Resource allocation; HetNets; Reinforcement learning; Deep Q-learning

Τα ετερογενή δίκτυα (HetNets) έχουν χαρακτηριστεί ως μια κρίσιμη τεχνολογία για τις επικοινωνίες 5G, επιτρέποντας την ταχεία επέκταση της χωρητικότητας των δικτύων κινητής τηλεφωνίας. Τα HetNets μπορούν να αυξήσουν τη χωρητικότητα του δικτύου και να εξυπηρετήσουν επιπλέον χρήστες, μέσω της εγκατάστασης μικρών κελιιών μέσα σε μακροκυψέλες. Ωστόσο, λόγω των παρεμβολών μεταξύ μικρών κυψελών και μακροκυψελών, η κατανομή πόρων σε τέτοια δίκτυα γίνεται πιο δύσκολη από ό,τι για τα ομογενή κυψελωτά δίκτυα, καθιστώντας παροχή ποιοτικών υπηρεσιών πιο δύσκολη. Το Deep Reinforcement Learning (DRL) χάραξε τον δρόμο για εφαρμογές στην κατανομή πόρων για 5G HetNets, λόγω των πρόσφατων εξελίξεων στον τομέα. Παρουσιάζουμε μια πρωτότυπη τεχνική κατανομής πόρων που βασίζεται στο DRL που μπορεί να χρησιμοποιηθεί τόσο σε μικρές όσο και σε μακρο κυψέλες. Σύμφωνα με τη διαδικασία κατανομής πόρων, ένας αυτόνομος πράκτορας, στην περίπτωσή μας, ένας ελεγκτης δικτύου, εκτελεί ενέργειες για να καθορίσει την καλύτερη συσχέτιση χρηστών με Σταθμούς Βάσης (Base Stations - BSs) καθώς και την αποδοτικότερη ανάθεση Ομάδων Φυσικών Πόρων (Physical Resource Blocks - PRBs) χωρίς να χρειάζεται ή να περιμένει καμία πληροφορία. Σκοπός του πράκτορα είναι η αύξηση της απόδοσης του δικτύου, μείωση της κατανάλωσης της ενέργειας και διατήρηση της Ποιότητας της Υπηρεσίας που προσφέρεται στον χρήστη.