Имитационная модель для исследования алгоритмов планирования радиоресурсов уровня доступа в сетях мобильной связи

Обложка

Цитировать

Полный текст

Аннотация

Эффективное планирование радиоресурсов на уровне доступа к среде является критически важной задачей для обеспечения качества обслуживания в мобильных сетях. Перспективным направлением становится использование машинного обучения и искусственного интеллекта для решения задачи планирования на MAC-уровне. Существующие универсальные симуляторы (MATLAB, ns-3, OMNeT++) мало оптимизированы для глубокого исследования алгоритмов планирования ресурсов и имеют ограничения при их интеграции.Целью настоящей статьи является разработка специализированной имитационной модели планирования ресурсов сети LTE (Long Term Evolution) на уровне доступа для исследования классических и интеллектуальных алгоритмов планирования.Сущность предлагаемого решения заключается в создании модульной имитационной модели, включающей различные модели мобильности пользователей, распространения радиосигналов, генерации трафика и классические алгоритмы планирования (Round Robin, Proportional Fair, Best CQI). Модель специализируется на детальной разработке процессов MAC-уровня. Система реализована на языке Python с модульной архитектурой, обеспечивающей интеграцию алгоритмов на базе машинного обучения и искусственного интеллекта. Исходный код размещен в открытом репозитории GitHub.Эксперименты проводились для имитационного сценария бесконечного буфера, тремя пользователями различных классов мобильности в городской среде. Испытывались три классических алгоритма планирования с оценкой пропускной способности, индекса справедливости Джейна и спектральной эффективности.Научная новизна решения состоит в создании специализированной имитационной модели, оптимизированной для исследования алгоритмов планирования MAC-уровня с возможностью интеграции методов машинного обучения и обеспечивающей гибкость настройки различных сценариев моделирования.Теоретическая значимость заключается в расширении инструментария для исследования алгоритмов планирования ресурсов мобильных сетей и создании основы для разработки интеллектуальных планировщиков.Практическая значимость состоит в предоставлении исследователям специализированного инструмента для разработки, тестирования и сравнения алгоритмов планирования, а также в возможности адаптации модели для сетей 5G / 6G и интеграции планировщиков с учетом качества обслуживания.

Об авторах

К. И. Брагин

Сибирский государственный университет телекоммуникаций и информатики

Email: bragik.irl@yandex.com
ORCID iD: 0000-0003-4334-0307

И. А. Норицин

ООО «Ядро Центр Технологий Мобильной Связи»

Email: defenderivan2015@gmail.com
ORCID iD: 0009-0000-9552-0129

В. Г. Дроздова

Сибирский государственный университет телекоммуникаций и информатики

Email: drozdova@sibguti.ru
ORCID iD: 0009-0002-0427-9929

Список литературы

  1. Liang D., Dou X. Research on the Technology of Breaking the Shannon Channel Capacity and Shannon Limit // Research Square. 2022. doi: 10.21203/rs.3.rs-1643836/v1
  2. Ashfaq K., Safdar G.A., Ur-Rehman M. Comparative analysis of scheduling algorithms for radio resource allocation in future communication networks // Peer J Computer Science. 2021. Vol. 7. P. e546. doi: 10.7717/PEERJ-CS.546. EDN:SNOOJB
  3. Noman H.M.F., Hanafi E., Noordin K.A., Dimyati K., Hindia M.N., Abdrabou A. Machine Learning Empowered Emerging Wireless Networks in 6G: Recent Advancements, Challenges and Future Trends // IEEE Access. 2023. Vol. 11. PP. 83017–83051. doi: 10.1109/access.2023.3302250. EDN:PXCKFF
  4. Zaidi S.M.A., Manalastas M., Farooq H., Imran A. SyntheticNET: A 3GPP Compliant Simulator for AI Enabled 5G and beyond // IEEE Access. 2020. Vol. 8. PP. 82938–82950. doi: 10.1109/access.2020.2991959. EDN:SPFZRY
  5. Manalastas M., Farooq M.U.B., Zaidi S.M.A., Qureshi H.N., Sambo Y., Imran A. From Simulators to Digital Twins for Enabling Emerging Cellular Networks: A Tutorial and Survey // IEEE Communications Surveys & Tutorials. 2024. Vol. 27. Iss. 4. PP. 2693–2732. doi: 10.1109/COMST.2024.3490178
  6. ETSI TS 136 321 V16.6.0 (2021-10) Evolved Universal Terrestrial Radio Access (E-UTRA); Medium Access Control (MAC) protocol specification (3GPP TS 36.321 version 16.6.0 Release 16).
  7. ETSI TS 136 213 V15.14.0 (2021-09) Evolved Universal Terrestrial Radio Access (E-UTRA); Physical layer procedures. (3GPP TS 36.213 version 15.14.0 Release 15).
  8. Marinescu A., Macaluso I., DaSilva L.A. System Level Evaluation and Validation of the ns-3 LTE Module in 3GPP Reference Scenarios // Proceedings of the 13th ACM Symposium on QoS and Security for Wireless and Mobile Networks (Miami, USA, 21–25 November 2017). New York: Association for Computing Machinery, 2017. PP. 59–64. doi: 10.1145/3132114.3132117
  9. Camp T., Boleng J., Davies V. A survey of mobility models for ad hoc network research // Wireless Communications and Mobile Computing. 2002. Vol. 2. Iss. 5. PP. 483–502. doi: 10.1002/wcm.72
  10. Самуйлов К.Е., Гайдамака Ю.В., Шоргин С.Я. Применение моделей случайного блуждания при моделировании перемещения устройств в беспроводной сети // Информатика и ее применения. 2018. Т. 12. № 4. С. 2–8. doi: 10.14357/19922264180401. EDN:VOGJOL
  11. ETSI TR 138 901 V18.0.0 (2024-05) Study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR 38.901 version 18.0.0 Release 18).
  12. Andreev S., Anisimov A., Koucheryavy Y., Turlikov A. Practical Traffic Generation Model for Wireless Networks // In: M. Brogle, E. Osipov, T. Braun, G. Heijenk (eds.) Fourth Ercim Workshop on Emobility. 2010. PP. 61–72.
  13. Marvi M., Aijaz A., Khurram M. On the Use of ON/OFF Traffic Models for Spatio-Temporal Analysis of Wireless Networks // IEEE Communications Letters. 2019. Vol. 23. Iss. 7. PP. 1219–1222. doi: 10.1109/LCOMM.2019.2917681
  14. Grøndalen O., Zanella A., Mahmood K., Carpin M., Rasool J., Østerbø O.N. Scheduling Policies in Time and Frequency Domains for LTE Downlink Channel: A Performance Comparison // IEEE Transactions on Vehicular Technology. 2017. Vol. 66. Iss. 4. PP. 3345–3360. doi: 10.1109/TVT.2016.2589462
  15. Srinivasa R.K., Kumar H. Simplified Framework for Benchmarking Standard Downlink Scheduler over Long Term Evolution // International Journal of Advanced Computer Science and Applications. 2021. Vol. 12. Iss. 5. PP. 756–763. doi: 10.14569/IJACSA.2021.0120136. EDN:MMQQBE
  16. Jain R.K., Chiu D.-M., Hawe W.R. A Quantitative Measure of Fairness and Discrimination for Resource Allocation in Shared Computer Systems // ACM Transactions on Computer Systems. 1984. Vol. 2. Iss. 1. PP. 1–38.
  17. Wang J., Zhuang Z., Qi Q., Li T., Liao J. Deep reinforcement learning for scheduling in cellular networks // Applied Soft Computing. 2019. Vol. 82. P. 105557. doi: 10.1016/j.asoc.2019.105557. EDN:QJAGBG
  18. Брагин К.И., Тычинкин С.А. Применение алгоритмов машинного обучения для управления ресурсами в мобильных сетях 5G // III Международная научно-практическая конференция «Инфокоммуникационные технологии: актуальные вопросы цифровой экономики» (Екатеринбург, Российская Федерация, 25–26 января 2023 г.). Екатеринбург: Уральский государственный университет путей сообщения, 2023. С. 88–91. EDN:LRXLAF

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».