Simulation Model for Radio Resource Scheduling Algorithms at MAC Layer of Mobile Networks

Cover Page

Cite item

Full Text

Abstract

Effective radio resource scheduling at the Medium Access Control (MAC) layer is a critically important task for ensuring quality of service in mobile networks. The use of machine learning and artificial intelligence for MAC-layer scheduling is becoming a promising direction. Existing general-purpose simulators (MATLAB, ns-3, OMNeT++) are insufficiently optimized for in-depth research ofl resource scheduling algorithms and have limitations in their integration.The purpose of this article is to develop a specialized simulation model for LTE (Long Term Evolution) network resource scheduling at the MAC layer for investigating both classical and intelligent scheduling algorithms.The core of the proposed solution lies in creating a modular simulation model that incorporates different user mobility models, radio propagation models, traffic generation models, and classical scheduling algorithms (Round Robin, Proportional Fair, Best CQI). The model specializes in detailed simulation of MAC-layer processes. The system is implemented in Python with modular architecture enabling integration of machine learning and artificial intelligence-based algorithms. The source code is hosted in an open GitHub repository.Experiments were conducted for an infinite buffer simulation scenario with three users from different mobility classes in an urban environment. Three classical scheduling algorithms were tested with evaluation of throughput, Jain's fairness index, and spectral efficiency.The scientific novelty of the solution lies in creating a specialized simulation model optimized for investigating MAC-layer scheduling algorithms with the capability to integrate machine learning methods and providing flexibility in configuring various simulation scenarios.The theoretical significance consists in expanding the toolkit for studying mobile network resource scheduling algorithms and establishing a foundation for developing intelligent schedulers.The practical significance is providing researchers with a specialized tool for developing, testing, and comparing scheduling algorithms, as well as the ability to adapt the model for 5G/6G networks and integrate quality-of-service-aware schedulers.

About the authors

K. I. Bragin

Siberian State University of Telecommunications and Information Science

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

I. A. Noritsin

YADRO Center of Mobile Communication Technologies, LLC

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

V. G. Drozdova

Siberian State University of Telecommunications and Information Science

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

References

  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

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a 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».