分布式人工智能与机器学习技术在 5G D2D 传输模式选择性能及簇规模极限评估
网络与互联网体系结构
2021-04-29 v4
摘要
5G D2D 通信有望在能量与频谱效率、系统总容量以及更高数据速率方面带来改善。然而，为取得最优结果，明智地选择 D2D 设备的传输模式以在求和速率与功耗方面最有利的位置形成簇至关重要。为此，本文研究利用分布式人工智能（DAI）以及面向 D2D 的创新机器学习（ML）方法，在现有基站/小小区下创建簇与回程 D2D 网络，以在频谱效率（SE）、功耗（PC）与执行时间方面取得满意结果。此外，影响 D2D 网络下高质量簇形成的主要因素之一是设备数量。因此，本文聚焦于较小（≤200）的设备数量，旨在识别各方法在设备数量方面的极限。具体而言，识别形成簇有益的位置，研究增益快速增长的临界点，并最终检验 5G 需求的适用性。此外，先前工作提出了 D2D 中的分布式人工智能（DAI）解决方案/框架，并提出了 DAIS 传输模式选择（TMS）方案。本文进一步考察 DAIS，在阈值评估方面加以改进，并与其他方法（AI/ML）进行评估与比较。所得结果表明，相较于所有其他相关方法，DAIS 在 SE、PC、执行时间与簇形成效率方面表现卓越。同时，结果显示所研究的 AI/ML 方法亦有益于 5G D2D 通信中的传输模式选择（TMS），即便在较小（即 ≥5 个 D2D 中继、≥50 个 D2D 多跳中继）设备数量作为下限时亦然。
引用
@article{arxiv.2101.08014,
title = {5G D2D Transmission Mode Selection Performance & Cluster Limits Evaluation of Distributed Artificial Intelligence and Machine Learning Techniques},
author = {Iacovos Ioannou and Christophoros Christophorou and Vasos Vassiliou and Andreas Pitsillides},
journal= {arXiv preprint arXiv:2101.08014},
year = {2021}
}