基于支持向量机与长短期记忆的大规模物联网学习型快速上行授权
网络与互联网体系结构
2021-08-24 v1 信息论
机器学习
math.IT
摘要
当前的随机接入（RA）分配技术在服务海量机器类通信（mMTC）应用时面临拥塞和高信令开销问题。为此，3GPP 提出需要使用快速上行授权（FUG）分配，以降低具有严格 QoS 约束的智能物联网（IoT）应用的时延并提高可靠性。我们提出一种基于支持向量机（SVM）的新型 FUG 分配。首先，使用 SVM 分类器对 MTC 设备进行优先级排序。其次，使用 LSTM 架构进行流量预测并采用校正技术以克服预测误差。两者结果用于实现在平均时延和总吞吐量方面高效的资源调度器。采用具有混合告警与常规流量的耦合马尔可夫调制泊松过程（CMMPP）流量模型，将所提 FUG 分配与其他现有分配技术进行比较。此外，使用基于 CMMPP 的扩展流量模型在更密集网络中评估所提算法。我们使用从 Numenta Anomaly Benchmark（NAB）数据库收集的真实测量数据测试所提方案。仿真结果表明，在服务于目标海量且关键的 MTC 应用且资源数量有限时，所提模型预测准确率达 98%，实现了最高吞吐量和低至 1 ms 量级的接入时延，优于现有 RA 分配方案。
引用
@article{arxiv.2108.10070,
title = {A Learning-Based Fast Uplink Grant for Massive IoT via Support Vector Machines and Long Short-Term Memory},
author = {Eslam Eldeeb and Mohammad Shehab and Hirley Alves},
journal= {arXiv preprint arXiv:2108.10070},
year = {2021}
}