超可靠低时延通信的统计学习方法
信息论
2018-09-17 v1 math.IT
摘要
关键任务应用需要超可靠低时延（URLLC）无线连接，其误包率（PER）低至 。只有将其与 URLLC 系统运行所处的统计模型相关联时，如此严苛的可靠性指标才具有意义。然而，该模型通常未知，需要通过采样无线环境来学习。本文在最简单的通信理论设定下处理这一基本问题：在动态无线信道上选择传输速率以保证高传输可靠性。我们引入了用于 URLLC 系统设计与评估的新颖统计框架，由三个关键部分组成：(i) 信道模型选择；(ii) 利用训练学习模型；(3) 选择传输速率以满足所需可靠性。由于仅通过 PER 规定 URLLC 需求并不充分，我们引入了两类统计约束：平均可靠性（AR）与可能正确可靠性（PCR）。分析与评估表明，充分的模型选择与学习对于设计一致的物理层不可或缺，该物理层渐近表现如同信道被完美获知，同时在 URLLC 系统中维持可靠性需求。
引用
@article{arxiv.1809.05515,
title = {A Statistical Learning Approach to Ultra-Reliable Low Latency Communication},
author = {Marko Angjelichinoski and Kasper Fløe Trillingsgaard and Petar Popovski},
journal= {arXiv preprint arXiv:1809.05515},
year = {2018}
}
备注
Submitted for publication