自适应目标条件神经网络：面向混合LiFi与WiFi网络的DNN辅助负载均衡
信号处理
2022-08-11 v1 机器学习
网络与互联网体系结构
摘要
由于异构接入点（AP）的特性，负载均衡（LB）是混合光保真（LiFi）与无线保真（WiFi）网络（HLWNet）中的一个具有挑战性的问题。机器学习有望以较低的复杂度提供近最优网络性能的负载均衡方案，但代价是训练过程。然而，最先进（SOTA）的的学习辅助负载均衡方法在网络环境（尤其是用户数量）发生变化时需要重新训练，这极大限制了其实用性。本文提出了一种名为自适应目标条件神经网络（A-TCNN）的新型深度神经网络（DNN）结构，该结构在其他用户的条件下为目标用户进行AP选择。此外，还开发了一种自适应机制，通过将较少用户的数据速率需求进行拆分来映射到较多用户，且不影响目标用户的AP选择结果。这使得所提方法能够处理不同数量的用户而无需重新训练。结果表明，A-TCNN实现的网络吞吐量非常接近测试数据集，差距小于3%。还证明了A-TCNN可获得与两个SOTA基准相当的网络吞吐量，同时将运行时间减少高达三个数量级。
引用
@article{arxiv.2208.05035,
title = {Adaptive Target-Condition Neural Network: DNN-Aided Load Balancing for Hybrid LiFi and WiFi Networks},
author = {Han Ji and Qiang Wang and Stephen J. Redmond and Iman Tavakkolnia and Xiping Wu},
journal= {arXiv preprint arXiv:2208.05035},
year = {2022}
}
备注
13 pages, 9 figures, and 4 tables, submitted to IEEE JSAC SI-BeyondShannon