基于深度学习的负载均衡以改善面向 6G 的 QoS
信号处理
2020-07-01 v1
摘要
随着强大计算机器的可用性和用户友好编程环境的出现，深度学习近来取得了巨大进步。预计深度学习算法将完全支撑 6G 中的大多数操作。深度学习能成为正确解决方案的此类环境之一是未来 6G 智能无线网络的负载均衡。负载均衡提供了一种高效、经济的方法来提高数据处理能力、吞吐量并扩展带宽，从而增强网络的适应性和可用性。因此，提出了一种基于长短期记忆（LSTM）深度神经网络的负载均衡算法，通过该算法基站的覆盖区域根据地理流量分布而变化，满足未来一代 6G 异构网络的需求。LSTM 模型性能通过考虑三种不同场景进行评估并给出结果。引入负载方差系数（LVC）和负载因子（LF）并在两种无线网络布局（WNL）上验证，以研究服务质量（QoS）和负载分布。所提方法对 WNL1、WNL2 的 LVC 分别降低了 98.311% 和 99.21%。
引用
@article{arxiv.2006.16733,
title = {Deep Learning Based Load Balancing for improved QoS towards 6G},
author = {Vishnu Vardhan Nimmalapudi and Ajith Kumar Mengani and Roopa Vuppula and Rahul Jashvantbhai Pandya},
journal= {arXiv preprint arXiv:2006.16733},
year = {2020}
}
备注
Will submit to IEEE Transaction on Wireless Communication