基于极值理论的6G工业子网络分布式干扰预测
信号处理
2025-07-22 v1 信息论
math.IT
摘要
考虑极端和罕见事件的干扰预测，是面向需要超密集部署的子网络(SN)且要求超可靠低时延通信(HRLLC)的干扰预测保持关键挑战，尤其是在动态移动性、快速变化的信道统计特性以及不规则流量的情况下。本文提出一种新颖的校准干扰尾部预测框架，一种混合统计与机器学习(ML)方法，将逆量ilize分位patch转换器(iQPTransformer)集成到极值理论(EVT)中。它捕获干扰动力学和尾部行为，同时量化不确定性，以提供统计覆盖保证。其有效性通过利用估计的干扰尾分布来设计预测性、风险感知资源分配来演示。对于资源受限的SN场景，我们引入分区iQPTransformer，使神经网络组件在传感器-执行器(SA)对和SN控制器之间进行分布式协作训练，同时保持与集中式iQPTransformer最小的性能差异。该框架有效处理深衰落、随机流量和时分双工(TDD)错位情况，并对罕见和极端干扰事件具有鲁棒性。进行了在两种移动性模型和两种真实SN流量模式下的广泛评估，使用空间一致的3GPP信道模型。实验结果显示，在超可靠 regime 中，始终实现了超过95th百分位的块误差率(BLER)目标，显著优于基线方法。
引用
@article{arxiv.2507.14155,
title = {Extreme Value Theory-based Distributed Interference Prediction for 6G Industrial Sub-networks},
author = {Pramesh Gautam and Sushmita Sapkota and Carsten Bockelmann and Shashi Raj Pandey and Armin Dekorsy},
journal= {arXiv preprint arXiv:2507.14155},
year = {2025}
}