WLAN 下行 MU-MIMO 信道中基于机器学习的帧长优化
网络与互联网体系结构
2022-09-28 v1
摘要
IEEE 802.11ac/n 引入了帧聚合技术，以应对不断增长的流量需求并提升传输效率与信道利用率。该技术通过允许每次传输聚合多个数据包，显著提升了 WLAN 的吞吐量性能。然而，由于站点具有异构的传输需求和数据传输速率，在下行 MU-MIMO 信道中难以高效利用帧聚合的优势，从而导致空闲信道时间的浪费并降低传输效率。针对这些挑战，现有研究提出了不同方法，但大多未考虑基于机器学习的优化方案。本文的主要贡献是提出一种基于机器学习的帧长优化方案，以最大化 WLAN 下行 MU-MIMO 信道中的系统吞吐量。在该方案中，接入点（AP）执行最大系统吞吐量测量并收集帧长-系统吞吐量模式，其中包含有关流量模式、信道条件和站点数（STAs）影响的知识。基于这些模式，我们的方法使用神经网络将系统吞吐量正确建模为系统帧长的函数。在训练神经网络后，我们获取梯度信息以调整帧长。所提出的机器学习（ML）方法在 VoIP 和视频应用的异构流量模式、信道条件及站点数影响下，基于 FIFO 聚合算法进行了性能评估。
引用
@article{arxiv.2209.09687,
title = {Frame Size Optimization Using a Machine Learning Approach in WLAN Downlink MU-MIMO Channel},
author = {Lemlem Kassa and Jianhua Deng and Mark Davis and Jingye Cai},
journal= {arXiv preprint arXiv:2209.09687},
year = {2022}
}
备注
The 8th International Conference of Networks, Communications, Wireless and Mobile Computing (NCWC 2022), Sep. 2022, Copenhagen, Denmark