基于机器学习的传播损耗模块：在 ns-3 中实现无线网络数字孪生
网络与互联网体系结构
2023-02-23 v1
摘要
创建实验测试床的数字孪生，可在无需实验测试床的成本、复杂性与有限可用性的情况下，验证新颖的无线网络方案并评估其在真实条件下的性能。当前 ns-3 中基于迹线的仿真方法能够重复和复现过往实验中观测到的完全相同条件。然而，它们受限于仿真设置必须与原实验设置完全匹配，包括网络拓扑、移动模式和网络节点数量。在本文中，我们提出 ns-3 的基于机器学习的传播损耗（MLPL）模块。基于在实验测试床收集的网络迹线，MLPL 模块将传播损耗估计为确定性路径损耗与随机快衰落损耗之和。MLPL 模块通过单元测试进行了验证。此外，我们使用真实网络迹线测试了 MLPL 模块，并将所得结果与 ns-3 中现有传播损耗模型及真实实验结果进行比较。所得结果表明，MLPL 模块能准确预测真实环境中观测到的传播损耗，并复现给定测试床的实验条件，从而在 ns-3 中实现无线网络环境的数字孪生。
引用
@article{arxiv.2205.04284,
title = {Machine Learning Based Propagation Loss Module for Enabling Digital Twins of Wireless Networks in ns-3},
author = {Eduardo Nuno Almeida and Mohammed Rushad and Sumanth Reddy Kota and Akshat Nambiar and Hardik L. Harti and Chinmay Gupta and Danish Waseem and Gonçalo Santos and Helder Fontes and Rui Campos and Mohit P. Tahiliani},
journal= {arXiv preprint arXiv:2205.04284},
year = {2023}
}