机器学习赋能的密集 LTE-U/Wi-Fi 共存场景中的频谱共享
网络与互联网体系结构
2020-03-31 v1 机器学习
信号处理
摘要
将机器学习(ML)技术应用于复杂工程问题已被证明是一种有吸引力且高效的解决方案。ML 已成功应用于图像识别、工业操作自动化等多个实际任务。ML 技术在解决非线性问题上的潜力影响了本工作，其旨在应用已知的 ML 技术并开发新技术，用于免许可频谱中 Wi-Fi 与 LTE 之间的无线频谱共享。本工作中，我们聚焦于由 LTE-U Forum 开发的 LTE-Unlicensed (LTE-U) 规范，其采用占空比方法实现公平共存。该规范建议当同信道 Wi-Fi 基本服务集(BSS)数量从一个增加到两个或更多时，降低 LTE-U 基站(BS)的占空比。然而，在不解码 Wi-Fi 数据包的情况下，实时检测信道上运行的 Wi-Fi BSS 数量是一个具有挑战性的问题。本工作中，我们展示了一种新颖的基于 ML 的方法，其利用在 LTE-U 关闭时段观测到的能量值解决了该问题。相较于解码整个 Wi-Fi 数据包（这需要在 LTE-U 基站配备完整的 Wi-Fi 接收机），仅观测 LTE-U BS 关闭期间的能量值相对容易。我们通过实时实验实现并验证了所提出的基于 ML 的方法，并证明在单个与多个 Wi-Fi AP 传输的能量分布之间存在明显模式。与现有的自相关(AC)和能量检测(ED)方法相比，所提出的基于 ML 的方法获得了更高的准确率（所有情况下接近 99%）。
引用
@article{arxiv.2003.13652,
title = {Machine Learning enabled Spectrum Sharing in Dense LTE-U/Wi-Fi Coexistence Scenarios},
author = {Adam Dziedzic and Vanlin Sathya and Muhammad Iqbal Rochman and Monisha Ghosh and Sanjay Krishnan},
journal= {arXiv preprint arXiv:2003.13652},
year = {2020}
}
备注
Accepted at IEEE Open Journal of Vehicular Technology. arXiv admin note: substantial text overlap with arXiv:1911.09292