无线网络中面向多目标场数据复现的公平混合变量粒子群优化
网络与互联网体系结构
2023-03-27 v1 信号处理
摘要
数字孪生在支撑无线网络发展方面展现出巨大潜力。它们是 5G/6G 系统的虚拟表征，支持基于机器学习与优化的技术设计。场数据复现是构建基于仿真的孪生体的关键方面之一，其目标是校准仿真以匹配现场性能测量。由于无线网络涉及多种关键性能指标（KPI），复现过程成为一个多目标优化问题，旨在最小化仿真与场数据 KPI 之间的误差。与以往工作不同，我们专注于设计数据驱动的搜索方法以校准仿真器，实现场性能的准确可靠复现。本工作提出一种基于混合变量粒子群优化（PSO）的搜索算法来寻找最优仿真参数。此外，我们利用 {\alpha}-fairness 概念扩展该方案，以考量 KPI 间潜在冲突，并在搜索中调整各 KPI 的权重。基于场数据的实验展示了我们方法的有效性：(i) 提高复现精度，(ii) 增强不同 KPI 间的公平性，以及 (iii) 相比其他方法保证更快收敛。
引用
@article{arxiv.2303.13686,
title = {Mixed-Variable PSO with Fairness on Multi-Objective Field Data Replication in Wireless Networks},
author = {Dun Yuan and Yujin Nam and Amal Feriani and Abhisek Konar and Di Wu and Seowoo Jang and Xue Liu and Greg Dudek},
journal= {arXiv preprint arXiv:2303.13686},
year = {2023}
}
备注
Accepted in International Conference on Communications (ICC) 2023