基于决策树监督学习的 5G 波束赋形网络条件切换 RACH 优化移动性能分析
网络与互联网体系结构
2023-09-20 v1
摘要
在 5G 蜂窝网络中，频率范围 2（FR2）引入了更高的频率，导致信号快速衰减并给用户移动性带来挑战。在近期研究中，条件切换过程被采纳为对基线切换的增强以提升用户移动鲁棒性。本文中，分析了采用波束赋形的 FR2 中 5G 毫米波网络条件切换的移动性能。此外，提出了一种资源高效的随机接入过程，以提高切换期间无竞争随机接入的概率。而且，提出了一种简单而有效的基于决策树的监督学习方法，以最小化由随机接入过程的波束准备阶段引起的切换失败。结果表明，无竞争随机接入与切换失败之间存在权衡。同时可见，所提学习算法可使条件切换的随机接入最佳工作点得以实现。此外，还进行了条件切换与基线切换的移动性能比较。结果表明，尽管基线切换引起的切换失败少于条件切换，但由于切换准备与执行阶段的解耦，后者的移动失败总数更少。
引用
@article{arxiv.2309.09840,
title = {Mobility Performance Analysis of RACH Optimization Based on Decision Tree Supervised Learning for Conditional Handover in 5G Beamformed Networks},
author = {Subhyal Bin Iqbal and Umur Karabulut and Ahmad Awada and Andre Noll Barreto and Philipp Schulz and Gerhard P. Fettweis},
journal= {arXiv preprint arXiv:2309.09840},
year = {2023}
}
备注
8 pages, 6 figures. Accepted for presentation at the European Wireless 2023 Conference (EW2023), to be held in Rome, Italy. arXiv admin note: text overlap with arXiv:1910.11890