通过数据学习优化非授权共存网络性能
网络与互联网体系结构
2021-11-16 v1 机器学习
摘要
非授权 LTE-WiFi 共存网络正经历持续致密化以满足不断增长的移动数据需求。随着共存网络复杂度的增加，研究网络特征关系（NFRs）并利用它们优化密集共存网络性能十分重要。本工作通过对真实世界实验收集的网络数据进行监督学习，研究非授权 LTE-WiFi（LTE-U 和 LTE-LAA）网络中的 NFRs。实验中考虑了不同的 802.11 标准和变化的信道带宽，并精确给出了学习模型选择策略。此后，通过学习模型参数（如 R-sq、残差、离群值、预测变量选择等）对不同 LTE-WiFi 网络配置进行比较分析。进一步，提出了一种基于网络特征关系的优化（NeFRO）框架。NeFRO 利用从网络数据中学到的特征关系方程，改进了传统的优化公式。通过两个优化目标（即网络容量和信号强度）证明其高度适用于时间关键的密集共存网络。NeFRO 针对四项近期网络优化工作进行了验证。NeFRO 成功将优化收敛时间最多减少 24%，同时平均保持高达 97.16% 的准确率。
引用
@article{arxiv.2111.07583,
title = {Optimizing Unlicensed Coexistence Network Performance Through Data Learning},
author = {Srikant Manas Kala and Vanlin Sathya and Kunal Dahiya and Teruo Higashino and Hirozumi Yamaguchi},
journal= {arXiv preprint arXiv:2111.07583},
year = {2021}
}
备注
Accepted for publication in Mobiquitous 2021