由机器学习与大数据分析驱动的面向患者的6G网络异构网
网络与互联网体系结构
2020-03-20 v1 信号处理
摘要
拥有一个不仅主动适应信道条件、还根据用户需求进行认知与自优化的网络，可能成为未来6G异构网络（HetNets）的最高优先事项之一。本文引入一种跨学科方法，将电子医疗、优先级、大数据分析（BDA）和多层5G网络中的无线资源优化概念联系起来。我们采用三种机器学习（ML）算法，即朴素贝叶斯（NB）分类器、逻辑回归（LR）和决策树（DT），作为集成系统来分析中风门诊患者（OPs）的历史病历以及身体附着的物联网（IoT）传感器读数，以预测即将发生中风的可能性。我们将中风可能性转换为一个风险因子，作为混合整数线性规划（MILP）优化模型中的优先级。因此，任务是在向HetNet用户最优分配物理资源块（PRBs）的同时，根据医疗状态严重程度赋予OPs高增益PRBs以优先对待。从而赋能OPs以最小延迟将其关键数据发送给医疗服务提供者。为此，提出了两种优化方法：加权和速率最大化（WSRMax）方法和比例公平（PF）方法。所提方法分别使OPs的平均信干噪比（SINR）提升了57%和95%。WSRMax方法将系统总SINR提升至高于PF方法的水平，然而PF方法为OPs带来了更高的SINR、更好的公平性以及更低的误差幅度。
引用
@article{arxiv.2003.08239,
title = {Patient-centric HetNets Powered by Machine Learning and Big Data Analytics for 6G Networks},
author = {Mohammed S. Hadi and Ahmed Q. Lawey and Taisir E. H. El-Gorashi and Jaafar M. H. Elmirghani},
journal= {arXiv preprint arXiv:2003.08239},
year = {2020}
}