基于位置的机器学习传播损耗模型实现 ns-3 中无线网络的快速数字孪生
网络与互联网体系结构
2023-07-07 v1
摘要
数字孪生作为一种混合方法正在兴起，它结合了仿真器的优势与实验测试平台的真实性。准确且可复现、能够复制物理环境动态条件的设置，使得无线网络的数字孪生可用于评估下一代网络的性能。在本文中，我们提出了基于位置的机器学习传播损耗模型（P-MLPL），能够在 ns-3 中创建快速且更精确的无线网络数字孪生。基于在实验测试平台收集的网络轨迹，P-MLPL 模型考虑节点的绝对位置与业务方向，估算发送端与接收端之间交换的数据包所遭受的传播损耗。P-MLPL 模型通过测试套件进行了验证。结果表明，P-MLPL 模型预测传播损耗的中位误差为 2.5 dB，相当于 ns-3 中现有模型误差的 0.5 倍。此外，与测试平台实测的真实值相比，采用 P-MLPL 模型的 ns-3 仿真对吞吐量的估计误差最高达 2.5 Mbit/s。
引用
@article{arxiv.2302.11539,
title = {Position-Based Machine Learning Propagation Loss Model Enabling Fast Digital Twins of Wireless Networks in ns-3},
author = {Eduardo Nuno Almeida and Helder Fontes and Rui Campos and Manuel Ricardo},
journal= {arXiv preprint arXiv:2302.11539},
year = {2023}
}