用于下一代自组织网络切换管理的循环神经网络
网络与互联网体系结构
2020-06-12 v1 机器学习
摘要
在本文中，我们讨论了一种面向下一代自组织网络的切换管理方案。我们提议从完整协议栈数据中提取经验，以在多小区场景中做出智能切换决策，其中用户移动并受到深度中断区的挑战。传统切换方案的缺点在于切换前仅考虑服务小区和目标小区的信号强度。然而，我们认为由切换目标小区决策所带来的预期体验质量（QoE）应作为切换决策的驱动原则。特别地，我们提出了两种基于多层多对一 LSTM 架构的模型，以及一种结合多层感知机（MLP）神经网络的多层 LSTM 自编码器（AE）。我们表明，利用从数据中提取的经验，相较于标准的基于事件的切换基准方案，我们能将完成下载的用户数量提高 18%，并减少下载时间。此外，出于泛化考虑，我们在不同场景中测试了 LSTM 自编码器，其与原始场景相比仅有轻微性能下降，仍保持了性能提升。
引用
@article{arxiv.2006.06526,
title = {Recurrent Neural Networks for Handover Management in Next-Generation Self-Organized Networks},
author = {Zoraze Ali and Marco Miozzo and Lorenza Giupponi and Paolo Dini and Stojan Denic and Stavroula Vassaki},
journal= {arXiv preprint arXiv:2006.06526},
year = {2020}
}