混合 LiFi 与 WiFi 网络中的资源与移动性管理：一种以用户为中心的学习方法

混合光保真(LiFi)与无线保真(WiFi)网络(HLWNets)是一种新兴的室内无线通信范式，它结合了 LiFi 光谱容量大和 WiFi 覆盖广泛的优势。同时，负载均衡(LB)成为此类混合网络资源管理中的关键挑战。现有的 LB 方法大多以网络为中心，依赖中央单元一次性为所有用户做出决策。因此，所有用户的决策需要以相同的频率更新，而无视其移动状态。这会在两个方面影响网络性能：i) 当更新频率较低时，会损害快速移动用户的连接性；ii) 当更新频率较高时，会导致慢速移动用户产生不必要的切换以及高昂的反馈开销。受此启发，我们研究了以用户为中心的 LB，允许用户以不同的频率更新其决策。本研究建立在我们之前关于自适应目标条件神经网络(ATCNN)的工作之上，该网络能在准静态信道中为单个用户进行 LB。在本文中，设计了一种深度神经网络(DNN)模型，为每个用户提供自适应的更新间隔。这种新模型被称为支持移动性的神经网络(MSNN)。将 MSNN 与 ATCNN 相结合，提出了一种名为支持移动性 ATCNN(MS-ATCNN) 的以用户为中心的 LB 框架，以同时处理资源管理和移动性管理。结果表明，在相同的平均更新间隔水平下，MS-ATCNN 可以实现比博弈论等传统 LB 方法高出 215% 的网络吞吐量，特别是在用户数量较多时。此外，MS-ATCNN 的运行时间极低，处于 100s $\mu$s 量级，比博弈论低两到三个数量级。