面向未来移动与车载 6G 网络的协作式数据速率预测
网络与互联网体系结构
2020-01-29 v1 信号处理
摘要
基于机器学习的数据速率预测是预期移动网络的关键驱动因素之一，其应用包括动态无线接入技术（RAT）选择、机会性数据传输和预测性缓存。依赖于被动测量网络质量指标的终端设备（UE）预测方法已成功应用于预测车载数据传输的吞吐量。然而，由于 UE 不了解当前网络负载，可实现的预测精度受到限制。为克服此问题，我们提出了一种协作式数据速率预测方法，将客户端与网络域的知识结合起来。在真实世界的验证概念评估中，我们利用基于软件定义无线电（SDR）的控制信道嗅探器 FALCON，以模拟未来 6G 网络内可能的网络辅助信息提供行为。结果表明，所提出的协作式预测方法能够将平均预测误差降低多达 30%。鉴于当前关于实现网络管理智能的标准化工作，我们认为未来 6G 网络应超越以网络为中心的方法，主动向 UE 提供负载信息，从而为普适机器学习提供动力并催化基于 UE 的网络优化技术。
引用
@article{arxiv.2001.09452,
title = {Towards Cooperative Data Rate Prediction for Future Mobile and Vehicular 6G Networks},
author = {Benjamin Sliwa and Robert Falkenberg and Christian Wietfeld},
journal= {arXiv preprint arXiv:2001.09452},
year = {2020}
}