在多细胞场景中实现LTE-U/Wi-Fi共存的多武装盗方法

科学领域:

• 无线通信是一种无线通信.
• 电信工程 电信工程 电信工程
• 机器学习在网络中的应用.

背景情况:

• 在未经许可的频段中的3GPP系统显示出使用工作周期 (DC) 或许可辅助访问 (LAA) 的Wi-Fi共存的希望.
• 在电流解决方案中静态直流参数配置导致在变化的交通条件下性能降低.
• 之前的工作证明了强化学习 (RL),特别是Q学习 (QL),可以调整LTE DC比率以提高聚合吞吐量.

研究的目的:

• 在3GPP/Wi-Fi共存场景中开发一个更简单,更有效的动态工作周期调整算法.
• 评估基于多武装强盗 (MAB) 解决方案的性能与Q学习 (QL) 方法相比.
• 分析新算法在各种交通条件下对系统和用户吞吐量的影响.

主要方法:

• 实现一个多武装强盗 (MAB) 算法,用于动态工作周期参数调整.
• 对MAB算法的比较性能评估与之前的Q-learning (QL) 解决方案.
• 在各种交通场景中进行测试和分析,以评估吞吐量和公平性.

主要成果:

• MAB解决方案在Wi-Fi和LTE吞吐量之间提供了更好的平衡,实现了相当大的系统收益.
• 在特定场景中,新的MAB方法在系统吞吐量方面表现比以前的QL解决方案高6%.
• 用户吞吐量看到了显著的收益,第10个百分位数经历了超过100%的改进,与QL的10%相比.

结论:

• 多武装盗 (MAB) 算法为3GPP/Wi-Fi无许可频段共存中的动态工作周期管理提供了更高效和有效的方法.
• 这种方法提高了系统的整体性能,并大大改善了用户体验,特别是对于性能较差的用户.
• 在共享频谱环境中,MAB解决方案为优化无线资源配置提供了可行的进步.