Optimierung der Uplink-Kommunikation im unlizenzieren Spektrum

Mit der wachsenden Nachfrage nach Daten, besonders aus Anwendungen wie Video-Streaming und Drohnen, gibt’s den Bedarf nach besserer Breitbandkommunikation. Uplink Centric Broadband Communication (UCBC) konzentriert sich darauf, wie Daten von Geräten zu Netzwerken gesendet werden. Eine neue Technologie namens New Radio Unlicensed (NR-U) wurde eingeführt, die es Geräten erlaubt, auf unlizenzierte Frequenzen zuzugreifen, ohne dafür eine spezielle Lizenz zu brauchen. Das ist wichtig, weil es nicht genug lizenzierte Frequenzen gibt, um den steigenden Bedarf zu decken.

#Der Bedarf an Optimierung

Traditionelle Methoden für den Zugriff auf dieses unlizenzierte Spektrum haben ihre Herausforderungen, wie die Probleme mit versteckten und exponierten Knoten. Wenn Geräte versuchen zu kommunizieren, müssen sie prüfen, ob der Kanal besetzt ist. Wenn sie feste Energieschwellen verwenden, können sie möglicherweise besetzte Kanäle nicht richtig identifizieren, was zu Überlagerungen bei der Übertragung und Interferenzen führt. Das kann die Gesamt-Datenrate verringern.

Um diese Probleme anzugehen, schlagen wir vor, einen zentralen Double Deep Q-Network (DDQN) Algorithmus zu verwenden, um zu optimieren, wie Geräte ihre Energieschwellen für sowohl NR-U als auch WLAN-Netzwerke anpassen. Da diese Netzwerke keine sensiblen Daten direkt teilen können, schlagen wir auch einen föderierten DDQN-Ansatz vor, bei dem beide Netzwerke zusammenarbeiten können, während die Privatsphäre gewahrt bleibt.

#Die Kommunikationsherausforderungen verstehen

UCBC ist entscheidend, um mit dem steigenden Verkehr und den Anforderungen umzugehen. Die NR-U-Technologie zielt darauf ab, die Uplink-Kapazität durch die Nutzung unlizenzierter Frequenzen zu verbessern. Das Third Generation Partnership Project (3GPP) hat verschiedene Technologien wie LTE-LAA standardisiert, um diesen Übergang zu unterstützen. Allerdings muss NR-U mit bestehenden WLAN-Netzwerken koexistieren, was die Sache kompliziert.

Sowohl NR-U als auch WLAN verwenden unterschiedliche Methoden, um auf das unlizenzierte Spektrum zuzugreifen. WLAN nutzt Carrier-Sense Multiple Access mit Collision Avoidance (CSMA/CA), während NR-U sein Listen Before Talk (LBT)-Protokoll hat. Diese Systeme müssen zusammenarbeiten, was eine sorgfältige Verwaltung erfordert, um Konflikte zu vermeiden.

#Maschinelles Lernen in der Kommunikation

Um die Komplexität moderner Kommunikationsnetzwerke zu bewältigen, setzen wir auf Maschinelles Lernen (ML), insbesondere auf Reinforcement Learning (RL). ML hilft dabei, dass Geräte aus ihrer Umgebung lernen, anstatt sich auf feste Modelle zu verlassen, die möglicherweise nicht zu den sich ändernden Bedingungen passen. Diese Flexibilität ist besonders wichtig, um zu optimieren, wie die Energieschwellen gesetzt werden, da diese je nach Netzwerkbedingungen variieren können.

Frühere Arbeiten haben gezeigt, dass RL die Übertragungszeit und die Leistungszuweisung effektiv optimieren kann. Allerdings wurde in vielen dieser Arbeiten die einzigartigen Herausforderungen von UCBC, insbesondere hinsichtlich der Probleme mit versteckten und exponierten Knoten, übersehen. Um diese Herausforderungen anzugehen, schlagen wir einen neuen föderierten Reinforcement-Learning-Algorithmus vor. Dadurch können Geräte ihre Energieschwellen dynamisch anpassen, während die Datenteilung minimiert wird.

#Verbesserung der Durchsatz- und Nutzererfahrung

Das Hauptziel unserer Forschung ist es, den gesamten Uplink-Systemdurchsatz zu verbessern und gleichzeitig die Fairness zwischen NR-U und WLAN-Netzwerken sicherzustellen. Fairness bedeutet hier, dass kein Netzwerk benachteiligt werden sollte, wenn es um den Zugriff auf das gemeinsame Spektrum geht.

Um dies zu erreichen, entwickeln wir ein Framework, das adaptive Energieschwellenkonfigurationen ermöglicht. Das ist wichtig, da feste Schwellen nicht die variierenden Netzwerkbedingungen berücksichtigen und zu erheblichen Leistungseinbussen sowohl für NR-U als auch für WLAN führen können. Unser Ansatz ermöglicht Echtzeitanpassungen basierend auf der beobachteten Leistung.

#Die Algorithmen entwerfen

Unsere Arbeit lässt sich in zwei Hauptteile unterteilen: zentrale und föderierte Ansätze.

#Zentraler Ansatz

Im zentralen Ansatz platzieren wir einen Agenten auf einem zentralen Server. Dieser Agent beobachtet die Echtzeit-Leistung sowohl von NR-U als auch von WLAN-Netzwerken. Durch die Analyse dieser Informationen kann er die Energieschwellen dynamisch anpassen, um den Durchsatz zu maximieren. Diese Anpassungen basieren auf den Erfolgsraten der Paketübertragungen.

In diesem System betrachten wir unterschiedliche Upsink-Übertragungsverfahren. Der Agent nutzt diese Informationen, um die besten Einstellungen zu bestimmen, die den Durchsatz erhöhen, ohne die Leistung des jeweiligen Netzwerks zu beeinträchtigen.

#Föderierter Ansatz

Um die Privatsphäre zu wahren und die Datenteilung zu reduzieren, haben wir einen föderierten Ansatz entwickelt. In diesem Szenario hat jedes Netzwerk seinen eigenen Agenten, der nur seine Leistung beobachtet. Diese Agenten kommunizieren mit einem zentralen Server, um Modellparameter anstelle von Rohdaten auszutauschen.

Diese Methode ermöglicht es beiden Netzwerken, aus ihren jeweiligen Umgebungen zu lernen, während sie weiterhin effektiv koordinieren. Durch das Poolen ihres Wissens können sie bessere Entscheidungen bezüglich der Energieschwellen treffen, ohne sensible Informationen zu gefährden.

#Nutzerzentrierte Leistungskennzahlen

Während die Verbesserung des Netzwerkdurchsatzes wichtig ist, ist es ebenso wichtig, das Nutzererlebnis zu verstehen. Wir haben eine neue Kennzahl eingeführt, den vom Nutzer wahrgenommenen Durchsatz (UPT), der die tatsächliche Erfahrung der Nutzer beim Übertragen von Dateien widerspiegelt. Diese Kennzahl berücksichtigt nicht nur die Menge an übertragenen Daten, sondern auch die Effizienz dieser Übertragungen.

Indem wir uns auf UPT konzentrieren, können wir die Nutzerzufriedenheit direkter ansprechen. Dieser Ansatz hilft sicherzustellen, dass sowohl NR-U als auch WLAN-Netzwerke daran arbeiten, ein besseres Erlebnis für die Nutzer zu bieten, und nicht nur höhere technische Kennzahlen.

#Effektivität bewerten

Um die Effektivität unserer Algorithmen zu messen, haben wir Simulationen durchgeführt, um die Leistung unserer vorgeschlagenen Methoden mit traditionellen festen Schwellenansätzen zu vergleichen. Die Ergebnisse zeigten erhebliche Verbesserungen sowohl beim Uplink-Durchsatz als auch beim vom Nutzer wahrgenommenen Durchsatz.

In Fällen, in denen wir dynamischere Energieschwellen zuliessen, verzeichneten NR-U-Netzwerke einen erheblichen Anstieg des Durchsatzes, während WLAN-Netzwerke ihre Leistung ebenfalls beibehielten oder verbesserten. Als wir Fairness in unseren Designs berücksichtigten, wurden sogar ausgewogenere Ergebnisse erzielt, sodass kein Netzwerk zurückgelassen wurde.

#Kommunikationsumfeld managen

Wir erkennen an, dass das Kommunikationsumfeld komplex ist und sich schnell ändern kann. Daher müssen sich unsere Algorithmen effektiv an diese Veränderungen anpassen. Sowohl zentrale als auch föderierte Ansätze müssen Variationen im Verkehrsaufkommen, in den Interferenzniveaus und in der Anzahl der aktiven Geräte im Netzwerk berücksichtigen.

Durch regelmässige Aktualisierungen der Energieschwellen basierend auf diesen Faktoren bleibt unser System reaktionsschnell gegenüber dem aktuellen Zustand des Kommunikationsumfelds. Diese Anpassungsfähigkeit ist entscheidend, um eine hohe Leistung aufrechtzuerhalten, während sich die Netzwerkbedingungen weiterentwickeln.

#Fazit

Zusammenfassend präsentiert unsere Forschung einen bedeutenden Schritt zur Optimierung der Uplink-Kommunikation in Umgebungen mit unlizenzierter Frequenz. Durch den Einsatz fortschrittlicher Techniken des maschinellen Lernens können wir die Herausforderungen, die mit der Koexistenz von NR-U und WLAN-Netzwerken verbunden sind, besser bewältigen. Die Einführung nutzerzentrierter Kennzahlen stellt sicher, dass unsere Lösungen den Endnutzern zugutekommen und gleichzeitig die Gesamtleistung des Netzwerks verbessern.

Der von uns vorgeschlagene föderierte Lernansatz ermöglicht eine datenschutzkonforme Zusammenarbeit zwischen den Netzwerken und ebnet den Weg für anspruchsvollere Kommunikationssysteme in der Zukunft. Da die Nachfrage nach Daten weiterhin wächst, werden Lösungen wie unsere entscheidend sein, um sicherzustellen, dass alle Nutzer den benötigten Bandbreiten ohne Unterbrechungen zugreifen können.