Alocação de recursos em redes sem fio utilizando algoritmos baseados em Aprendizado de Máquina

• Jean Lucas B. Silva UFG
• Daniel Porto Q. Carneiro UFG
• Flávio Henrique T. Vieira UFG

DOI: https://doi.org/10.5753/erigo.2023.237311

Resumo

O presente trabalho apresenta um estudo sobre alocação de recursos em um sistema de comunicação multiusuários baseado em CP-OFDM utilizando métodos de aprendizado por reforço, especificamente a rede DQN associada ao método de Entropia Cruzada. O objetivo é desenvolver um algoritmo de escalonamento de recursos que maximize a eficiência da transmissão de dados em ambientes de rede sem fio. A análise abrange vários parâmetros, incluindo largura de banda, tamanho médio do pacote, modulação e número de usuários. Detalha elementos de recursos, a distribuição de subportadoras e a capacidade de transmissão nos diferentes modos de modulação presentes na estrutura do frame do sistema LTE. Conclui-se que a abordagem proposta, denominada Aprendizado por Reforço com Entropia Cruzada, em geral, proporciona melhorias nos parâmetros de QoS, como vazão média, perda de pacotes, ocupação na fila do buffer e eficiência energética do sistema de comunicação, em comparação com a abordagem tradicional baseada em Deep Q-Network.

Referências

Boer, P.-T., Kroese, D., Mannor, S., and Rubinstein, R. (2005). A tutorial on the cross-entropy method. Annals of Operations Research, 134(1):19–67.

Carneiro, D. P. Q. (2022). Alocação de recursos em redes sem fio multiportadoras com ondas milimétricas utilizando aprendizado por reforço baseado em modelo markoviano. Dissertação (Engenharia Elétrica e da Computação) - Universidade Federal de Goiás, Goiânia.

Henrique, P. S. R. and Prasad, R. (2021). 6G The Road to the Future Wireless Technologies 2030, pages i–xxvi.

Liang, L., Ye, H., Yu, G., and Li, G. (2019). Deep learning based wireless resource allocation with application to vehicular networks.

MAWI (2019). Deep reinforcement learning approach to MIMO precoding problem: Optimality and robustness. MAWI working group traffic archive.

Mitchell, T. M. (1997). Machine learning, volume 1. McGraw-Hill New York.

Popovski, P., Stefanović, , Nielsen, J. J., de Carvalho, E., Angjelichinoski, M., Trillingsgaard, K. F., and Bana, A.-S. (2019). Wireless access in ultra-reliable low-latency communication (URLLC). IEEE Transactions on Communications, 67:5783–5801.

Sutton, R. S. and Barto, A. G. (2018). Reinforcement learning: An introduction. MIT press.

Xiang, Z., Yang, W., Cai, Y., Ding, Z., Song, Y., and Zou, Y. (2020). NOMA-assisted secure short-packet communications in IoT. IEEE Wireless Communications, 27:8–15.

Zhang M, Zhang Y, C. Q. W. S. (2022). Deep learning–based resource allocation for secure transmission in a non-orthogonal multiple access network. International Journal of Distributed Sensor Networks.

Zhu, J. e. a. (2018). A new deep Q-learning-based transmission scheduling mechanism for the cognitive Internet of Things. Volume 5, pages 2375–2385. IEEE Internet of Things Journal.