Device-to-Device (D2D) Επικοινωνίες σε Κυψελωτά Δίκτυα 5ης Γενιάς 5G

Device-to-Device (D2D) Communications in 5th Generation 5G Cellular Networks (Αγγλική)

  1. MSc thesis
  2. Λόντος, Παναγιώτης
  3. Συστήματα Κινητού και Διάχυτου Υπολογισμού (ΣΔΥ)
  4. 26 Σεπτεμβρίου 2020 [2020-09-26]
  5. Ελληνικά
  6. 92
  7. Στρατογιάννης, Δημήτριος
  8. Στρατογιάννης, Δημήτριος | Νικοπολιτίδης , Πέτρος
  9. δίκτυα 5G | 5G Networks | D2D επικοινωνίες | D2D Communications | έλεγχος ισχύος | Power Control | ενισχυτική μάθηση | Reinforcement learning | Q-learning | Q-learning
  10. 58
  11. Περιέχει : εικόνες, πίνακες
    • Τα τελευταία χρόνια παρουσιάζεται μία σημαντική αλλαγεί στα κυψελωτά δίκτυα, με σκοπό την απρόσκοπτη και πανταχού παροχή υπηρεσιών δεδομένων με υψηλές απαιτήσεις σε ρυθμό μετάδοσης, μικρές καθυστερήσεις, ευρεία κάλυψη και υψηλής ενεργειακή και φασματική αποδοτικότητα. Τα Δίκτυα 5ης Γενιάς 5G υπόσχονται να εκπληρώσουν όλες αυτές τις ανάγκες, κάνοντας χρήση μίας σειράς καινοτόμων τεχνολογιών. Μία από αυτές της τεχνολογίες είναι και η επικοινωνία συσκευής με συσκευής που αφορά την άμεση μετάδοση δεδομένων μεταξύ δύο συσκευών, χωρίς τη διαμεσολάβηση του σταθμού βάσης, παρά μόνο για την εκτέλεση κάποιων βασικών λειτουργειών που προηγούνται της μετάδοσης π.χ. ανίχνευση, ανέθεση πόρων κ.λπ. Για την επιτυχή ενσωμάτωση της τεχνολογία D2D στα 5GΔίκτυα, θα πρέπει να επιλυθούν μία σειρά από προβλήματα που σχετίζονται με την αποτελεσματική διαχείριση των παρεμβολών που δημιουργούνται μεταξύ των κυψελωτών και D2Dσυσκευών και την κατανομή των ραδιοπόρων για αποδοτικότερη χρήση του ραδιοφάσματος, τη μείωση της ενεργειακής κατανάλωσης και την αύξηση του χρόνου λειτουργίας των συσκευών. Στην παρούσα εργασία αναφέρονται μία σειρά από τεχνικές και αλγορίθμους για την αντιμετώπιση των αναφερθέντων προβλημάτων. Σκοπός της παρούσας εργασίας είναι η μελέτη της τεχνικής του ελέγχου ισχύος για τις επικοινωνίες D2D, έτσι ώστε οι D2Dσυσκευές να μπορούν να επαναχρησιμοποιήσουν τους φασματικούς πόρους των κυψελωτών συσκευών χωρίς όμως να υποβαθμίζουν το επίπεδο υπηρεσίας των κυψελωτών συσκευών, ενώ ταυτόχρονα βελτιστοποιούν τη συνολική χωρητικότητα του συστήματος. Για την υλοποίηση του ελέγχου ισχύος χρησιμοποιήθηκε ένας ήδη υπάρχων αλγόριμος, ο q-learning, ο οποίος ανήκει στην οικογένεια των αλγορίθμων ενισχυτικής μάθησης. Για την επίδειξη της αποτελεσματικότητας του αλγορίθμου, αναπτύχθηκαν μια σειρά σεναρίων τα οποία προσομοιάσαμε και τα αποτελέσματα των οποίων επιδεικνύονται στο τέλος της παρούσας εργασίας. Τέλος εξάγονται τα βασικά συμπεράσματα και αναφέρονται μελλοντικές προοπτικές εξέλιξης.
    • In recent years a significant change is occurring at cellular networks, with the aim of providing seamless and ubiquitous data services with high demands on transmission rates, low latency, wide coverage and high energy and spectral efficiency. Fifth generation networks 5G are promising to meet all these needs making use of a range of innovative technologies. One of these technologies is device-to-device communication that involves the direct transmission of data between two devices, without the mediation of the base station except for performing some basic functions that precede the transmission e.g. detection, resource allocation, etc. For the successful integration of D2D technology to 5G networks, a number of problems related to the effective management of the interference that arise between cellular and D2D devices should be resolved and the allocation of radio resources for more efficient use of the radio spectrum, reducing energy consumption and increasing the operating time (efficiency) of devices. In this paper a series of techniques and algorithms for dealing with the mentioned problems are reported. The purpose of this paper is to study the power control technique for D2D communications, so that D2D devices can reuse the spectral resources of cellular devices without degrading the Quality of Service of cellular users, while at the same time optimizing the overall capacity of the system. For the implementation of power control an already existing algorithm was used, q-learning, which belongs to the family of reinforced learning algorithms. To demonstrate the effectiveness of the algorithm, a number of scenarios were developed, which were simulated and the results are presented at the end of this paper. Finally, the main conclusions and future development prospects are discussed.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.