Koncepcja interfejsu radiowego opartego na uczeniu maszynowym w projekcie MLDR

• Autorzy: Szczęch Kamil , Szott Szymon

Identyfikatory

DOI

10.15199/59.2024.4.8

Warianty tytułu

EN

The concept of a machine lerning-driven radio interface in the MLDR project

• Konferencja: Konferencja Radiokomunikacji i Teleinformatyki (11-13.09.2024 ; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

Sieci bezprzewodowe chcąc spełnić wymagania współczesnych aplikacji, stają się niezwykle złożone co utrudnia ich konfigurację. Aby poradzić sobie z tą złożonością, można użyć technik uczenia maszynowe- go. Niniejsza praca opisuje koncepcję przyjętą w projekcie MLDR dotyczącą opracowania i wdrożenia interfejsu radiowego sterowanego za pomocą technik uczenia maszynowego. Opisujemy koncepcję architektury, która natywnie wspiera uczenie maszynowe, rozważane przypadki użycia, oraz przykład zastosowania opracowywanej koncepcji.

EN

To meet the requirements of modern applications, wireless networks are becoming extremely complex, which makes their optimal configuration challenging. Ma- chine learning (ML) techniques can be used to address this challenge. This work describes the concept adopted in the MLDR project regarding the development and implementation of a radio interface controlled using machine learning techniques. We describe the architecture concept, which natively supports ML, the use cases considered, and an example of the application of the developed concept.

Słowa kluczowe

PL

lokalne sieci bezprzewodowe; optymalizacja; uczenie maszynowe; zarządzanie zasobami

EN

machine learning; optimization; resource management; wireless networks

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2024
• Tom: nr 4
• Strony: 61--64
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Szczęch Kamil

• AGH Akademia Górniczo-Hutnicza, Kraków

autor

Szott Szymon

• AGH Akademia Górniczo-Hutnicza, Kraków

Bibliografia

• [1] Bellalta B., Kosek-Szott K., Szott S., Wilhelmi F. 2024. „Towards an AI/ML-defined Radio for Wi-Fi: Overview, Challenges, and Roadmap”. arXiv preprint arXiv:2405.12675 .
• [2] Hoydis J., Ait Aoudia F., Valcarce A., Viswanathan H. 2021. „Toward a 6G AI-native air interface.” IEEE Communications Magazine 59, no. 5:76-81.
• [3] Keshtiarast N., Petrova M. 2024. „ML Framework for Wireless MAC Protocol Design.” IEEE International Conference on Machine Learning for Communication and Networking 5–8 maja 2024, Sztokholm, Szwecja.
• [4] Khalek N. et al. 2023. „Advances in Machine Learning-Driven Cognitive Radio for Wireless Networks: A Survey”. IEEE Commun. Surveys & Tuts. 26(2):1201–1237.
• [5] Mitola J., Maguire G. 1999. „Cognitive radio: making software radios more personal”. IEEE Personal Communications 6(4):13–18.
• [6] Szott S. et al. 2022. „Wi-Fi Meets ML: A Survey on Improving IEEE 802.11 Performance With Machine Learning”. IEEE Commun. Surveys & Tuts. 24(3): 1843–1893.
• [7] Wasilewska M., Bogucka H., Vincent Poor H. 2023. „Secure Federated Learning for Cognitive Radio Sensing”. IEEE Communications Magazine 61(3):68–73.
• [8] Wei G. et al. 2023. „MetaRadio: Bridging Wireless Communications Between Real and Virtual Spaces”. IEEE Communications Magazine 61(6):140–146.
• [9] Wilhelmi F., Szott S., Kosek-Szott K., Bellalta B. 2024. „Machine Learning & Wi-Fi: Unveiling the Path Towards AI/ML-Native IEEE 802.11 Networks.” arXiv preprint arXiv:2405.11504.
• [10] Wojnar M., Szott S., Rusek K., Ciezobka W. 2024. „Reinforced-lib: Rapid prototyping of reinforcement learning solutions.” SoftwareX 26: 101706.