Wykorzystanie uczenia ze wzmocnieniem do optymalizacji zbioru aktywnych stacji bazowych w heterogenicznej sieci M-MIMO

• Autorzy: Hoffmann Marcin , Kryszkiewicz Paweł

Identyfikatory

DOI

10.15199/59.2020.7-8.17

Warianty tytułu

EN

Optimization of the active base stations set in the heterogenenous M-MIMO network with the use of a reinforcement learning

• Konferencja: Krajowa Konferencja Radiokomunikacji, Radiofonii i Telewizji (17-18.09.2020 ; Łódź, Polska)
• Języki publikacji: PL

Abstrakty

PL

Sieci 5G zapewniają wzrost efektywności widmowej m.in. poprzez heterogeniczną strukturę oraz wykorzystanie dużych macierzy antenowych. Te technologie wymagają użycia dużej liczby układów elektronicznych, co zwiększa zużycie energii. W pracy zaprezentowano algorytm tzw. uczenia ze wzmocnieniem, który używa mapy usług radiowych w celu wyboru zestawu aktywnych stacji bazowych poprawiając efektywność energetyczną (EE) sieci. Algorytm porównano z metodą konwencjonalną w symulatorze systemu 5G używając metody śledzenia promieni do generacji współczynników kanału radiowego.

EN

The 5G networks increase spectral efficiency by using, e.g., heterogenous structure and large antenna arrays. These require more hardware to be used, increasing energy consumption. This paper proposes a reinforcement learning-based algorithm utilizing radio service maps for optimization of the active base station set that increases energy efficiency. The proposed algorithm and a conventional solution are evaluated using a 5G network simulator. The 3D ray tracing technology is utilized to generate radio channel coefficients.

Słowa kluczowe

PL

systemy wieloantenowe; uczenie ze wzmocnieniem; efektywność energetyczna; wyłączanie stacji bazowych

EN

M-MIMO; reinforcement learning; energy efficiency; base station switching

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Telekomunikacyjny + Wiadomości Telekomunikacyjne
• Rocznik: 2020
• Tom: nr 7-8
• Strony: 207--211, CD
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Hoffmann Marcin

• Instytut Radiokomunikacji, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska, ul. Polanka 3, 61-131 Poznań

autor

Kryszkiewicz Paweł

• Instytut Radiokomunikacji, Wydział Informatyki i Telekomunikacji, Politechnika Poznańska, ul. Polanka 3, 61-131 Poznań

Bibliografia

• [1] Björnson, Emil, Hoydis, Jakob, Sanguinetti, Luca, 2017, “Massive MIMO Networks: Spectral, Energy, and Hardware Efficiency”. Foundations and Trends R in Signal Processing, 11 (3-4): 154–655.
• [2] Frenger, P., Moberg, P., Malmodin, J., Jading, Y., Godor, I., 2011, “Reducing energy consumption in lte with cell dtx”. 2011 IEEE 73rd Vehicular Technology Conference (VTC Spring), 1–5.
• [3] Han, F., Zhao, S., Zhang, L., Wu, J., 2016, “Survey of strategies for switching off base stations in heterogeneous networks for greener 5g systems”. IEEE Access, 4: 4959–4973.
• [4] Islam, N., Alazab, A., Alazab, M., 2019, “A reinforcement learning based algorithm towards energy efficient 5g multi-tier network”. 2019 Cybersecurity and Cyberforensics Conference (CCC), 96–101.
• [5] Laoudias, C., Moreira, A., Kim, S., Lee, S., Wirola, L., Fischione, C., 2018, “A survey of enabling technologies for network localization, tracking, and navigation”. IEEE Communications Surveys Tutorials, 20 (4): 3607–3644.
• [6] Larsson, E. G., Edfors, O., Tufvesson, F., Marzetta, T. L., 2014, “Massive MIMO for next generation wireless systems”. IEEE Communications Magazine, 52 (2): 186–195.
• [7] Liu, C., Natarajan, B., Xia, H., 2016, “Small Cell Base Station Sleep Strategies for Energy Efficiency”. IEEE Transactions on Vehicular Technology, 65 (3): 1652–1661.
• [8] Oh, E., Son, K., Krishnamachari, B., 2013, “Dynamic base station switching-on/off strategies for green cellular networks”. IEEE Transactions on Wireless Communications, 12 (5): 2126–2136.
• [9] Perez-Romero, J., Zalonis, A., Boukhatem, L., Kliks, A., Koutlia, K., Dimitriou, N., Kurda, R., 2015, “On the use of radio environment maps for interference management in heterogeneous networks”. IEEE Communications Magazine, 53 (8): 184–191.
• [10] Prasad, K. N. R. S. V., Hossain, E., Bhargava, V. K., 2017, “Energy Efficiency in Massive MIMO-Based 5G Networks: Opportunities and Challenges”. IEEE Wireless Communications, 24 (3): 86–94.
• [11] Sharma, S., Darak, S. J., Srivastava, A., 2019, “Transfer reinforcement learning based framework for energy savings in cellular base station network”. 2019 URSI Asia-Pacific Radio Science Conference (AP-RASC), 1–4.
• [12] Sutton, Richard S., Barto, Andrew G., 2018, Reinforcement Learning: An Introduction. A Bradford Book, Cambridge, MA, USA, ISBN 0262039249.
• [13] Tengkvist, P., Koudouridis, G. P., Qvarfordt, C., Dryjanski, M., Cellier, M., 2017, “Multi-dimensional radio service maps for position-based self-organized networks”. 2017 IEEE 22nd International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD), 1–6.
• [14] Whiteson, Shimon, 2010, Reinforcement Learning, 7–15. Springer Berlin Heidelberg, Berlin, Heidelberg, ISBN 978-3-642-13932-1.

Uwagi

PL

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).