Till innehåll på sidan

Machine Learning for Wireless Link Adaptation

Supervised and Reinforcement Learning Theory and Algorithms

Tid: To 2021-05-20 kl 13.00

Plats: zoom link for online defense (English)

Ämnesområde: Elektro- och systemteknik

Respondent: Vidit Saxena , Teknisk informationsvetenskap

Opponent: Dr. Jakob Hoydis,

Handledare: Professor Joakim Jaldén, Teknisk informationsvetenskap; Professor Mats Bengtsson, Signaler, sensorer och system; Dr. Hugo Tullberg, Ericsson AB

Exportera till kalender

Abstract

Trådlös datakommunikation är ett komplext fenomen. Trådlösa länkar stöter på slumpmässiga och tidsvarierande kanaleffekter som är utmanande att förutsäga och kompensera för. För att optimalt utnyttja den trådlösa kanalen anpassar därför kommunikationssystem dataöverföringsparametrarna i realtid. Denna process, även kallad trådlös länkanpassning, kan leda till stora vinster i länkprestanda. Länk-anpassning är därför en integrerad del av alla moderna kommunikationssystem. Befintliga metoder för länkanpassning använder enkla heuristiker som anpassar dataöverföringshastigheten till den skattade trådlösa kanalen. Dessa system har visat sig vara användbara för de brett använda trådlösa tjänsterna rösttelefoni och mobilt bredband. Eftersom trådlösa nätverk ökar i komplexitet och också utvecklas för att stödja nya tjänstetyper, blir dock dessa metoder för länkanpassning snabbt otillräckliga. Anledningen till detta är trefaldig: För det första så utnyttjar heuristikbaserad länkanpassning i flera nya tjänster utnyttjar helt enkelt inte den tillgängliga kanalen till fullo. För det andra så är heuristiken vanligtvis anpassad empiriskt för bra prestanda, vilket kan vara felbenäget i nya scenarion och vilket medför extra kostnader. Slutligen så generaliserar traditionell länkanpassning inte naturligt till tillämpningar som går utöver de traditionella trådlösa tjänsterna, till exempel till industriella reglersystem eller fordonskommunikation. I denna avhandling behandlar vi länkanpassning genom maskininlärning. Våra föreslagna system utforskar effektivt länkparameterutrymmet genom att lära av tillgänglig information. De föreslagna metoderna förbättrar således länkprestandan jämfört med den senaste tekniken, till exempel genom att fördubbla länkgenomströmningen. Vidare utvecklar vi också länkadaptationsstöd för nya trådlösa tjänster genom att optimera länken för mer komplexa prestandamål. Slutligen så introducerar vi också mekanismer som autonomt justerar länkanpassningsparametrarna baserat på driftsmiljön. Våra system mildrar därmed beroendet på empiriska konfigurationer som används i nuvarande trådlösa nätverk. Denna avhandling består av sex tekniska artiklar. Baserat på dessa artiklar finns det tre viktiga bidrag från denna avhandling: En modell för anpassning av neurala länkar (Paper I, Paper II och Paper III), länkanpassning under begränsningar i paketfelfrekvensen (Paper IV och Paper V), och effektiv modellbaserad länkanpassning (Paper VI). I denna avhandling betonar vi den teoretiska grunden för våra föreslagna maskininlärningsmetoder för länkanpassning. Vi närmar oss detta mål på tre sätt: För det första gör vi teoretiskt motiverade val för maskininlärningsmodeller och inlärningsalgoritmer för länkanpassning. För det andra utökar vi dessa modeller för de specifika problemformuleringar som påträffas vid länkanpassning. För detta utvecklar vi noggranna problemformuleringar som analyseras med klassiska tekniker. För det tredje utvecklar vi teoretiska resultat för de föreslagna systemens realtidsbeteende. Dessa gränser utökar fältet maskininlärningen när det gäller prestationsgränser för stokastisk online-optimering. Bidragen från denna avhandling går alltså utöver området för trådlös kommunikation och sträcker sig till nya tillämpningsområden.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-293545