WiFi 6 teknolojisinin incelenmesi ve yapay zekaya dayalı yeni bir zamanlama algoritması geliştirilmesi

Abstract

Kablosuz mobil iletişim, son birkaç yıldır kullanıcı sayısında, veri hızı gereksinimlerinde ve kapsama alanında muazzam bir artışa tanık olmuştur. Veri hızı ve sistem verimine olan talep arttıkça, araştırmacıların ve sistem tasarımcılarının talebi makul karmaşıklık ve maliyetle karşılamak için verimli yöntemler geliştirmeleri gerekmektedir. Bu tezde, makine öğreniminde Doğrusal Regresyon (Linear Regression - LR) kullanarak Uydu-yer Bağında (Downlink - DL) kanal tahmini ve geri bildirim ek yükünü azaltmak için basit ve verimli bir yaklaşım önerilmiştir. Spesifik olarak, Yönlendiricindeki antenlerin indekslerini iki gruba ayırılmıştır. Bir regresyon modelini eğitmek için ilk olarak bazı iyi tahmin edilmiş kanal örneklerini kullanılmıştır ve burada bir sete karşılık gelen Kanal Durum Bilgisi (Channel State Information - CSI) girdi olarak kullanılırken diğeri çıktı olarak kullanılmaktadır. Çevrimiçi kanal tahmin aşamasında, yalnızca bir kümedeki antenlerin CSI'sının tahmin edilmesi gerekmektedir ve diğer kümedeki antenlerin CSI'sı, tahmin edilen CSI'nın eğitilmiş regresyon modeline girilmesiyle tahmin edilebilmektedir. 802.11ax, Ortogonal Frekans Bölmesi gerekmektedir Çoklama Erişimi'yı (Orthogonal Frequency Division Multiplexing Access - OFDMA) Kablosuz internet (WiFi) ile tanıştırılmaktadır. Böylelikle, kullanıcıların/kullanıcı gruplarının frekans alanında çoğullaşmasını sağlamaktadır. WiFi ağları genellikle frekans seçici bir kanal oluşturan çok yollu bir ortamda çalışmaktadır. Bu nedenle, bir kullanıcı/kullanıcı grubunun kapasitesi farklı alt taşıyıcılara göre değişmektedir. İyi bir zamanlama ve kaynak tahsisi şeması, kullanıcıları ve kullanıcı gruplarını CSI ve diğer sistem hususlarına göre alt taşıyıcılara tahsis ederek toplam oranı en üst düzeye çıkarabilmektedir. Sayısal sonuçlar, önerilen yaklaşımın hem DL pilotunun hem de Yer-uydu bağı (UL) geri bildiriminin ek yükünü önemli ölçüde azaltabildiğini ve böylece mevcut şemalara kıyasla DL elde edilebilmektedir oranını önemli ölçüde geliştirebileceğini gösterilmektedir. Sonuç tablosunda not edildiği bir sonuç olarak, ortalama toplam oran %25 ve %35 arasındadır ve bu oran kablosuz ağda daha hızlı veri derecelendirmesi almak için harika olmuştur.

Wireless mobile communication has witnessed tremendous growth in the number of users, data rate requirements, and coverage over the last several years. As the demand for data rate and system throughput increases, researchers and system designers need to develop efficient methods to meet the demand at reasonable complexity and cost. In this thesis, we propose a simple and efficient approach to reduce the overhead of downlink (DL) channel estimation and feedback using Linear Regression (LR) in machine learning. Specifically, we divide the indexes of the antennas at the router into two sets. We first use some well-estimated channel samples to train a regression model, where the Channel State Information (CSI) corresponding to one set is used as input while the other is output. In the online channel estimation phase, only the CSI of the antennas in one set needs to be estimated and the CSI of the antennas in the other set can be predicted by inputting the estimated CSI into the trained regression model. 802.11ax introduces Orthogonal Frequency Division Multiplexing Access (OFDMA) to wireless network (Wi-Fi). It thus enables multiplexing users/user groups in the frequency domain. Wi-Fi networks usually operate in a multipath environment which generates a frequency selective channel. Hence, the capacity of a user/user group changes over different subcarriers. A good scheduling and resource allocation scheme can maximize the sum rate by allocating users and user groups on subcarriers based on their CSI and other system considerations. Numerical results show the proposed approach can reduce the overhead of both DL pilot and Uplink (UL) feedback considerably and thus can improve the downlink achievable rate significantly compared with the existing schemes. As a result, that we noted in the result table, the average sum rate is between 25% and 35%, that is great in the winless network to get faster data rating.