старший преподаватель кафедры телекоммуникационных систем и вычислительных средств Сибирского государственного университета телекоммуникаций и информатики
стажер отдела разработки алгоритмов уровня доступа к среде ООО «Ядро Центр Технологий Мобильной Связи»
кандидат технических наук, доцент, заведующий кафедрой телекоммуникационных систем и вычислительных средств Сибирского государственного университета телекоммуникаций и информатики
Эффективное планирование радиоресурсов на уровне доступа к среде является критически важной задачей для обеспечения качества обслуживания в мобильных сетях. Перспективным направлением становится использование машинного обучения и искусственного интеллекта для решения задачи планирования на MAC-уровне. Существующие универсальные симуляторы (MATLAB, ns-3, OMNeT++) мало оптимизированы для глубокого исследования алгоритмов планирования ресурсов и имеют ограничения при их интеграции.
Целью настоящей статьи является разработка специализированной имитационной модели планирования ресурсов сети LTE (Long Term Evolution) на уровне доступа для исследования классических и интеллектуальных алгоритмов планирования.
Сущность предлагаемого решения заключается в создании модульной имитационной модели, включающей различные модели мобильности пользователей, распространения радиосигналов, генерации трафика и классические алгоритмы планирования (Round Robin, Proportional Fair, Best CQI). Модель специализируется на детальной разработке процессов MAC-уровня. Система реализована на языке Python с модульной архитектурой, обеспечивающей интеграцию алгоритмов на базе машинного обучения и искусственного интеллекта. Исходный код размещен в открытом репозитории GitHub.
Эксперименты проводились для имитационного сценария бесконечного буфера, тремя пользователями различных классов мобильности в городской среде. Испытывались три классических алгоритма планирования с оценкой пропускной способности, индекса справедливости Джейна и спектральной эффективности.
Научная новизна решения состоит в создании специализированной имитационной модели, оптимизированной для исследования алгоритмов планирования MAC-уровня с возможностью интеграции методов машинного обучения и обеспечивающей гибкость настройки различных сценариев моделирования.
Теоретическая значимость заключается в расширении инструментария для исследования алгоритмов планирования ресурсов мобильных сетей и создании основы для разработки интеллектуальных планировщиков.
Практическая значимость состоит в предоставлении исследователям специализированного инструмента для разработки, тестирования и сравнения алгоритмов планирования, а также в возможности адаптации модели для сетей 5G / 6G и интеграции планировщиков с учетом качества обслуживания.
Effective radio resource scheduling at the Medium Access Control (MAC) layer is a critically important task for ensuring quality of service in mobile networks. The use of machine learning and artificial intelligence for MAC-layer scheduling is becoming a promising direction. Existing general-purpose simulators (MATLAB, ns-3, OMNeT++) are insufficiently optimized for in-depth research ofl resource scheduling algorithms and have limitations in their integration.
The purpose of this article is to develop a specialized simulation model for LTE (Long Term Evolution) network resource scheduling at the MAC layer for investigating both classical and intelligent scheduling algorithms.
The core of the proposed solution lies in creating a modular simulation model that incorporates different user mobility models, radio propagation models, traffic generation models, and classical scheduling algorithms (Round Robin, Proportional Fair, Best CQI). The model specializes in detailed simulation of MAC-layer processes. The system is implemented in Python with modular architecture enabling integration of machine learning and artificial intelligence-based algorithms. The source code is hosted in an open GitHub repository.
Experiments were conducted for an infinite buffer simulation scenario with three users from different mobility classes in an urban environment. Three classical scheduling algorithms were tested with evaluation of throughput, Jain's fairness index, and spectral efficiency.
The scientific novelty of the solution lies in creating a specialized simulation model optimized for investigating MAC-layer scheduling algorithms with the capability to integrate machine learning methods and providing flexibility in configuring various simulation scenarios.
The theoretical significance consists in expanding the toolkit for studying mobile network resource scheduling algorithms and establishing a foundation for developing intelligent schedulers.
The practical significance is providing researchers with a specialized tool for developing, testing, and comparing scheduling algorithms, as well as the ability to adapt the model for 5G/6G networks and integrate quality-of-service-aware schedulers.
The authors declare that there are no conflicts of interest present.