Имитационная модель для исследования алгоритмов планирования радиоресурсов уровня доступа в сетях мобильной связи

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.

1. Liang D., Dou X. Research on the Technology of Breaking the Shannon Channel Capacity and Shannon Limit // Research Square. 2022. DOI:10.21203/rs.3.rs-1643836/v1

2. Ashfaq K., Safdar G.A., Ur-Rehman M. Comparative analysis of scheduling algorithms for radio resource allocation in future communication networks // Peer J Computer Science. 2021. Vol. 7. P. e546. DOI:10.7717/PEERJ-CS.546. EDN:SNOOJB

3. Noman H.M.F., Hanafi E., Noordin K.A., Dimyati K., Hindia M.N., Abdrabou A. Machine Learning Empowered Emerging Wireless Networks in 6G: Recent Advancements, Challenges and Future Trends // IEEE Access. 2023. Vol. 11. PP. 83017–83051. DOI:10.1109/access.2023.3302250. EDN:PXCKFF

4. Zaidi S.M.A., Manalastas M., Farooq H., Imran A. SyntheticNET: A 3GPP Compliant Simulator for AI Enabled 5G and beyond // IEEE Access. 2020. Vol. 8. PP. 82938–82950. DOI:10.1109/access.2020.2991959. EDN:SPFZRY

5. Manalastas M., Farooq M.U.B., Zaidi S.M.A., Qureshi H.N., Sambo Y., Imran A. From Simulators to Digital Twins for Enabling Emerging Cellular Networks: A Tutorial and Survey // IEEE Communications Surveys & Tutorials. 2024. Vol. 27. Iss. 4. PP. 2693–2732. DOI:10.1109/COMST.2024.3490178

6. ETSI TS 136 321 V16.6.0 (2021-10) Evolved Universal Terrestrial Radio Access (E-UTRA); Medium Access Control (MAC) protocol specification (3GPP TS 36.321 version 16.6.0 Release 16).

7. ETSI TS 136 213 V15.14.0 (2021-09) Evolved Universal Terrestrial Radio Access (E-UTRA); Physical layer procedures. (3GPP TS 36.213 version 15.14.0 Release 15).

8. Marinescu A., Macaluso I., DaSilva L.A. System Level Evaluation and Validation of the ns-3 LTE Module in 3GPP Reference Scenarios // Proceedings of the 13th ACM Symposium on QoS and Security for Wireless and Mobile Networks (Miami, USA, 21–25 November 2017). New York: Association for Computing Machinery, 2017. PP. 59–64. DOI:10.1145/3132114.3132117

9. Camp T., Boleng J., Davies V. A survey of mobility models for ad hoc network research // Wireless Communications and Mobile Computing. 2002. Vol. 2. Iss. 5. PP. 483–502. DOI:10.1002/wcm.72

10. Самуйлов К.Е., Гайдамака Ю.В., Шоргин С.Я. Применение моделей случайного блуждания при моделировании перемещения устройств в беспроводной сети // Информатика и ее применения. 2018. Т. 12. № 4. С. 2–8. DOI:10.14357/19922264180401. EDN:VOGJOL

11. ETSI TR 138 901 V18.0.0 (2024-05) Study on channel model for frequencies from 0.5 to 100 GHz (3GPP TR 38.901 version 18.0.0 Release 18).

12. Andreev S., Anisimov A., Koucheryavy Y., Turlikov A. Practical Traffic Generation Model for Wireless Networks // In: M. Brogle, E. Osipov, T. Braun, G. Heijenk (eds.) Fourth Ercim Workshop on Emobility. 2010. PP. 61–72.

13. Marvi M., Aijaz A., Khurram M. On the Use of ON/OFF Traffic Models for Spatio-Temporal Analysis of Wireless Networks // IEEE Communications Letters. 2019. Vol. 23. Iss. 7. PP. 1219–1222. DOI:10.1109/LCOMM.2019.2917681

14. Grøndalen O., Zanella A., Mahmood K., Carpin M., Rasool J., Østerbø O.N. Scheduling Policies in Time and Frequency Domains for LTE Downlink Channel: A Performance Comparison // IEEE Transactions on Vehicular Technology. 2017. Vol. 66. Iss. 4. PP. 3345–3360. DOI:10.1109/TVT.2016.2589462

15. Srinivasa R.K., Kumar H. Simplified Framework for Benchmarking Standard Downlink Scheduler over Long Term Evolution // International Journal of Advanced Computer Science and Applications. 2021. Vol. 12. Iss. 5. PP. 756–763. DOI:10.14569/IJACSA.2021.0120136. EDN:MMQQBE

16. Jain R.K., Chiu D.-M., Hawe W.R. A Quantitative Measure of Fairness and Discrimination for Resource Allocation in Shared Computer Systems // ACM Transactions on Computer Systems. 1984. Vol. 2. Iss. 1. PP. 1–38.

17. Wang J., Zhuang Z., Qi Q., Li T., Liao J. Deep reinforcement learning for scheduling in cellular networks // Applied Soft Computing. 2019. Vol. 82. P. 105557. DOI:10.1016/j.asoc.2019.105557. EDN:QJAGBG

18. Брагин К.И., Тычинкин С.А. Применение алгоритмов машинного обучения для управления ресурсами в мобильных сетях 5G // III Международная научно-практическая конференция «Инфокоммуникационные технологии: актуальные вопросы цифровой экономики» (Екатеринбург, Российская Федерация, 25–26 января 2023 г.). Екатеринбург: Уральский государственный университет путей сообщения, 2023. С. 88–91. EDN:LRXLAF