Die neue Formel ist eine Form des maschinellen Lernens, die einen drahtlosen Frequenzbereich, einen sogenannten Kanal, basierend auf Erfahrungswerten in einer spezifischen Netzwerkumgebung auswählt. Die Formel, die auf der Online-Konferenz dieser Woche (Link ist extern) vorgestellt wurde, könnte in die Software von Sendern in vielen realen Netzwerken implementiert werden.
Die NIST-Formel trägt dazu bei, die wachsende Nachfrage nach drahtlosen Systemen, einschließlich 5G, durch die gemeinsame Nutzung unlizenzierter Frequenzbereiche, auch Bänder genannt, zu decken. Wi-Fi nutzt beispielsweise unlizenzierte Bänder – solche, die nicht von der Federal Communications Commission (FCC) bestimmten Nutzern zugewiesen wurden. Die NIST-Studie konzentriert sich auf ein Szenario, in dem Wi-Fi mit Mobilfunksystemen um bestimmte Frequenzen oder Subkanäle konkurriert. Die Herausforderung in diesem Szenario besteht darin, dass diese Mobilfunksysteme ihre Datenübertragungsraten durch ein Verfahren namens License-Assisted Access (LAA) erhöhen, das unlizenzierte und lizenzierte Bänder kombiniert.
„Diese Arbeit untersucht den Einsatz von maschinellem Lernen zur Entscheidungsfindung hinsichtlich des zu sendenden Frequenzkanals“, sagt NIST-Ingenieur Jason Coder. „Dies könnte die Kommunikation in unlizenzierten Frequenzbändern deutlich effizienter gestalten.“.
Die NIST-Formel ermöglicht es Sendern, schnell die besten Subkanäle für den erfolgreichen und gleichzeitigen Betrieb von Wi-Fi- und LAA-Netzwerken in unlizenzierten Frequenzbändern auszuwählen. Jeder Sender lernt, die Gesamtdatenrate des Netzwerks zu maximieren, ohne mit anderen Sendern zu kommunizieren. Das Verfahren erreicht schnell eine Gesamtleistung, die dem Ergebnis umfangreicher Kanalsuche durch Ausprobieren sehr nahe kommt.
Die NIST-Forschung unterscheidet sich von früheren Studien zum maschinellen Lernen in der Kommunikation dadurch, dass sie mehrere Netzwerkschichten, physische Geräte und Kanalzugriffsregeln zwischen Basisstationen und Empfängern berücksichtigt.
Die Formel ist ein Q-Learning-Verfahren. Das bedeutet, dass sie Umgebungsbedingungen wie Netzwerktypen und die Anzahl der Sender und Kanäle Aktionen zuordnet, die einen Wert namens Q maximieren und somit die beste Belohnung liefern. Durch Interaktion mit der Umgebung und Testen verschiedener Aktionen lernt der Algorithmus, welcher Kanal das beste Ergebnis liefert. Jeder Sender lernt, den Kanal auszuwählen, der unter bestimmten Umgebungsbedingungen die beste Datenrate erzeugt.
Wenn beide Netzwerke die Kanäle geeignet auswählen, verbessert sich die Effizienz des gesamten Netzwerks. Diese Methode erhöht die Datenrate auf zweierlei Weise: Wählt ein Sender einen freien Kanal, steigt die Wahrscheinlichkeit einer erfolgreichen Übertragung, was zu einer höheren Datenrate führt. Wählt ein Sender zudem einen Kanal mit minimalen Interferenzen, ist das Signal stärker, was ebenfalls eine höhere empfangene Datenrate zur Folge hat.
In Computersimulationen ordnet die optimale Zuweisungsmethode Sendern Kanäle zu, indem sie alle möglichen Kombinationen durchsucht, um den Gesamtdatendurchsatz des Netzwerks zu maximieren. Die NIST-Formel liefert nahezu optimale Ergebnisse, jedoch mit einem deutlich einfacheren Verfahren. Die Studie ergab, dass die vollständige Suche nach der besten Lösung etwa 45.600 Versuche erfordern würde, während die Formel mit nur 10 getesteten Kanälen – also lediglich 0,02 Prozent des Aufwands – eine vergleichbare Lösung findet.
Die Studie befasste sich mit Szenarien in Innenräumen, wie beispielsweise einem Gebäude mit mehreren WLAN-Zugangspunkten und Mobilfunkbetrieb in unlizenzierten Frequenzbändern. Die Forscher planen nun, die Methode in großflächigen Außenszenarien zu modellieren und physikalische Experimente durchzuführen, um die Wirkung zu demonstrieren.
Dokument: S. Mosleh, Y. Ma, JD Rezac und JB Coder. Dynamischer Spektrumzugriff mit Lernverstärkung für unlizenzierten Zugriff in 5G und darüber hinaus. Virtuelle Online-Präsentation auf der 91. IEEE Vehicle Technology Conference (Link ist extern), 25.–28. Mai 2020.
