Оптимизация распределения пользователей, мощности и расположения воздушной базовой станции на основе методов глубокого обучения с подкреплением

Обложка

Цитировать

Полный текст

Аннотация

Актуальность. С развитием информационных технологий и Интернета вещей возрастает спрос на более эффективные и гибкие мобильные сети. Будущие беспроводные системы должны обеспечивать не только высокую скорость и надежность соединения, но и быстрое восстановление связи в аварийных ситуациях. Наземные базовые станции (GBS, аббр. от англ. Ground Base Stations) обычно устанавливаются стационарно и ориентированы на длительное обслуживание, что ограничивает их эффективность при резком увеличении трафика или повреждении инфраструктуры. В таких условиях воздушные базовые станции (ВБС) становятся перспективным решением. Благодаря своей мобильности, доступной стоимости и возможности быстрого развертывания, они могут поддерживать работу наземных станций в условиях высокой плотности пользователей или в случае чрезвычайных ситуаций, когда GBS повреждены или уничтожены. Это делает их важным элементом сетей связи будущего.Постановка задачи: разработка методов размещения ВБС в трехмерном пространстве и распределения пользователей и мощности среди последних с целью максимизации скорости передачи данных систем. Цель работы: повышение скорости передачи данных систем с использованием ВБС для поддержки GBS за счет оптимального трехмерного положения ВБС, распределения пользователей между ВБС и GBS, а также распределения мощности среди пользователей.Используемые методы. Исследования проводились с применением динамического подхода, при котором радиус покрытия GBS постепенно сокращается, а также алгоритма глубокого обучения с подкреплением. Анализ полученных результатов показал высокую эффективность предложенного метода и позволил добиться значительного увеличения скорости передачи данных в рамках поставленной задачи. Научная новизна предложенного решения заключается в том, что совместная оптимизация размещения ВБС и распределения мощности в условиях ограниченных ресурсов позволила выявить зависимость между радиусом покрытия GBS и высотой полета ВБС: при большем радиусе покрытия GBS высота полета ВБС будет ниже, и наоборот. Практическая значимость заключается в возможности разработки методики планирования сетей связи общего пользования с использованием ВБС для поддержки GBS в условиях ограниченных ресурсов. Это позволяет обеспечить высокую суммарную скорость передачи данных и повысить надежность функционирования сети.

Об авторах

Т. З Чан

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: chan.tz@sut.ru

А. Е. Кучерявый

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруевича

Email: akouch@sut.ru

Список литературы

  1. Чан Т.З., Кучерявый А.Е. Оптимизация использования ресурсов воздушных базовых станций на основе методов искусственного интеллекта // Труды учебных заведений связи. 2025. Т. 11. № 1. С. 62‒68. doi: 10.31854/1813-324X-2025-11-1-62-68. EDN:RVENVC
  2. Кузнецов К.А., Парамонов А.И., Мутханна А.С.А., Кучерявый А.Е. Модель и методы маршрутизации трафика в сети связи с использованием БПЛА // Труды учебных заведений связи. 2024. Т. 10. № 4. С. 62-72. doi: 10.31854/1813-324X-2024-10-4-62-72. EDN:VYMCTD
  3. Дунайцев Р.А., Бородин А.С., Кучерявый А.Е. Интегрированная сеть космос-воздух-земля-море как основа сетей связи шестого поколения // Электросвязь. 2022. № 10. С. 5‒8. doi: 10.34832/ELSV2022.35.10.001. EDN:QCGIPI
  4. Кучерявый А.Е., Парамонов А.И., Маколкина М.А., Мутханна А.С.А., Выборнова А.И., Дунайцев Р.А. и др. Трехмерные многослойные гетерогенные сверхплотные сети // Информационные технологии и телекоммуникации. 2022. Т. 10. № 3. С. 1‒12. doi: 10.31854/2307-1303-2021-10-3-1-12. EDN:LHLYEM
  5. Mozaffari M., Saad W., Bennis M., Debbah M. Unmanned Aerial Vehicle With Underlaid Device-to-Device Communications: Performance and Tradeoffs // IEEE Transactions on Wireless Communications. 2016. Vol. 15. Iss. 6. PP. 3949–3963. doi: 10.1109/TWC.2016.2531652
  6. Ali M.A., Jamalipour A. UAV placement and power allocation in uplink and downlink operations of cellular network // IEEE Transactions on Communications. 2020. Vol. 68. Iss. 7. PP. 4383‒4393. doi: 10.1109/TCOMM.2020.2983671. EDN:MEPFGQ
  7. GPP TR 38.901. Study on channel model for frequencies from 0.5 to 100 GHz. 2018. URL: https://portal.3gpp.org/desktopmodules/Specifications/SpecificationDetails.aspx?specificationId=3173 (Accessed 26.02.2025)
  8. Shannon C.E. A Mathematical Theory of Communication // The Bell System Technical Journal. 1948. Vol. 27. Iss. 3. PP. 379–423. doi: 10.1002/j.1538-7305.1948.tb01338.x
  9. Liu C.H., Chen Z., Tang J., Xu J., Piao C. Energy-Efficient UAV Control for Effective and Fair Communication Coverage: A Deep Reinforcement Learning Approach // IEEE Journal on Selected Areas in Communications. 2018. Vol. 36. Iss. 9. PP. 2059–2070. doi: 10.1109/JSAC.2018.2864373
  10. Seid A.M., Boateng G.O., Anokye S., Kwantwi T., Sun G., Liu G. Collaborative Computation Offloading and Resource Al-location in Multi-UAV-Assisted IoT Networks: A Deep Reinforcement Learning Approach // IEEE Internet of Things Journal. 2021. Vol. 8. Iss. 15. PP. 12203‒12218. doi: 10.1109/JIOT.2021.3063188
  11. Mnih V., Kavukcuoglu K., Silver D., Rusu A.A., Veness J., Bellemare M.G., et al. Hassabis D. Human-level control through deep reinforcement learning // Nature. 2015. Vol. 518. PP. 529‒533. doi: 10.1038/nature14236
  12. Lillicrap T.P., Hunt J.J., Pritzel A., Heess N., Erez T., Tassa Y., et al. Continuous control with deep reinforcement learning // arXiv preprint arXiv:1509.02971. 2015. doi: 10.48550/arXiv.1509.02971

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».