Max Home IndustryИсследователи из Национального института стандартов и технологий (NIST) разработали математическую формулу, которая, согласно компьютерному моделированию, может помочь 5G и другим беспроводным сетям выбирать и совместно использовать частоты связи примерно в 5000 раз более эффективно, чем методы проб и ошибок. .
Новая формула представляет собой форму машинного обучения, которая выбирает беспроводной частотный диапазон, известный как канал, на основе предыдущего опыта работы в конкретной сетевой среде. Описанная на конференции на этой неделе, формула может быть запрограммирована в программное обеспечение передатчиков во многих типах реальных сетей.
Формула NIST — это способ удовлетворить растущий спрос на беспроводные системы, включая 5G, за счет совместного использования нелицензионных диапазонов частот, также известных как диапазоны. Например, Wi-Fi использует нелицензированные диапазоны — те, которые Федеральная комиссия по связи не назначает конкретным пользователям. Исследование NIST фокусируется на сценарии, в котором Wi-Fi конкурирует с сотовыми системами за определенные частоты или подканалы. Что делает этот сценарий сложным, так это то, что эти сотовые системы повышают скорость передачи данных с помощью метода под названием License Assisted Access (LAA), который сочетает в себе как нелицензированные, так и лицензированные диапазоны.
«В этой работе исследуется использование машинного обучения для принятия решений о том, на каком частотном канале следует передавать», — сказал инженер NIST Джейсон Кодер. «Это потенциально может сделать связь в нелицензированных диапазонах намного более эффективной».
Формула NIST позволяет передатчикам быстро выбирать лучшие подканалы для успешной и одновременной работы сетей Wi-Fi и LAA в нелицензированных диапазонах. Каждый передатчик учится максимизировать общую скорость передачи данных в сети без связи друг с другом. Схема быстро достигает общей производительности, близкой к результату, основанному на исчерпывающем поиске каналов методом проб и ошибок.
Исследование NIST отличается от предыдущих исследований машинного обучения в коммуникациях тем, что учитывает несколько сетевых «уровней», физическое оборудование и правила доступа к каналу между базовыми станциями и приемниками.
Эта формула представляет собой метод «Q-обучения», то есть она отображает условия окружающей среды, такие как типы сетей и количество имеющихся передатчиков и каналов, на действия, которые максимизируют значение, известное как Q, которое возвращает лучшая награда. Взаимодействуя с окружающей средой и пробуя различные действия, алгоритм узнает, какой канал обеспечивает лучший результат. Каждый передатчик учится выбирать канал, обеспечивающий наилучшую скорость передачи данных в определенных условиях окружающей среды.
Если обе сети правильно выбирают каналы, эффективность объединенной сетевой среды в целом повышается. Этот метод увеличивает скорость передачи данных двумя способами. В частности, если передатчик выбирает канал, который не занят, то вероятность успешной передачи возрастает, что приводит к более высокой скорости передачи данных. А если передатчик выбирает канал таким образом, чтобы помехи были минимальными, тогда сигнал становится сильнее, что приводит к более высокой скорости принимаемых данных.
В компьютерном моделировании оптимальный метод распределения назначает каналы передатчикам путем поиска всех возможных комбинаций, чтобы найти способ максимизировать общую скорость передачи данных в сети. Формула NIST дает результаты, близкие к оптимальным, но в гораздо более простом процессе. Исследование показало, что для исчерпывающих усилий по поиску наилучшего решения потребуется около 45 600 испытаний, тогда как формула может выбрать аналогичное решение, попробовав только 10 каналов, что составляет всего 0,02 процента усилий.
В исследовании рассматривались сценарии использования внутри помещений, например в здании с несколькими точками доступа Wi-Fi и сотовыми телефонами, работающими в нелицензионных диапазонах. Теперь исследователи планируют смоделировать этот метод в более крупномасштабных сценариях на открытом воздухе и провести физические эксперименты, чтобы продемонстрировать эффект.