Core Concepts
Ein nutzerorientierter Lernansatz, der das Ressourcen- und Mobilitätsmanagement in hybriden LiFi-WiFi-Netzwerken gleichzeitig adressiert, indem er eine adaptive Aktualisierungsfrequenz für jeden einzelnen Nutzer ermöglicht.
Abstract
Der Artikel untersucht ein neuartiges Verfahren namens "Mobility-Supporting ATCNN (MS-ATCNN)" zur effizienten Verwaltung von Ressourcen und Mobilität in hybriden LiFi-WiFi-Netzwerken (HLWNets).
Zunächst wird ein Deep-Neural-Network-Modell (MSNN) entwickelt, um für jeden einzelnen Nutzer ein individuelles Aktualisierungsintervall zu bestimmen, basierend auf dessen Verbindungsqualität, Bewegungsrichtung und -geschwindigkeit. Dieses MSNN-Modell wird dann mit dem zuvor entwickelten ATCNN-Modell (Adaptive Target-Condition Neural Network) kombiniert, um ein nutzerorientiertes Lastausgleichsverfahren (MS-ATCNN) zu schaffen.
Die Simulationsergebnisse zeigen, dass MS-ATCNN bei gleichem durchschnittlichen Aktualisierungsintervall einen bis zu 215% höheren Durchsatz als herkömmliche Lastausgleichsmethoden wie Spieltheorie erzielen kann, insbesondere bei einer größeren Anzahl von Nutzern. Darüber hinaus weist MS-ATCNN eine extrem geringe Laufzeit von nur 100 Mikrosekunden auf, was zwei bis drei Größenordnungen niedriger ist als bei der Spieltheorie.
Stats
Der Durchsatz von MS-ATCNN kann bei einer durchschnittlichen Geschwindigkeit der Nutzer von 5 m/s bis zu 59,1% höher sein als der von herkömmlichen Lastausgleichsmethoden wie Spieltheorie.
Bei 50 Nutzern und einer durchschnittlichen Geschwindigkeit von 5 m/s erreicht MS-ATCNN einen Durchsatz von 1.740 Mbps, was 10,1% höher ist als der von ATCNN mit dem gleichen durchschnittlichen Aktualisierungsintervall.
Quotes
"MS-ATCNN kann den Durchsatz um bis zu 215% gegenüber herkömmlichen Lastausgleichsmethoden wie Spieltheorie verbessern, insbesondere bei einer größeren Anzahl von Nutzern."
"MS-ATCNN weist eine extrem geringe Laufzeit von nur 100 Mikrosekunden auf, was zwei bis drei Größenordnungen niedriger ist als bei der Spieltheorie."