OTTIMIZZAZIONE DELL'INTERFACCIA 5G NR SULLA BASE DI TECNICHE INNOVATIVE

LA quinta generazione (5G) di reti cellulari mira a fornire connettività per un gran numero di applicazioni. Per raggiungere questo obiettivo, il 5G è stato progettato considerando tre scenari con requisiti ampiamente eterogenei: Enhanced Mobile Broadband (eMBB), Massive Machine-Type Communications (mMTC) e Ultra-Reliable Lowlatency Communications (URLLC). Sulla base dei severi Key Performance Indicators (KPI), è già impegnativo ottimizzare separatamente i servizi appartenenti a ciascuno di questi scenari. Inoltre, affrontare contemporaneamente i KPIs dei diversi scenari è ancora più difficile. Considerare l'uso di tecniche comuni non può consentire di soddisfare il compromesso fondamentale tra la velocità di trasmissione dei dati ottenibile, la latenza, l'affidabilità e l'efficienza spettrale. Pertanto, per affrontare in modo efficiente queste sfide, dovrebbero essere introdotti diversi aspetti di ottimizzazione che sfruttano tecniche innovative. Nell'ottica del 5G e delle future reti wireless 6G, l'obiettivo di questa dissertazione è fornire la capacità di supportare in modo efficiente diverse classi di servizio e i loro diversi requisiti di Quality of Service (QoS). Per fare ciò, ottimizziamo diversi aspetti delle procedure a livello Radio Resource Management (RRM) e Medium Access Control (MAC), sfruttando tecniche innovative. L'analisi fornita considera diverse tecniche di accesso, come la Time Division Multiple Access (TDMA), l'Orthogonal Frequency Division Multiple Access (OFDMA) e la nuova Sparse Code Multiple Access (SCMA), il supporto di forme d'onda avanzate, come OFDM filtrata e l'Universal Filtered Multi-vettore (UFMC), e lo sfruttamento di una struttura di frame multi-numerologia con diversa spaziatura delle sottoportanti. Inoltre, vengono prese in considerazione la tecnica innovativa di Access Class Barring (ACB) e la stima predittiva del carico di traffico. Infine, l'introduzione delle tecniche di Deep Learning (DL) e di algoritmi di Deep Reinforcement Learning (DRL) hanno consentito di superare i limiti imposti dagli approcci matematici e statistici. L'attività di ricerca può essere raggruppata in tre aree principali. La prima considera la coesistenza tra un'ampia varietà di servizi all'interno della stessa griglia OFDM con l'obiettivo di fornire flessibilità e miglioramento delle prestazioni. Inizialmente, proponiamo un framework RRM a due livelli che sia QoS-aware e Channel-aware, che alloca opportunamente lo spettro di banda alle numerologie e assegna correttamente i Physical Resource Blocks (PRB) a ciascuna numerologia. Inoltre, implementiamo un nuovo ambiente di simulazione per identificare la migliore coppia (forma d'onda, dimensione della Guard-Band (GB)) che riduce il fenomeno dell'interferenza internumerologica (INI) e massimizza l'efficienza spettrale tenendo conto dei requisiti di QoS. Nella seconda attività di ricerca, ci concentriamo sull'ottimizzazione del RRM per i servizi mMTC. Proponiamo una nuova framework che include un controllo congiunto dell'allocazione dinamica delle risorse tra il Physical Random Access Channel (PRACH) e il Physical Uplink Shared Channel (PUSCH) e una nuova procedura di accesso casuale basata su uno schema ACB adattivo. Per aumentare ulteriormente l'efficienza spettrale, adottiamo la tecnica Sparse Code Multiple Access (SCMA) per la trasmissione nelle risorse PUSCH. Quindi, invece di migliorare i tentativi di accesso riusciti nel PRACH, presentiamo l'innovativo idea di trasmissione per sfruttare le risorse PUSCH non utilizzate per servire una parte aggiuntiva dei dispositivi MTC. Inoltre, proponiamo un accurato metodo di stima dei tentativi di accesso attuali, basato su Deep Neural Network (DNN), che accetta come input solo le informazioni realmente disponibili al nrxt generation NodeB (gNB). Infine, per migliorare le prestazioni di trasmissione di SCMA in reti implementate, progettiamo uno schema di codifica/decodifica di tipo end-to-end robusto al rumore del canale per techinche SCMA. Infine, nella terza attività, consideriamo il problema dell'apprendimento automatico di protocolli MAC con buone proprietà di generalizzazione su più ambienti di trasmissione. Questi protocolli prendono in considerazione sia il punto di vista del piano di controllo che quello del piano dati e vengono appresi tra diversi User Equiments (UE) espressi come agenti Reinforcement Learning (RL) e una Base Station (BS) considerata come esperta.

Grantor dc:publisher

Università degli studi di Catania

Year dc:date

2022

Author dc:creator

• MIUCCIO, LUCIANO

Contributors dc:contributor

• PANNO, Daniela Giovanna Anna

• 5G, Deep Reinforcement Learning, Artificial Intelligence, Non Orthogonal Multiple Access, Radio Resouce Management, Radio Resource Allocation, massive Machine Type Communication Scenario
• 5G, Deep Reinforcement Learning, Artificial Intelligence, Non Orthogonal Multiple Access, Radio Resource Management, Radio Resource Allocation, massive Machine Type Communication scenario

Statement dc:rights

• info:eu-repo/semantics/openAccess
• license:PUBBLICO - Pubblico con Copyright
• license uri:iris.PUB02

Language dc:language

ita

Handle dc:identifier

https://hdl.handle.net/20.500.11769/581570

OAI identifier oai:identifier

oai:www.iris.unict.it:20.500.11769/581570