Maschinelles Lernen zur Leistungskontrolle in der D2D-Kommunikation basierend auf zellularen Kanalgewinnen

Wir betrachten ein mobiles Netzwerk mit Nutzern, die in einer Gerät-zu-Gerät (D2D) Kommunikation engagiert sind. Zwei D2D-Nutzer (DUEs), ein Sender und ein Empfänger, bilden ein D2D-Paar. Wir nehmen an, dass die D2D-Paare einen einzigen Kommunikationskanal wiederverwenden, um die spektrale Effizienz zu erhöhen. Daher ist eine Leistungskontrolle erforderlich, um Störungen zwischen den D2D-Paaren zu verwalten und die Kapazität zu maximieren. Wir befassten uns mit dem Problem der D2D-Leistungskontrolle in dem Fall, dass nur die standardmäßigen zellularen Kanalgewinne zwischen den DUEs und den Basisstationen (BSs) bekannt sind, während die Kanalgewinne zwischen DUEs überhaupt nicht verfügbar sind. Wir nutzen überwachtes maschinelles Lernen, um die Übertragungsleistungen für einzelne D2D-Paare zu bestimmen. Wir zeigen, dass die zellularen Kanalgewinne tatsächlich genutzt werden können, um die Einstellung der Übertragungsleistung für D2D-Paare vorherzusagen und dabei eine nahezu optimale Gesamtkapazität der D2D-Paare erreicht wird. Darüber hinaus kann, selbst wenn unsere vorgeschlagene Leistungskontrolle kein Wissen über die Kanalgewinne zwischen DUEs erfordert und somit keine zusätzlichen Signalisierungen einführt, die Gesamtkapazität um 16 % bis 41,9 % im Vergleich zur keinen Leistungskontrolle erhöht werden, wie durch Simulationen demonstriert.