BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  20,022,350
  • Công bố khoa học và công nghệ Việt Nam

49

Viễn thông

BB

Lê Thị Phương Mai(1), Thái Văn Tiến, Đặng Thiên Bình

Nâng cao chất lượng trải nghiệm dịch vụ của người dùng cho mạng thông tin thế hệ mới

On the enhancement of user quality of experience for next generation wireless networks

Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng

2024

5A

42-45

1859-1531

DDPG, MIMO, Điện toán biên di động (MEC), Phân bổ công suất, Học tăng cường sâu (DRL), IoT, Kết nối khổng lồ

DDPG, MIMO, M obile Edge Computing ( MEC ), Power Allocation, Deep Reinforcement Learning (DRL), IoT, Massive connectivity

Bài báo này nghiên cứu việc ứng dụng công nghệ điện toán biên di động MEC tại các trạm phát đa anten MIMO cho mạng vô tuyến thế hệ mới (sau 5G/6G). Trong mô hình hệ thống này, nhóm tác giả nghiên cứu vấn đề tối ưu chất lượng trải nghiệm của người dùng thông qua việc giảm độ trễ thời gian offloading dữ liệu. Cụ thể, nhóm tác giả thiết lập bài toán tối ưu đồng thời công suất phân bổ cho các người dùng và tỉ lệ offloading dữ liệu/tính toán cục bộ cho một mạng vô tuyến. Để giải quyết bài toán đưa ra, nhóm tác giả đề xuất một thuật toán dựa trên mô hình học tăng cường sâu (DRL), với các ràng buộc về công suất phân bổ cho người dùng và tỉ lệ offloading dữ liệu. Cuối cùng, trình bày các kết quả mô phỏng tính toán số để kiểm chứng tính hiệu quả của thuật toán được đề ra.

This paper investigates the application of Mobile Edge Computing (MEC) technology at base stations (BS) equipped with MIMO (Multiple Input Multiple Output) antennas for next - generation wireless networks (i.e. beyond 5G/6G). In this model , the authors aim to improve the user experience by reducing data offloading latency. Specifically, the authors formulate a joint optimization problem of power allocation and data offloading/local computing ratio for the considered wireless network. To address this problem, the authors propose an algorithm based on Deep Reinforcement Learning (DRL), involving the constraints of user power allocation and data offloading ratio. Finally, we provide numerical results via simulation to verify the effectiveness of the proposed algorithm

TTKHCNQG, CVv 216

Xem toàn văn