Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/46341
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2022_YarisleyPeñaLlerena.pdf11,27 MBAdobe PDFVisualizar/Abrir
Título: Controller placement and radio resource allocation for D2D communications in 5G Wireless networks
Autor(es): Peña Llerena, Yarisley
E-mail do autor: yarisleyllerena@gmail.com
Orientador(es): Gondim, Paulo Roberto de Lira
Assunto: Comunicação device-to-device
Redes celulares
5G
Data de publicação: 16-Ago-2023
Referência: PEÑA LLERENA, Yarisley. Controller placement and radio resource allocation for D2D communications in 5G Wireless networks. 2022. [178] f., il. Tese (Doutorado em Engenharia Elétrica) — Universidade de Brasília, Brasília, 2022.
Resumo: As redes celulares de próxima geração prometem uma transmissão de dados mais rápida, maior largura de banda e menor latência, e a tecnologia de comunicação Dispositivo-a-Dispositivo (D2D, do inglês Device-to-Device), devido aos serviços baseados em proximidade (ProSe, do inglês Proximity Services) dos dispositivos de comunicação, ajuda a tornar tais promessas uma realidade. As vantagens de tal comunicação incluem maior vazão, maior taxa de transmissão de dados, menor latência, menor consumo de energia, equidade e maior eficiência espectral. Este trabalho possui foco na gestão das comunicações D2D em uma rede de comunicação móvel celular, sendo tratados dois problemas: o problema de localização de controladores (CPP, do inglês Controller Placement Problem) e o problema de alocação de recursos de rádio (RRA, do inglês Radio Resource Allocation). A técnica proposta para resolver o problema CPP envolve, primeiramente, a obtenção do número de comunicações D2D a serem gerenciadas e depois o número de controladores necessários, a sua localização física na infra-estrutura celular e a melhor atribuição de eNB (do inglês evolved NodeB) aos controladores. O problema foi modelado como um problema de optimização e as meta-heurísticas Colônia de Abelhas Artificiais (ABC, do inglês Artificial Bee Colony) e Sistema de Colônia de Formigas com Memória Externa (ACS-EM, do inglês Ant Colony System with External Memory) foram utilizadas para resolvê-lo. As duas meta-heurísticas foram comparadas com as meta-heurísticas Sistema de Colônia de Formigas (ACS, do inglês Ant Colony System) e Optimização do Enxame de Partículas (PSO, do inglês Particle Swarm Optimization). A análise revelou que as complexidades computacionais do ABC e do PSO são inferiores às do ACS-EM e do ACS. No entanto, ABC e ACS-EM demonstraram um melhor desempenho na resolução do problema, com características que permitem uma exploração mais eficiente do espaço de busca, evitando assim soluções sub-ótimas. Os melhores resultados foram obtidos com o ABC, seguido pelo ACS-EM, depois pelo ACS e, por último, pelo PSO. Com o fim de obter o número de comunicações D2D admitidas na rede, dois métodos foram propostos para a solução do problema RRA. No primeiro, o problema de optimização é resolvido pela meta-heurística Social-Aware RRA Artificial Bee Colony (SA-RRA-ABC), considerando a relação social entre os usuários, um esquema de feedback, e a maximização do throughput do sistema. Um esquema de feedback, chamado selected-NM Maximum Distance Ratio (MDR) q-bit feedback, foi proposto para reduzir a sobrecarga de sinalização (overhead). Cada receptor D2D envia à eNB apenas q-bits de informação do estado do canal de N dispositivos celulares (CUE, do inglês Cellular User Equipment) e de M pares D2D, utilizando na seleção o maior valor da métrica MDR. A meta-heurística SA-RRA-ABC foi validada através de simulações e comparada com os algoritmos gulosos GRAA (do inglês Greedy Resource Allocation Algorithm) e SA-GRAA (do inglês Social-aware Greedy Resource Allocation Algorithm). Os resultados mostraram que a meta-heurística SA-RRA-ABC apresenta melhor desempenho que os algoritmos gulosos. Foi também mostrado que o modelo de feedback proposto pode alcançar desempenho próximo do modelo full CSI - Channel State Information (onde a eNB tem informação do estado de todos os canais), com uma sobrecarga de sinalização (overhead) inferior. O segundo método de solução do problema RRA considera o problema de optimização em uma rede celular D2D que oferece serviços URLLC (do inglês Ultra-reliable and Low Latency Communications), para o envio de pacotes curtos diretamente entre usuários, utilizando comunicações D2D, maximizando assim a eficiência energética da rede. O problema é resolvido por três meta-heurísticas bio-inspiradas (ABC, ACS-EM e PSO), levando em consideração a interferência quando os usuários de celulares e dispositivos D2D utilizam um mesmo recurso de rádio. As meta-heurísticas foram comparadas com uma heurística gulosa e um algoritmo de busca exaustiva. A análise revelou que a complexidade computacional da heurística gulosa é a mais baixa e que as complexidades do ABC e do PSO são mais baixas que as do ACS-EM. Porém, o ABC mostrou um melhor desempenho na resolução do problema, seguido pelo ACS-EM, depois pelo PSO e, por último, pela heurística gulosa.
Abstract: Next generation cellular networks promise faster data transmission, higher bandwidth, and lower latency and the Device-to-Device (D2D) communication technology helps make such promises a reality, due to Proximity Services (ProSe) of communication devices. The advantages of such communication include higher throughput, enhanced data rate, lower latency and energy consumption, fairness, and improved spectral efficiency. This research focuses on the management of D2D communications on a cellular network. Two problems, namely Controller Placement Problem (CPP) and Radio Resource Allocation (RRA) were studied. The technique proposed for solving the former involves the obtaining of number of D2D communications to be managed and then number of controllers required, their physical location in the cellular infrastructure, and the best evolved NodeB (eNB) assignment for them. The problem was modeled as an optimization problem one and Artificial Bee Colony (ABC) and Ant Colony System with External Memory (ACS-EM) meta-heuristics solved it. They were compared with Ant Colony System (ACS) and Particle Swarm Optimization (PSO) algorithms, and the analysis revealed the computational complexities of ABC and PSO are lower than of ACS-EM and ACS. However, ABC and ACS-EM showed better performance in solving the problem, with characteristics that enable a more efficient exploration of the search space, thus avoiding sub-optimal solutions. The best results were obtained with ABC, followed by ACS-EM, then ACS, and lastly PSO. Regarding the RRA problem, two solution methods were proposed towards obtaining the number of D2D connections admitted in the network. In the first RRA solution method, the optimization problem is solved by the Social-aware RRA Artificial Bee Colony (SA-RRA-ABC), considering the social relationship between users, a feedback scheme, and maximization of the system throughput. A selected-NM Maximum Distance Ratio (MDR) q-bit feedback scheme designed reduces feedback overhead, since each D2D receiver sends only q-bit feedback Channel State Information (CSI) among N Cellular User Equipment (CUE) and M D2D pairs with the largest MDR metric. SA-RRA-ABC was validated through simulations and compared with Greedy Resource Allocation Algorithm (GRAA) and Social-aware Greedy Resource Allocation Algorithm (SA-GRAA). The simulation results showed its better performance. The selected-NM q-feedback model proposed can achieve performance close to that of the full CSI model with lower overhead. The second RRA solution method deals with the optimization problem in a D2D cellular network that offers Ultra-reliable and Low Latency Communications (URLLC) services for the sending short packets directly to their destination, thus maximizing the network energy efficiency. The problem is solved by three bioinspired algorithms, namely ABC, ACS-EM, and PSO, which take into account interference when cellular and D2D users use a same radio resource. The meta- heuristics were compared with a greedy heuristic and an exhaustive search algorithm and the analysis revealed the computational complexity of Greedy is the lowest and those of ABC and PSO are lower than that of ACS-EM. However, ABC showed better performance in solving the problem, followed by ACS-EM, then PSO, and lastly Greedy heuristic.
Unidade Acadêmica: Faculdade de Tecnologia (FT)
Departamento de Engenharia Elétrica (FT ENE)
Informações adicionais: Tese (doutorado) — Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2022.
Programa de pós-graduação: Programa de Pós-Graduação em Engenharia Elétrica
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro completo do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.