Predictive Quality of Service for Enhanced Wireless Vehicular Applications

QC 20241014

Abstract

Den hastiga utvecklingen av nya teknologier under de senaste åren har främjat tillväxten av Internet of Things (IoT) och därmed kraftigt ökat antalet trådlöst anslutna enheter i samhället. IoT-enheter med säkerhetskritiska applikationer, såsom autonoma fordon, kräver en hög quality of service (QoS) av det trådlösa nätverket för att fungera pålitligt. Att konsekvent uppnå en hög QoS kan dock vara utmanande för fordon med hög mobilitet på grund av förändringar i den omgivande miljön. Dessa förändringar kan orsaka kraftiga fluktuationer, samt variationer över längre tid, av de underliggande statistiska egenskaperna för trådlösa kommunikationsförhållanden. En innovativ strategi för att hantera de utmaningar som sådana variationer medför är att förutsäga framtida kommunikationsförhållanden och prestanda, såsom de trådlösa kanalförhållandena och den realiserbara QoS-nivån. Genom att förutsäga dessa faktorer kan operatörer av trådlösa nätverk övergå från ett reaktivt tillvägagångssätt och bli mer proaktiva. Med en proaktiv strategi kan mobiloperatörer fördela resurser utifrån förutsedda QoS-svackor och därmed tillgodose säkerhetskritiska applikationer med den prestanda de kräver.

Ny forskning betonar maskininlärnings potential samt dess kapacitet för att utgöra modeller för prediktiv QoS (pQoS). Maskininlärning lär sig från stora datamängder och identifierar komplexa mönster som inte är uppenbara med traditionella metoder. Dess förmåga att anpassa sig till ny data genom dynamiska modelluppdateringar gör maskininlärning särskilt lämplig för att förutsäga QoS där kommunikationsförhållandena ständigt förändras. Med hjälp av maskininlärning kan nätverksoperatörer säkerställa en mer effektiv resursallokering och en robust infrastruktur i trådlösa nätverk.

Den första delen av denna avhandling presenterar en överskådlig bakgrund över dynamiken i trådlös kommunikation, med fokus på den trådlösa kanalen och QoS. Grunderna för maskininlärning presenteras tillsammans med flera framstående neurala nätverk inom forskningsfältet. Kärnan i vår forskning sammanfattas, där vi föreslår en ny pQoS-modell, ett ramverk för pQoS med en digital tvilling av nätverket, och en översikt över trådlös kanalprediktion. Denna sammanfattning av de huvudsakliga bidragen från vår forskning avslutar överblicken av avhandlingen.

I den andra delen av denna avhandling introducerar vi den föreslagna pQoS-modellen, specifikt skapad för anslutna fordon med hög mobilitet, som konsturerar geografiska segment, delar in segmenten kluster, optimerar antalet kluster och tränar en pQoS-modell för varje kluster med hjälp av federated learning (FL). Vi visar hur detta prediktiva ramverk förbättrar tillvägagångssätt som vanligtvis implementerats i tidigare forskning, som endast överväger en globalt prediktiv modell. Dessutom presenteras en översikt för trådlös kanalprediktion tillsammans med en omfattande numerisk utvärdering av djupa neurala nätverk för ändamålet att prediktera den trådlösa kanalen, vilket adresserar den vetenskapliga luckan från föregående forskning. Slutligen presenteras en koncepttest utav en digital tvilling av ett trådlöst nätverk i realtid, baserat på experimentella data, för att förutsäga QoS i en fabriksprocess.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-354816