30407

بهينه‌سازي توام منابع و طرح زمان‌بندي ارسال در ارتباط فروسو در شبكه‌هاي دسترسي راديويي ابري شناختي با اولويت داده‌هاي عظيم

دكتري

مهندسي برق-مخابرات-سيستم

1393

1402/8/7

بهمن ابوالحسني

شاهرخ فرهمند

برق

ترافيك داده بسيار زياد ناشي از افزايش چشمگير تلفن‌هاي همراه هوشمند، اينترنت اشياء، و محاسبات ابري منجر به داده ي عظيم بي سيم شده است. هيچ چشم اندازي براي كاهش و يا ثابت ماندن توليد داده ي عظيم وجود ندارد. بنابراين، امروزه داده‌هاي عظيم بسيار با اهميت هستند، و يكي از راه‌هاي مهم براي انتقال داده‌هاي عظيم استفاده از شبكه دسترسي راديويي ابري شناختي در نسل پنجم و ششم مخابرات سلولي مي‌باشد. در اين راستا، دو هدف در اين رساله مورد نظر است: اول فراهم نمودن كيفيت سرويس مناسب و مطمئن براي انتقال داده ي عظيم كاربران ثانويه در ارتباط فروسو، و دوم انتخاب كاربران ثانويه همراه با زمان بندي ارسال و تخصيص طيف و سرهاي راديويي راه دور به آنان مي‌باشد. رويكرد‌هاي موجود سعي در بيشينه سازي تعداد كاربران ثانويه يا مجموع نرخ انتقال داده ي كاربران ثانويه دارند. بهينه سازي با رويكرد اول بسيار ساده بوده ولي به صورت ناعادلانه‌اي به سود كاربران با درخواست داده ي كوچك است. بهينه سازي با رويكرد دوم اگر چه ساده نيست ولي منابع را به صورت ناعادلانه‌اي به كاربران با شرايط كانال بهتر تخصيص مي‌دهد. بر خلاف دو رويكرد مذكور، در اين رساله رويكرد جديدي پيشنهاد مي‌شود. در اين رويكرد، تابع هدف جديدي پيشنهاد مي‌شود تا مصالحه‌اي بين اولويت كاربران داده عظيم و رعايت عدالت بين تمام كاربران ثانويه برقرار گردد. از طرفي، هر درخواست داده ي عظيم يا عادي داراي نيازمندي‌هاي متفاوتي شامل اندازه ي داده، مقادير رضايت بخش براي نرخ خطاي بيت، حداقل نسبت سيگنال به نويز، و مهلت دريافت پيام است. نيازمندي‌هاي متفاوت فوق، الزاما با در نظر گرفتن تمام پنج ويژگي داده ي عظيم )شامل حجم، سرعت، تنوع، ارزش و صحت( بايد در بهينه سازي مورد نظر قرار گيرند. درنتيجه، پارامترهاي بسيار زيادي بر دو خواسته ي متضاد اولويت داده ي عظيم و رعايت عدالت بين كاربران ثانويه )در تابع هدف( اثرگذار مي‌باشند، كه بهينه سازي را بسيار چالش آور مي‌نمايد. براي غلبه بر اين چالش، سه الگوريتم )الگوريتم اول بهينه و دو الگوريتم زيربهينه( جديد پيشنهاد مي‌شود تا مجموع وزن داده شده ي انتقال داده ي كاربران بيشينه گردد. در الگوريتم اول، با استفاده از تابع هدف جديد، به صورت توام اقدام به بهينه سازي انتخاب كاربران ثانويه، زمان بندي ارسال با آگاه بودن از مهلت دريافت پيام، و تخصيص طيف فركانسي و سرهاي راديويي راه دور مي‌شود. سپس، نشان داده مي‌شود كه يافتن پاسخ بهينه مستلزم جستجوي تمام مجموعه‌هاي رنگي مستقل در گراف فرجه‌هاي زماني تعميم يافته است كه به عنوان يك مسئله NP-hardشناخته مي‌شود. براي رفع اين مشكل، يك رويكرد برنامه نويسي پويا پيشنهاد مي‌شود كه هزينه محاسباتي را كاهش مي‌دهد. با اين حال به دليل پيچيدگي محاسباتي بالا، اين الگوريتم براي شبكه‌هايي با تعداد كاربران ويا منابع كوچك تا متوسط عملي است. علاوه بر اين، مي‌توان از اين الگوريتم بهينه براي ارزيابي الگوريتم‌هاي زيربهينه استفاده نمود. براي شبكه‌هايي با تعداد كاربران ويا منابع بزرگ، جهت كاهش پيچيدگي، دو الگوريتم زيربهينه پيشنهاد مي‌شود. الگوريتم زير بهينه ي اول دسته‌اي (batch) برون خط مي‌باشد، كه فرض مي‌كند در هنگام بهينه سازي همه ي اطلاعات شبكه و درخواست داده ي كاربران موجود مي‌باشد. فرض فوق در عمل امكان پذير نيست و اين فرض گلوگاهي براي سرويس‌هاي بلادرنگ است. بنابراين، الگوريتم زيربهينه ي دوم بلادرنگ برخط است. اين الگوريتم به محض دريافت درخواست داده، تصميم پذيرش كاربر و تخصيص منابع را اتخاذ مي‌كند. اين كار به كمك احتمالات ايجاد درخواست داده و در دسترس بودن منابع انجام مي‌شود. براي تعيين فاصله ي تابع هدف در اين دو الگوريتم پيشنهادي از تابع هدف در پاسخ بهينه ، دو كران رياضي استخراج مي‌شود. همچنين نشان داده مي‌شود پيچيدگي دو الگوريتم زيربهينه از مرتبه چند جمله‌اي برحسب متغيرهاي تابع هدف است. نتايج شبيه سازي نشان مي‌دهد الگوريتم‌هاي پيشنهادي به تعداد بيشتري از درخواست‌هاي داده عظيم سرويس مي‌دهند در حاليكه تنزل كوچكي در معيار عدالت را تحمل مي‌كنند.

1402/11/03

Joint Resource Allocation and Time Scheduling Optimization in Downlink Cognitive CRANs Favoring Big Data

1/1/1900 12:00:00 AM

Nowadays, big data are so important, and using cloud radio access networks (CRANs) in 5G and 6G is one of important ways for big data transmission. Toward this end, two scopes are considered in this thesis: the first is to provide efficient and reliable QoS in downlink transmission of big data for secondary users (SUs), and the second is to select SUs, schedule and allocate frequency spectrum and remote radio heads (RRHs) for those selected SUs. Existing approaches either try to maximize the number of accepted SUs or the sum data rate of admitted SUs. Optimization by using first approach is very simple, but unfairly favors users with small data requests, whereas optimization by second approach is difficult, but that allocates most resources to users with better channel conditions. In contrast, a novel approach is provided in this thesis. In this novel approach, a new definition of the objective function is proposed that provide priority for big data requests while simultaneously maintaining a certain degree of fairness among SUs. On the other hand, each big or ordinary data request can have a different demands including data size, target bit error rate (BER), minimum signal to noise ratio (SNR), and deadline. These demands are involved in the optimization problem by considering all five V features of big data (including volume, veracity, value, velocity, and variety). Therefore, many parameters affect two conflicting demands of big data priority and fairness among Sus (in the objective function), which makes optimization very challenging. To overcome this challenge, three novel algorithms are proposed (first one is optimal and two others are sub-optimal) to maximize sum weighted data transfer. In first algorithm, using a novel objective function jointly optimizes SU selection, deadline-aware scheduling, and spectrum and RRH allocation. Then, it is demonstrated that finding the global optimum solution entails the enumeration of all colorful independent sets on a generalized interval graph, which is known to be NP-hard. To solve this problem, a dynamic programming (DP) approach is proposed, which yields the global optimum solution at a reduced computational cost. However due to high computational complexity, this proposed solution is practical for small-to-medium size networks. Moreover, it offers an optimum benchmark for any new sub-optimal algorithm. In order to reduce complexity in the massive CRANs, two sub-optimal algorithms are proposed. The first one is offline batch (OFB) algorithm, that assumes all data requests and network information are available at the time of optimization. This assumption is bottleneck in real-time applications. Therefore, the second proposed algorithm is online real-time (ONR) scheduling, that performs admission and resource allocation on-the-fly utilizing predictions of upcoming data requests and resources. These two novel sub-optimal algorithms are rigorously analyzed and mathematical bounds on their performance compared to global optimum are derived. Moreover, their complexities are in order of polynomial respect to the number of parameters in objective function. The simulation results show proposed algorithms favor big data requests of SUs while incurring only a small degradation in the fairness index.

داده‌هاي عظيم , شبكه دسترسي راديويي ابري شناختي , ارسال داده در ارتباط فروسو , زمان‌بندي انحصاري و غيرانحصاري آگاه از مهلت , تخصيص منابع

Big Data , Cognitive Cloud Radio Access Network , Downlink Data Transmission , Deadline Aware Preemptive and Non-preemptive Scheduling , Resource Allocation

Mohammad Bigdeli

Bahman Abolhassani