5G ağlarında RAN dilimleme için pekiştirmeli öğrenme tabanlı uyarlanabilir erişim sınıfı engellemesi

Makineler arası (M2M) iletişimi etkin bir şekilde sağlamak 5G ağlarının öne çıkan özelliklerinden biridir. Makineler arası trafiğinin yakın zamanda insandan insana (H2H) trafiğini geçebileceği ön görülmektedir. Ağ dilimleme, makineler arası trafiğini karşılamak için ve aynı zamanda bu cihazların değişen hizmet kalitesi (QoS) gereksinimlerini destekleme ihtiyacı olduğundan umut verici bir tekniktir. Tüm hizmet türleri için aynı gecikmeyle sonuçlanan ve tüm cihazlar için gerçekleştirilmesi gereken rastgele erişim kanalı (RACH) prosedürü, M2M trafiği için muazzam bir darboğazdır. Makineler arası cihazlarının olaya dayalı eşzamanlı erişim davranışı nedeniyle, bu prosedür ciddi tıkanıklığa ve gecikmelere neden olabilir. Erişim sınıfı engelleme (ACB) gibi eski tıkanıklık kontrol şemaları makineler arası iletişimlerde sıklıkla meydana gelebilen, yoğun trafik senaryolarında aşırı yükün üstesinden gelmek için yeterli değillerdir. Ayrıca bu durumlarda ACB parametrelerini dinamik olarak ayarlamak için net bir kılavuz bulunmamaktadır. Biz, bu çalışmada farklı hizmet sınıflarının engelleme oranlarını ve engelleme sürelerin ayarlamak için pekiştirmeli öğrenme (RL) tabanlı, çok oranlı bir ACB algoritması öneriyoruz. Önceliğe dayalı algoritmamız sadece tıkanıklığı önlemiyor aynı zamanda RACH kullanımını farklı hizmet türleri arasında dilimliyor. Yapmış olduğumuz kapsamlı simülasyonların sonuçları, önerilen algoritmamızın RACH kullanımını maksimize ettiğini göstermektedir. Bununla birlikte, önerilen algoritmamız hizmet önceliğine göre bağlantı isteklerinin RACH kapasitesini aştığı durumlarda gecikmeler azaltmakta ve erişim olasılığının arttırmaktadır.