Использование методов машинного обучения для детектирования активных приложений на абонентских устройствах

Для борьбы с потерями распространения в миллиметровых и терагерцевых системах связи пятого (5G) и шестого (6G) поколения будут использоваться фазированные антенные решётки с большим усилением в направлении передачи. Следствием использования таких антенн является высокая направленность. В таких системах микромобильность абонентов - быстрое смещение и вращение абонентского терминала в руках пользователя может приводить к частым выходам из состояния устойчивой связи. При этом методы поиска луча, определённые для систем 5G строго не определяют интервал между запуском процедуры. В данной работе мы предложим методологию определения активного приложения на абонентском устройстве по траектории луча, наблюдаемой на базовой станции 5G/6G. Это позволит определить оптимальные интервалы между запуском процедуры поиска луча, минимизирующая интенсивность событий потери устойчивой связи и/или среднюю скорость, предоставляемую абонентскому устройству.

Using machine learning methods to detect active applications on subscriber devices

To overcome propagation losses in fifth (5G) and sixth (6G) generation millimeter and terahertz communication systems, phased array antennas with high gain in the transmit direction will be used. The consequence of using such antennas is high directivity. In such systems, the micromobility of subscribers - the rapid displacement and rotation of the subscriber terminal in the hands of the user can lead to frequent exits from the state of stable communication. At the same time, the beam search methods defined for 5G systems do not strictly determine the interval between the start of the procedure. In this work, we will propose a methodology for determining the active application on the subscriber device along the beam path observed at the 5G/6G base station. This will determine the optimal intervals between the start of the beam search procedure, minimizing the intensity of events of loss of stable connection and/or the average rate provided to the subscriber unit.

Издательство
Российский университет дружбы народов (РУДН)
Язык
Русский
Страницы
63-67
Статус
Опубликовано
Год
2023
Организации
  • 1 Российский университет дружбы народов
Ключевые слова
terahertz frequency range; micro-mobility; antenna array; machine learning methods; терагерцевый диапазон частот; микромобильность; антенная решётка; методы машинного обучения
Дата создания
28.12.2023
Дата изменения
28.12.2023
Постоянная ссылка
https://repository.rudn.ru/ru/records/article/record/102122/
Поделиться

Другие записи

Голос Е.С., Мачнев Е.А., Бесчастный В.А., Острикова Д.Ю., Мокров Е.В.
Информационно-телекоммуникационные технологии и математическое моделирование высокотехнологичных систем. Российский университет дружбы народов (РУДН). 2023. С. 59-62