Proportional-Fair Scheduling of Mobile Users based on a Partial View of Future Channel Conditions
Ordonnancement garantissant l’équité proportionnelle des utilisateurs mobiles basé sur une connaissance partielle des conditions futures des canaux
Résumé
In communication networks, a scheduler decides which network resourcesare allocated to which user. Due to limited available resources andheterogeneous user requirements, the choice of the scheduler plays animportant role in network design. The increasing use of mobile devices,and in particular connected vehicles, is expected to drive the demandfor network resources even higher making the scheduling problem morecritical and complex. The current generation of schedulers base theirdecisions mainly on the past and the current channel state informationbut do not take into account the future channel state information. Thisleads to a suboptimal allocation of resources which can then have asignificant and adverse impact on network performance during periods ofsaturation. In this thesis, we propose a set of scheduling algorithmsbased on future channel state information with the objective ofimproving the total network utility. The first set of algorithms aredesigned as an improvement to the proportional fair scheduler whoseobjective is to maintain the balance between getting high totalthroughput and guarantee everyone getting a proportionally minimal levelof service. The second set of algorithms perform joint power control andchannel allocation again with the objective of maximizing theproportional fair utility. Numerical experiments conducted with simplemobility models as well as traces generated using the SUMO mobilityenvironment show that the proposed algorithms improve the utility inboth single and multi-base stations networks. One of the downsides is that, at each decision instant, the proposed algorithms need to solve a highdimensional convex optimization problem that may be computationallyprohibitive in some real-time scenarios. In the final part of thethesis, we explore a deep neural network based method to learn thedecisions of the proposed algorithms. This method is able to generatedecisions much faster while maintaining a low approximation error.
Dans les réseaux de communication, un ordonnanceur décide quelles ressources doit être attribuée à quel utilisateur. Les ressources disponibles étant limitées et les besoins des utilisateurs étant hétérogènes, le choix de l’ordonnanceur joue un rôle important dans la conception du réseau. Avec l’augmentation de la demande en ressources réseaux, due à l'utilisation croissante d’appareils mobiles et notamment à l’émergence des véhicules connectés, ce problème d’ordonnancement devient à la fois plus critique et plus complexe. Les ordonnanceurs utilisés actuellement allouent le canal en considérant son état actuel, et éventuellement ses états passés, mais sans tenir compte de ses états futurs. Ceci conduit à une allocation sous-optimale des ressources, ce qui peux avoir un effet néfaste sur les performances du réseau dans les périodes de congestion. Dans cette thèse, nous proposons un ensemble d’algorithmes d’ordonnancement qui exploitent l’information sur les états futurs du canal pour améliorer l’utilité totale du réseau. Le premier ensemble d'algorithmes est conçu comme une amélioration de l'ordonnanceur à équité proportionnelle dont l'objectif est de maintenir un certain équilibre entre d’une part un débit total élevé et d’autre part une certaine équité entre utilisateurs garantissant à chacun un niveau minimal de service. Le deuxième ensemble d'algorithmes effectuent conjointement contrôle de puissance et allocation du canal, toujours dans le but de maximiser une fonction d’utilité basée sur le concept d’équité proportionnelle. Les expériences numériques réalisées avec des modèles simples de mobilité ainsi qu’avec des traces générées en utilisant l'environnement SUMO montrent que les algorithmes proposés améliorent l'utilité, à la fois lorsque le réseau comporte une seule station de base et lorsqu’il en comporte plusieurs. Un des inconvénients des algorithmes proposés est qu’à chaque instant de décision il est nécessaire de résoudre un problème d’optimisation convexe de grande dimension, ce qui peut être rédhibitoire pour certains scénarios. C’est pourquoi, dans la dernière partie de la thèse, nous explorons une méthode basée sur un réseau de neurones profond pour apprendre les décisions des algorithmes proposés. Cette méthode permet de générer des décisions beaucoup plus rapidement tout en ayant une faible erreur d'approximation.
| Origine | Version validée par le jury (STAR) |
|---|