Multi-user wireless access techniques for massive Machine-Type Communications
Techniques d'accès sans fil multi-utilisateurs pour les communications massives de type machine
Abstract
Facing the ever-increasing deployment of Machine Type Devices (MTDs) and the ubiquity of Internet of things (IoT), the future sixth generation (6G) of wireless communication systems have to meet unprecedented challenges in terms of demands for the higher spectral efficiency and massive connectivity. In this regard, Non-Orthogonal Multiple Access (NOMA) has been spotlighted as an emerging technology to address the above-mentioned challenges. In this thesis, we study a Hybrid NOMA scenario, in which MTDs are divided into different groups while assigning them orthogonal Resource Blocks (RBs), so that members of each group share a given RB to transmit their signals in a non-orthogonal manner. We mainly consider a dense network and study the resource allocation for NOMA-based systems. In doing so, we adopt both game theory and Reinforcement Learning (RL) tools to conveniently model the behaviors of the devices. Thus, we propose new approaches based on the Power-Domain NOMA (PD-NOMA) concept that jointly solve the problems of channel selection and power control among different users.
Face au déploiement sans cesse croissant de Machine Type Devices (MTDs) et à l'omniprésence de l’Internet of things (IoT), la future sixième génération (6G) de systèmes de communication sans fil doit relever des défis sans précédent en termes de demandes d'efficacité spectrale supérieure et de connectivité massive. À cet égard, la technique Non-Orthogonal Multiple Access (NOMA) a été mise en avant comme une technologie émergente permettant de relever les défis susmentionnés. Dans cette thèse, nous étudions un scénario de Hybrid NOMA, dans lequel les MTDs sont divisés en différents groupes tout en leur attribuant des Resource Block (RB) orthogonaux, de sorte que les membres de chaque groupe partagent un RB donné pour transmettre leurs signaux de manière non orthogonale. Nous considérons principalement un réseau dense et étudions l'allocation des ressources pour les systèmes basés sur NOMA. Ce faisant, nous adoptons la théorie des jeux et les outils de Reinforcement Learning (RL) afin de modéliser commodément les comportements des appareils, les comportements des dispositifs. Ainsi, nous proposons des nouvelles approches basées sur le concept de Power-Domain NOMA (PD-NOMA) qui permettent de résoudre conjointement les problèmes de sélection de canaux et d'allocation de puissance entre les différents utilisateurs.
Origin | Version validated by the jury (STAR) |
---|