Optimierung der Datenübertragung zum mobilen Endgerät: Network Layer

Viele relevante Daten stehen erst auf dem network layer zur Verfügung und ermöglichen somit vollständige Aussagen zur erzielten Datenrate und Datenqualität.

Da es sich i. Allg. um mobile Endgeräte handelt, können aus den Daten des network layers, zusammen mit Umweltdaten und Ausnutzung weiterer Informationsquellen, lokale Ortsverteilungen verschiedener, relevanter Parameter gewonnen werden. Dies wird schematisch im unteren Bild gezeigt, wobei Verfahren des maschinellen Lernens insbesondere deswegen vorteilhaft eingesetzt werden können, weil ein längerfristiges Lernen möglich ist. Durch das Erlangen dieser ortsabhängigen Zusatzinformationen für die jeweilige Funkzelle und Teile ihrer angrenzenden Nachbarzellen, soll ein vorausschauendes Verhalten für die mobilen Teilnehmer ermöglicht und das Funknetz besser ausgenutzt werden.

Relevante Parametern und den dazu benutzten Eingangsdaten, um Ortskenntnis zu erlangen — Abbildung: Schema zu den relevanten Parametern und den dazu benutzten Eingangsdaten, um Ortskenntnis zu erlangen, mit der dann ein vorausschauendes, mobiles Verhalten möglich wird.

Beispiele von Themen dazu, die in der Abteilung Drahtlose Kommunikation und Netze bearbeitet werden, sind u. a. das Lernen von sogenannten radio maps mithilfe gemessener Anwenderdaten [1], [2], [3], [4] und das Ausnutzen der räumlichen und spektralen Korrelation, um die Ortsverteilung des Pfad-Verlustes zu schätzen [5].

Referenzen

_{[1] M. Kasparick, R. L. G. Cavalcante, S. Valentin, S. Stańczak, and M. Yukawa, "Kernel-Based Adaptive Online Reconstruction of Coverage Maps with Side Information," IEEE Transactions on Vehicular Technology, vol. 65, no. 7, pp. 5461-5473, July 2016}

_{[2] K. Oltmann, R. L. G. Cavalcante, S. Stańczak, and M. Kasparick, "Interference Identification in Cellular Networks via Adaptive Projected Subgradient Methods," in Proc. IEEE Asilomar Conference on Signals, Systems, and Computers, Nov. 2013}

_{[3] Z. Utkovski, P. Agostini, M. Frey, I. Bjelakovic, and S. Stanczak. Learning radio maps for physical-layer security in the radio access. IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), July 2019 (invited)}

_{[4] M.A. Gutierrez-Estevez, R.L.G. Cavalcante, and S. Stanczak. Nonparametric radio maps reconstruction via elastic net regularization with multi-kernels. IEEE 19th International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), 2018}

_{[5] D. Schäufele, et.al. “Tensor Completion for Radio Map Reconstruction and Channel Cartography using Low Rank and Smoothness“, IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC), July 2019}