Välimuisti sumuradioliityntäverkoissa: mallinnus, analyysi ja optimointi

Väitöstilaisuuden tiedot

Väitöstilaisuuden päivämäärä ja aika

Väitöstilaisuuden paikka

verkossa

Väitöksen aihe

Välimuisti sumuradioliityntäverkoissa: mallinnus, analyysi ja optimointi

Väittelijä

Tekniikan tohtori Tamoor-ul-Hassan Syed

Tiedekunta ja yksikkö

Oulun yliopiston tutkijakoulu, Tieto- ja sähkötekniikan tiedekunta, CWC - Radioteknologiat

Oppiaine

Viestintätekniikka

Vastaväittäjä

Professori Dr. Mohammed Elmusrati, Vaasan yliopisto

Kustos

Apulaisprofessori Dr. Sumudu Samarakoon, Oulun Yliopisto

Vieraile väitöstilaisuudessa

Lisää tapahtuma kalenteriin

Välimuisti sumuradioliityntäverkoissa: mallinnus, analyysi ja optimointi

Nykyiset langattomat 5G-verkot koostuvat hyperyhteydessä olevista käyttäjistä, koneista, laitteista, laajennetusta/laajennetusta todellisuudesta (AR/XR), jotka edellyttävät parannettua tiedonsiirtonopeutta, parempaa energiatehokkuutta, saumatonta kattavuutta ja erittäin luotettavaa matalan latenssin viestintää (URLLC). Voidakseen vastata langattomien 5G-verkkojen käyttöönotosta energiaa vaativat sovellukset, kuten reaaliaikaiset interaktiiviset hologrammipalvelut, mukaansatempaava media ja virtuaalinen lisätty todellisuus, vaativat mukautuvia lennossa resursseja toisiinsa yhdistetyille laitteille, koneille ja käyttäjät itse järjestäytyneellä tavalla käyttämällä verkon viipalointia, tekoälyä, lohkoketjua ja sumulaskentaa. Fog Radio Access Network (FRAN) tarjoaa tehokkaan alustan 6G:n tavoitteiden saavuttamiseen yhdistämällä pilvilaskentaa, sumulaskentaa, reunavälimuistia ja tekoälyä. Pilvilaskenta mahdollistaa keskitetyn pilvipalvelimen laskea ja palvella käyttäjää. Toisin kuin pilvilaskenta, sumulaskenta perustuu useisiin hajautettuihin palvelimiin, joilla on rajalliset laskentaominaisuudet palvellakseen käyttäjiä. Toisaalta reunavälimuisti hyödyntää strategisesti edullisia tallennuselementtejä reunasolmuissa eri verkkoelementtien purkamiseen ja vähentää verkon ruuhkautumista. Tämän opinnäytetyön keskeisenä tavoitteena on ehdottaa erilaisia ​​menetelmiä sisällön välimuistin ja resurssien allokoinnin ongelman ratkaisemiseksi yhdessä pilviavusteisissa langattomissa verkoissa latenssirajoitteissa. Langattomien verkkojen reunavälimuistin ongelmaa tutkitaan pääasiassa kolmessa tapauksessa: sisällön välimuistiongelman teoreettinen analyysi tallennuskaistanleveyden kompromissin kanssa Small Cell Networksissä (SCN), oppimiseen perustuva välimuisti pilviavusteisissa langattomissa verkoissa ja Latenssitietoinen radioresurssien optimointi oppimispohjaisissa pilviavusteisissa langattomissa verkoissa. Näiden tavoitteiden saavuttamiseksi tämä väitöskirja tekee useita keskeisiä panoksia, mukaan lukien kolme aikakauslehtipaperia ja yksi konferenssipaperi, jotka kaikki julkaistaan.
Viimeksi päivitetty: 27.11.2024