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
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