A learning framework for optimized control of wireless links

Résumé

La prolifération des systèmes de communication sans fil a suscité une attention considérable, en raison de la croissance exponentielle des noeuds interconnectés et de l’émergence d’applications ayant des exigences diverses en matière de qualité de service (QoS). Ces cas d’utilisation pris en charge présentent un large éventail d’exigences exigeantes en matière de qualité de service. En particulier, les systèmes de communication de cinquième génération (5G) ont été conçus pour prendre en charge simultanément trois cas d’utilisation différents: les communications ultra-fiables à faible latence (URLLC), les communications massives de type machine (mMTC) et le haut débit mobile amélioré (eMBB). chacun avec ses exigences spécifiques à l’application, tous fonctionnant au sein de ressources réseau partagées. Satisfaire ces exigences nécessite d’exploiter le réseau de manière optimisée, un formidable défi compte tenu du dynamisme inhérent aux conditions des canaux. L’optimisation des paramètres de transmission (par exemple, schémas de modulation et de codage, intervalles de garde, etc.) est au coeur de l’amélioration de l’efficacité opérationnelle des systèmes de communication modernes. Cependant, l’adaptation dynamique des paramètres de transmission dépend de la connaissance du canal, acquise via un processus de rétroaction. Ce mécanisme de rétroaction est sensible à l’estimation et à la compensation des décalages de fréquence porteuse. Par conséquent, cette thèse se concentre sur trois composants essentiels au sein du pipeline de communication : l’estimation du décalage de fréquence porteuse (CFO), la compression du retour d’information sur l’état du canal (CSI) et l’adaptation de la liaison. Les complexités intrinsèques associées à la modélisation analytique de ces défis, associées à l’accessibilité d’ensembles de données abondants et à l’extraordinaire efficacité démontrée par les algorithmes d’intelligence artificielle (IA) et d’apprentissage automatique (ML), ont catalysé l’intégration des méthodologies d’IA et de ML pour résoudre ces problèmes. De plus, l’intégration des techniques d’IA et de ML promet de réduire considérablement les temps d’exécution en contournant les algorithmes itératifs conventionnels traditionnellement utilisés dans de tels projets. Cette thèse propose plusieurs nouvelles solutions basées sur le ML pour les trois problèmes difficiles susmentionnés dans un cadre complet. Les solutions proposées améliorent la précision, la fiabilité et l’efficacité des systèmes de communication. Cette thèse est structurée en trois parties, chacune dédiée à l’examen de l’un des trois problèmes fondamentaux étudiés. Plus précisément, la PARTIE 1 se concentre sur la résolution du problème de l’estimation CFO, la PARTIE 2 se penche sur le problème de la compression de rétroaction CSI et la PARTIE 3 est consacrée au problème de l’Adaptation des liens. Nos contributions à la PARTIE 1 (l’estimation du CFO) peuvent être résumées comme suit : - Présentation de l’apprentissage d’ensemble, en particulier de l’algorithme Gradient Boosting Machine (GBM), dans le problème d’estimation CFO. L’adoption du GBM améliore les capacités de généralisation de notre solution proposée tout en l’alignant sur les contraintes de ressources inhérentes rencontrées au niveau de l’équipement utilisateur (UE). - Présentation de la technique BiModule CFO Estimation (BMCE), qui représente une approche innovante pour combiner les prédictions générées par le module d’estimation avec les résultats dérivés d’un module auxiliaire conçu pour modéliser la corrélation temporelle entre les valeurs CFO. La combinaison de l’estimation directe du CFO dérivée des préambules de synchronisation avec les prévisions du CFO entraîne une amélioration notable de la précision des prévisions, produisant une amélioration de 16% par rapport au seul recours aux méthodes d’estimation directe. Nos contributions à la PARTIE 2 (la compression de rétroaction CSI) peuvent être résumées comme suit: - Présentation des auto-encodeurs variationnels (VAE) pour résoudre le problème des canaux de rétroaction bruyants. Il a été démontré empiriquement que les VAE surpassent les auto-encodeurs classiques à estimation ponctuelle en termes de précision de reconstruction, offrant ainsi un moyen plus efficace de gérer l’impact des canaux bruyants. - Proposer une version personnalisée de la perte de VAE afin d’optimiser davantage les performances de la VAE dans le cadre de problèmes de feedback. Cette fonction de perte personnalisée est précisément conçue pour s’aligner sur les exigences et caractéristiques spécifiques des défis liés au feedback (canaux de feedback bruyants), contribuant ainsi à des reconstructions plus précises et plus significatives. - Proposer une solution alternative ancrée dans la théorie de l’apprentissage pour répondre aux limites reconnues des approches basées sur l’auto-encodeur. Cette nouvelle approche répond non seulement aux limites des auto-encodeurs conventionnels, mais surpasse également les solutions traditionnelles et basées sur l’apprentissage par une marge substantielle en termes de précision de reconstruction. Enfin, dans la PARTIE 3 (lien adaptation), nos contributions peuvent être résumées comme suit : - Proposer une nouvelle modélisation du problème d’adaptation de lien sous la forme d’une classification multiclasse multiétiquette qui fournit un nouveau cadre pour aborder ce problème complexe. - Proposer une fonction de perte personnalisée pour entraîner les modèles de classification tout en augmentant la fiabilité du système (en minimisant les erreurs faussement positives). - Proposer un critère de sous-échantillonnage complet pour la formation des modèles d’adaptation de lien au lieu de l’échantillonnage aléatoire adopté dans la littérature. L’utilisation de ce nouveau critère de sous-échantillonnage pour former des modèles sur des ensembles de données limités entraîne des améliorations significatives, avec des améliorations de performances allant jusqu’à 50% observées dans des scénarios spécifiques. - Développer une architecture neuronale sophistiquée pour résoudre le problème d’adaptation-compression articulaire. Cette architecture est accompagnée d’une fonction de perte et d’une procédure de formation personnalisées, représentant collectivement un cadre de solution complet pour gérer efficacement les complexités des tâches de compression et d’adaptation des articulations.

Date	16 oct. 2023
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Mohamed Cheriet (Directeur(-trice)) & Kim Khoa Nguyen (Codirecteur(-trice))