지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 강충구
- 발행연도
- 2019
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수0
이 논문의 연구 히스토리 (4)
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
3GPP Rel-14 Enhanced Licensed Assisted Access (eLAA) 시스템의 상향 링크에서 단말들은 예측이 힘든 간섭원(예를 들어, WiFi 노드)들의 존재로 인해 기지국으로부터 할당 받은 비 면허 대역 상향 링크 자원 사용의 가능성이 불확실 해지며, 이로 인한 비효율성과 성능 열화가 발생할 수 있는 문제점을 파악한다. 이때 간섭원의 존재 가능성이 높을 때는 면허 대역을 통해 LTE 시스템으로 접속하는 방안을 고려할 수 있으며, 할당 받은 자원을 점유하지 못할 확률에 따라 동적으로 면허 대역과 비 면허 대역을 선택하는 기법을 제안하고 성능을 분석한다. 본 논문에서는 크게 두 가지로 분석한다.
첫 번째로 eLAA 상향 링크 시스템에서 단말이 간섭원들로부터 겪는 성능 열화를 Poisson Point Process (PPP) 모델링을 통해 확인한다. 또한 많은 단말들이 LTE 상향 링크 시스템을 이용하여 면허 대역으로 전송을 할 경우 LTE 상향 링크 시스템에 과부하가 발생하는 문제도 고려한다. 기지국과 단말의 거리(R)에 따라 eLAA 상향 링크 시스템을 이용한 비 면허 대역으로의 전송 혹은 LTE 상향 링크 시스템을 이용한 면허 대역으로의 전송하는 방법을 제안한다. 간섭원의 밀도와 간섭원의 전송 시도 확률에 따라 최적의 R을 얻을 수 있고 최적에 R에 따른 최적의 네트워크 용량 또한 얻을 수 있음을 확인한다.
두 번째로 강화 학습 기반의 Deep Multi-User Reinforcement Learning 알고리즘을 제안한다. eLAA 상향 링크 시스템을 이용한 비 면허 대역으로 전송 혹은 LTE 상향 링크 시스템을 이용한 면허 대역으로 전송이 가능한 상황에서 Deep Reinforcement Learning (DRL) 모델링을 통해 성능을 확인한다. 제안하는 방법의 목표는 여러 단말들이 간섭원이 존재하는 상황에서 전략적으로 비 면허 혹은 면허 대역으로 전송하여 네트워크 성능을 최대화 하는 것이다. 이때 모든 단말들은 서로간의 협력 혹은 메시지 교환 없이 분산적으로 동작한다. 또한 간섭원의 밀도 혹은 간섭원의 전송 시도 확률이 각기 다른 환경에서도 각 단말은 최적의 대역을 선택한다. 대역 선택 문제의 최적의 값을 얻기 위해 많은 state가 필요하고, state가 많은 문제를 해결하기위해 DRL을 도입한다. 각 단말들은 간섭원이 존재하는 상황에서 분산적으로 deep Q-Network를 학습하고, deep Q-Network를 이용하여 목적함수를 최대화 한다. 학습 후 deep Q-Network 가 최적의 policy를 얻을 수 있는 것을 확인한다.
첫 번째로 eLAA 상향 링크 시스템에서 단말이 간섭원들로부터 겪는 성능 열화를 Poisson Point Process (PPP) 모델링을 통해 확인한다. 또한 많은 단말들이 LTE 상향 링크 시스템을 이용하여 면허 대역으로 전송을 할 경우 LTE 상향 링크 시스템에 과부하가 발생하는 문제도 고려한다. 기지국과 단말의 거리(R)에 따라 eLAA 상향 링크 시스템을 이용한 비 면허 대역으로의 전송 혹은 LTE 상향 링크 시스템을 이용한 면허 대역으로의 전송하는 방법을 제안한다. 간섭원의 밀도와 간섭원의 전송 시도 확률에 따라 최적의 R을 얻을 수 있고 최적에 R에 따른 최적의 네트워크 용량 또한 얻을 수 있음을 확인한다.
두 번째로 강화 학습 기반의 Deep Multi-User Reinforcement Learning 알고리즘을 제안한다. eLAA 상향 링크 시스템을 이용한 비 면허 대역으로 전송 혹은 LTE 상향 링크 시스템을 이용한 면허 대역으로 전송이 가능한 상황에서 Deep Reinforcement Learning (DRL) 모델링을 통해 성능을 확인한다. 제안하는 방법의 목표는 여러 단말들이 간섭원이 존재하는 상황에서 전략적으로 비 면허 혹은 면허 대역으로 전송하여 네트워크 성능을 최대화 하는 것이다. 이때 모든 단말들은 서로간의 협력 혹은 메시지 교환 없이 분산적으로 동작한다. 또한 간섭원의 밀도 혹은 간섭원의 전송 시도 확률이 각기 다른 환경에서도 각 단말은 최적의 대역을 선택한다. 대역 선택 문제의 최적의 값을 얻기 위해 많은 state가 필요하고, state가 많은 문제를 해결하기위해 DRL을 도입한다. 각 단말들은 간섭원이 존재하는 상황에서 분산적으로 deep Q-Network를 학습하고, deep Q-Network를 이용하여 목적함수를 최대화 한다. 학습 후 deep Q-Network 가 최적의 policy를 얻을 수 있는 것을 확인한다.
목차
제 1장 서론 1제 2장 본론 eLAA 시스템의 기지국과 단말 사이 거리에 따른 동적 대역 할당 5제 1절 시스템 모델 51. 망 구성 52. eLAA 상향 링크 절차 63. eLAA 상향 링크 절차의 문제점 84. 네트워크 모델 10제 2절 기지국과 단말 사이 거리에 따른 동적 대역 할당 14제 3절 성능 분석 17제 3장 본론 eLAA 시스템에서의 동적 대역 선택을 위한 강화 학습 접근 기법 21제 1절 시스템 모델 21제 2절 강화 학습 개요 221. Q-Learning 개요 242. Deep Q-Learning 개요 26제 3절 동적 대역 선택을 위한 Deep Multi-User Reinforcement Learning 접근 기법 301. 문제의 정식화 312. Deep Multi-User Reinforcement Learning 구현 37가) 네트워크 모델링 37나) Deep Multi-User Reinforcement Learning 알고리즘 40제 4절 성능 분석 411. Multi-User Deep Reinforcement Learning 알고리즘 분석 기법 시나리오 412. Multi-User Deep Reinforcement Learning 알고리즘 성능 분석 43제 4장 결론 49참고문헌 51
최근 본 자료
댓글(0)
0