论文部分内容阅读
无线局域网技术(Wireless Local Area Networks,WLAN)为人们提供低成本、高性能的网络接入方式,在全球得到广泛应用。为了满足增长的数据流量需求,WLAN网络部署呈密集化。然而现有支持WLAN的IEEE 802.11标准采用固定的载波感知阈值(Carrier Sense Threshold,CST),空间复用效率低,同时密集部署下节点间的干扰严重影响网络性能。为了解决这些问题,IEEE 802.11ax提出动态灵敏度控制(Dynamic Sensitivity Control,DSC)机制以提高空间复用效率,建立高效WLAN。本文主要对下一代WLAN节点的智能DSC控制策略进行研究,实现高效WLAN,并与传统WLAN节点公平共存。本文首先概述了 IEEE 802.11接入机制的相关问题以及IEEE 802.11ax标准的关键技术,并详细介绍了关于动态灵敏度控制的相关工作,以及强化学习理论与仿真平台的介绍。接着,本文设计了基于Q-learning的智能DSC控制策略。首先将DSC控制问题建模成离散马尔科夫决策过程,定义离散的状态与动作空间;其次,引入Q-learning学习使节点智能地实现DSC动态决策;再次,通过随机几何对信道接入进行建模,考虑节点之间干扰,建立基于吞吐量的效用函数;最后,在训练中各节点最大化效用函数值,确定最优策略(例如CST)。仿真表明本文所提出的算法能够有效地学习到使吞吐量最大化的CST值,有效地提高空间复用效率。然后,本文研究了IEEE 802.11ax节点与传统的IEEE 802.11 节点(i.e.,IEEE 802.11ac/n等)公平共存问题,提出了一种基于深度强化学习的控制策略,通过联合调整CST和发射功率,实现高效公平的共存网络。首先将CST与功率联合控制过程建模为离散马尔科夫决策过程;其次设计基于吞吐量的比例公平效用函数作为奖励函数,定义连续空间的状态与动作并设计一种与环境不断交互的联合控制策略。最后,仿真结果表明所提的策略具有较好的收敛性,同时与传统的算法相比,本文所提出的算法能够有效地提高共存节点的公平性,且相比传统网络显著提高网络吞吐量。