文献

J-GLOBAL ID：202202288884871543   整理番号：22A1163863

将来の異種ネットワークにおける機械学習ベースの負荷均衡アルゴリズム:調査【JST・京大機械翻訳】

Machine Learning-Based Load Balancing Algorithms in Future Heterogeneous Networks: A Survey

著者 (5件)： Gures Emre (Department of Electronics and Communication Engineering, Faculty of Electrical and Electronics Engineering, Istanbul Technical University (ITU), Istanbul, Turkey) ,  Shayea Ibraheem (Department of Electronics and Communication Engineering, Faculty of Electrical and Electronics Engineering, Istanbul Technical University (ITU), Istanbul, Turkey) ,  Ergen Mustafa (Department of Electronics and Communication Engineering, Faculty of Electrical and Electronics Engineering, Istanbul Technical University (ITU), Istanbul, Turkey) ,  Azmi Marwan Hadri (Wireless Communication Centre, Faculty of Engineering, School of Electrical Engineering, Universiti Teknologi Malaysia (UTM), Johor Bahru, Malaysia) ,  El-Saleh Ayman A. (Department of Electronics and Communication Engineering, College of Engineering, A’Sharqiyah University (ASU), Ibra, Oman)
資料名： IEEE Access  (IEEE Access)
巻： 10  ページ： 37689-37717  発行年： 2022年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： モバイルユーザの大規模成長および高通信サービス品質に対する必須要求は,マクロ,マイクロ,ピコおよびフェムトセルから成る超高密度異種ネットワーク(HetNet)の展開を必要とする。各細胞型はHetNetsにおいて異なる細胞被覆と明確なシステム容量を提供する。これは,特に多数の移動性方向におけるユーザのランダム分布で,セル間の負荷のバランスをとる必要性をもたらす。本論文は,機械学習(ML)技術に基づくものを含む,HetNetsで開発されたインテリジェント負荷分散モデルに関する調査を提供する。調査は,将来のHetNetsにおける費用対効果が高く,柔軟でインテリジェントな負荷分散モデルを開発するためのガイドラインとロードマップを提供する。負荷分散の一般的な問題の概要も提示した。負荷分散の概念を最初に紹介し,その目的,機能性および評価基準を説明した。さらに,基本的な負荷分散モデルとその操作手順について述べた。次に,負荷分散問題に対処する技術および解決策を含む包括的な文献レビューを行った。HetNetsにおける負荷分散モデルの評価に用いた主要な性能指標(KPI)を,負荷分散のカバレッジ(CCO)と移動性ロバスト性最適化(MRO)関係の同時最適化と共に提示した。ML駆動負荷分散解の包括的な文献レビューを,負荷分散モデルの歴史的発展を示すために特に達成した。最後に,これらのモデルを実行する際の現在の課題を,負荷分散の将来の運用面と同様に説明した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *アルゴリズム ,  最適化 ,  顧客 ,  被覆 ,  文献展望 ,  通信 ,  モデル ,  利用者 ,  ロバスト性 ,  *機械学習
準シソーラス用語： モバイルユーザ ,  費用対効果 ,  ロードマップ ,  サービス品質 ,  同時最適化 ,  フェムトセル , 【Automatic Indexing@JST】

分類 (2件)： 移動通信  (ND08030H) ,  屋内配電・電源設備  (NB05050C)

タイトルに関連する用語 (5件)： 異種ネットワーク ,  機械学習 ,  負荷均衡 ,  アルゴリズム ,  調査