УДК 004.7

Динамическое управление ресурсами в восходящем канале 5G

Янковский Н. А., Татарникова Т. М.

Читать статью полностью

  Динамическое управление ресурсами в восходящем канале 5G(1,1 MB)

Ссылка для цитирования:

Янковский, Н. А. Динамическое управление ресурсами в восходящем канале 5G / Н.А. Янковский, Т.М. Татарникова // Информация и Космос. – 2025. – № 4. – С. 38–44


Аннотация

Обсуждается актуальная задача сосуществования двух классов трафика в восходящем канале сетей 5G – высокоприоритетного URLLC трафика и низкоприоритетного mMTC трафика. Показано, что к каждому классу трафика предъявляются разные требования к качеству обслуживания и для уменьшения задержки необходимо решать две задачи – уменьшение вероятности конфликтов при выборе преамбулы и уменьшение вероятности ошибки при передаче данных. Предложено решать проблему снижения возникновения коллизий при помощи динамического управления ресурсами с применением ML-прогнозирования. Показано, что использование скользящего сетевого кодирования, позволяющего декодировать пакеты «на лету», может обеспечить значительное повышение надежности по сравнению со схемой K-повторений при той же спектральной эффективности.

Ключевые слова:

сети 5G – 5G networks; восходящий канал – uplink; гетерогенный трафик – heterogeneous traffic; качество обслуживания – quality of service; множественный доступ – multiple access; коллизии – collisions; скользящее сетевое кодирование – sliding network coding; динамическое распределение ресурса – dynamic resource allocation.

Список литературы

1. Стратегия развития отрасли связи Российской Федерации на период до 2035 года // КонсультантПлюс : [сайт]. – URL: https://sudact.ru/law/rasporiazheniepravitelstva-rf-ot-24112023-n-3339-r/strategiia-razvitiiaotrasli-sviazi-rossiiskoi (дата обращения 09.10.2025).
2. Кучерявый, А. Е. Сети связи 2030 / А.Е. Кучерявый, A.C. Бородин, Р.В. Киричек // Электросвязь. – 2018. – № 11. – С. 52–56.
3. Achieving ultra-reliable low-latency communications: Challenges and envisioned system enhancements / G. Pocovi, H. Shariatmadari, G. Berardinelli [et al.] // IEEE Network. – 2018. – Vol. 32 (2). – P. 8–15.
4. Moon, S. Performance Study of Repetition-Based Grant-Free Schemes in the mMTC Scenario / S. Moon, J.W. Lee // 34th International Technical Conference on Circuits/Systems,
Computers and Communications (ITC-CSCC). – 2019. – P. 1–2.
5. Кутузов, О. И. Из практики применения метода Монте-Карло / О.И. Кутузов, Т.М. Татарникова // Заводская лаборатория. Диагностика материалов. – 2017. – Т. 83, № 3. – С. 65–70.
6. Learning as Tag Estimation Method for ALOHA-based RFID system / L.D. Rodic, I. Stancic, K. Zovko [et al.] // Proceedings of the 2021 6th International Conference on Smart and Sustainable Technologies (SpliTech) (Boland Split, Croatia, 8–11 September, 2021). – 2021. – P. 1–6.
7. Machine learning based resource allocation strategy for network slicing in vehicular networks / Y. Cui, X. Huang, D. Wu, H. Zheng // Proceedings IEEE ICCC. – 2020. – P. 454–459.
8. Spatio-temporal wireless traffic prediction with recurrent neural network / C. Qiu, Y. Zhang, Z. Feng [et al.] // IEEE Wireless Communications Letters. – 2018. – Vol. 7, No. 4. – P. 554–557.
9. Choi, J. Network coding for k-repetition in grantfree random access / J. Choi, J. Ding // IEEE Wireless Communications Letters. – 2021. – Vol. 10, No. 11. – P. 2557–2561.
10. Татарникова, Т. М. Методы увеличения жизненного цикла сети интернета вещей / Т.М. Татарникова, И.Н. Дзюбенко // Научно-технический вестник информационных технологий, механики и оптики. – 2018. –Т. 18, № 5. – С. 843–849.