The infrastructure of current cellu

The infrastructure of current cellular networks must evolve to cope with the increasing demand for mobile-broadband services. Heterogeneous networks are an attractive solution for operators to expand network capacity, based on deploying different Radio Access Technologies, cell sizes and carrier frequencies in the same environment. As a result, operators gain flexibility to distribute traffic across the different networks (or layers) in order to make a more efficient use of resources and enhance network performance. In this work, a dynamic traffic steering technique in multi-RAT multi-layer wireless networks is proposed. In particular, a fuzzy rule-based reinforcement learning algorithm modifies handover parameters according to a specific policy set by the operator, which typically searches for a trade-off between key performance indicators. Results show that the proposed optimization algorithm provides good flexibility to support different policies by simply adjusting some weighting factors. In addition, the Q-Learning algorithm is shown as an effective solution to adapt the network to context variations, such as those produced in the user spatial distribution.

ผลลัพธ์ (ไทย) 1:

ต้องพัฒนาโครงสร้างพื้นฐานของเครือข่ายโทรศัพท์มือถือปัจจุบันเพื่อรับมือกับความต้องการเพิ่มขึ้นสำหรับบริการโมบายบรอดแบนด์ เครือข่ายบริการโซลูชั่นน่าสนใจสำหรับผู้ประกอบการในการขยายเครือข่ายกำลัง ขึ้นอยู่กับการปรับใช้ เทคโนโลยีการเข้าถึงวิทยุต่าง ๆ เซลล์ขนาด และความถี่ในการขนส่งในสภาพแวดล้อมเดียวกันได้ เป็นผล ผู้ประกอบการได้รับความยืดหยุ่นในการกระจายการจราจรระหว่างเครือข่ายต่าง ๆ (หรือชั้น) เพื่อให้การใช้ทรัพยากรมีประสิทธิภาพมากขึ้น และเพิ่มประสิทธิภาพเครือข่าย การจราจรแบบไดนามิกที่พวงมาลัยเทคนิคในเครือข่ายไร้สายหลายชั้นหลายหนูจะนำเสนอในงานนี้ โดยเฉพาะ ที่ชัดเจนตามกฎเหล็กเสริมอัลกอริทึมการเรียนรู้ปรับเปลี่ยนพารามิเตอร์ถึงการส่งมอบตามนโยบายเฉพาะที่ตั้ง โดยตัวดำเนินการ ซึ่งโดยปกติหา trade-off ระหว่างตัวบ่งชี้ประสิทธิภาพหลัก ผลลัพธ์แสดงว่า ขั้นตอนวิธีการเพิ่มประสิทธิภาพการนำเสนอมีความยืดหยุ่นที่ดีเพื่อสนับสนุนนโยบายต่าง ๆ โดยเพียงแค่ปรับปรุงบางปัจจัยน้ำหนัก นอกจากนี้ อัลกอริทึม Q-เรียนรู้การแสดงเป็นวิธีแก้ปัญหาการปรับเครือข่ายรูปแบบบริบท เช่นผู้ผลิตในการผู้ใช้กระจาย

ผลลัพธ์ (ไทย) 2:

โครงสร้างพื้นฐานของเครือข่ายโทรศัพท์เคลื่อนที่ในปัจจุบันจะต้องมีวิวัฒนาการที่จะรับมือกับความต้องการที่เพิ่มขึ้นสำหรับบริการโทรศัพท์มือถือบรอดแบนด์ เครือข่ายต่างกันเป็นทางออกที่น่าสนใจสำหรับผู้ประกอบการที่จะขยายความจุของเครือข่ายขึ้นอยู่กับการปรับใช้ที่แตกต่างกันวิทยุเทคโนโลยีการเข้าถึงขนาดของเซลล์และความถี่ในสภาพแวดล้อมเดียวกัน เป็นผลให้ผู้ประกอบการได้รับความยืดหยุ่นในการกระจายการจราจรในเครือข่ายที่แตกต่างกัน (หรือชั้น) ในการที่จะทำให้การใช้งานมีประสิทธิภาพมากขึ้นของทรัพยากรและเพิ่มประสิทธิภาพของเครือข่าย ในงานนี้เข้าชมเทคนิคการขับขี่แบบไดนามิกในหลายหนูหลายชั้นเครือข่ายไร้สายจะเสนอ โดยเฉพาะอย่างยิ่งขั้นตอนวิธีตามกฎเลือนเสริมสร้างการเรียนรู้ปรับเปลี่ยนค่าพารามิเตอร์ที่ส่งมอบเป็นไปตามนโยบายที่เฉพาะเจาะจงกำหนดโดยผู้ประกอบการซึ่งโดยทั่วไปแล้วการค้นหาค้าออกระหว่างตัวชี้วัดประสิทธิภาพที่สำคัญ ผลแสดงให้เห็นว่าวิธีการเพิ่มประสิทธิภาพการเสนอให้มีความยืดหยุ่นที่ดีในการสนับสนุนนโยบายที่แตกต่างกันโดยเพียงแค่การปรับปัจจัยถ่วง นอกจากนี้ขั้นตอนวิธี Q-Learning จะแสดงเป็นโซลูชั่นที่มีประสิทธิภาพในการปรับตัวเข้ากับเครือข่ายเพื่อการเปลี่ยนแปลงบริบทเช่นที่เกิดขึ้นในการใช้งานกระจาย

ผลลัพธ์ (ไทย) 3:

โครงสร้างพื้นฐานของเครือข่ายโทรศัพท์เคลื่อนที่ในปัจจุบันต้องพัฒนาเพื่อรับมือกับความต้องการที่เพิ่มขึ้นสำหรับบริการบรอดแบนด์มือถือ เครือข่ายข้อมูลเป็นโซลูชั่นที่น่าสนใจสำหรับผู้ประกอบการที่จะขยายเครือข่ายความจุขึ้นอยู่กับการปรับใช้เทคโนโลยีวิทยุการเข้าถึงที่แตกต่างกัน เซลล์ขนาดและความถี่พาหะในสภาพแวดล้อมเดียวกัน ผลผู้ประกอบการได้รับความยืดหยุ่นในการกระจายการจราจรผ่านเครือข่ายที่แตกต่างกัน ( หรือชั้น ) เพื่อให้การใช้งานมีประสิทธิภาพมากขึ้นของทรัพยากรและเพิ่มประสิทธิภาพเครือข่าย ในงานนี้ เทคนิคการขับขี่จราจรแบบไดนามิกในหนูหลายชั้นหลายเครือข่ายแบบไร้สายคือการเสนอ โดยเฉพาะอย่างยิ่งเสริมการเรียนรู้ขั้นตอนวิธีฟัซซีปรับเปลี่ยนพารามิเตอร์ของระบบตามนโยบายที่กำหนดโดยเฉพาะผู้ประกอบการ ซึ่งโดยทั่วไปค้นหา Trade-off ระหว่างตัวชี้วัดประสิทธิภาพ ผลการทดลองแสดงให้เห็นว่าการนำเสนอขั้นตอนวิธีการหาค่ามีความยืดหยุ่นดี เพื่อสนับสนุนนโยบายต่าง ๆโดยเพียงแค่การปรับบางน้ำหนักปัจจัย นอกจากนี้การ q-learning ขั้นตอนวิธีจะแสดงเป็นโซลูชั่นที่มีประสิทธิภาพเพื่อปรับให้เข้ากับเครือข่ายเพื่อการเปลี่ยนแปลงบริบท เช่น ผู้ที่ผลิตในพื้นที่ของผู้ใช้กระจาย