• ورود کاربران دانشگاهی

  • ثبت نام(مطالعه آنلاین پایان نامه ها)

  • کاربر مهمان
    چهار شنبه 29 شهریور 1396| 54.162.181.75 :Your IP

    سامانه دسترسی به پایان نامه های دانشگاه اصفهان



    عنوان :
    افزایش بهره وری طیفی در تخصیص منابع رادیویی به فمتوسل‌های خود سازمانده مبتنی بر FFR
    انتشارات : دانشگاه اصفهان
    سال :1393
    زبان : Persian
    شماره سند : 12286
    موضوع :مهندسی فناوری اطلاعات گرایش شبکه‌های کامپیوتری
    پژوهشگر : مریم نصر اصفهانی
    توصیفگر لاتین : resource allocation ? self-organized femtocell ? FFR ? learning automata ? heterogeneous networks
    توصیفگر فارسی : تخصیص منابع ◄ فمتوسل های خودسازمانده ◄ FFR ◄ آتوماتای یادگیر ◄ شبکه‌های ناهمگن
    دانشکده : دانشکده مهندسی کامپیوتر، گروه مهندسی فناوری اطلاعا
    مقطع : کارشناسی ارشد

    استاد راهنما : بهروز شاهقلی قهفرخی
    استاد مشاور :
    سال دفاع : 1393
    شماره رکورد : 12286
    شماره راهنما : IT2 15
    فهرست : فهرست مطالب
    عنوان صفحه
    فصل اول مقدمه
    1-1 مقدمه 1
    1-2 معرفی شبکه‌های دولایه‌ای متشکل از فمتوسل‌ها 2
    1-3 شبکه‌های خود سازمانده (SON) 2
    1-4 روش‌های کاهش تداخل در شبکه‌های HETNET 4
    1-5 بیان مسئله 7
    1-6 ساختار پایان نامه 8
    فصل دوم مفاهیم پایه
    2-1 مقدمه 9
    2-2 مزایا و چالش‌های شبکۀ فمتوسل 9
    2-3 استانداردسازی شبکه‌های فمتوسل 12
    2-4 روشهای مبتنی بر FFR 12
    2-4-1 STRICT FFR 12
    2-4-2 OSFFR 12
    2-5 یادگیری تقویتی 13
    2-5-1 آتوماتای یادگیر 14
    2-5-2 محیط 15
    2-5-3 الگوریتمهای یادگیر 16
    2-5-3-1 الگوریتمهای یادگیری با فرض محیط مدلS 16
    2-6 جمع بندی 17
    فصل سوم بررسی تحقیقات انجام شده
    3-1 مقدمه 18
    3-2 مکانیزمهای مدیریت تداخل مبتنی بر کنترل توان 19
    3-2-1 مکانیزمهای توزیع شده 19
    عنوان صفحه
    3-2-1-1 مکانیزمهای مبتنی بر نظریه بازیها 19
    3-2-1-2 مکانیزمهای مبتنی بر یادگیری 19
    3-2-1-3 مکانیزمهای مبتنی بر مفهوم رادیو شناختگر 20
    3-3 مکانیزم‌های مدیریت تداخل مبتنی بر تخصیص منابع فرکانسی-زمانی 21
    3-3-1 مکانیزم‌های توزیع شده برای تخصیص منابع فرکانسی-زمانی 21
    3-3-1-1 تکنیکهای مبتنی بر نظریه بازیها 21
    3-3-1-2 تکنیکهای مبتنی بر یادگیری 22
    3-3-1-3 تکنیک‌های مبتنی بر FFR 22
    3-3-1-4 تکنیکهای مبتنی بر مفاهیم رادیو شناختگر 23
    3-3-2 مکانیزم‌های متمرکز برای تخصیص منابع فرکانسی-زمانی 24
    3-4 مکانیزمهای مدیریت تداخل مبتنی بر روشهای ترکیبی 26
    3-4-1 مکانیزمهای توزیع شده 26
    3-4-1-1 تکنیکهای مبتنی بر روشهای تحلیلی و نظریه بازیها 26
    3-4-1-2 تکنیکهای مبتنی بر یادگیری و روشهای تصادفی 27
    3-4-1-3 تکنیکهای مبتنی بر FFR 28
    3-4-2 مکانیزم‌های متمرکز 28
    3-5 مقایسه تحلیلی تحقیقات انجام شده 29
    3-6 جمع بندی 32
    فصل چهارم راهکار پیشنهادی
    4-1 مقدمه 33
    4-2 راهکار پیشنهادی اول 34
    4-2-1 مدل سیستم 35
    4-2-2 فرموله کردن مسئله 36
    4-2-3 جزئیات روش اول پیشنهادی 38
    4-3 راهکار دوم پیشنهادی 40
    4-3-1 مدل سیستم 40
    4-3-2 فرموله کردن مسئله 41
    4-3-3 جزئیات روش پیشنهادی دوم 42
    4-4 راهکار پیشنهادی سوم 45
    عنوان صفحه
    4-5 جمع بندی 49
    فصل پنجم شبیه سازی و تحلیل نتایج
    5-1 مقدمه 50
    5-2 معرفی محیط شبیه سازی 51
    5-3 نتایج شبیه سازی راهکار پیشنهادی اول 52
    5-3-1 نتایج شبیه سازی راهکار اول برای شرایط ایستا 52
    5-3-2 نتایج شبیه سازی راهکار اول برای تغییرات در گام زمانی هزارم 54
    5-3-3 نتایج شبیه سازی راهکار اول برای شرایط تغییرات در هر 200 گام زمانی به صورت مکرر 54
    5-4 نتایج شبیه سازی راهکار پیشنهادی دوم 56
    5-4-1 نتایج شبیه سازی راهکار پیشنهادی دوم برای شرایط ایستا 57
    5-4-2 نتایج شبیه سازی راهکار پیشنهادی دوم برای شرایط تغییرات در گام زمانی هزارم 59
    5-4-3 نتایج شبیه سازی راهکار پیشنهادی دوم برای شرایط تغییرات مکرر در هر 200 گام زمانی 61
    5-5 نتایج شبیه سازی راهکار پیشنهادی سوم 63
    5-5-1 نتایج شبیه سازی راهکار پیشنهادی سوم برای شرایط ایستا 63
    5-5-2 نتایج شبیه سازی راهکار پیشنهادی سوم برای شرایط تغییرات در گام زمانی هزارم 66
    5-5-3 نتایج شبیه سازی راهکار پیشنهادی سوم برای شرایط تغییرات مکرر در هر 200 گام زمانی 68
    5-6 مقایسه نتایج شبیه سازی سه روش پیشنهادی 70
    5-6-1 مقایسه نتایج شبیه سازی سه روش پیشنهادی در شرایط ایستا 70
    5-6-2 مقایسه نتایج شبیه سازی سه روش پیشنهادی در شرایط تغییرات در گام هزارم 71
    5-6-3 مقایسه نتایج شبیه سازی سه روش پیشنهادی در شرایط تغییرات در هر 200 گام زمانی 73
    5-6-4 مقایسه سرعت همگرایی سه روش پیشنهادی 73
    5-7 تحلیل نتایج شبیه سازی 75
    5-8 جمع بندی 76
    فصل ششم جمع بندی و ارائه پیشنهادات
    6-1 جمع بندی 77
    6-2 ارائه پیشنهادات 78




    چکیده :
    چکیده بهبود ناحیه پوشش و ظرفیت شبکه، برای شبکه‌های سلولی اهمیت زیادی دارد. از این رو با ظهور شبکه‌های سلولی ناهمگن که امکان استفاده از سلول‌ها با اندازه متفاوت را فراهم می‌کنند، استفاده از فمتوسل‌ها جهت بهبود کیفیت ارتباط کاربران خانگی و کاربران لبه‌های سلول، مورد توجه قرار گرفته است. اما استفاده از فمتوسل‌ها چالش جدیدی یعنی تداخل بین رده و هم رده را ایجاد می‌کند و از آنجا که نصب و مدیریت فمتوسل‌ها توسط کاربران انجام می‌شود، ارائه راهکاری خودسازمانده برای تخصیص منابع به فمتوسل‌ها با در نظر گرفتن این چالش، ضروری است. روش ‌ FFRاز جمله روش¬های افزایش بهره¬وری طیفی و بهبود کیفیت ارتباط کاربران در شبکه¬های ناهمگن است. در روش¬های FFR سنتی، به کاربران هر ناحیه از سلول و همچنین کاربران فمتوسل¬های داخل آن ناحیه، بخش مشخصی از پهنای باند به صورت ایستا تخصیص می¬یابد که این تخصیص صرفاً با توجه به موقعیت مکانی و بدون در نظر گرفتن وضعیت تداخل و همچنین چگالی کاربران آن ناحیه است و لذا بهره¬وری طیفی در حد مطلوب نمی‌باشد. در این پژوهش راهکارهایی توزیع شده و مبتنی بر آتوماتای یادگیر برای تخصیص منابع به فمتوسل‌ها در روش FFR پیشنهاد شده است که امکان انتخاب بخش مناسب از پهنای باند را بصورت خودسازمانده فراهم می‌کنند. در روش اول، هر فمتوسل تنها با دریافت بازخورد از کیفیت ارتباط کاربران محلی اقدام به یادگیری در سطح زیرباندها میکند. در این روش اندازه زیرباندها برابر و بدون توجه به ساختار تقسیم بندی زیرباندها برای کاربران ماکروسلها می¬باشد. در روش پیشنهادی دوم و سوم با شکست منابع در دو مرحله و با استفاده از یادگیری دو مرحله‌ای برای فمتوسل‌ها، ابتدا اقدام به انتخاب زیرباند مناسب شده و سپس تعدادی تکه‌زیرباند متناسب با نیاز کاربران فمتوسل انتخاب می¬شود. در این روش¬ها، با توجه به اینکه زیرباندها کاملاً منطبق بر تقسیم بندی پهنای باند برای ماکروسل‌هاست، لذا ماکروسل‌ها به راحتی می‌توانند کیفیت کاربران خود را روی هر زیرباند ارزیابی و بازخورد آن را برای فمتوسل‌های مرتبط در آن ناحیه ارسال کنند. روش پیشنهادی سوم با تفکیک روند یادگیری برای تعداد تکه‌زیرباندهای مختلف، باعث کوچک شدن فضای جستجو و تسریع همگرایی می‌شود. در این روش، هر FAP، برای یادگیری انواع ترکیب‌های تکه‌زیرباندهای انتخابی، یادگیرنده¬های مجزا دارد و برای انتخاب ترکیب مناسب از تکه‌زیرباندها با توجه به نیاز فمتوسل از یادگیرنده مرتبط استفاده می‌شود. نتایج شبیه سازی روش اول، بهبود بهره‌وری طیفی برای کل شبکه، بهبود کارایی و کاهش احتمال قطع ارتباط را نسبت به روش‌های¬ سنتی Strict-FFR نشان می‌دهد. نتایج روش‌های پیشنهادی برای تعداد بخش‌های متفاوت و همچنین برای شرایط ایستا و پویا مورد بررسی قرار گرفته است. از مزایای این روش عدم نیاز به ارتباط میان فمتوسل‌ها و همچنین امکان استفاده بهتر از طیف با توجه به شرایط شبکه است. روش‌های پیشنهادی دوم و سوم برای بررسی میزان کارایی، ظرفیت شبکه و احتمال قطع ارتباط در مقایسه با روش‌های Strict FFR، OSFFR و روش اول برای شرایط ایستا و پویای شبکه مورد بررسی قرار گرفته‌اند. نتایج بدست آمده گواه بهبود بهره‌وری طیفی و کارایی برای روش‌های پیشنهادی است. همچنین احتمال قطع ارتباط در این روش‌ها کاهش یافته است. از سوی دیگر از نظر زمان همگرایی، راهکار پیشنهادی سوم بهتر از دو راهکار اول و دوم عمل می‌کند. واژه‌های کلیدی: تخصیص منابع، فمتوسل¬های خودسازمانده، FFR، آتوماتای یادگیر، شبکه‌های ناهمگن.

    چکیده انگلیسی :
    Abstract Improving cell coverage and network capacity are two main issues in cellular networks. By the emergence of heterogeneous cellular networks with different cell sizes, femtocells have been regarded as a low cost solution to improve poor indoor coverage for home users. However, as Femto Access Points (FAP) are installed by users, self-organized techniques are needed for allocation of radio resources to femtocells. On the other hand, Fractional Frequency Reuse has been considered to improve spectral efficiency and quality of edge users. In conventional FFR methods, the macrocell area is partitioned into some regions and certain fractions of radio resources are considered for macrocell/femtocell users in each region. Therefore, radio resources are allocated to users based on their region of presence without addressing the density of users in that region and consequently the interference level. As a result, it is essential to have self-organizing femtocells, which are able to select the best subband in FFR schemes not following the FFR rules, but according to the network conditions, to better reduce the interference and increase spectral efficiency. In this thesis, self-organized fractional resource allocation methods are proposed for femtocells. The proposed methods are based on Learning Automata (LA) where FAPs learn to choose the best subband based on the feedback of users. In the first proposed method, each FAP employs learning automata to choose appropriate subband at any stage with respect to the feedbacks from its local users for the past actions. In second proposed method, a self-organized fractional resource allocation with two learning phases is proposed. The philosophy of using two learning phases is to select the appropriate subband considering not only the neighboring femtocells but also the macro users and effect of subband selection on their quality. As a result, this technique not only reduces cross-tier interference but also improves spectral efficiency without restricting FAPs to use only a part of spectrum according to FFR schemes. In fact, by preparing second layer of learning process in minisubband level, the resource allocation will be performed more efficiently in considerable training step. By restricting learning in minisubbands of selected subband, which is chosen in the first phase, the search space decreases and LA converges faster. In third method, the second learning phase is replaced by several learners per each subband. In each time step, each FAP chooses one of the learners with regards to total requested bandwidth of its users. The performance of the proposed methods are evaluated in both static and dynamic environment and also, for different values of nomber of fractions. Simulation results confirm that the proposed radio resource allocation method improves spectral efficiency and decreases the outage probability compared to conventional Strict FFR method. Both of second and third proposed methods are evaluated in terms of utilization, network capacity and outage probability comparing to Strict FFR and OSFFR. The results demonstrate improving spectral efficiency and utilization and also, decreasing outage probability of these methods and in all cases the third method is the best. Keywords—resource allocation; self-organized femtocell; FFR; learning automata; heterogeneous networks


    کلید واژه ها :
    تخصیص منابع ◄ فمتوسل های خودسازمانده ◄ FFR ◄ آتوماتای یادگیر ◄ شبکه‌های ناهمگن,resource allocation ◄ self-organized femtocell ◄ FFR ◄ learning automata ◄ heterogeneous networks

    شهریور1393
    0

    صفحه اول : University of Isfahan Faculty of Computer Engineering Department of Information Technology Engineering M.Sc. Thesis Improving Spectrum Efficiency in Allocation of Radio Resources to Self-Organized Femtocells Based on FFR Supervisor: Dr. Behrouz Shahgholi Ghahfarokhi By: Maryam Nasr Esfahani September 2014
    فصل اول : 1-8
    فصل دوم : 9-17
    فصل سوم : 18-32
    فصل چهارم : 33-49
    فصل پنجم : 50-76
    فصل ششم : 77-86