ترجمه فارسی مقاله یادگیری ماشینی کاربر محور برای تخصیص منابع در شبکه های ترکیبی LiFi و WiFi با قابلیت MPTCP

چکیده

As an emerging paradigm of heterogeneous networks (HetNets) towards 6G, the hybrid light fidelity (LiFi) and wireless fidelity (WiFi) networks (HLWNets) have potential to explore the complementary advantages of the optical and radio spectra. Like other cooperation-native HetNets, HLWNets face a crucial load balancing (LB) problem due to the heterogeneity of access points (APs). The existing literature mostly formulates this problem as joint AP selection and resource allocation (RA), presuming that each user equipment (UE) is served by one AP at a time, under the constraint of the traditional transmission control protocol (TCP). In contrast, multipath TCP (MPTCP), which allows for the simultaneous use of multiple APs, can significantly boost the UE’s throughput as well as enhancing its network resilience. However, the existing TCP-based LB methods, particularly those aided by machine learning, are not suitable for the MPTCP scenario. In this paper, we discuss the challenges when developing learning-aided LB in MPTCP-enabled HLWNets, and propose a novel user-centric learning model to tackle this tricky problem. Unlike the conventional network-centric learning methods, the proposed method determines the LB solution for a single target UE, rendering low complexity and high flexibility in practical implementations. Results show that the proposed user-centric approach can greatly outperform the network-centric learning method. Against the TCP-based LB method such as game theory, the proposed method can increase the throughput of HLWNets by up to 40\%.

چکیده به فارسی (ترجمه ماشینی)

به عنوان یک الگوی در حال ظهور شبکه های ناهمگن (HETNETS) به سمت 6G ، شبکه های وفاداری نور ترکیبی (LIFI) و شبکه های وفاداری بی سیم (WIFI) (HLWNETS) پتانسیل کشف مزایای مکمل طیف نوری و رادیویی را دارند.مانند سایر Hetnets با همکاری بومی ، HlWnets به دلیل ناهمگونی نقاط دسترسی (APS) با یک مشکل مهم متعادل کننده بار (LB) روبرو هستند.ادبیات موجود بیشتر این مشکل را به عنوان انتخاب AP مشترک و تخصیص منابع (RA) تدوین می کند ، با فرض اینکه هر یک از تجهیزات کاربر (UE) توسط یک AP در یک زمان ، تحت محدودیت پروتکل کنترل انتقال سنتی (TCP) ارائه می شود.در مقابل ، Multipath TCP (MPTCP) ، که امکان استفاده همزمان از AP ​​های متعدد را فراهم می کند ، می تواند باعث افزایش چشمگیر توان UE و همچنین افزایش مقاومت شبکه آن شود.با این حال ، روش های LB مبتنی بر TCP ، به ویژه مواردی که به کمک یادگیری ماشین کمک می کنند ، برای سناریوی MPTCP مناسب نیستند.در این مقاله ، ما در مورد چالش ها هنگام توسعه LB به کمک LB در HLWNETS با قابلیت MPTCP ، بحث می کنیم و یک مدل یادگیری کاربر محور جدید را برای مقابله با این مشکل مشکل ارائه می دهیم.بر خلاف روشهای یادگیری شبکه محور متعارف ، روش پیشنهادی راه حل LB را برای یک UE هدف واحد تعیین می کند ، پیچیدگی کم و انعطاف پذیری بالا در اجرای عملی را نشان می دهد.نتایج نشان می دهد که رویکرد پیشنهادی کاربر محور می تواند تا حد زیادی از روش یادگیری شبکه محور فراتر رود.در برابر روش LB مبتنی بر TCP مانند تئوری بازی ، روش پیشنهادی می تواند توان HLWnets را تا 40 \ ٪ افزایش دهد.