Use of aerial base stations (ABSs) is a promising approach to enhance the agility and flexibility of future wireless networks. ABSs can improve the coverage and/or capacity of a network by moving supply towards demand. Deploying ABSs in a network presents several challenges such as finding an efficient 3D-placement of ABSs that takes network objectives into account. Another challenge is the limited wireless backhaul capacity of ABSs and consequently, potentially higher latency incurred. Content caching is proposed to alleviate the backhaul congestion and decrease the latency. We consider a limited backhaul capacity for ABSs due to varying position-dependent path loss values and define two groups of users (delay-tolerant and delay-sensitive) with different data rate requirements. We study the problem of jointly determining backhaul-aware 3D placement for ABSs, user-BS associations and corresponding bandwidth allocations while minimizing total downlink transmit power. Proposed iterative algorithm applies a decomposition method. First, the 3D locations of ABSs are found using semi-definite relaxation and coordinate descent methods, and then user-BS associations and bandwidth allocations are optimized. The simulation results demonstrate the effectiveness of the proposed algorithm and provide insights about the impact of traffic distribution and content caching on transmit power and backhaul usage of ABSs.


翻译:使用空基站是一种大有希望的办法,可以提高未来无线网络的灵活性和灵活性; 空基站可以提高网络的覆盖面和(或)能力,办法是将供应转向需求; 在网络中部署ABS提出了若干挑战,例如找到高效的三维替换,考虑到网络目标; 另一个挑战是ABS的无线回流能力有限,因此可能出现更高的悬浮; 提议了内容缓存,以缓解回航拥堵塞,减少悬浮。 我们认为,由于视位置不同而丢失路径的价值不同,ABS的回航能力有限,可以改善网络的覆盖面和(或)能力; 确定两类用户(不耐受拖延和迟缓敏感),具有不同的数据率要求; 我们研究共同确定ABS、用户-BS协会和相应的带宽配置后视三维定位的问题,同时尽量减少全部下传功率; 拟议的迭代算法采用解调法。 首先, ABS的3D位置是使用半定调制的降位方法,并协调下降路径丢失路径,然后界定用户-BS的动力协会和带宽度分配结果。

0
下载
关闭预览

相关内容

Explanation:无线网。 Publisher:Springer。 SIT: http://dblp.uni-trier.de/db/journals/winet/
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
73+阅读 · 2020年8月2日
专知会员服务
61+阅读 · 2020年3月19日
强化学习最新教程,17页pdf
专知会员服务
177+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
104+阅读 · 2019年10月9日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Bayesian Conditional Transformation Models
Arxiv
0+阅读 · 2021年2月25日
Generative Adversarial Networks: A Survey and Taxonomy
VIP会员
相关VIP内容
神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
73+阅读 · 2020年8月2日
专知会员服务
61+阅读 · 2020年3月19日
强化学习最新教程,17页pdf
专知会员服务
177+阅读 · 2019年10月11日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
104+阅读 · 2019年10月9日
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
逆强化学习-学习人先验的动机
CreateAMind
16+阅读 · 2019年1月18日
Hierarchical Imitation - Reinforcement Learning
CreateAMind
19+阅读 · 2018年5月25日
计算机类 | 国际会议信息7条
Call4Papers
3+阅读 · 2017年11月17日
【论文】变分推断(Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
【今日新增】IEEE Trans.专刊截稿信息8条
Call4Papers
7+阅读 · 2017年6月29日
Top
微信扫码咨询专知VIP会员