Multi-connectivity facilitates higher throughput, shorter delay, and lower outage probability for a user in a wireless network. Considering these promises, a rationale policy for a network operator would be to implement multi-connectivity for all of its users. In this paper, we investigate whether the promises of multi-connectivity also hold in such a setting where all users of a network are connected through multiple links. In particular, we consider a network where every user connects to its k closest base stations. Using a framework of stochastic geometry and probability theory, we obtain analytic expressions for per-user throughput and outage probability of $k$-connectivity networks under several failure models. In contrast to the conclusions of previous research, our analysis shows that per-user throughput decreases with increasing k. However, multi-connected networks are more resilient against failures than single connected networks as reflected with lower outage probability and lead to higher fairness among the users. Consequently, we conclude that rather than implementing multi-connectivity for all users, a network operator should consider it for its users who would benefit from additional links the most, e.g., cell edge users.


翻译:多连通性有利于无线网络用户的更高通量、更短的延迟和更少的断流概率。考虑到这些承诺,网络操作员的基本政策是为所有用户实施多连通性。在本文中,我们调查多连通性的承诺是否也包含在这样一个环境中,即网络的所有用户都通过多个链接连接。特别是,我们考虑每个用户都与其最接近的基本站连接起来的网络。我们利用一个随机几何和概率理论框架,为用户在几个失败模式下完成的美元连通性网络和断流概率获得分析表达。与以往研究的结论相反,我们的分析表明,与不断增长的 k 相比,多联通性网络比单一连通网络更具有抵御能力,而单个连通性网络则反映出电概率较低,并导致用户之间的公平性更高。因此,我们的结论是,网络操作员不应为所有用户实施多连通性,而应当为其用户提供分析表达方式,因为用户将受益于更多的连通性,例如细胞边缘用户。

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/
【图与几何深度学习】Graph and geometric deep learning,49页ppt
【DeepMind】强化学习教程,83页ppt
专知会员服务
153+阅读 · 2020年8月7日
【IJCAJ 2020】多通道神经网络 Multi-Channel Graph Neural Networks
专知会员服务
25+阅读 · 2020年7月19日
少标签数据学习,54页ppt
专知会员服务
198+阅读 · 2020年5月22日
强化学习最新教程,17页pdf
专知会员服务
174+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
103+阅读 · 2019年10月9日
人工智能 | NIPS 2019等国际会议信息8条
Call4Papers
7+阅读 · 2019年3月21日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5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
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
VIP会员
相关VIP内容
【图与几何深度学习】Graph and geometric deep learning,49页ppt
【DeepMind】强化学习教程,83页ppt
专知会员服务
153+阅读 · 2020年8月7日
【IJCAJ 2020】多通道神经网络 Multi-Channel Graph Neural Networks
专知会员服务
25+阅读 · 2020年7月19日
少标签数据学习,54页ppt
专知会员服务
198+阅读 · 2020年5月22日
强化学习最新教程,17页pdf
专知会员服务
174+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
103+阅读 · 2019年10月9日
相关资讯
人工智能 | NIPS 2019等国际会议信息8条
Call4Papers
7+阅读 · 2019年3月21日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
人工智能 | 国际会议信息10条
Call4Papers
5+阅读 · 2018年12月18日
神经网络学习率设置
机器学习研究会
4+阅读 · 2018年3月3日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
计算机视觉近一年进展综述
机器学习研究会
9+阅读 · 2017年11月25日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5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
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员