Controller placement and radio resource allocation for D2D communications in 5G Wireless networks

Abstract

As redes celulares de próxima geração prometem uma transmissão de dados mais rápida, maior largura de banda e menor latência, e a tecnologia de comunicação Dispositivo-a-Dispositivo (D2D, do inglês Device-to-Device), devido aos serviços baseados em proximidade (ProSe, do inglês Proximity Services) dos dispositivos de comunicação, ajuda a tornar tais promessas uma realidade. As vantagens de tal comunicação incluem maior vazão, maior taxa de transmissão de dados, menor latência, menor consumo de energia, equidade e maior eficiência espectral. Este trabalho possui foco na gestão das comunicações D2D em uma rede de comunicação móvel celular, sendo tratados dois problemas: o problema de localização de controladores (CPP, do inglês Controller Placement Problem) e o problema de alocação de recursos de rádio (RRA, do inglês Radio Resource Allocation). A técnica proposta para resolver o problema CPP envolve, primeiramente, a obtenção do número de comunicações D2D a serem gerenciadas e depois o número de controladores necessários, a sua localização física na infra-estrutura celular e a melhor atribuição de eNB (do inglês evolved NodeB) aos controladores. O problema foi modelado como um problema de optimização e as meta-heurísticas Colônia de Abelhas Artificiais (ABC, do inglês Artificial Bee Colony) e Sistema de Colônia de Formigas com Memória Externa (ACS-EM, do inglês Ant Colony System with External Memory) foram utilizadas para resolvê-lo. As duas meta-heurísticas foram comparadas com as meta-heurísticas Sistema de Colônia de Formigas (ACS, do inglês Ant Colony System) e Optimização do Enxame de Partículas (PSO, do inglês Particle Swarm Optimization). A análise revelou que as complexidades computacionais do ABC e do PSO são inferiores às do ACS-EM e do ACS. No entanto, ABC e ACS-EM demonstraram um melhor desempenho na resolução do problema, com características que permitem uma exploração mais eficiente do espaço de busca, evitando assim soluções sub-ótimas. Os melhores resultados foram obtidos com o ABC, seguido pelo ACS-EM, depois pelo ACS e, por último, pelo PSO. Com o fim de obter o número de comunicações D2D admitidas na rede, dois métodos foram propostos para a solução do problema RRA. No primeiro, o problema de optimização é resolvido pela meta-heurística Social-Aware RRA Artificial Bee Colony (SA-RRA-ABC), considerando a relação social entre os usuários, um esquema de feedback, e a maximização do throughput do sistema. Um esquema de feedback, chamado selected-NM Maximum Distance Ratio (MDR) q-bit feedback, foi proposto para reduzir a sobrecarga de sinalização (overhead). Cada receptor D2D envia à eNB apenas q-bits de informação do estado do canal de N dispositivos celulares (CUE, do inglês Cellular User Equipment) e de M pares D2D, utilizando na seleção o maior valor da métrica MDR. A meta-heurística SA-RRA-ABC foi validada através de simulações e comparada com os algoritmos gulosos GRAA (do inglês Greedy Resource Allocation Algorithm) e SA-GRAA (do inglês Social-aware Greedy Resource Allocation Algorithm). Os resultados mostraram que a meta-heurística SA-RRA-ABC apresenta melhor desempenho que os algoritmos gulosos. Foi também mostrado que o modelo de feedback proposto pode alcançar desempenho próximo do modelo full CSI - Channel State Information (onde a eNB tem informação do estado de todos os canais), com uma sobrecarga de sinalização (overhead) inferior. O segundo método de solução do problema RRA considera o problema de optimização em uma rede celular D2D que oferece serviços URLLC (do inglês Ultra-reliable and Low Latency Communications), para o envio de pacotes curtos diretamente entre usuários, utilizando comunicações D2D, maximizando assim a eficiência energética da rede. O problema é resolvido por três meta-heurísticas bio-inspiradas (ABC, ACS-EM e PSO), levando em consideração a interferência quando os usuários de celulares e dispositivos D2D utilizam um mesmo recurso de rádio. As meta-heurísticas foram comparadas com uma heurística gulosa e um algoritmo de busca exaustiva. A análise revelou que a complexidade computacional da heurística gulosa é a mais baixa e que as complexidades do ABC e do PSO são mais baixas que as do ACS-EM. Porém, o ABC mostrou um melhor desempenho na resolução do problema, seguido pelo ACS-EM, depois pelo PSO e, por último, pela heurística gulosa.