CNN 赋能的调度算法用于工业 URLLC 中的概率性实时保障-计算机科学-工业无线网络-卷积神经网络-深度学习.pdf

CNN赋能的调度算法用于工业URLLC中的概

率性实时保障

EmanAlqudah,AshfaqKhokhar

DepartmentofElectricalandComputerEngineering

IowaStateUniversity,USA

{alqudah,ashfaq}@iastate.edu

本

译摘要—确保包级通信质量对于大规模工业无线网络中的超可源分配和调度问题，如最早截止日期优先（EDF）和速率

靠低延迟通信（URLLC）至关重要。我们通过引入基于卷积神经单调（RM）[3],[8]。同时，研究也集中在长期实时保障

中网络的动态优先级预测机制来增强局部截止时间分区（LDP）算上，比如平均延迟和信息时效性（AoI）[9],[10]。尽管有

1法，从而在多小区、多信道网络中改进干扰协调。与LDP的静态

v优先级不同，我们的方法使用卷积神经网络和图着色技术根据实显著的贡献，但仍存在局限性，包括确保可靠性和低延迟

7时流量、传输机会和网络条件自适应地分配链路优先级。假设第一的挑战，特别是在多小区环境中。一些最近的工作[11],

8

9阶段训练离线完成，我们的方法引入了极小的开销，同时实现了更[12]考察了5G配置授权（CG）调度对实时保障的应用，

4

1高效的资源分配，提升了网络容量、信噪比（SINR）和可调度性。但CG调度仅适用于5G上行链路传输，并缺乏灵活性。

6.仿真结果显示，在三种网络配置下，与LDP相比，SINR分别提近期的一项工作[13]基于本地截止日期划分（LDP），为

0高了113%、94%和49%，突显了其在复杂URLLC场景中的有优化多小区系统中的任务调度提供了重要的见解。他们

5效性。

2的方法专注于高效地划分通信任务以满足严格的截止日

:IndexTerms—工业无线网络，URLLC，每包实时通信

v（PPRC），调度，CNN，卷积神经网络，深度学习期，特别是在资源可用性不同的系统中。局部截止期分区

i

x（LDP）算法[13]在实时调度中表现出有效性。然而，几

rI.介绍

a个限制因素制约了它在动态多小区环境中的适用性。首

工业超可靠、低延迟通信（URLLC），由5G和未来先，LDP依赖于为通信链路分配的静态优先级，这使其

的技术进步推动，预计将显著提升工业信息物理系统的难以适应流量条件的变化和资源可用性的波动。此外，其

性能、适应性和韧性。这些系统必须满足关键应用如传计算复杂度随任务数量和小区数量增加而上升，带来了

感、机器人控制、过程自动化和电网管理[1]中严格的定可扩展性挑战。该方法还依赖于预定义的启发式算法，可

时要求。在扩展现实（XR）应用[2]中，及时的分组传输能导致次优决策，特别是在不可预测的网络条件下。深度

对于平滑的3D场景重建至关重要，因为延迟或数据包丢学习技术，特别是卷积神经网络（CNN），由于其能够学

失会降低用户体验[2]。类似地，在网络化工业控制系统习高维空间模式和依赖关系，非常适合用于无线网络中

中，数据包丢失可能会损害系统的稳定性和安全性。在多的资源分配。本文开发了一种基于CNN预测模型对LDP

小区工业无线网络中实现实时通信由于传输延迟以及数方法的重要改进，以动态确定链路优先级进行资源配置

据处理和传输所需的时间而具有挑战性[3]。并提供实时保证。此外，我们采用图着色技术来最小化竞

A.相关工作争节点之间的干扰。通过对历史数据的训练以及不断更

研究无线网络中的实时通信保障是通过优化[4],[5]新新的交通和干扰模式，我们的工作引入了一种新颖的

和机器公式化实现的[6],[7]。这些公式化已被应用于