بهینه سازی کارایی مبتنی بر دیرینگی اطلاعات در ارتباطات امواج میلی متری و مجهز به صفحات قابل بازپیکربندی هوشمند

با ظهور نسل جدیدی از شبکه‌های ارتباطی بی ‌سیم، نیازمندی به نرخ داده بالا و دریافت به ‌موقع اطلاعات به ‌ویژه در برنامه‌های کاربردی بلادرنگ به‌طور چشمگیری افزایش‌یافته است. در تحقیقات اخیر، برای سنجش تازگی اطلاعات، از معیار دیرینگی اطلاعات (aoi) استفاده می‌شود که به‌عنوان زمان گذشته از تولید آخرین بسته موفق دریافت شده در مقصد تعریف می‌شود. به علت ماهیت تصادفی این معیار، در این مقاله، مسئله بهینه‌سازی متوسط تخفیف یافته هزینه مبتنی بر دیرینگی اطلاعات در شبکه‌های بی‌سیم چندکاربره مبتنی بر امواج میلی‌متری و مجهز به سطوح بازتابی هوشمند (ris) موردبررسی قرار می‌گیرد. برای این منظور، با استفاده از چارچوب ریاضی فرآیند تصمیم مارکوف تخفیفی، مسئله مدل می‌شود که هدف آن بهینه‌سازی متوسط تخفیف یافته مبتنی بر aoi همه کاربران است. با توجه به ماهیت تصادفی مسئله و عدم در دسترس بودن اطلاعات کامل یا آماری از سیستم، از یک الگوریتم فارغ از مدل مبتنی بر یادگیری تقویتی عمیق بنام گرادیان سیاست قطعی عمیق (ddpg) برای حل مسئله استفاده می‌شود که بتوان زمان‌بندی کاربران، توان ارسالی آن‌ها، انتقال فاز در ris و شکل‌دهی پرتوی دریافتی در bs را محاسبه کرد. عملکرد روش پیشنهادی ازنظر ویژگی همگرایی و تغییرات پارامترهای مختلف در شبکه موردبررسی قرار می‌گیرد و نتایج با روش‌های دیگر و شبکه‌های بدون ris موردبررسی قرار می‌گیرد. نتایج به‌دست‌آمده نشان می‌دهد که عملکرد روش پیشنهادی نسبت به رویکردهای دیگر سبب کاهش متوسط تخفیف یافته aoi کاربران خواهد شد.

aoi-based performance optimization in ris-assisted mmwave communications

with the advent of the next generation of wireless communication networks, the requirements for high-rate and timely information delivery, especially in real-time applications, have increased dramatically. in particular, millimeter wave (mmwave) communications can provide a high data rate, and reconfigurable intelligent surfaces (riss) can reduce the blockage sensitivity of mmwave links. also, to quantify the data freshness, the age of information (aoi) metric is introduced in the recent literature, defined as the time elapsed since the last successfully received status update was generated. this paper aims to optimize the average aoi in a multi-user ris-assisted millimeter wave network. for this purpose, the proposed problem was formulated as a markov decision process (mdp) that aims to obtain the optimal control policy that minimizes the sum of the average aoi of all users. under the unknown system statistics assumption, we propose a model-free deep reinforcement learning algorithm to schedule the users’ transmission, adjust the transmit power, and configure the ris to reflect the signals.  the performance of the proposed method is evaluated in terms of convergence characteristics and the impact of changes in network parameters.