بهینه‌سازی زمان‌بندی بار ترافیکی زیر-جریان‌های لایه حمل چندمسیری با آگاهی از دیرینگی اطلاعات در شبکه‌های سلولی مبتنی بر اتصال دوگانه

در کاربردهای نوظهور بر بستر نسل جدید شبکه های بی سیم به ویژه در اینترنت اشیا، محدودیت های سخت‌گیرانه‌ای جهت تضمین تازگی اطلاعات وجود دارد. در همین راستا، اخیراً معیار جدیدی برای سنجش کیفیت سرویس شبکه به نام «دیرینگی اطلاعات» (aoi) مطرح شده که با معیارهای مرسوم مانند تاخیر و گذردهی متفاوت است و به عنوان زمان سپری شده از تولید آخرین بسته موفق دریافت شده در مقصد تعریف می‌شود. تضمین مقادیر پایین برای دیرینگی اطلاعات مستلزم پیکربندی بهینه پروتکل های جدید انتقال اطلاعات در دو سطح لایه حمل و فیزیکی شبکه است. در این مقاله، ما مساله زمان‌بندی بار ترافیکی پروتکل tcp چندمسیری (mptcp) را بر بستر اتصال دوگانه فیزیکی مبتنی بر فناوری های lte و mmwave مورد مطالعه قرار می دهیم. هم افزایی لایه حمل چندمسیری با لایه انتقال فیزیکی چندگانه، بستر ارتباطی کارآمدی را برای کاهش دیرینگی اطلاعات فراهم می نماید. برای بهینه سازی زمان بندی زیرجریان های ترافیکی روی دو مسیر ارتباطی، ما یک الگوریتم بهینه سازی فارغ از مدل مبتنی بر یادگیری تقویتی را پیشنهاد می‌کنیم که هدف آن دستیابی به یک سیاست بهینه است که میانگین بلندمدت aoi بسته‌های داده را در مقصد به حداقل برساند. نتایج شبیه‌سازی بیانگر برتری کارایی الگوریتم پیشنهادی نسبت به دو الگوریتم پیش فرض نوبت گردشی و کمترین میزان تاخیر رفت-وبرگشت می‌باشد.

aoi-aware optimization of sub-flow scheduling for multi-path transport layer in dual-connectivity-based cellular networks

emerging applications (e.g., internet of things) in new generation wireless networks have strict information freshness requirements. recently, age of information (aoi) has been introduced as a new qos metric which differs from conventional measures such as delay and throughput. aoi is defined as the elapsed time since the generation of the last received packet in the destination. optimal configuration of the transport and physical layer protocols is key to aoi minimization. in this paper, we study the problem of scheduling multi-path tcp (mptcp) sub-flows over a dual-connectivity-based physical transmission medium based on lte and mmwave technologies. the synergy of a multi-path transport layer and a multi-connectivity-based physical layer gives rise to an efficient communication setup for aoi minimization. in order to optimize the scheduling of traffic sub-flows over the two available paths, we propose a model-free optimization algorithm using reinforcement learning. we aim at minimizing the long-run mean aoi for the data packets received by the destination. simulation results showcase the superiority of the proposed algorithm in comparison with the default mptcp scheduling algorithms, i.e., round-robin and lowest rtt.