بهينه‌سازي زمان‌بندي بار ترافيكي زير-جريان‌هاي لايه حمل چندمسيري با آگاهي از ديرينگي اطلاعات در شبكه‌هاي سلولي مبتني بر اتصال دوگانه

AoI-Aware Optimization of Sub-Flow Scheduling for Multi-Path Transport Layer in Dual-Connectivity-Based Cellular Networks

در كاربردهاي نوظهور بر بستر نسل جديد شبكه هاي بي سيم به ويژه در اينترنت اشيا، محدوديت هاي سخت‌گيرانه‌اي جهت تضمين تازگي اطلاعات وجود دارد. در همين راستا، اخيراً معيار جديدي براي سنجش كيفيت سرويس شبكه به نام «ديرينگي اطلاعات» (AoI) مطرح شده كه با معيارهاي مرسوم مانند تاخير و گذردهي متفاوت است و به عنوان زمان سپري شده از توليد آخرين بسته موفق دريافت شده در مقصد تعريف مي‌شود. تضمين مقادير پايين براي ديرينگي اطلاعات مستلزم پيكربندي بهينه پروتكل هاي جديد انتقال اطلاعات در دو سطح لايه حمل و فيزيكي شبكه است. در اين مقاله، ما مسأله زمان‌بندي بار ترافيكي پروتكل TCP چندمسيري (MPTCP) را بر بستر اتصال دوگانه فيزيكي مبتني بر فناوري هاي LTE و mmWave مورد مطالعه قرار مي دهيم. هم افزايي لايه حمل چندمسيري با لايه انتقال فيزيكي چندگانه، بستر ارتباطي كارآمدي را براي كاهش ديرينگي اطلاعات فراهم مي نمايد. براي بهينه سازي زمان بندي زيرجريان هاي ترافيكي روي دو مسير ارتباطي، ما يك الگوريتم بهينه سازي فارغ از مدل مبتني بر يادگيري تقويتي را پيشنهاد مي‌كنيم كه هدف آن دستيابي به يك سياست بهينه است كه ميانگين بلندمدت AoI بسته‌هاي داده را در مقصد به حداقل برساند. نتايج شبيه‌سازي بيانگر برتري كارايي الگوريتم پيشنهادي نسبت به دو الگوريتم پيش فرض نوبت گردشي و كمترين ميزان تاخير رفت-وبرگشت مي‌باشد.

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.