Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Глинский Кирилл Андреевич

• Глинский Кирилл Андреевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Глинский Кирилл Андреевич

Введение

Глава 1. Алгоритмы выбора параметров передачи для

обеспечения сверхнадежной связи с малой задержкой

1.1. Сверхнадежная связь с малой задержкой

1.2. Использование технологии MIMO и методы получения информации о состоянии канала

1.3. Выбор сигнально-кодовой конструкции для обеспечения требований к качеству обслуживания

1.4. Обзор литературы

1.5. Постановка задач диссертации

1.6. Выводы

Глава 2. Разработка и исследование алгоритма выбора параметров передачи на основе методов машинного обучения для одноантенных систем URLLC

2.1. Сбор обучающих данных

2.2. Нейросетевой алгоритм выбора СКК

2.3. Исследование алгоритма с помощью имитационного моделирования системного уровня

2.4. Численные результаты

2.5. Выводы

Глава 3. Разработка и исследование алгоритма предсказания канала на основе авторегрессионного подхода для

многоантенных систем URLLC

3.1. Задача предсказания MIMO-канала

3.2. Алгоритм РЛБЛРТ на основе векторной авторегрессионной модели

3.3. Имитационное моделирование канального уровня

3.4. Имитационное моделирование системного уровня

3.5. Выводы

Глава 4. Исследование алгоритмов обновления параметров моделей предсказания канала в сценариях иНЬЬС с переменной скоростью пользователя

4.1. Модели каналов

4.2. Численные результаты

4.3. Адаптивное повторное обучение и выбор СКК в сценарии переменной скорости

4.4. Выводы

Заключение

Список литературы

Список иллюстративного материала

Список таблиц

Приложение А. Акты о внедрении результатов диссертации

Введение

Введение диссертации (часть автореферата) на тему «Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения»

Актуальность работы.

Сверхнадежная связь с малой задержкой (англ.: Ultra-Reliable Low-Latency Communications, URLLC) стала одним из ключевых нововведений сетей 5G, принципиально отличающим их от предшественников. Если сотовые сети предыдущих поколений фокусировались преимущественно на росте пропускной способности, то обеспечение сверхнадежной связи с малой задержкой выдвигает жесткие требования к надежности и задержкам: доля потерянных пакетов (англ.: Packet Loss Ratio, PLR) должна составлять не более 0,001%, а максимальная задержка — 10 мс. Столь строгие требования необходимы для критически важных приложений: от промышленной автоматизации и автономного транспорта до дистанционной хирургии, так как несоблюдение этих требований может привести к тяжелым последствиям, таким как столкновения транспорта или аварии на производстве.

Фундаментальной проблемой при поддержке URLLC-приложений в сотовых сетях является эффективный выбор параметров передачи. В первую очередь, это касается выбора прекодера (матрицы, определяющей сигнал для каждой антенны передатчика при многоантенной передаче) и сигнально-кодовой конструкции (СКК). Спецификации радиодоступа пятого поколения (англ.: 5G New Radio, NR), разработанные консорциумом 3GPP (англ.: 3rd Generation Partnership Project), предлагают широкий набор СКК, варьирующихся по надежности, скорости и потреблению ресурсов. В классическом сценарии передачи веб-трафика допустима вероятность ошибки до 10%, так как неудачная передача может быть скомпенсирована повторной отправкой данных. Однако в сценариях URLLC времени на повторные передачи практически нет. Это вынуждает выбирать

СКК, обеспечивающую максимально низкую вероятность потери пакета, однако избыточно консервативный выбор СКК приводит к нерациональному использованию ограниченного частотно-временного ресурса, снижая общую емкость сети. Аналогично, для построения прекодера (формирования диаграммы направленности), обеспечивающего высокое отношение сигнал-шум (ОСШ), необходимо точное знание состояния канала (матрицы канала), а неправильный выбор прекодера может не только не усилить, но и ослабить полезный сигнал, что приведет к ухудшению качества связи или ее потере.

Ситуация осложняется постоянным изменением свойств беспроводного канала. В условиях динамичной среды (например, в условиях городской застройки) или при движении пользователя на высокой скорости состояние канала может изменяться крайне быстро. Информация о состоянии канала, полученная с помощью пилотного сигнала, может устареть уже через несколько миллисекунд — именно тогда, когда начнется запланированная ранее передача данных.

Традиционные алгоритмы выбора параметров передачи нацелены на максимизацию пропускной способности и реагируют только на уже произошедшие потери пакетов. Они оказываются недостаточно эффективными для обеспечения надежности 99,999% при столь жестких ограничениях на задержку. В таком случае необходимо переходить к проактивному подходу, который способен предсказывать наиболее подходящие параметры для будущей передачи заранее, опираясь на ранее доступные измерения. Методы машинного обучения, уже показавшие свою эффективность в задачах обработки изображений, анализа временных рядов и обработки текстов, способны выделять сложные закономерности в данных. Вышеперечисленные преимущества позволяют считать методы машинного обучения исключительно перспективным инструментом.

Таким образом, разработка эффективных методов выбора параметров передачи, основанных на предсказании параметров беспроводного канала с учетом специфики URLLC, представляет собой актуальную научную проблему.

Степень проработки научной области

Вопросы обеспечения сверхнадежной связи с малой задержкой, а также задачи выбора параметров передачи активно исследуются. Существенный вклад в развитие теории и методов управления радиоресурсами, выбора параметров передачи и моделирования систем мобильной связи внесли российские и зарубежные исследователи, такие как

A. С. Аджемов, Е. А. Барабанова, В. О. Бегишев, А. В. Белогаев,

B. М. Вишневский, К. А. Вытовтов, Ю. В. Гайдамака, А. В. Дворкович, А. А. Иванов, И. А. Кочеткова, А. Н. Красилов, В. Б. Крейндлин, Е. А. Кучерявый, В. А. Ляшев, А. А. Мальцев, К. Е. Самуйлов,

C. Н. Степанов, В. Л. Стефанюк, Е. М. Хоров, а также A. Alkhateeb, E. Bjornson, J. Choi, G. Durisi, A. Goldsmith, H. Kim, D. J. Love, H. Luo, P. Parera и др.

Вместе с тем, работы указанных авторов в основном ориентированы на повышение точности предсказания канала и максимизацию пропускной способности в сценариях широкополосного мобильного доступа. Таким образом, существующие подходы редко учитывают специфические требования сценариев сверхнадежной связи с малой задержкой, где критически важным является не столько средняя точность предсказания, сколько гарантированное выполнение требований к надежности при жестких ограничениях на задержку. Например, два алгоритма предсказания состояния канала могут иметь одинаковую среднеквадратичную ошибку, но разный знак ошибки. В URLLC-сценарии последствия могут быть абсолютно различными: систематическое

занижение предсказываемого качества канала приведет к выбору избыточно надежной СКК и неэффективному расходу радиоресурсов. Завышение же заставит выбрать СКК с недостаточной надежностью, что станет причиной потери пакетов и нарушения требований ИКЬЬС. Следовательно, минимизация средней ошибки не является корректной целью для данной задачи. На момент публикации результатов диссертации отсутствовали исследования, направленные на разработку алгоритмов выбора СКК, явно учитывающих несимметричные риски ошибочного выбора параметров передачи в ИКЬЬС-сценариях. Более того, не были найдены работы, посвященные исследованию эффективности алгоритмов выбора параметров передачи в ИКЬЬС-сценариях при изменении скорости пользователя, и не были предложены методы обновления параметров моделей предсказания, обеспечивающие выполнение требований к качеству обслуживания при изменяющейся скорости пользователя, характерной для сценариев беспилотного транспорта. В силу этого, остается нерешенной задача разработки алгоритмов выбора СКК и прекодера, использующих методы машинного обучения, которые: (1) используют информацию о специфических требованиях ИКЬЬС, непосредственно учитывая асимметричность последствий от занижения или завышения значений СКК; (п) способны адаптироваться в быстро меняющихся условиях, включая сценарии, в которых скорость пользователя меняется; (ш) демонстрируют высокую эффективность в ходе исследований системного уровня в реалистичных сценариях ИКЬЬС-связи.

Объектом исследования являются сотовые сети пятого поколения в сценариях сверхнадежной связи с малой задержкой, а предметом исследования — методы и алгоритмы выбора параметров передачи, использующие машинное обучение.

Цель диссертации

Целью диссертации является обеспечение сверхнадежной связи с малой задержкой при низком потреблении канальных ресурсов. Для достижения поставленной цели в диссертации ставятся следующие задачи:

1. Разработать алгоритм выбора СКК для одноантенных систем связи, обеспечивающий более низкое потребление канальных ресурсов по сравнению с аналогами при выполнении требований к качеству обслуживания URLLC-трафика.

2. Разработать алгоритм построения прекодера для многоантенных систем связи, снижающий потребление канальных ресурсов при обслуживании URLLC-трафика по сравнению с аналогами.

3. Разработать метод адаптации алгоритмов выбора СКК и прекодера для сценариев с переменной скоростью пользователей, снижающий потребление канальных ресурсов при обслуживании URLLC-трафика.

Методы исследования.

В работе использованы методы классического и глубокого машинного обучения, методы квантильной регрессии, а также методы анализа временных рядов. Применяются средства имитационного моделирования, такие как платформа ns-3 (англ.: Network Simulator-3) и программный пакет моделирования канала QuaDRiGA (англ.: QUAsi Deterministic RadIo channel GenerAtor). Исследование разработанных алгоритмов проводится в сценариях, использующих как данные реальных экспериментальных измерений канала, так и данные, сгенерированные на основе геометрических стохастических моделей канала в соответствии со стандартом 3GPP.

Научная новизна.

1. Разработан алгоритм выбора СКК на основе сверточно-рекуррентной нейронной сети, отличающийся учетом асимметричной стоимости

ошибок предсказания канала при обслуживании ИКЬЬС-трафика.

2. Разработан алгоритм выбора прекодера, отличающийся использованием механизма гибкого временного разделения каналов для построения векторной авторегрессионной модели канала.

3. Разработан метод выбора момента повторного обучения алгоритмов совместного выбора СКК и прекодера, использующий оценку ошибки модели предсказания канала.

Практическая значимость работы.

Практическая ценность диссертации заключается в разработке и исследовании алгоритмов выбора СКК и прекодера на основе методов машинного обучения, позволяющих повысить емкость сети при выполнении требований к качеству обслуживания в ИКЬЬС-сценариях, а также расширить зону покрытия сети. Результаты работы внедрены и используются на практике, а также в учебном процессе на базовой кафедре проблем передачи информации и анализа данных МФТИ при ИППИ РАН, что подтверждено соответствующими актами. В частности, разработанные алгоритмы использованы в НИР, выполняемых по проектам: Государственному заданию ИППИ РАН «Методы обеспечения сверхнадежной связи с малой задержкой для высокоавтоматизированных транспортных средств и беспилотных летательных аппаратов» (№ РРКИ-2025-0030), грантам РНФ «Методы обеспечения сверхнадежной связи с малой задержкой в беспроводных сетях пятого и последующих поколений» (№ 21-79-10158) и «Алгоритмы управления передачей данных в системах низкоорбитальной спутниковой связи 50 КТК» (№ 25-19-00659), а также в хоздоговорных НИР, выполненных в ИППИ РАН в интересах телекоммуникационных компаний.

Основные положения, выносимые на защиту:

1. Разработанный алгоритм выбора СКК на основе сверточно-рекуррентной нейронной сети с использованием асимметричной функции потерь позволяет снизить потребление канальных ресурсов при обслуживании URLLC-трафика на величину до 30% по сравнению с аналогами.

2. Разработанный алгоритм выбора прекодера для многоантенной системы связи на основе векторной авторегрессионной модели, использующий гибкое временное разделение каналов, позволяет снизить потребление канальных ресурсов при обслуживании URLLC-трафика до 3 раз по сравнению с аналогами.

3. Разработанный метод совместного выбора СКК и прекодера с адаптивным запуском повторного обучения снижает потребление канальных ресурсов до 2 раз по сравнению с подходом, использующим периодическое повторное обучение.

Степень достоверности и апробация результатов.

Основные результаты диссертации представлены и обсуждались на ведущих международных и российских конференциях: IEEE INFOCOM (Канада, 2021 г.), IEEE BlackSeaCom (Турция, 2023 г.), «Информационные технологии и системы» (2021 г., 2022 г., 2025 г.), а также на семинарах ИППИ РАН.

Публикации. По теме диссертации опубликовано 10 работ [1-10], семь из которых — в изданиях, индексируемых базами данных Scopus и Web of Science и входящих в перечень ВАК [1,4-9]. Две работы опубликованы в журналах Q1 [1,5], и одна — в журнале Q2 [4].

Диссертант лично разработал программные и аппаратные средства для получения экспериментальных измерений свойств беспроводного канала.

Им были лично разработаны алгоритмы выбора СКК и прекодера, использующие машинное обучение, и методы выбора момента переобучения модели. Все основные результаты диссертации получены диссертантом лично. Во всех приведенных работах вклад соавторов заключался в участии при обсуждении постановки задач, частичном анализе литературы и интерпретации численных результатов.

Структура и объем работы. Данная работа состоит из введения, 4 глав, заключения, библиографии и приложения. Библиография включает 107 наименований. Общий объем работы составляет 121 страницу.

Глава 1

Алгоритмы выбора параметров передачи для

__о о

обеспечения сверхнадежнои связи с малой

задержкой

1.1. Сверхнадежная связь с малой задержкой

В стандарте 5G, разработанном консорциумом 3GPP, большое внимание уделено трем основным сценариям применения сотовых сетей.

Сверхширокополосная мобильная связь (англ.: enhanced Mobile Broadband, eMBB) подразумевает обеспечение очень высокой пропускной способности. Она ориентирована на такие приложения, как виртуальная и дополненная реальность, передача видеопотоков высокого разрешения и т. д.

Сверхнадежная связь с малой задержкой (URLLC) предполагает обеспечение требуемых задержек и надежности для беспилотного транспорта и индустриальных приложений.

Массовая межмашинная связь (англ.: massive Machine-Type Communications, mMTC) подразумевает работу сети с очень большим количеством автономных пользовательских устройств, ограниченных как энергопотреблением, так и вычислительной мощностью. Это направление необходимо для успешного развертывания систем интернета вещей (англ.: Internet of Things, IoT), состоящих из множества датчиков и устройств, объединенных в сеть и обменивающихся информацией.

Для каждого из этих сценариев определен свой набор требований к качеству обслуживания. В частности, стандарт описывает жесткие

требования к качеству обслуживания URLLC [11], включающие вероятность потери пакета (англ.: Packet Loss Ratio, PLR) менее 10-5, а также задержку при передаче менее 10 миллисекунд. Столь строгие требования обусловлены критической важностью приложений URLLC: в сценариях беспилотного транспорта и дистанционной хирургии даже потеря небольшого числа пакетов или превышение допустимой задержки может привести к тяжелым последствиям.

Жесткие требования URLLC к надежности и задержке радикально меняют логику принятия решений на физическом уровне [12,13]. В отличие от сценариев eMBB и mMTC, где неоптимальный выбор параметров передачи может быть скомпенсирован повторными попытками или допустимым увеличением задержки, в URLLC даже одна неудачная попытка передачи ставит под угрозу выполнение требований к качеству обслуживания. Это касается всех ключевых процедур [14,15]: выбора СКК, распределения частотно-временных ресурсов, формирования прекодера в многоантенных системах, управления мощностью. Каждая из этих процедур опирается на информацию о состоянии канала, однако из-за задержки между измерением канала и фактической передачей решение принимается на основе устаревших данных, и канал за это время успевает измениться. Следовательно, работа всех перечисленных алгоритмов определяется не тем состоянием канала, которое было измерено, а тем, которое сложится в момент фактической доставки данных. Это вынуждает искать способы предсказывать изменение свойств канала, чтобы учесть их при выборе параметров [16,17].

Вместе с тем, оценивать качество предсказания канала изолированно, т. е. исключительно по точности предсказания его мгновенных характеристик, недостаточно. В реальной системе предсказанные значения проходят через цепочку взаимосвязанных процедур при передаче, и лишь

их совокупная работа определяет, будут ли выполнены требования по надежности и задержке. Поэтому объективная оценка вклада предсказания канала в обеспечение иЯЬЬС возможна только на системном уровне, где учитывается совместная работа всех перечисленных механизмов в условиях, приближенных к реальной эксплуатации сети.

1.2. Использование технологии MIMO и методы получения информации о состоянии канала

1.2.1. Основы технологии MIMO и представление канала

Технология MIMO (англ.: Multiple-Input Multiple-Output) представляет собой одну из ключевых технологий современных систем беспроводной связи, позволяющую существенно повысить как пропускную способность, так и надежность передачи данных. В системах MIMO передатчик оснащен Nt передающими антеннами, а приемник — Nr приемными антеннами, что создает множество пространственных каналов между передатчиком и приемником.

Состояние MIMO-канала описывается комплексной матрицей канала H б CNr xNt, где элемент h^ представляет комплексный коэффициент передачи от j-й передающей антенны к г-й приемной антенне. Этот коэффициент включает в себя как затухание, так и фазовый сдвиг сигнала, обусловленные многолучевым распространением радиоволн. Математически, сигнал, принимаемый на приемнике, может быть записан в виде:

y = Hx + n, (1.1)

где x Е CNt — вектор передаваемых символов, y Е CNr — вектор принятых символов, n Е CNr — вектор аддитивного белого гауссовского шума.

В контексте задачи предсказания канала матрица H рассматривается как функция времени H(í), отражающая временную эволюцию канала. При этом для представления последовательности измерений канала во времени используется трехмерный тензор % Е CNrxNtxT, где Т — количество временных отсчетов. Таким образом, к двум пространственным измерениям (количество приемных и передающих антенн) добавляется временное измерение, что позволяет учитывать динамику изменения канала. Срез тензора %(:, :,£) соответствует матрице канала в момент времени t. Данный трехмерный тензор также может быть дополнен до четырехмерного добавлением частотного измерения Nf, где f — число отсчетов по частоте, при этом за один отсчет может быть принят ресурсный блок или группа ресурсных блоков.

1.2.2. Основные режимы использования технологии MIMO

Технология MIMO может использоваться в различных режимах в зависимости от целей системы связи.

Пространственное мультиплексирование. Одним из основных преимуществ MIMO является возможность передачи нескольких независимых потоков данных одновременно в одной и той же полосе частот, что пропорционально увеличивает пропускную способность системы. При пространственном мультиплексировании вектор передаваемых символов x содержит не более ) независимых информационных символов,

каждый из которых передается через соответствующий пространственный канал. Разделение потоков на приемнике осуществляется за счет различия сигналов, приходящих от разных антенн передатчика. Однако эффективность пространственного мультиплексирования существенно зависит от взаимной корреляции столбцов матрицы канала: в условиях

высокой корреляции (например, при отсутствии рассеивателей в среде распространения) разделение потоков становится практически невозможным, что приводит к снижению пропускной способности. Более того, восстановление сигналов требует знания полной матрицы канала с высокой точностью.

Формирование диаграммы направленности (англ.: beamforming). В этом режиме энергия передаваемого сигнала концентрируется в направлении приемника путем когерентного (синфазного) сложения сигналов от всех передающих антенн. Это достигается за счет применения соответствующих амплитудных и фазовых весов к сигналам, передаваемым с различных антенн. Математически формирование диаграммы направленности реализуется путем умножения информационного символа s на вектор весовых коэффициентов (прекодер) w Е x = ws. При правильном выборе вектора w на основе знания

матрицы канала достигается конструктивное сложение сигналов на приемнике, что существенно повышает отношение сигнал/шум (англ.: Signal-to-Noise Ratio, SNR). Этот режим особенно эффективен в сценариях с прямой видимостью или доминирующим лучом распространения, а также позволяет расширить зону покрытия сети за счет увеличения дальности связи.

Подавление интерференции. В многопользовательских системах технология MIMO позволяет осуществлять одновременную передачу данных нескольким пользователям с использованием одних и тех же частотно-временных ресурсов. При этом критичной становится задача подавления взаимной интерференции между пользователями. Базовая станция формирует прекодеры для каждого пользователя таким образом, чтобы сигнал, предназначенный одному пользователю, находился в нулевом пространстве каналов остальных пользователей. Математически это

означает, что для пользователя к с матрицей канала И прекодер w^ должен удовлетворять условиям Иw^ ~ 0 для всех j = к. Такой подход позволяет существенно повысить суммарную пропускную способность системы за счет эффективного использования пространственных степеней свободы канала.

Для всех перечисленных режимов работы точное знание матрицы канала является критически важным. В условиях неточности информации о состоянии канала эффективность пространственного мультиплексирования снижается из-за невозможности корректного разделения потоков, формирование диаграммы направленности приводит к меньшему усилению в направлении пользователя, а подавление интерференции становится неэффективным, что приводит к существенному росту взаимных помех между пользователями. В сценариях URLLC, где требуется гарантированное качество обслуживания, устаревшая информация о канале может привести к выбору неоптимального прекодера, снижению достигаемого отношения сигнал/шум и, как следствие, к потере пакетов [18].

1.2.3. Построение прекодера для однопользовательской передачи

Одним из наиболее распространенных методов построения прекодера является так называемый прекодер максимального соотношения сигнал/шум (англ.: Maximum Ratio Transmission, MRT), также называемый согласованной фильтрацией (англ.: Matched Filter). Прекодер MRT максимизирует отношение сигнал/шум на приемнике при отсутствии взаимной интерференции между пользователями.

Физический смысл прекодера MRT заключается в том, что он формирует такой вектор передаваемых сигналов, который обеспечивает

когерентное сложение всех компонент сигнала на приемнике. Рассмотрим случай с одной антенной на приемнике. Прекодер представляет собой нормированные комплексно-сопряженные коэффициенты канала, и умножение информационного символа на этот вектор эквивалентно предварительной компенсации фазовых искажений, вносимых каналом. В результате все копии сигнала, пришедшие по различным путям от всех передающих антенн, складываются по фазе на приемнике, что приводит к максимальному усилению полезного сигнала. Отношение сигнал/шум в таком случае пропорционально сумме квадратов модулей коэффициентов канала, что соответствует когерентному усилению сигнала от всех передающих антенн.

Важнейшим аспектом эффективности прекодера MRT является необходимость точного знания матрицы канала H в момент передачи. Если базовая станция использует устаревшую оценку матрицы канала H(i0) вместо актуальной H(£i), где t1 > t0, то прекодер w = Нн(£0)/||Нн(£0)|| оказывается рассогласован с текущим состоянием канала. Это приводит к частичному разрушению когерентности складывания сигналов на приемнике: часть компонент сигнала складывается с неоптимальными фазами, что снижает достигаемое отношение сигнал/шум. В пределе, при полной декорреляции между H(i0) и H(i1), усиление от многоантенной передачи полностью теряется, и система работает как одноантенная.

Степень рассогласования прекодера количественно характеризуется коэффициентом корреляции между H(i0) и H(i1), который в свою очередь определяется временем между передачей сигнала и последним доступным измерением канала At = t1 — t0 и допплеровской частотой канала fd, связанной со скоростью движения пользователя как fd = vfc/c, где v — скорость пользователя, fc — несущая частота, с — скорость света. При малых значениях fdAt корреляция остается высокой, и потери от

рассогласования прекодера незначительны. Однако с увеличением произведения /¿At корреляция быстро падает, что соответствует снижению эффективности прекодирования.

При скорости движения пользователя в десятки километров в час, например, в автомобиле со скоростью 60 км/ч, и несущей частоте порядка 3,6 ГГц, допплеровская частота составляет около 200 Гц. Периоде между измерениями канала в 5 мс произведение fdAt к концу кадра достигает значения, близкого к единице, что соответствует практически полной декорреляции канала и потере эффективности прекодера. Таким образом, использование устаревшей информации о канале не позволяет достичь выигрыша от использования MIMO-систем в сценариях высокой мобильности пользователя.

1.2.4. Получение информации о состоянии канала в системах 5G

В системах 5G можно использовать два подхода для получения информации о состоянии нисходящего канала (англ.: Downlink Channel State Information, DL CSI) для каждого пользовательского устройства (далее — ПУ; англ.: User Equipment, UE). Оба подхода используют пилотные сигналы известного вида, по изменению которых после приема можно определить параметры канала.

При первом подходе базовая станция отправляет специальные пилотные сигналы для получения информации о канале (англ.: Channel State Information Reference Signais, CSI-RS). Каждое пользовательское устройство использует эти сигналы для измерения канала, а затем отправляет обработанный результат измерения в виде набора данных о состоянии канала обратно на базовую станцию. Поскольку количество антенн на базовой станции в системах с большим числом антенн (англ.:

Massive MIMO) может достигать 64 и более, передача полной матрицы нисходящего канала HDL размерности Nr х Nt от пользовательского устройства к базовой станции потребовала бы значительных ресурсов канала. Поэтому в стандарте определены процедуры квантования и сжатия информации о канале на основе так называемых кодовых книг прекодера (заранее подготовленных таблиц), что приводит к дополнительным потерям точности.

Список литературы диссертационного исследования кандидат наук Глинский Кирилл Андреевич, 2026 год

Список литературы

1. Glinskiy Kirill, Kureev Aleksey Andreevich, Khorov Evgeny. ALPACA: An Asymmetric Loss Prediction Algorithm for Channel Adaptation Based on a Convolutional-Recurrent Neural Network in URLLC Systems // IEEE Access. 2024. Vol. 12. Pp. 329-338.

2. К.А.Глинский, Красилов А. Н. Оценка влияния алгоритмов предсказания канала на емкость систем 5G NTN для трафика реального времени // Сборник трудов 49-й школы-конференции "Информационные технологии и системы" (ИТиС). 2025.

3. Глинский К., Куреев А., Красилов А., Хоров Е. Исследование авторегрессивных алгоритмов предсказания параметров MIMO канала // Сборник трудов 45-й междисциплинарной школы-конференции ИППИ РАН «Информационные технологии и системы 2021» (ИТИС 2021). Москва: Институт проблем передачи информации им. А.А. Харкевича РАН, 2021. С. 71-79. Москва, 15-17 ноября 2021 года.

4. Glinskiy Kirill, Kureev Aleksey, Krasilov Artem, Khorov Evgeny. PABAFT: Channel Prediction Approach Based on Autoregression and Flexible TDD for 5G Systems // Electronics. 2022. Vol. 11, no. 12. URL: https://www. mdpi.com/2079-9292/11/12/1853.

5. Poyda Arseny, Tyarin Andrey, Glinskiy Kirill et al. Experimental study of a User-Centric RIS in existing cellular systems // Comput. Netw. 2025. Vol. 263, no. C. 11 pp. URL: https://doi.org/10.1016/j.comnet.2025. 111219.

6. Glinskiy Kirill, Kureev Aleksey, Khorov Evgeny. SDR-based Testbed for Real-time CQI Prediction for URLLC // IEEE INFOCOM 2021 -IEEE Conference on Computer Communications Workshops (INFOCOM

WKSHPS). IEEE, 2021. Pp. 1-2.

7. Glinskiy Kirill, Krasilov Artem, Khorov Evgeny, Kureev Aleksey. Performance of ML-Based Channel Prediction Algorithms for URLLC: Channel Model Matters // 2023 IEEE International Black Sea Conference on Communications and Networking (BlackSeaCom). 2023. Pp. 306-311.

8. Пойда АИ, Глинский КА, Тярин АС et al. Экспериментальное исследование реконфигурируемых интеллектуальных поверхностей с обратной связью от пользовательских устройств // Информационные процессы. 2023. Vol. 23, no. 4. Pp. 600-611.

9. Глинский К. А., Красилов А. Н., Куреев А. А. Алгоритм выбора сигнально-кодовой конструкции для пользователей 5G V2X с переменными скоростями // Информационные процессы. 2025. Т. 25, № 4. С. 736-746.

10. Глинский К. А., Куреев А. А., Красилов А. Н. Исследование авторегрессионных алгоритмов предсказания MIMO-канала в расширенных сценариях высокой мобильности // Сборник трудов школы-конференции "Информационные технологии и системы"(ИТиС 2022). 2022.

11. 3GPP. Study on physical layer enhancements for NR ultra-reliable and low latency case (URLLC). 2018. V10.7.0.

12. Alves Hirley, Jo Gweon Do, Shin JaeSheung et al. Beyond 5G URLLC evolution: New service modes and practical considerations // ITU Journal on Future and Evolving Technologies. 2022. Vol. 3, no. 3. Pp. 545-554.

13. Стефанюк В. Л., Цетлин М. Л. О регулировке мощности в коллективе радиостанций // Проблемы передачи информации. 1967. Vol. 3, no. 4. Pp. 49-57.

14. Tu Nguyen Duc, Muthanna Ammar, Khakimov Abdukodir et al. SHARP-AODV: An Intelligent Adaptive Routing Protocol for Highly Mobile

Autonomous Aerial Vehicle (AAV) Networks // Sensors. 2025. Vol. 25, no. 24. URL: https://www.mdpi.com/1424-8220/25/24/7522.

15. Zhivtsova Anna, Beschastnyi Vitalii, Koucheryavy Yevgeni, Samouylov Konstantin. A Survey of Delay-Oriented Dynamic Link Scheduling Policies for 5G/6G Integrated Access and Backhaul Systems // IEEE Access. 2024. Vol. 12. Pp. 118565-118586.

16. Duel-Hallen Alexandra. Fading Channel Prediction for Mobile Radio Adaptive Transmission Systems // Proceedings of the IEEE. 2007. Vol. 95, no. 12. Pp. 2299-2313.

17. Bui Huu Phu, Ogawa Yasutaka, Nishimura Toshihiko, Ohgane Takeo. Performance Evaluation of a Multi-User MIMO System With Prediction of Time-Varying Indoor Channels // IEEE Transactions on Antennas and Propagation. 2013. Vol. 61, no. 1. Pp. 371-379.

18. Le Khoa. URLLC Performance Under Outdated Channel State Information and Generalised-Rician Fading // IEEE Transactions on Vehicular Technology. 2021. Vol. 70, no. 11. Pp. 12174-12178.

19. Badic B., Balraj R., Scholand T. et al. Analysis of CQI Prediction for MU-MIMO in LTE Systems // 2012 IEEE 75th Vehicular Technology Conference (VTC Spring). IEEE, 2012.

20. Lu Zhaohua, Zhu Dengkui, Zhang Xiaodan, Chen Xianming. SINR prediction based on MU-MIMO in large scale antenna array system // 2013 International Conference on Wireless Communications and Signal Processing. IEEE, 2013.

21. Gerardino Guillermo Andres Pocovi, Esswie Ali Abdelmawgood Ali Ali, Pedersen Klaus Ingemann. Channel Quality Feedback Enhancements for Accurate URLLC Link Adaptation in 5G Systems // 2020 IEEE 91st Vehicular Technology Conference (VTC2020-Spring). Antwerp, Belgium: 2020. Pp. 1-6.

22. Jarinova Darina. On autoregressive model order for long-range prediction of fast fading wireless channel. 2011. Vol. 52, no. 3. Pp. 1533-1539.

23. Baddour K.E., Beaulieu N.C. Autoregressive modeling for fading channel simulation // IEEE Transactions on Wireless Communications. 2005. Vol. 4, no. 4. Pp. 1650-1662.

24. Dong Chunli, Dong Yuning, Wang Li. Autoregressive Channel Prediction Model for Cognitive Radio // 2009 5th International Conference on Wireless Communications, Networking and Mobile Computing. IEEE, 2009.

25. Zheng Yadan, Dong Mingke, Jin Ye, Wu Jianjun. CQI Prediction for Shadow Fading in LTE-compatible GEO Mobile Satellite Communications System // Proceedings of the 2012 2nd International Conference on Computer and Information Applications (ICCIA 2012). Vol. 756. Atlantis Press, 2012. Pp. 2137-2141.

26. Homayouni Samira, Schwarz Stefan, Rupp Markus. On CQI Estimation for Mobility and Correlation Properties of Gaussian Process Regression // 2018 IEEE 88th Vehicular Technology Conference (VTC-Fall). IEEE, 2018.

27. Chiumento Alessandro, Bennis Mehdi, Desset Claude et al. Adaptive CSI and feedback estimation in LTE and beyond: a Gaussian process regression approach // EURASIP Journal on Wireless Communications and Networking. 2015. Vol. 2015, no. 1.

28. Ladosz Pawel, Oh Hyondong, Zheng Gan, Chen Wen-Hua. Gaussian Process Based Channel Prediction for Communication-Relay UAV in Urban Environments // IEEE Transactions on Aerospace and Electronic Systems.

2020. Vol. 56, no. 1. Pp. 313-325.

29. Wang Yitu, Nakachi Takayuki, Inoue Takeru et al. Correlation Discovery and Channel Prediction in Mobile Networks: A Revisiting to Gaussian Process // 2021 IEEE Global Communications Conference (GLOBECOM).

2021. Pp. 1-6.

30. Mekki Sami, Amara Mustapha, Feki Afef, Valentin Stefan. Channel gain prediction for wireless links with Kalman filters and expectation-maximization // 2016 IEEE Wireless Communications and Networking Conference. IEEE, 2016.

31. Kim Hwanjin, Kim Sucheol, Lee Hyeongtaek et al. Massive MIMO Channel Prediction: Kalman Filtering Vs. Machine Learning // IEEE Transactions on Communications. 2021. Vol. 69, no. 1. Pp. 518-528.

32. Husseini Ali Houssam El, Simon Eric Pierre, Ros Laurent. Optimization of the second order autoregressive model AR(2) for Rayleigh-Jakes flat fading channel estimation with Kalman filter // 2017 22nd International Conference on Digital Signal Processing (DSP). IEEE, 2017.

33. Lerch Martin. Experimental comparison of fast-fading channel interpolation methods for the LTE uplink // 2015 57th International Symposium ELMAR (ELMAR). IEEE, 2015.

34. Lema Maria A., Garcia-Lozano Mario, Ruiz Silvia. Cubic spline extrapolation for uplink channel quality prediction in LTE-A with carrier aggregation // Transactions on Emerging Telecommunications Technologies. 2015. Vol. 28, no. 2. P. e2950.

35. Sanchez-Fernandez M., de Prado-Cumplido M., Arenas-Garcia J., Perez-Cruz F. SVM Multiregression for Nonlinear Channel Estimation in Multiple-Input Multiple-Output Systems // IEEE Transactions on Signal Processing. 2004. Vol. 52, no. 8. Pp. 2298-2307.

36. Krizhevsky Alex, Sutskever Ilya, Hinton Geoffrey E. ImageNet classification with deep convolutional neural networks // Communications of the ACM. 2017. Vol. 60, no. 6. Pp. 84-90.

37. Zhao Jumin, Tian Hao, ao Li Deng. Channel Prediction Based on BP Neural Network for Backscatter Communication Networks // Sensors. 2020. Vol. 20, no. 1. P. 300.

38. Luo Changqing, Ji Jinlong, Wang Qianlong et al. Channel State Information Prediction for 5G Wireless Communications: A Deep Learning Approach // IEEE Transactions on Network Science and Engineering. 2020. Vol. 7, no. 1. Pp. 227-236.

39. Parera Claudia, Redondi Alessandro E.C., Cesana Matteo et al. Transfer Learning for Channel Quality Prediction // 2019 IEEE International Symposium on Measurements & Networking (M&N). IEEE, 2019. Pp. 1-6.

40. Madhubabu Draksham, Thakre Arpita. Long-Short term Memory based Channel Prediction for SISO System // 2019 International Conference on Communication and Electronics Systems (ICCES). IEEE, 2019.

41. Kim Hwanjin, Choi Junil, Love David J. Massive MIMO Channel Prediction Via Meta-Learning and Deep Denoising: Is a Small Dataset Enough? 2022.

42. Jiang Wei, Schotten Hans Dieter. Deep Learning for Fading Channel Prediction // IEEE Open Journal of the Communications Society. 2020. Vol. 1. Pp. 320-332.

43. Liao Run-Fa, Wen Hong, Wu Jinsong et al. The Rayleigh Fading Channel Prediction via Deep Learning // Wireless Communications and Mobile Computing. 2018. Vol. 2018. Pp. 1-11.

44. Lin Xin, Liu Aijun, Han Chen et al. Deep Learning-Based Nonstationary Channel Prediction in Tactical Vehicle-to-Vehicle Communication Environments // Wireless Communications and Mobile Computing. 2022. Vol. 2022. Pp. 1-10.

45. Xiong Lei, Zhang Zhengyu, Yao Dongpin. A novel real-time channel prediction algorithm in high-speed scenario using convolutional neural network // Wireless Networks. 2022. Vol. 28, no. 2. Pp. 621-634.

46. Brighente Alessandro, Mohammadi Jafar, Baracca Paolo. Interference Distribution Prediction for Link Adaptation in Ultra-Reliable Low-Latency Communications. 2020. URL: https://arxiv.org/abs/2007.00306.

47. Jiang Hao, Cui Mingyao, Ng Derrick Wing Kwan, Dai Linglong. Accurate Channel Prediction Based on Transformer: Making Mobility Negligible // IEEE Journal on Selected Areas in Communications. 2022. Vol. 40, no. 9. Pp. 2717-2732.

48. Zhou Qiuheng, Melnyk Sergiy, Wang Donglin, Schotten Hans D. Evaluation of Transformer Empowered Channel Prediction for 5G and Beyond Communication // 2024 IEEE 100th Vehicular Technology Conference (VTC2024-Fall). 2024. Pp. 1-6.

49. Liu Yihao, Luo Zhiyong. Channel Prediction Based on Transformer Architecture in High Dynamic MIMO: Mitigating Noise Effect and Eliminating Error Accumulation // 2025 IEEE Wireless Communications and Networking Conference (WCNC). 2025. Pp. 1-6.

50. Devlin Jacob, Chang Ming-Wei, Lee Kenton, Toutanova Kristina. BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding.

51. Isabona Joseph, Imoize Agbotiname Lucky, Ojo Stephen et al. Development of a Multilayer Perceptron Neural Network for Optimal Predictive Modeling in Urban Microcellular Radio Environments // Applied Sciences. 2022. Vol. 12, no. 11. URL: https://www.mdpi.com/2076-3417/12/11/5713.

52. Aldosary Abdallah Mobark, Aldossari Saud Alhajaj, Chen Kwang-Cheng et al. Predictive Wireless Channel Modeling of MmWave Bands Using Machine Learning // Electronics. 2021. Vol. 10, no. 24. URL: https: //www.mdpi.com/2079-9292/10/24/3114.

53. Zhu Yizhou, Dong Xiaodai, Lu Tao. An Adaptive and Parameter-Free Recurrent Neural Structure for Wireless Channel Prediction // IEEE Transactions on Communications. 2019. Vol. 67, no. 11. Pp. 8086-8096.

54. Kulkarni Adita, Seetharam Anand, Ramesh Arti, Herath J. Dinal. DeepChannel: Wireless Channel Quality Prediction Using Deep Learning //

IEEE Transactions on Vehicular Technology. 2020. Vol. 69, no. 1. Pp. 443-456.

55. Wang Yongqing, Wang Yidan, Shen Yuyao. Satellite Dynamic Channel Prediction Based on LSTM Network // 2023 IEEE 7th Information Technology and Mechatronics Engineering Conference (ITOEC). Vol. 7. 2023. Pp. 150-155.

56. Prosvirov Vladislav, Ali Amjad, Khakimov Abdukodir, Koucheryavy Yevgeni. Spatio-Temporal Coherence of mmWave/THz Channel Characteristics and Their Forecasting Using Video Frame Prediction Techniques // Mathematics. 2023. Vol. 11, no. 17. URL: https://www.mdpi.com/2227-7390/11/17/3634.

57. Liu Wendong, Tian Wenqiang, Xiao Han et al. EVCsiNet: Eigenvector-Based CSI Feedback Under 3GPP Link-Level Channels // IEEE Wireless Communications Letters. 2021. Vol. 10, no. 12. Pp. 2688-2692.

58. Becvar Zdenek, Plachy Jan, Mach Pavel et al. Machine Learning for Channel Quality Prediction: From Concept to Experimental Validation // IEEE Transactions on Wireless Communications. 2024. Vol. 23, no. 10. Pp. 14605-14619.

59. Zeng Xiang, Zhao Yuping, Qu Wanyue. A Novel CQI Prediction Scheme for LTE-A System // Proceedings of the 6th International Conference on Communications and Broadband Networking - ICCBN 2018. ACM Press, 2018.

60. Abdulhasan Muntadher Qasim, Salman Mustafa Ismael, Ng Chee Kyun et al. A channel quality indicator (CQI) prediction scheme using feed forward neural network (FF-NN) technique for MU-MIMO LTE system // 2014 IEEE 2nd International Symposium on Telecommunication Technologies (ISTT). IEEE, 2014.

61. Guo Jiajia, Wen Chao-Kai, Jin Shi, Li Geoffrey Ye. Convolutional neural

network-based multiple-rate compressive sensing for massive MIMO CSI feedback: Design, simulation, and analysis // IEEE Transactions on Wireless Communications. 2020. Vol. 19, no. 4. Pp. 2827-2840.

62. Belogaev Andrey, Khorov Evgeny, Krasilov Artem et al. Conservative Link Adaptation for Ultra Reliable Low Latency Communications // 2019 IEEE International Black Sea Conference on Communications and Networking (BlackSeaCom). IEEE, 2019. Pp. 1-5.

63. Formis Gabriele, Cena Gianluca, Wisniewski Lukasz, Scanzio Stefano. Accurate and Efficient Prediction of Wi-Fi Link Quality Based on Machine Learning // IEEE Transactions on Industrial Informatics. 2026. Vol. 22, no. 2. Pp. 763-774.

64. He Hengtao, Jin Shi, Wen Chao-Kai et al. Model-Driven Deep Learning for Physical Layer Communications // IEEE Wireless Communications. 2019. Vol. 26, no. 5. Pp. 77-83.

65. Wong I.C., Evans B.L. Sinusoidal Modeling and Adaptive Channel Prediction in Mobile OFDM Systems // IEEE Transactions on Signal Processing. 2008. Vol. 56, no. 4. Pp. 1601-1615.

66. Adeogun Ramoni O., Teal Paul D., Dmochowski Pawel A. Parametric Channel Prediction for Narrowband MIMO Systems Using Polarized Antenna Arrays // 2014 IEEE 79th Vehicular Technology Conference (VTC Spring). IEEE, 2014. Pp. 1-5.

67. Vanderpypen Joel, Schumacher Laurent. MIMO Channel Prediction using ESPRIT based Techniques // 2007 IEEE 18th International Symposium on Personal, Indoor and Mobile Radio Communications. IEEE, 2007. Pp. 1-5.

68. Ma Wenyan, Qi Chenhao. ESPRIT-Based Channel Estimation for Frequency-Selective Millimeter Wave Massive MIMO System // ICC 2019 - 2019 IEEE International Conference on Communications (ICC). IEEE, 2019. Pp. 1-6.

69. Yin Haifan, Wang Haiquan, Liu Yingzhuang, Gesbert David. Addressing the Curse of Mobility in Massive MIMO With Prony-Based Angular-Delay Domain Channel Predictions // IEEE Journal on Selected Areas in Communications. 2020. Vol. 38, no. 12. Pp. 2903-2917.

70. Huang Ching-Tang, Huang Yu-Chih, Shieh Shin-Lin, Chen Po-Ning. Novel Prony-Based Channel Prediction Methods for Time-Varying Massive MIMO Channels // 2024 IEEE 99th Vehicular Technology Conference (VTC2024-Spring). IEEE, 2024. Pp. 1-6.

71. Huang Yi, Wang Haiquan, Yin Haifan, Zhao Zhijin. Iterative Time-Varying Channel Prediction Based on the Vector Prony Method // Wireless Personal Communications. 2024. Vol. 136, no. 1. Pp. 103-122.

72. Lv Changwei, Lin Jia-Chin, Yang Zhaocheng. Channel Prediction for Millimeter Wave MIMO-OFDM Communications in Rapidly Time-Varying Frequency-Selective Fading Channels // IEEE Access. 2019. Vol. 7. Pp. 15183-15195.

73. Heidari A., Khandani A.K., McAvoy D. Adaptive modelling and long-range prediction of mobile fading channels // IET Communications. 2010. Vol. 4, no. 1. Pp. 39-50.

74. Peng Wei, Zou Meng, Jiang Tao. Channel Prediction in Time-Varying Massive MIMO Environments // IEEE Access. 2017. Vol. 5. Pp. 23938-23946.

75. Li Ting, Li Fei, Li Chunguo. Manifold-based predictive precoding for the time-varying channel using differential geometry // Wireless Networks. 2016. Vol. 22, no. 8. Pp. 2773-2783.

76. Love D.J., Heath R.W., Strohmer T. Grassmannian beamforming for multiple-input multiple-output wireless systems // IEEE Transactions on Information Theory. 2003. Vol. 49, no. 10. Pp. 2735-2747.

77. Mai Zhiyuan, Chen Yueyun, Zhao Huachao et al. A UAV Air-to-Ground

Channel Estimation Algorithm Based on Deep Learning // Wireless Personal Communications. 2022. Vol. 124, no. 3. Pp. 2247-2260.

78. Joo Jhihoon, Park Myung Chul, Han Dong Seog, Pejovic Veljko. Deep Learning-Based Channel Prediction in Realistic Vehicular Communications // IEEE Access. 2019. Vol. 7. Pp. 27846-27858.

79. Yang Yuwen, Gao Feifei, Zhong Zhimeng et al. Deep Transfer Learning-Based Downlink Channel Prediction for FDD Massive MIMO Systems // IEEE Transactions on Communications. 2020. Vol. 68, no. 12. Pp. 7485-7497.

80. Bogale Tadilo Endeshaw, Wang Xianbin, Le Long Bao. Adaptive Channel Prediction, Beamforming and Scheduling Design for 5G V2I Network: Analytical and Machine Learning Approaches // IEEE Transactions on Vehicular Technology. 2020. Vol. 69, no. 5. Pp. 5055-5067.

81. Yuan Jide, Ngo Hien Quoc, Matthaiou Michail. Machine Learning-Based Channel Prediction in Massive MIMO With Channel Aging // IEEE Transactions on Wireless Communications. 2020. Vol. 19, no. 5. Pp. 2960-2973.

82. Eom Chahyeon, Lee Chungyong. Hybrid Neural Network-Based Fading Channel Prediction for Link Adaptation // IEEE Access. 2021. Vol. 9. Pp. 117257-117266.

83. Wang Peng, Li Jianjun, Zhang Aihua et al. WMMSE based Online Optimization Channel Prediction for Massive MIMO in High-mobility // 2023 9th International Conference on Computer and Communications (ICCC). 2023. Pp. 156-161.

84. Wu Chi, Yi Xinping, Zhu Yiming et al. Channel Prediction in High-Mobility Massive MIMO: From Spatio-Temporal Autoregression to Deep Learning // IEEE Journal on Selected Areas in Communications. 2021. Vol. 39, no. 7. Pp. 1915-1930.

85. Liu Weihang, Chen Ziyu, Gao Xiang. Massive MIMO Channel Prediction

in Real Propagation Environments Using Tensor Decomposition and Autoregressive Models // 2022 IEEE 33rd Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC). 2022. Pp. 849-855.

86. Truong Kien T., Heath Robert W. Effects of channel aging in massive MIMO systems // Journal of Communications and Networks. 2013. Vol. 15, no. 4. Pp. 338-351.

87. Khawaja Wahab, Ozdemir Ozgur, Guvenc Ismail. Channel Prediction for mmWave Ground-to-Air Propagation Under Blockage // IEEE Antennas and Wireless Propagation Letters. 2021. Vol. 20, no. 8. Pp. 1364-1368.

88. Liu Guanzhang, Hu Zhengyang, Wang Lei et al. Spatio-Temporal Neural Network for Channel Prediction in Massive MIMO-OFDM Systems // IEEE Transactions on Communications. 2022. Vol. 70, no. 12. Pp. 8003-8016.

89. Li Jinke, Zhu Jieao, Dai Linglong. Accurate Channel Prediction Based on Spatial-Temporal Electromagnetic Kernel Learning // ICC 2025 - IEEE International Conference on Communications. IEEE, 2025. Pp. 1013-1018.

90. Zhou Tao, Zhang Haitong, Ai Bo et al. Deep-Learning-Based Spatial-Temporal Channel Prediction for Smart High-Speed Railway Communication Networks // IEEE Transactions on Wireless Communications. 2022. Vol. 21, no. 7. Pp. 5333-5345.

91. Avallone S., Pasquino N., Zinno S., Casillo D. Smartphone-based measurements of LTE network performance // 2017 IEEE International Instrumentation and Measurement Technology Conference (I2MTC). 2017. Pp. 1-6.

92. Rupasinghe Nadisanka, Guvenc Ismail. Capturing, recording, and analyzing LTE signals using USRPs and LabVIEW // SoutheastCon 2015. IEEE, 2015.

93. Yang Shimu, Aghaeinezhadfirouzja Saeid, Chen Erkai, Tao Meixia. Channel

measurement and performance of multicast beamforming in campus network // 2016 8th International Conference on Wireless Communications & Signal Processing (WCSP). IEEE, 2016.

94. Gomez-Miguelez Ismael, Garcia-Saavedra Andres, Sutton Paul D. et al. srsLTE: An Open-Source Platform for LTE Evolution and Experimentation.

95. 3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA). 2013. V10.7.0.

96. Ioffe Sergey, Szegedy Christian. Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift.

97. Koenker Roger, Bassett Gilbert. Regression Quantiles // Econometrica. 1978. Vol. 46, no. 1. P. 33.

98. Kingma Diederik P., Ba Jimmy. Adam: A Method for Stochastic Optimization.

99. Bartoli Giulio, Marabissi Dania. CQI Prediction Through Recurrent Neural Network for UAV Control Information Exchange Under URLLC Regime // IEEE Transactions on Vehicular Technology. 2022. Vol. 71, no. 5. Pp. 5101-5110.

100. Ghosh Amitabha, Ratasuk Rapeepat. Essentials of LTE and LTE-A. Cambridge University Press, 2011.

101. Donthi Sushruth N, Mehta Neelesh B. An accurate model for EESM and its application to analysis of CQI feedback schemes and scheduling in LTE // IEEE Transactions on Wireless Communications. 2011. Vol. 10, no. 10. Pp. 3436-3448.

102. Burkhardt F., Jaeckel S., Eberlein E., Prieto-Cerdeira R. QuaDRiGa: A MIMO channel model for land mobile satellite // The 8th European Conference on Antennas and Propagation (EuCAP 2014). IEEE, 2014. Pp. 1274-1278.

103. Riley George F., Henderson Thomas R. The ns-3 Network Simulator //

Modeling and Tools for Network Simulation. Springer Berlin Heidelberg, 2010. Pp. 15-34.

104. 3GPP. TR38.901: Study on channel model for frequencies from 0.5 to 100 GHz. 2022.

105. PANG Lihua, ZHANG Jin, ZHANG Yang et al. Investigation and Comparison of 5G Channel Models: From QuaDRiGa, NYUSIM, and MG5G Perspectives // Chinese Journal of Electronics. 2022. Vol. 31, no. 1. Pp. 1-17.

106. Endovitskiy Egor, Kureev Aleksey, Khorov Evgeny. Reducing Computational Complexity for the 3GPP TR 38.901 MIMO Channel Model // IEEE Wireless Communications Letters. 2022. Vol. 11, no. 6. Pp. 1133-1136.

107. Zugno Tommaso, Polese Michele, Patriciello Natale et al. Implementation of a spatial channel model for ns-3 // Proceedings of the 2020 Workshop on ns-3. 2020. Pp. 49-56.

Список иллюстративного материала

1.1 Различные варианты настройки TDD при различных параметрах. 21

1.2 Различные варианты настройки TDD для разных сценариев передачи................................23

2.1 Схема экспериментальной установки для получения измерений качества канала............................44

2.2 Зависимость SINR от времени для экспериментального сценария движения высокоскоростного пользователя xEVA. . . 45

2.3 Зависимость SINR от времени для экспериментального сценария движения пешехода xEPA.................46

2.4 Зависимость SINR от времени для сценария EPA3........46

2.5 Зависимость SINR от времени для сценария EVA60........47

2.6 Функция распределения изменения SINR за 1 мс для различных сценариев.........................47

2.7 Архитектура нейронной сети....................48

2.8 Сравнение функций потерь.....................52

2.9 PLR для экспериментального сценария высокоскоростного пользователя............................................................57

2.10 Использование ресурсных блоков для экспериментального сценария высокоскоростного пользователя.............58

2.11 PLR для сценария EPA3.......................59

2.12 Использование ресурсных блоков для сценария EPA3.......60

2.13 PLR для сценария EVA60.......................61

2.14 Использование ресурсных блоков для сценария EVA60......62

3.1 Предсказание канала на протяжении одного периода SRS. ... 66

3.2 Пример обучающих данных: структура выборки для векторной авторегрессионной модели......................68

3.3 Функция распределения БКИ, на приемнике в зависимости от объема обучающей выборки (сценарий ИМаЗО)..........69

3.4 Функция распределения БКИ, на приемнике в зависимости от объема обучающей выборки (сценарий ИМа3) ..........70

3.5 Влияние разности частот между обучающей и тестовой группами на качество предсказания канала............71

3.6 Результаты моделирования в сценарии системного уровня. ... 76

3.7 Средний БШИ, пользователя в сценарии 30 км/ч..........79

3.8 Средний БШИ, пользователя в сценарии 60 км/ч..........79

3.9 Средний БШИ, пользователя в сценарии 90 км/ч..........80

4.1 Геометрическая стохастическая модель беспроводного канала . 85

4.2 Выигрыш в БШИ, на 0,1-м перцентиле для различных скоростей пользователя и моделей канала (Ж = 10)..............90

4.3 Выигрыш в БШИ, на 0,1-м перцентиле при скорости 60 км/ч

для различных моделей канала (Ж = 4)...............91

4.4 Структура ТЭЭ-кадра: (а) рабочая конфигурация 8ЭЬ:2ИЬ; (б) обучающая конфигурация с максимальной долей восходящих слотов .......................... 93

4.5 Доля используемых ресурсных блоков при различных подходах

к выбору момента повторного обучения (послотовая оценка БКЯ) 99

4.6 Доля используемых ресурсных блоков при различных подходах к оценке БКИ, для фиксированного (Ж = 6) и адаптивного (А =

1 дБ) периодов повторного обучения................99

Список таблиц

1.1 Набор СКК стандарта 50 Ш (30РР ТБ 38.214, Таблица 5.1.3.1-1), предназначенный для сценариев еМВВ (дР8К-64-дЛМ)...........................25

1.2 Набор СКК стандарта 50 Ш (30РР ТБ 38.214, Таблица 5.1.3.1-2), предназначенный для сценариев еМВВ с поддержкой 256^ЛМ........................26

1.3 Набор СКК стандарта 50 Ш (30РР ТБ 38.214, Таблица 5.1.3.1-3), предназначенный для сценариев ИКЬЬС (пониженные скорости кодирования)................27

2.1 Параметры эксперимента.......................56

3.1 Параметры моделирования...................... 74

4.1 Основные параметры сценария моделирования..........96

Приложение А Акты о внедрении результатов диссертации

Федеральное государственное автономное УгТВЕРЖДАЮ

образовательное учреждение высшего образования «Национальный исследовательский университет Высшая школа экономики»

Проректор НИУ ВШЭ, директор МИЭМ НИУ ВШЭ

Д.Г. Коваленко

(НИУ ВШЭ)

АКТ

о внедрении теоретических и практических результатов диссертационной работы Глинского К.А. «Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения», представленной па соискание ученой степени кандидата технических наук, при выполнении НИР, проводимых НИУ ВШЭ

Теоретические и практические результаты диссертационной работы Глинского К.А. «Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения», а именно:

1) алгоритм выбора сигнально-кодовой конструкции на основе сверточно-рекуррентной нейронной сети с использованием асимметричной функции потерь;

2) алгоритм выбора прекодера для многоантенной системы связи на основе векторной авторегрессионной модели, использующий гибкое временное разделение каналов;

3) алгоритм совместного выбора сигнально-кодовой конструкции и прекодера с адаптивным запуском повторного обучения — были использованы в рамках выполнения НИР по следующим проектам:

— проект «Методы обеспечения сверхнадежной связи с малой задержкой в беспроводных сетях пятого и последующего поколений» (соглашение № 21-79-10158) Российского научного фонда;

- проект «Алгоритмы управления передачей данных в системах низкоорбитальной спутниковой связи 50МТЫ» (соглашение №25-19-00659) Российского научного фонда.

Руководитель проектов РНФ №21-79-10158, 25-19-00659, старший научный сотрудник

УТВЕРЖДАЮ

оте, к.ф.-м.н.

Баган Виталий Анатольевич

2026 г.

АКТ

об использовании теоретических и практических результатов диссертационной работы Глинского Кирилла Андреевича «Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения», представленной на соискание ученой степени кандидата технических наук, в учебном процессе на базовой кафедре проблем передачи информации и анализа данных МФТИ

В рамках дисциплин «Сотовая связь пятого поколения» и «Моделирование беспроводных сетей», которые читаются студентам магистратуры МФТИ на базовой кафедре проблем передачи информации и анализа данных МФТИ, использованы теоретические и практические результаты диссертационной работы Глинского Кирилла Андреевича «Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения». Среди них: алгоритм выбора СКК для одноантенных систем связи; алгоритм выбора прекодера для многоантенных систем связи.

зам. зав. кафедрой проблем передачи информации и анализа данных МФТИ

к.ф.-м.н. Ершов Егор Иванович

Федеральное государственное бюджетное учреждение науки

Институт проблем передачи информации им. A.A. Харкевича

Российской академии наук

(ИППИ РАН)

УТВЕРЖДАЮ Первцй заместитель директора

О.И. Бедрик 20^г.

АКТ

о внедрении теоретических и практических результатов диссертационной работы Глинского Кирилла Андреевича «Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения», представленной на соискание ученой степени кандидата технических наук, при разработке НИР, проводимых ИППИ РАН

Теоретические и практические результаты диссертационной работы Глинского К.А. «Обеспечение сверхнадежной связи с малой задержкой с помощью методов машинного обучения», а именно:

1) алгоритм выбора сигнально-кодовой конструкции на основе сверточно-рекуррентной нейронной сети с использованием асимметричной функции потерь;

2) алгоритм выбора прекодера для многоантенной системы связи на основе векторной авторегрессионной модели, использующий гибкое временное разделение каналов;

3) алгоритм совместного выбора сигнально-кодовой конструкции и прекодера с адаптивным запуском повторного обучения - были использованы в рамках выполнения НИР по следующим проектам:

• проект «Методы обеспечения сверхнадежной связи с малой задержкой для высокоавтоматизированных транспортных средств и беспилотных летательных аппаратов» по теме Государственного задания № РРШ-2025-0030.

• НИР, выполняемых по заказу индустриальных партнеров ИППИ РАН.

Руководитель отдела телекоммуникационных систем и информационных технологий, к.т.н.