L’IA à la croisée des communications sans fil
Achetée sur Istockphoto.com. Droits d’auteur.
Le nombre croissant de téléphones intelligents, d’applications IdO et d’appareils connectés ont fait migrer la plupart de nos activités vers l’Internet. Maintenir une connexion sans fil rapide et hautement fiable, et en assurer le bon fonctionnement, est devenu un impératif dans notre vie quotidienne. L’intelligence artificielle (IA) permet d’anticiper des solutions spécifiques à un grand nombre de problèmes complexes dans différents domaines. Nous proposons donc ici un mécanisme fiable visant à adapter les paramètres de transmission à des conditions de canaux sans fil qui varient dans le temps. Ce mécanisme tire parti du potentiel des techniques d’apprentissage machine pour concevoir des réseaux WiFi fiables et à haut débit. Nous proposons des extensions aux algorithmes IA existants pour résoudre le problème d’adaptation des liaisons sans fil.
Qu’est-ce que l’adaptation des liaisons ?
FIGURE 1. Vue du système d’adaptation de liaison proposé.
Contrairement aux autres types de liens câblés, les canaux sans fil changent continuellement. Ces changements proviennent de différentes sources, comme la mobilité des utilisateurs, les interférences variables et même les changements de température à l’extérieur. La nature dynamique des canaux sans fil impose une multitude de défis à tout système de communication sans fil. L’un de ces défis consiste à choisir les paramètres de transmission (ex. schéma modulation-codage (MCS), intervalle de garde, etc.) qui conviennent le mieux aux conditions actuelles du canal. Ce processus porte le nom de modulation et codage adaptatifs (AMC). L’AMC vise généralement à maximiser le débit du système tout en maintenant une fiabilité élevée, mesurée par un taux d’erreur de paquets (PER) donné. Quelques-uns des défis de ce processus :
- Les combinaisons de paramètres augmentent à mesure que de nouvelles technologies sont lancées. Par exemple, le nombre de combinaisons de paramètres possibles est passé de huit dans la norme IEEE 802.11b à plus de 4000 dans la norme IEEE 802.11ax.
- Aujourd’hui, avec les systèmes MIMO, représenter un canal est plus complexe et nécessite un nombre de dimensions plus élevé.
Dans les anciens systèmes, les experts utilisaient des techniques simples à l’aide de tables de consultation pour résoudre le problème. Ces tables représentaient les différentes valeurs du rapport signal/bruit (RSB) par rapport aux paramètres correspondants. Mais ces techniques simples sont très limitées devant le nombre toujours croissant de combinaisons. Il faut des outils puissants d’apprentissage machine pour prédire les paramètres de transmission et évoluer vers des systèmes de communication intelligents.
Le cadre proposé
Nous proposons ici un modèle de réseau neuronal qui représente les différentes informations d’état du canal (CSI) et les combinaisons optimales de paramètres, ainsi qu’une nouvelle modélisation de l’AMC comme problème de classification multiétiquette et multiclasse. Nous proposons aussi une fonction objective qui permet au modèle d’éviter les prédictions erronées pouvant causer des pertes de paquets et des retransmissions. La figure 1 présente une vue d’ensemble du système d’adaptation de liaison proposé. La modélisation avec la fonction objective a permis d’obtenir, de manière fiable, un débit quasi optimal. Dans le pire des cas, nous avons manqué le débit optimal de seulement 3 %.
Tableau 1 : Scénarios extérieurs pour tester le système proposé
FIGURE 2. Pourcentage de retransmissions dans chaque scénario testé (C1, C2 et D1).
Les performances du modèle ont été validées conformément aux normes IEEE 802.11ax selon différents scénarios en extérieur (voir tableau 1). Pour évaluer la fiabilité du système, nous avons utilisé le nombre de retransmissions (c’est-à-dire l’équivalent du PER) comme mesure de qualité de service (QoS). La figure 2 montre le pourcentage de retransmissions obtenu dans le système proposé. À noter que le modèle IA est fiable, ayant moins de 2 % de retransmissions dans le pire des scénarios testés.
Pour une évaluation plus poussée, nous avons représenté graphiquement le pourcentage de retransmissions obtenu par un modèle IA entraîné au moyen de la fonction de perte d’entropie croisée classique et l’avons comparé à celui obtenu par le même modèle, cette fois, entraîné au moyen de la fonction de perte proposée. La figure 3 montre que le modèle entraîné avec notre fonction de perte est plus performant que le modèle utilisant l’entropie croisée, ce qui signifie que notre modèle est plus fiable que les autres systèmes existants.
FIGURE 3. Pourcentage de retransmissions W40\%PD dans le scénario C2 pour les modèles entraînés au moyen de l’entropie croisée classique et notre fonction de perte proposée.
Conclusion
Les communications sans fil peuvent grandement s’améliorer grâce à la puissance croissante de l’intelligence artificielle et des techniques d’apprentissage machine. C’est là l’un des objectifs du laboratoire Synchromedia de l’ÉTS. Nous avons fait ici un pas de plus vers des réseaux sans fil à haut débit ultra-fiables. Pour plus d’information sur la technique proposée, veuillez consulter l’article suivant : “Towards More Reliable Deep Learning-Based Link Adaptation for WiFi 6,” publié à l’International Conference on Communications (ICC 2021).
