Pre-Connect Handover Management for 5G Networks Using Multi-Agent Deep Q-Networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Effective handover management is crucial for maintaining seamless connectivity in wireless networks, and it becomes increasingly challenging in fifth-generation (5G) networks due to strict Quality of Service (QoS) and Quality of Experience (QoE) requirements. This paper addresses the challenge of ensuring reliable and low-latency handovers in high-mobility scenarios for 5G networks by introducing a novel pre-connect handover (PHO) mechanism enhanced with Deep Reinforcement Learning (DRL). The proposed approach leverages Deep Q-Networks (DQN), a model-free DRL algorithm, to proactively select the best target cell based on prediction for handover. DQN makes predictive decisions based on Reference Signal Received Quality (RSRQ) values and their rate of change among the candidate cells that a user equipment (UE) can receive signals from simultaneously. To further reduce handover latency and improve reliability, the mechanism incorporates packet buffering at the target cell before handover execution. The DQN-assisted PHO solution is implemented and evaluated using Network Simulator 3 (NS-3) integrated with NS3-Gym, focusing on real-time online prediction for high-speed mobility scenarios. Furthermore, this paper explores the feasibility of extending the approach to Multi-Agent DRL (MADRL), where agents manage handovers independently. Experimental results demonstrate that the proposed DQN-assisted PHO significantly improves handover success rates by triggering the handover process 800–900 ms earlier, and the MADRL can also achieve up to 100% success rate for specific scenarios. These findings highlight the potential of DRL-based techniques for enhancing handover reliability and performance in 5G and beyond wireless networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle