Preamble Selection Probability Optimization in RACH: A Multi-Armed Bandits Approach
Notice bibliographique
Résumé
The use of cellular networks for massive machine-type communications (mMTC), is an attractive solution due to the availability of existing infrastructure. However, the sheer number of user equipments (UEs) creates congestion and overloading challenges on the random access channel (RACH). To address this, we develop a multi-armed bandit (MAB)-based reinforcement learning (RL) approach that learns optimal preamble selection strategies without requiring the base station (BS) to know the number of UEs in the network. We first model a two-priority RACH that captures the behavior of UEs through access patterns observed at the BS. This enables us to design a non-uniform preamble selection scheme and formulate an optimization problem that seeks the best preamble selection probabilities to maximize high-priority UE success while constraining low-priority access. Our proposed RL framework uses a discretized and compressed the action space (AS) to improve scalability, and uses cross-entropy methods to efficiently update the MAB solution. In addition, we present a compact AS (CAS) approach that leverages a lookup table of pre-optimized preamble selection probabilities across different network loads. This not only reduces the AS further but also enables implicit network load estimation. Numerical experiments show that the proposed method offers higher throughput for high priority UEs compared to the uniform preamble selection scheme, as well as an access class barring scheme, while maintaining a minimum throughput for low priority UEs.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».