Artificial Intelligence Based Resource Allocation in Cell-Free Networks

With the rapid development of technology, cellular networks can no longer meet the
demands of wireless networks. Communication systems need to be updated to ensure
that every user equipment (UE) receives accurate and efficient service. Cell-free (CF)
networks offer advantages over cellular networks, such as more flexible resource
allocation, higher capacity, better coverage and lower interference. The deployment of
multiple access points (APs) and flexible allocation of resources leads to higher
network performance and efficiency. In addition, in CF networks, users can
communicate with APs spreaded around them, achieving more homogeneous
coverage. Reducing interference and utilizing resources more efficiently improve UEs
experience and increases network capacity. In this thesis, two different resource
allocation problems for CF networks have been investigated by exploring different
machine learning and deep learning algorithms. In the first resource allocation
problem, an efficient AP selection scheme has been explored by using and comparing
different classification methods for the campus of Katip Celebi University. In the
second resource allocation problem, power allocation has been studied to increase the
total spectral efficiency (SE) of the CF networks. Three different machine learning
(ML) techniques have been used to train the generated dataset addressing the convex
optimization problem of SumSE power allocation. Deep Neural Network (DNN),
Light Gradient Boosting Machine (LightGBM) and Convolutional Neural Network
(CNN) are the ML models. ML models facilitate SE estimation based on channel gain
values. The numerically calculated SE values have been compared with the ML
models. The comparisons lead to the recommendation of the best ML model.


Teknolojinin hızla gelişmesiyle birlikte hücresel ağlar artık kablosuz ağların taleplerini karşılayamaz hale gelmiştir. Her kullanıcı ekipmanının (UE) doğru ve verimli hizmet almasını sağlamak için iletişim sistemlerinin güncellenmesi gerekmektedir. Hücresiz (CF) ağlar, hücresel ağlara göre daha esnek kaynak tahsisi, daha yüksek kapasite, daha iyi kapsama alanı ve daha düşük parazit gibi avantajlar sunar. Birden fazla erişim noktasının (AP) konuşlandırılması ve esnek kaynak tahsisi, daha yüksek ağ performansı ve verimliliğine yol açar. Buna ek olarak, CF ağlarında kullanıcılar etraflarına yayılmış AP'lerle iletişim kurabilir ve daha homojen bir kapsama alanı elde edebilir. Girişimin azaltılması ve kaynakların daha verimli kullanılması UE'lerin deneyimini iyileştirir ve ağ kapasitesini artırır. Bu tezde, farklı makine öğrenimi ve derin öğrenme algoritmaları keşfedilerek CF ağları için iki farklı kaynak tahsisi problemi incelenmiştir. İlk kaynak tahsisi probleminde, Katip Çelebi Üniversitesi kampüsü için farklı sınıflandırma yöntemleri kullanılarak ve karşılaştırılarak verimli bir AP seçim şeması araştırılmıştır. İkinci kaynak tahsisi probleminde, CF ağlarının toplam spektral verimliliğini (SE) artırmak için güç tahsisi incelenmiştir. SumSE güç tahsisinin konveks optimizasyon problemini ele alarak oluşturulan veri kümesini eğitmek için üç farklı makine öğrenimi (ML) tekniği kullanılmıştır. Derin Sinir Ağı (DNN), Işık Gradyanı Güçlendirme Makinesi (LightGBM) ve Evrişimsel Sinir Ağı (CNN) ML modelleridir. ML modelleri, kanal kazanç değerlerine dayalı SE tahminini kolaylaştırır. Sayısal olarak hesaplanan SE değerleri ML modelleri ile karşılaştırılmıştır. Karşılaştırmalar en iyi ML modelinin önerilmesine yol açmaktadır.