Over the last few years, multiple radio-access technologies (multi-RATs) have been highlighted, where multi-mode terminals (MMTs) are connected to various wireless networks. Since simultaneous transmissions for parallel multi-RATs require a lot of energy, energy-efficient strategies are potentially beneficial. This work studies a bit and power adaptation (BPA) approach for the energy-efficient operation of multi-RATs. First of all, a switched RAT problem is investigated. It is observed that, without non-zero power constraint, maximizing the energy-efficiency leads to selection of a single RAT. Then, machine-learning-based BPA (ML-BPA) scheme is addressed with the aim to adapt a parameter set of bit and power, thus enhancing the energy efficiency of the network. A two-dimensional capacity (2D-CAP) feature space is proposed to reflect the link states accurately and to enable the practical use of machine-learning. From numerical results, it is observed that the 2D-CAP feature compensates for a large fraction of the performance loss induced by the imperfect feature space. Moreover, the performance of the proposed ML-BPA scheme is close to the ideal parameter search solution.
최근에 다양한 라디오 접속 기술이 존재하는 다중라디오 환경은 미래의 네트워크 환경으로 각광받고 있다. 병렬 다중라디오 환경에서는 에너지의 소비가 심각하기 때문에, 에너지 효율을 고려해야 한다. 본 논문에서는 다중라디오 환경에서 에너지 효율을 고려한 적응형 전송에 대하여 연구하였다. 먼저 전환 다중라디오 환경에 대해 조사하였다. 전력의 제한 조건 없이, 에너지 효율을 최대화 하는 기법은 하나의 라디오 만을 사용하는 것이었다. 그 후에, 기계학습 기반의 적응형 전송 기법에 대해 다루었다. 이 기법은 전력과 비트의 양을 조절하여, 네트워크 상의 에너지 효율을 향상 시킨다. 본 논문에서는 정확하게 링크의 상태를 추정하고 기계학습 알고리즘을 현실적으로 사용하기 위하여, 2차원의 feature를 제안하였다. 모의 실험 결과로 2D-CAP이 불완전한 feature로 발생하는 손실을 보상하는 것을 확인하였고, 제안한 알고리즘의 성능이 이상적인 값에 접근하는 것을 보였다.
