Bruken av UAV-er (droner) som flyvende basestasjoner (BS) gir en kostnadseffektiv og fleksibel løsning for å forbedre dekning og kapasitet i eksisterende terrestriske cellulære nettverk. Dette er mulig takket være UAV-ens evne til å justere høyder, unngå hindringer og øke sannsynligheten for linjesyn (LoS) til brukerne på bakken. Imidlertid medfører UAV-assisterte cellulære nettverk flere tekniske utfordringer knyttet til de særpregede egenskapene til slike systemer. Disse inkluderer uregelmessig og variabel topologi, stor høyde og den unike luft-til-bakke (A2G) kanalen.

De fleste studier innen dette feltet fokuserer på dekningens sannsynlighet, som bare beskriver gjennomsnittlig ytelse på tvers av hele nettverket. Denne tilnærmingen gir imidlertid ikke innsikt i variasjonen av ytelsen mellom de individuelle koblingene. Et annet aspekt er at brukerne, på grunn av høydeforskjellen mellom UAV-er og terrestriske brukere, normalt er geografisk nær sine mål-UAV-er. Dette gjør den vanlige antagelsen om et uniformt off-boresight vinkel (OBA) feilaktig i luftbårne nettverk, ettersom det i UAV-baserte nettverk er mer kompleks geometri for antennejustering og signaloverføring.

I denne sammenhengen har UAV-assisterte cellulære nettverk blitt analysert med utgangspunkt i meta-distribusjon (MD) for å ta hensyn til realistiske A2G-kanaler og antennemønstre. Denne tilnærmingen inkluderer en mer presis modell av antennestråling og signaloverføring, i motsetning til de forenklede, uniformt fordelte modellene som tidligere har blitt benyttet.

Systemmodellen for UAV-assisterte nettverk

I denne modellen er UAV-er og terrestriske basestasjoner (TBS) representert som to uavhengige homogent fordelte punktprosesser (PPP), men på forskjellige høyder. UAV-ene er utstyrt med enten styrbare eller faste retningsantenner, og systemet antar at det er perfekt trådløs tilbakekobling mellom UAV-er og TBS-er. Dette gir en stabil informasjonsutveksling mellom de to enhetene.

UAV-er opererer i det samme frekvensspekteret som TBS-er, og sender med spesifikke effektverdier. Modellen antar at alle TBS-er og UAV-er er fullt belastet, det vil si at hver enhet serverer én bruker på bakken. Dette gjør at systemet kan analyseres for den typiske brukeren som er plassert ved origo.

LoS og NLoS-modeller i UAV-assisterte nettverk

En av de viktigste fordelene ved UAV-er er muligheten til å etablere LoS-lenker til terrestriske brukere, noe som kan forbedre signalkvaliteten betydelig sammenlignet med ikke-LoS (NLoS)-lenker. I analysen brukes en probabilistisk LoS-modell for A2G-lenker, der sannsynligheten for LoS for en gitt avstand er modellert gjennom en funksjon som kan tilpasses miljøet. Dette gir en realistisk vurdering av signalforholdene mellom UAV-er og brukerne.

Samtidig er det viktig å merke seg at når UAV-ene opererer i høyder som er betydelig forskjellig fra bakkenivået, kan signalet også bli forstyrret av faktorer som blokkering av bygninger eller andre objekter, noe som reduserer kvaliteten på NLoS-lenkene.

Måling av ytelse i UAV-assisterte nettverk

For å få en mer presis vurdering av systemets ytelse i slike nettverk, har vi utviklet en MD-basert analytisk rammeverk. Dette tar høyde for både realistiske A2G-kanaler og UAV-ens antennemønstre, og gir målinger av betinget suksess-sannsynlighet (CSP) og gjennomsnittlig lokal forsinkelse. Dette rammeverket gir en bedre forståelse av hvordan forskjellige UAV-funksjoner påvirker nettverksytelsen, spesielt i tette nettverk.

Simuleringer viser at de tidligere antagelsene om uniform OBA kan føre til undervurdering av nettverkets ytelse, særlig i områder med moderat UAV-høyde. Det er derfor avgjørende å ta hensyn til OBA-distribusjonen, spesielt når UAV-er er utstyrt med retningsantenner.

Designveiledning og nettverksforbedringer

Gjennom simuleringene har vi også avdekket at å utstyre UAV-er med styrbare antenner kan ha betydelige fordeler for både dekning og brukerrettferdighet i nettverket. Dette gir UAV-ene muligheten til å justere strålingen og dermed forbedre signalet til brukerne. Resultatene antyder at UAV-er kan erstatte TBS-er i et slikt nettverk for å gi bedre ytelse, spesielt i tette områder hvor det er høy etterspørsel etter nettverkstjenester.

For å optimalisere UAV-assisterte nettverk er det derfor viktig å vurdere de spesifikke egenskapene til UAV-ene, inkludert antenneinnstillinger og operasjonshøyder. Dette kan føre til mer effektive nettverksløsninger, som også er bedre rustet til å håndtere høye brukerbelastninger og varierende signalforhold.

Viktige betraktninger for leseren

Ved vurderingen av UAV-assisterte cellulære nettverk, er det viktig å forstå at både de fysiske og geometriske egenskapene til UAV-er spiller en betydelig rolle i nettverksytelsen. Til tross for de teknologiske fremskrittene, vil faktorer som avstand, høydeforskjell og signalforstyrrelser fortsatt ha stor innvirkning på nettverkskvaliteten. Å ignorere de realistiske modellene for A2G-kanaler og antennemønstre kan føre til feilaktige vurderinger og redusert ytelse i praksis.

Det er derfor nødvendig å ha en detaljert forståelse av hvordan forskjellige parametere, som OBA, påvirker den totale ytelsen. I tillegg bør fremtidige nettverksdesignere være oppmerksomme på hvordan de kan bruke UAV-er på en fleksibel og kostnadseffektiv måte, samtidig som de tar hensyn til de spesifikke kravene til brukergrupper og geografiske områder.

Hvordan analysere SINR i UAV-assisterte mobilnettverk: Teoretiske og praktiske tilnærminger

For å forstå hvordan Signal-to-Interference-plus-Noise Ratio (SINR) oppfører seg i nettverk med droner, må man forholde seg til kompleksiteten som følger med den tilfeldige plasseringen av basestasjoner (BS) og småskala fading. En tilnærming som gir innsikt i dette problemet, innebærer to steg. Først defineres en betinget sannsynlighet for SINR, kalt Conditional SINR Probability (CSP), som karakteriserer sannsynligheten for at SINR overstiger et gitt terskelnivå, γ, gitt spesifikke nettverksparametere for basestasjonene. Denne sannsynligheten er betinget på plasseringen av både basestasjonene og brukerens spesifikasjoner, og den beskriver hvordan SINR forholder seg til en bestemt geometrisk konfigurasjon av nettverket.

Deretter introduseres SINR Meta Distribution (SINR MD), som gir en mer omfattende statistisk beskrivelse av SINR-verdier i hele nettverket. SINR MD er definert som den kumulative fordelingsfunksjonen (CDF) til CSP, og gir innsikt i andelen aktive lenker som har en SINR over et bestemt nivå, x. Dette er et kraftig verktøy for å vurdere nettverkets ytelse på tvers av forskjellige scenarioer, spesielt når man ønsker å forstå hvordan SINR kan variere med tid og plass.

For å beregne SINR MD på en effektiv måte, benyttes ofte Gil-Pelaez's inversjonsteorem, som gir en eksakt måte å uttrykke CDF på, men som samtidig innebærer utfordringer knyttet til numeriske beregninger og integrering. For å forenkle denne prosessen, kan man approximere SINR MD ved hjelp av en standard beta-fordeling, der de første to momentene til CSP matcher med beta-fordelingens parametere. Denne tilnærmingen forenkler beregningene betydelig og gir en praktisk løsning for å analysere nettverkets ytelse uten behov for tunge numeriske metoder.

Videre er det mulig å utvikle en generell formel for beregning av de b-te momentene til CSP, som involverer flere faktorer, som brukerens tilknytning til forskjellige nivåer av basestasjoner (TBS) og UAV-er (ubemannede luftfartøyer). Disse momentene gir verdifull informasjon om hvordan forskjellige typer forstyrrelser påvirker signalstyrken og dermed den totale ytelsen til nettverket. For eksempel, ved å bruke sannsynligheten for tilknytning til ulike nivåer av basestasjoner, kan man beregne hvordan forskjellige scenarier (for eksempel LoS vs. NLoS forhold) påvirker SINR-utviklingen.

I tilfelle et veldig tett nettverk, der UAV-er er i svært nær tilknytning til brukeren, oppstår en interessant asymptotisk oppførsel. Når tettheten av basestasjoner går mot uendelig, vil tilknytning til et spesifikt UAV i LoS (Line-of-Sight) bli den dominerende faktoren for SINR, og de øvrige UAV-ene i NLoS (Non-Line-of-Sight) vil bidra mindre til signalet. Dette kan føre til en forenkling av SINR MD-beregningen, ettersom tilknytningen til en enkelt UAV blir den viktigste variabelen for ytelsen.

Når det gjelder spesifikke scenarier, kan vi vurdere situasjoner der nettverket er "støybegrenset", som kan oppstå ved høye frekvenser (for eksempel millimeterbølger) og lav tetthet av basestasjoner. I disse tilfellene, på grunn av det brede båndet og sparsomme interferens, kan SINR MD beregnes enklere ved å anta at interferensene er minimalisert, og at støy er den viktigste faktoren som begrenser nettverksytelsen. Under slike forhold kan CSP-momentene beregnes ved hjelp av en enklere formel som innebærer en integrasjon over støyens fordeler, som gir en intuitiv forståelse av hvordan støy påvirker den totale signalstyrken.

For å oppsummere, å forstå og beregne SINR i UAV-assisterte mobilnettverk krever en grundig innsikt i både teoretiske og praktiske aspekter av nettverksgeometri, interferens og støy. Den metodiske tilnærmingen som benytter CSP og SINR MD gir et kraftig verktøy for å vurdere og forutsi ytelsen til slike nettverk.

For ytterligere forståelse er det viktig å merke seg at disse beregningene er fundamentalt avhengige av de spesifikke parametrene for nettverket, som tetthet, type UAV-er og tilkoblingsvilkår. I praksis vil faktorer som bygningsstrukturer, værforhold og UAV-høyde ha en betydelig innvirkning på de faktiske ytelsene i et UAV-assistert nettverk. Disse parametrene bør alltid tas i betraktning når man vurderer SINR og andre ytelsesmålinger, ettersom de kan ha stor innvirkning på den teoretiske modellen som her er beskrevet.

Hvordan påvirker smerte ytelsen til hjernedata-basert grensesnitt (BCI)?
Hva er trans-fettsyrer, og hvorfor er det viktig å eliminere dem fra kostholdet?
Hvordan Nullifikasjon og Sekesjon Ble Del Av Den Amerikanske Historien