Performance Analysis of Unsupervised Deployment in Drone-Cell Swarms under JT-CoMP

Next generation communication technologies aim to offer users high data rate in every environment. Especially in metropols, drone-cells are ideal to use in order to gain from path loss and going to be a part of heterogeneous networks in 5G and beyond. Through drone cells, service quality and network capacity will be improved in the fields with high amount of users. Due to their high mobility, drone base stations can be easily deployed with different order and algorithms in the field. In this work, machine learning techniques, namely k-means and Gaussian mixture models, are used to compare the performances of user equipments. Using the same spectrum by multiple cells including drone base stations creates interference problems in their coverage areas. With the joint transmission coordinated multipoint (JT-CoMP) technique introduced by 3GPP to mitigate interference, it is aimed to improve the performance of cell edge users and increase the capacity for them. Keywords—drone-cell swarms, joint transmission coordinated multipoint technique, outage probability I. GİRİŞ Hareket yetenekleri sayesinde dronların gezgin (hareket edebilen) baz istasyonları olarak servis sağlaması yaygınlaşmaktadır. Doğal afetlerden sonra devre dışı kalabilen sabit baz istasyonlarının yerine servis devamlılığını sağlayabilmek gibi kullanım alanları da mevcuttur [1], [2]. Dron sistemlerinin haberleşme alanının yanında askeri, özel ve ticari kullanım alanları bulunmaktadır. İçerisinde birden çok dron barındıran çoklu dron şebekeleri daha verimli, kullanışlı ve güvenilirdir. Şebekede bozulan veya zarar gören bir dronun yerine diğer dronlar servis sunabilir [3]. Dron baz istasyonlarının (DBS) en uygun performansta servis verebilmesi için uçma yüksekliğini, kullanıcı cihazlarına (user equipment, UE) uzaklığını ve hareket algoritmalarını belirleyen çeşitli çalışmalar mevcuttur [4], [5]. Bu çalışmalarda DBS’lerin etkili servis verebilmesi için üç boyutlu optimum konumlandırılması hem yükseklik hem de UE’ye uzaklık açısından incelenmiştir. [6]’da DBS’lerin sabit baz istasyonları ile aralarındaki taşıma (backhaul) işaretleşmesi ve kapsama alanı gözetilerek DBS’lerin üç boyutlu nasıl konumlandırılacağına dair bir parçacık sürü en iyileme algoritması önerilmiştir. Tek bir DBS sınırlı sayıda kullanıcıya servis verebilir. Daha fazla UE’ye servis verebilmek için birden çok dronun aynı anda uçurulması mümkündür. Aynı anda uçurulan dronların sahadaki yerleşimleri ile ilgili farklı yaklaşımlar mevcuttur. Konumun en iyilemesi için [7]’de genetik algoritma kullanılırken, [8]’de genetik ve parçacık sürü algortimaları birlikte kullanılmıştır. En iyileme algoritmaları haricinde makine öğrenmesi kümeleme tekniklerinin kullanımı da mevcuttur [9]. Eğiticisiz kümeleme tekniklerinden en geniş kullanıma sahip k-ortalama kümelemesi, verilen n data noktasını istenen k adet merkez etrafında kümeler. Merkezin yeri her noktanın merkeze olan uzaklığının karesinin ortalaması olacak şekilde belirlenir [10]. Küme sayısının önceden belirlenmesi ve noktaların kendilerine en yakın merkeze ait kümede bulunması sebebiyle bu teknikle sahada dağınık UE’lerin kümelendirilmesi ve merkezlerinin bulunması uygundur. Gauss karışım modelleri (GKM) kümelemesi, bir toplulukta normal dağılımlı alt toplulukları belli parametrelere göre ayıran olasılıksal bir modeldir. k-ortalamadan farklı olarak merkeze olan ortalama uzaklığın yanı sıra kovaryans ve ağırlık parametreleri de dikkate alınır [11]. DBS’ler birbirlerinin kapsama alanına girdiklerinde girişim sorunları oluşmaktadır. Şekil 1’de sürü halinde yayılan DBS’lerin kapsama alanında kalan, hücre kıyısı 978-1-7281-7206-4/20/$31.00 © 2020 IEEE Şekil 1: Sürü halinde uçan dron hücreler ve kapsama alanları girişim bölgeleri görülmektedir. Girişim sorunlarının çözülmesi için ortak iletim eş güdümlü çoklu nokta (joint transmission coordinated multipoint, JT-CoMP) girişim engelleme tekniği önerilmiştir [12]. Bu yöntemde, UE’nin işaretini yakaladığı farklı baz istasyonlarından aynı frekansta servis alınabilmesi mümkündür. Bu şekilde girişime sebep olan işaret, anlamlı ve kullanılabilir işarete çevrilir. [13]’te CoMP metodunun veri hacmi ve kapsama alanı dışında kalma olasılığı analiz edilmiştir. [14]’te yazarlar α-adil fonksiyon temelli CoMP kümelendirmesi ve kaynak planlaması çalışmıştır. UE’nin CoMP modelini uygulamasına baz istasyonlarından alınan güç farkına göre karar veren yapı [15]’te çalışılmıştır. Literatürdeki mevcut çalışmalarda JT-CoMP modelinin DBS’ler tarafından kullanılmasını analiz eden bir çalışma bulunmamaktadır. Bu çalışmada, DBS’lerin JT-CoMP tekniğiyle işaret girişiminin engellenip kullanıcıya sunulan performansın arttırılması amaçlanmıştır. DBS’lerin kullanıcının doğrudan görüş hizasında bulunmasının avantajıyla görüş çizgisi (line of sight, LoS) olasılığına bağlı hesaplanan bir yol kaybı modeli kullanılmıştır. k-ortalama ve GKM kümeleme teknikleri ile yerleştirilen DBS’lerin kapsama açısından verimlilikleri karşılaştırılarak, GKM’nin de dinamik DBS’lerin konumlandırılmasında kullanılabileceği gösterilmiştir. Bildiri düzeni olarak, Bölüm II’de sistem modeli ve modelde kullanılan görüş çizgisi yol kaybı modeli ve alınan güç ile JT-CoMP tekniği anlatılmaktadır. Bölüm III kapsamında kortalama ve GKM kümelemelerine göre kullanıcılar farklı kümelere konulup farklı DBS’lerden hizmet almaları sağlanarak kümelemelerin kapsama olasılığına etkisi gösterilmiştir. Bölüm IV’te ise sonuçlar karşılaştırılmış ve araştırmaya açık konular belirtilmiştir.