OTTIMIZZAZIONE DELL'INTERFACCIA 5G NR SULLA BASE DI TECNICHE INNOVATIVE

THE fifth generation (5G) of cellular networks aims at providing connectivity for a large number of applications. To achieve this goal, 5G has been designed considering three scenarios with vastly heterogeneous requirements: Enhanced Mobile Broadband (eMBB), massive Machine-Type Communications (mMTC), and Ultra-Reliable Lowlatency Communications (URLLC). On the basis of the stringent Key Performance Indicators (KPIs), optimizing separately the services belonging to each one of these scenarios is already challenging. Furthermore, simultaneously addressing the KPIs of the different scenarios is even more difficult. Considering the usage of common techniques cannot permit to overcome the fundamental trade-off among the achievable data rate, latency, reliability, and spectral efficiency. Therefore, to efficiently deal with these challenges, several optimization aspects exploiting innovative techniques should be introduced. In the view of 5G and future 6G wireless networks, the aim of this Dissertation is to provide the capability to efficiently support different service classes and their diverse Quality of Service (QoS) requirements. To do so, we optimize several aspects of the Radio Resource Management (RRM) level and Medium Access Control (MAC) procedures, by exploiting innovative techniques. The analysis provided considers different access techniques, like Time Division Multiple Access (TDMA), Orthogonal Frequency Division Multiple Access (OFDMA) and the novel Sparse Code Multiple Access (SCMA), the support of advanced waveform, such as filtered OFDM, and Universal Filtered Multi-Carrier (UFMC), and the exploitation of a multi-numerology frame structure with different sub-carrier spacing. In addition, innovative technique of Access Class Barring (ACB) and predictive estimation of the traffic load are considered. Finally, the introduction of Deep Learning (DL) techniques and Deep Reinforcement Learning (DRL) algorithms permitted to overcome limitations set by mathematical and statistical approaches. The research activity can be grouped into three main areas. The first one considers the coexistence among a wide variety of services inside the same OFDM grid with the aim of providing flexibility and improvement of performances. Initially, we propose a QoS-aware and Channel-aware two-levels RRM framework, that appropriately allocates the band spectrum to the numerologies and properly assigns the Physical Resource Blocks (PRBs) to each numerology. Moreover, we implement a new Simulation Environment to identify the best (waveform, Guard-Band (GB) size) pair which reduces the Inter-Numerology Interference (INI) phenomenon, and maximizes the spectral efficiency while taking into account QoS requirements. In the second research activity, we focus on the optimization of the RRM for the mMTC services. We propose a new framework that includes a joint control of the dynamic resource allocation between the Physical Random Access Channel (PRACH) and the Physical Uplink Shared Channel (PUSCH), and a new random access procedure based on an adaptive ACB scheme. To further increase the spectral efficiency, we adopt the Sparse Code Multiple Access (SCMA) technique for the transmission in the PUSCH resources. Then, instead of improving the succeeded access attempts in the PRACH, we present the innovative transmission idea to exploit the unused PUSCH resources to serve an additional part of MTC devices. Moreover, we propose an accurate current access attempts estimation method, based on Deep Neural Network (DNN), which accepts as input only the information really available at the next generation NodeB (gNB). Finally, to improve the transmission performance of SCMA in practical networks we design an end-to-end SCMA en/decoding scheme robust to the channel noise. Finally, in the third activity, we consider the problem of automatically learning MAC protocols with good generalization proprieties across several transmission environments. These protocols take into account both the control plane and the data plane point of view, and are learned between several User Equiments (UEs) cast as Reinforcement Learning (RL) agents and one Base Station (BS) cast as an expert.

LA quinta generazione (5G) di reti cellulari mira a fornire connettività per un gran numero di applicazioni. Per raggiungere questo obiettivo, il 5G è stato progettato considerando tre scenari con requisiti ampiamente eterogenei: Enhanced Mobile Broadband (eMBB), Massive Machine-Type Communications (mMTC) e Ultra-Reliable Lowlatency Communications (URLLC). Sulla base dei severi Key Performance Indicators (KPI), è già impegnativo ottimizzare separatamente i servizi appartenenti a ciascuno di questi scenari. Inoltre, affrontare contemporaneamente i KPIs dei diversi scenari è ancora più difficile. Considerare l'uso di tecniche comuni non può consentire di soddisfare il compromesso fondamentale tra la velocità di trasmissione dei dati ottenibile, la latenza, l'affidabilità e l'efficienza spettrale. Pertanto, per affrontare in modo efficiente queste sfide, dovrebbero essere introdotti diversi aspetti di ottimizzazione che sfruttano tecniche innovative. Nell'ottica del 5G e delle future reti wireless 6G, l'obiettivo di questa dissertazione è fornire la capacità di supportare in modo efficiente diverse classi di servizio e i loro diversi requisiti di Quality of Service (QoS). Per fare ciò, ottimizziamo diversi aspetti delle procedure a livello Radio Resource Management (RRM) e Medium Access Control (MAC), sfruttando tecniche innovative. L'analisi fornita considera diverse tecniche di accesso, come la Time Division Multiple Access (TDMA), l'Orthogonal Frequency Division Multiple Access (OFDMA) e la nuova Sparse Code Multiple Access (SCMA), il supporto di forme d'onda avanzate, come OFDM filtrata e l'Universal Filtered Multi-vettore (UFMC), e lo sfruttamento di una struttura di frame multi-numerologia con diversa spaziatura delle sottoportanti. Inoltre, vengono prese in considerazione la tecnica innovativa di Access Class Barring (ACB) e la stima predittiva del carico di traffico. Infine, l'introduzione delle tecniche di Deep Learning (DL) e di algoritmi di Deep Reinforcement Learning (DRL) hanno consentito di superare i limiti imposti dagli approcci matematici e statistici. L'attività di ricerca può essere raggruppata in tre aree principali. La prima considera la coesistenza tra un'ampia varietà di servizi all'interno della stessa griglia OFDM con l'obiettivo di fornire flessibilità e miglioramento delle prestazioni. Inizialmente, proponiamo un framework RRM a due livelli che sia QoS-aware e Channel-aware, che alloca opportunamente lo spettro di banda alle numerologie e assegna correttamente i Physical Resource Blocks (PRB) a ciascuna numerologia. Inoltre, implementiamo un nuovo ambiente di simulazione per identificare la migliore coppia (forma d'onda, dimensione della Guard-Band (GB)) che riduce il fenomeno dell'interferenza internumerologica (INI) e massimizza l'efficienza spettrale tenendo conto dei requisiti di QoS. Nella seconda attività di ricerca, ci concentriamo sull'ottimizzazione del RRM per i servizi mMTC. Proponiamo una nuova framework che include un controllo congiunto dell'allocazione dinamica delle risorse tra il Physical Random Access Channel (PRACH) e il Physical Uplink Shared Channel (PUSCH) e una nuova procedura di accesso casuale basata su uno schema ACB adattivo. Per aumentare ulteriormente l'efficienza spettrale, adottiamo la tecnica Sparse Code Multiple Access (SCMA) per la trasmissione nelle risorse PUSCH. Quindi, invece di migliorare i tentativi di accesso riusciti nel PRACH, presentiamo l'innovativo idea di trasmissione per sfruttare le risorse PUSCH non utilizzate per servire una parte aggiuntiva dei dispositivi MTC. Inoltre, proponiamo un accurato metodo di stima dei tentativi di accesso attuali, basato su Deep Neural Network (DNN), che accetta come input solo le informazioni realmente disponibili al nrxt generation NodeB (gNB). Infine, per migliorare le prestazioni di trasmissione di SCMA in reti implementate, progettiamo uno schema di codifica/decodifica di tipo end-to-end robusto al rumore del canale per techinche SCMA. Infine, nella terza attività, consideriamo il problema dell'apprendimento automatico di protocolli MAC con buone proprietà di generalizzazione su più ambienti di trasmissione. Questi protocolli prendono in considerazione sia il punto di vista del piano di controllo che quello del piano dati e vengono appresi tra diversi User Equiments (UE) espressi come agenti Reinforcement Learning (RL) e una Base Station (BS) considerata come esperta.