Professional Documents
Culture Documents
Khalil Ibrahimi
Enseignant chercheur au dpartement
Informatique, facult des sciences
LARIT/IBN-Tofail Knitra
Email : khalil.ibrahimi@gmail.com
I. I NTRODUCTION
Les mthodes daccs du femtocellule peuvent tre
classes en trois catgories : laccs ouvert o toute ressource est ouverte lusage du public, laccs ferm o
seuls les utilisateurs autoriss du femtocellule peuvent
avoir accs et laccs hybride dont une partie de la
ressource reste rserve tandis que la partie rsiduelle
est ouverte. Comme les deux accs ouvert et ferm ont
leurs propres avantages et inconvnients, laccs hybride
est propos pour exploiter lavantage des deux.
De ce point de vue, cest une option raisonnable que
les fournisseurs macrocellulaires se tournent vers les
propritaires femtocellulaires et leur demander daffecter
certaines de leurs ressources aux utilisateurs macrocellulaires.
Nanmoins, puisque les propritaires de femtocellule
sont videmment pas intresss partager leurs propres
ressources sans aucune rcompense, les fournisseurs macrocellulaires doivent offrir des incitations appropries
pour assurer les propritaires de femtocellule que leur
j=1 i,j = 1 i .
Nous prsumons que la macro BS et les femto BS fonctionnent sur des frquences diffrentes et ninterfrent
pas. Les utilisateurs de la mme femtocellule adoptent
le TDMA pour la transmission de donnes, ce qui ne
provoque pas dinterfrence entre eux. Les diffrentes
stations de base femto peuvent rutiliser le mme spectre
et nous supposons que linterfrence femto-femto est
dtermine uniquement par la densit de stations de
base femto, note Ii (K ).
Le signal reu rapport interfrence bruit SINR (Signal
Interference Noise ratio) est exprime comme suit [1] :
i =
Pi
Sdn |h2 |
N0 + Ii (K )
(1)
O :
Pi est la puissance de transmission du Fi.
N0 est le bruit gaussien.
Sd est la composante log-normal shadowing.
n est lexposant de lvanouissement.
|h| est le Magnitude distribu dvanouissement de
Rayleigh.
Par consquent, nous pouvons obtenir la vitesse de
transmission agrge dutilisateurs femto et macro, qui
sont servis respectivement par les stations de base femto,
en multipliant le temps de transmission et la capacit du
canal [1].
R f ,i = (1 i )C f , i (2)
Rm,i = (i )C m , i
(3)
O :
C f ,i = log(1 + f ,i )
(4)
(5)
(6)
mi = m K i
j =1 j
A. Fonction dutilit de WSP
La fonction dutilit de WSP est dfinie comme le
profit du taux de dsabonnement rduit de lutilisateur
moins les remboursements accords aux FHs [1].
UWSP = m (1 c) m
(7)
O :
c est le taux de dsabonnement des utilisateurs
macro (churn rate).
m est le revenue quivalent lorsque c diminue de
1%.
Une mauvaise qualit de service provoque le mcontentement des utilisateurs, par consquent les utilisateurs
change de WSP, si FH aide augmenter la capacit de
macro BS, WSP est capable de fournir une meilleure
qualit de service, ainsi les utilisateurs macro sont prts
rester avec le WSP.
Le taux de dsabonnement peut tre exprim comme :
c=
1
1 + expa(b)
(8)
O :
a est la sensibilit de lutilisateur vers lincrment
de QoS (quality of service).
b les exigences de circulation rserves aux utilisateurs de macro
le taux de donnes ralisable pour les utilisateurs
macro. Il peut tre calcul comme suit :
K
Rm,i + 0
(9)
i =1
Lr-i (linear reward inaction) est un algorithme dapprentissage qui vise rcompenser les actions prises par
lagent. Lalgorithme dapprentissage calcule les probabilits de slection daction pour la prochaine tape t + 1 en
fonction de la rcompense r et de probabilits actuelles
linstant t [4], [7].
La rgle de mise jour est donne par :
( t +1)
pi
(t)
(t)
(t)
= pi + ri (1 pi )
( t +1)
pi
(t)
Avec Pi
(t)
pour
(t) (t)
= pi ri pi
l 0 action
sinon
choisie
(11)
Pour valuer la performance de lalgorithme dapprentissage LRI appliqu sur la femtocellule,on fournit des
rsultats numriques.
open
access, a3
j =1 j
Les donnes de simulation montre que pour laccs hybride, la mise jour des probabilits sarrte
lorsque la probabilit daction U(a3(t)) atteint la valeur
1 o la convergence est obtenu, lalgorithme converge
lentement dans 439 itrations, effectivement le temps
pour atteindre la convergence dpend des paramtres
dapprentissage, un lger changement dans la valeur du
paramtre l affecte la vitesse de convergence, en gnral,
les petites valeurs de l correspondent des taux plus
lents de convergence et vice versa.
La figure 3 montre galement que lutilit de la femtocellule augmente en adoptant laccs hybride.
La figure 6 montre que lalgorithme converge rapidement pour des grandes valeurs de i , en augmentant la
valeur du temps ddi 0,7 lalgorithme converge dans
123 itrations. Lorsque la femtocellule contribue plus de
temps, elle obtient un meilleur remboursement et par
consquent un gain dutilit considrable.
VI. C ONCLUSION
Dans ce papier, les auteurs ont propos un cadre de
remboursement pour ladoption de laccs hybride, dans
lequel WSP rmunre un montant de remboursement
aux FHs en fonction de leur contribution de taux de
donnes aux utilisateurs macrocellulaires. Ils ont modlis le problme en utilisant lalgorithme LRI, et les
rsultats numriques fournis montrent que les deux WSP
et FHs peuvent obtenir un gain dutilit consdirable
dans le cadre de remboursement o la convergence de
lalgorithme est obtenu.
R FRENCES
[1] Yanjiao Chen, Jin Zhang, and Qian Zhang,Utility-Aware Refunding Framework for Hybrid Access Femtocell Network,IEEE
Transactions on Wireless Communications,vol. 11, no. 5, May 2012.
[2] Toshihito Kudo and Tomoaki Ohtsuki,Cell range expansion using
distributed Q-learning in heterogeneous networks,EURASIP Journal onWireless Communications and Networking, 2013.
[3] Guillaume de la Roche, Alvaro Valcarce, David Lopz-Prez, Jie
Zhang,Access Control Mechanisms for Femtocells,IEEE Communications Magazine, JULY 2009.
[4] Gerrit Jan van Ahee,"Models for Multi-Agent Learning", MasterThesis in computer Science, 2009.
[5] Sirisha Mantravadi,"Hybrid Access Control Mechanism In TwoTier Femtocell Networks", Master Thesis in Texas AM University,December 2012.
[6] Yong Bai, Lan Chen, "Hybrid spectrum arrangement and interference mitigation for coexistence between LTE macrocellular and
femtocell networks", EURASIP Journal on Wireless Communications and Networking, 2 March 2013.
[7] Mandayam A. L. Thathachar, P. S. Sastry, "Networks of Learning Automata : Techniques for Online Stochastic Optimization",Springer, 2004.