Resource and Mobility Management in Hybrid LiFi and WiFi Networks: A User-Centric Learning Approach

混合光保真度（LiFi）和无线保真度（WiFi）网络（HLWNets）是一种新兴的室内无线通信范例，它结合了LiFi的宽阔光谱和WiFi的普及覆盖的优点。同时，负载平衡（LB）成为这种混合网络资源管理中的一个关键挑战。现有的LB方法大多是网络中心的，依赖于中央单元一次性为所有用户制定解决方案。因此，不考虑用户的移动状态，解决方案需要同时更新所有用户。这将影响网络性能的两个方面：i）当更新频率较低时，会影响快速移动用户的连通性；ii）当更新频率较高时，会导致不必要的切换以及对慢速移动用户的沉重反馈成本。在此背景下，我们研究了用户中心的LB，允许用户以不同的速度更新解决方案。该研究基于我们之前关于自适应目标条件神经网络（ATCNN）的工作，该网络可以在准静态信道中为单个用户进行LB。在本文中，设计了一个深度神经网络（DNN）模型，以使每个单独用户具有自适应的更新间隔。这个新模型被称为支持移动性的神经网络（MSNN）。将MSNN与ATCNN相关联，提出了一个名为移动支持ATCNN（MS-ATCNN）的用户中心的LB框架，用于同时处理资源管理和移动管理。结果表明，在相同平均更新间隔的水平下，MS-ATCNN可以实现比博弈论等传统LB方法高215％的网络吞吐量，特别是对于更多的用户。此外，MS-ATCNN在微秒级别的超低运行时成本，比博弈论低两到三个数量级。

本文旨在解决混合光通信（LiFi）和无线局域网（WiFi）网络中的负载平衡问题，提出了一种用户中心的负载平衡框架。该框架可以在不同的频率更新用户解决方案，以适应他们的移动状态，从而提高网络性能。

论文提出了一种名为移动支持神经网络（MSNN）的深度神经网络模型，使每个用户都可以自适应地更新其解决方案。将MSNN与自适应目标条件神经网络（ATCNN）相结合，提出了一种名为移动支持ATCNN（MS-ATCNN）的用户中心负载平衡框架，同时处理资源管理和移动管理。

该框架在相同平均更新间隔的情况下，可以实现高达215％的网络吞吐量，比博弈论等传统负载平衡方法更高。此外，MS-ATCNN的运行时间非常短，只有100微秒的级别，比博弈论低两到三个数量级。

最近的相关研究包括：'A survey of load balancing in cloud computing: Challenges and algorithms'，'An efficient load balancing algorithm for software-defined networking'，'A user-centric load balancing scheme for heterogeneous wireless networks'等。