Cognitive Resource Manager Framework for Optimal Resource Allocation

194 Pages·2011·2.79 MB·English

Cognitive Resource Manager Framework for
Optimal Resource Allocation
Von der Fakult(cid:127)at fu(cid:127)r Elektrotechnik und Informationstechnik der
Rheinisch-Westf(cid:127)alischen Technischen Hochschule Aachen zur Erlangung
des akademischen Grades eines Doktors der Ingenieurwissenschaften
genehmigte Dissertation
vorgelegt von
Diplom-Ingenieurin
Marina Petrova
aus Skopje, Mazedonien
Berichter: Univ.-Prof. Dr. Petri M(cid:127)ah(cid:127)onen
Univ.-Prof. Dr.-Ing. Gerd Ascheid
Tag der mu(cid:127)ndlichen Pru(cid:127)fung: 8. Februar 2011
Diese Dissertation ist auf den Internetseiten
der Hochschulbibliothek online verfu(cid:127)gbar.
Abstract
Wireless networks are under constant pressure to provide ever higher data rates
to increasing numbers of users with greater reliability. At the same time they
are becoming more complex and challenging to manage. Great efforts are being
done to make the wireless devices and networks adaptive and self-optimizing in
order to more efficiently use the resources and deliver good quality services. High
spectralefficiency,environmentaladaptivity,user-awarenessandenergyefficiency
are highly desired features in the future networks. It has also become important
to support these goals at all OSI-layers in a cross-layer manner.
Making the wireless systems smarter has been a matter of research under
the cognitive radio (CR) paradigm for ten years now. While CR is a very in-
terdisciplinary and wide topic, including dynamic spectrum access and policies,
(cid:13)exible system architectures, learning, context awareness, cooperative networ-
king, etc., most of the contributions so far have been limited to novel spectrum
access approaches and spectrum sensing techniques. Mitola’s original vision on
context-sensitive smart radios was a precursor, but the current work has been
still lacking precise proposal beyond high-level arguments. In this thesis we study
the cognitive radios from a system point of view focusing closely on architectures,
techniques and algorithms that can enable intelligent operations. We propose a
modular cognitive resource manager (CRM) framework, which can facilitate a
development of complex control and optimization techniques for resource mana-
gementinwirelessnetworksondiverseradioenvironmentsandproblemscenarios.
This work contributes towards bringing cognitive radio a step closer to prac-
tical implementation by conducting both theoretical and experimental studies of
suitable optimization methods and algorithms under the proposed CRM frame-
work. We study in this thesis automatic and adaptive system con(cid:12)guration me-
chanisms for different resource allocation problems. As most of the problems have
heavy optimization phase and often exhibit complex and non-linear parameter
dependencies we have studied the use of heuristic algorithms. Genetic algorithm
optimizer for PHY and MAC parameter selection has been developed and tes-
ted. For autonomous channel allocation we have studied two different classes of
algorithms. An approximative coloring algorithm and a corresponding protocol
were designed and successfully implemented to minimize the interference in wi-
reless local area networks. An evolutionary game theory method based on balls
and bins problem was subsequently developed to jointly address channel alloca-
tion and load balancing problems. Finally, the work in this thesis concludes by
applying Minority Games to medium access control problem in order to enable
self-organization without information exchange overhead.
i

Kurzfassung
Von drahtlosen Funknetzwerken wird fortw(cid:127)ahrend gefordert, h(cid:127)ohere Datenraten
fu(cid:127)r eine steigende Zahl von Nutzern mit gr(cid:127)o(cid:25)erer Zuverl(cid:127)assigkeit zu liefern. Da-
bei werden Funknetzwerke selbst immer komplexer und entwickeln sich zu ei-
ner administrativen Herausforderung. Gro(cid:25)e Anstrengungen werden unternom-
men, drahtlose Ger(cid:127)ate und Netzwerke adaptiv und selbst-optimierend zu ge-
stalten um effizienter mit Ressourcen umzugehen und Endnutzern qualitativ zu-
friedenstellende Dienste zu bieten. Hohe Spektral- und Energieeffizienz, Anpas-
sungsf(cid:127)ahigkeitandieUmgebungunddieBeru(cid:127)cksichtigungvonNutzeranforderun-
gen sind wu(cid:127)nschenswerte Merkmale fu(cid:127)r zuku(cid:127)nftige Netzwerke. Zus(cid:127)atzlich ist es
notwendig, diese Ziele grenzu(cid:127)bergreifend auf allen OSI-Ebenen zu unterstu(cid:127)tzen.
Seit nunmehr zehn Jahren wird unter dem Paradigma des "Cognitive Ra-
dio"(CR)anM(cid:127)oglichkeitenzurErh(cid:127)ohungderIntelligenzvondrahtlosenSystemen
geforscht. Obwohl CR ein hochgradig interdisziplin(cid:127)ares und breites Thema ist,
welches unter anderem dynamische Spektrumszugriffe und -regelwerke, (cid:13)exible
Systemarchitekturen,Lernen,KontextwahrnehmungundkooperativeVernetzung
abdeckt,begrenzensichdiemeistenBeitr(cid:127)agebisheraufneuartigeAns(cid:127)atzefu(cid:127)rden
ZugriffunddiesensorbasierteErfassungdesSpektrums.Mitolasurspru(cid:127)nglicheVi-
sion eines kontextsensitiven intelligenten Funkger(cid:127)ats war ein Wegbereiter, aber
gegenw(cid:127)artige Arbeiten lassen immer noch pr(cid:127)azise Vorschl(cid:127)age jenseits abstrak-
ter Diskussionen vermissen. In dieser Arbeit untersuchen wir Cognitive Radios
aus der Systemsicht und konzentrieren uns auf Architekturen, spezi(cid:12)sche Tech-
niken und Algorithmen die intelligente Handlungen erm(cid:127)oglichen. Wir schlagen
ein Framework fu(cid:127)r modulare Cognitive Resource Manager (CRM) vor, welches
die Entwicklung komplexer Kontroll- und Optimierungstechniken fu(cid:127)r die Res-
sourcenverwaltung verschiedenster Drahtlosnetzwerke und Szenarien erleichtert.
Diese Arbeit leistet ein Beitrag dazu, Cognitive Radios der praktischen Anwen-
dung n(cid:127)aherzubringen indem sowohl theoretische als auch experimentelle Studien
ad(cid:127)aquater Optimierungsmethoden und -algorithmen im Rahmen des vorgeschla-
genen CRM Frameworks durchgefu(cid:127)hrt werden.
In dieser Arbeit evaluieren wir automatische und adaptive Mechanismen zur
Systemkon(cid:12)guration fu(cid:127)r unterschiedliche Ressourcenzuteilungsprobleme. Da vie-
lenderangefu(cid:127)hrtenL(cid:127)osungsans(cid:127)atzeneineaufw(cid:127)andigeOptimierungsphasezuGrun-
de liegt und diese oftmals komplexe und nicht-lineare Abh(cid:127)angigkeiten zeigt, ha-
ben wir den Einsatz von heuristischen Algorithmen untersucht. Optimierer fu(cid:127)r
PHY- und MAC-Parameter auf Basis genetischer Algorithmen wurden entwickelt
und getestet. Fu(cid:127)r die autonome Zuweisung von Kan(cid:127)alen haben wir zwei ver-
schiedene Klassen von Algorithmen untersucht. Ein approximierender Coloring-
iii
iv Kurzfassung
Algorithmus und ein dazugeh(cid:127)origes Protokoll wurden entworfen und erfolgreich
implementiertumdieInterferenzindrahtlosenlokalenNetzwerkenzuminimieren.
Eine Methode der evolution(cid:127)aren Spieltheorie basierend auf dem Balls-and-Bins-
Problem wurde im Folgenden entwickelt um kooperative Kanalallokations- und
Lastverteilungsprobleme zu adressieren. Der Inhalt der Arbeit schlie(cid:25)t mit der
Anwendung von Minority Games auf Medienzugriffsprotolle um Selbstorganisa-
tion ohne den Mehraufwand des Informationsaustauschs zu erm(cid:127)oglichen.
Acknowledgments
While working towards this dissertation I had the opportunity to get to know
and collaborate with a number of wonderful people and dedicated researchers,
who in various ways helped me and supported me during this journey.
I would like to deeply thank my advisor and mentor, Prof. Petri M(cid:127)ah(cid:127)onen for
granting me the privilege to join his team. Throughout the years he has been a
true source of support, inspiration and enthusiasm. I am grateful for the hours of
long conversations he dedicated to discuss exciting research matters as well as life
experiences and lessons learned with his students. I grew to know Prof. M(cid:127)ah(cid:127)onen
not only as person with great intellect and knowledge, but also as an energetic
and dedicated mentor to his group.
I also wish to thank my colleague Janne Riihij(cid:127)arvi for the years of successful
collaboration. He is a fascinating person to work with. His scienti(cid:12)c background
and ambition for ever higher achievements have impressed me over the years.
The interaction and collaborative work with a number of members of the
group and visiting researcher was of great importance for shaping and develop-
ment of some of the ideas. In this regard, I would like to thank Christian Soko-
lowski, Sebastian Albrink, Lili Wu, Natalia Olano, Guilberth Martinez Vergas,
Maria Michalopoulou, Dr. Simon Fischer and Dr. Alexandre de Baynast for their
support and valuable contributions.
I would also like to acknowledge the European Commission and DFG (Deut-
sche Forschungsgemeinschaft) for providing funding for part of the work in this
thesis.
Many thanks to my boyfriend Michael for his great support, encouragement
and patience, especially during the writing phase of this work.
Finally, I would like to thank my parents and my sister for their immense
love and support throughout the years. A great deal of the life road I have been
walking so far, could not have been possible without them being around. This
dissertation is dedicated to them.
v

Contents
Abstract i
Kurzfassung iii
Acknowledgments v
Contents vii
1 Introduction 1
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Contributions of the thesis . . . . . . . . . . . . . . . . . . 3
1.3 Thesis outline . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 From Software Defined Radio to Cognitive Radio 7
2.1 Software defined radio . . . . . . . . . . . . . . . . . . . . . 7
2.1.1 The basic concept . . . . . . . . . . . . . . . . . . . . 7
2.1.2 Architecture principles . . . . . . . . . . . . . . . . . 8
2.1.3 The software radio evolution . . . . . . . . . . . . 10
2.2 Cognitive radio . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 View points and definitions . . . . . . . . . . . . . . 13
2.2.2 The cognitive cycle . . . . . . . . . . . . . . . . . . . 14
2.2.3 Dynamic spectrum access . . . . . . . . . . . . . . . . 16
2.3 Towards cognitive wireless networks . . . . . . . . . . . 18
2.4 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3 Cognitive Resource Management 21
3.1 Resource sharing and management in wireless networks 21
3.2 The framework . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.3 Interfaces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3.1 ULLA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.3.2 GENI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3.3 CAPRI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.4 Utility specification . . . . . . . . . . . . . . . . . . . 30
vii
viii Contents
3.3.5 Policy specification . . . . . . . . . . . . . . . . . . . 32
3.4 Toolboxes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.5 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5.1 Similarities with the traditional AI cognitive
architectures . . . . . . . . . . . . . . . . . . . . . . . 36
3.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4 Genetic Algorithm based Optimization 41
4.1 Multi-objective optimization . . . . . . . . . . . . . . . . . 41
4.2 Genetic algorithms . . . . . . . . . . . . . . . . . . . . . . . . 45
4.3 GA optimization test cases . . . . . . . . . . . . . . . . . . . 48
4.3.1 Optimization of the radio parameters of OFDM
transceiver . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4 Cross-layer optimization approach using GA . . . . . . . 56
4.4.1 The parameters . . . . . . . . . . . . . . . . . . . . . . 56
4.4.2 Multiple-objective fitness functions . . . . . . . . 57
4.4.3 The weighted sum approach . . . . . . . . . . . . . . 61
4.4.4 Genetic algorithm with acknowledgement sig-
nalling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.4.5 Simulation results . . . . . . . . . . . . . . . . . . . . 64
4.4.6 Scenario 1: ARQ-based Discrete Waterfilling Al-
gorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4.7 Scenario 2: ARQ-based Cross-Layer Optimization
with Adaptive Contention Window Size . . . . . . 66
4.4.8 Scenario 3: ARQ-based Cross-Layer Optimization
with QoS requirements . . . . . . . . . . . . . . . . . 68
4.5 GA for dynamic spectrum access in time-varying jammed
spectrum scenario . . . . . . . . . . . . . . . . . . . . . . . . 70
4.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
5 Dynamic Channel Allocation 77
5.1 Channel allocation in wireless networks . . . . . . . . . 78
5.1.1 Chancel assignment in cellular systems . . . . . . 79
5.1.2 Channel assignment in 2.4 GHz ISM-band . . . . . 80
5.2 Channel allocation as a graph coloring problem . . . . 83
5.2.1 Graph coloring preliminaries . . . . . . . . . . . . . 84
5.3 Automatic channel allocation with DSATUR . . . . . . 85
5.3.1 The algorithm . . . . . . . . . . . . . . . . . . . . . . . 85
5.3.2 On-line coloring . . . . . . . . . . . . . . . . . . . . . 87
Contents ix
5.3.3 T-coloring . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.3.4 Simulation evaluation . . . . . . . . . . . . . . . . . . 88
5.3.5 Implementation considerations . . . . . . . . . . . . 90
5.3.6 Performance evaluation through measurements 95
5.4 Channel allocation as a load balancing game . . . . . . 103
5.4.1 System model . . . . . . . . . . . . . . . . . . . . . . . . 104
5.4.2 Load balancing algorithms . . . . . . . . . . . . . . 106
5.4.3 Analysis in the fluid limit . . . . . . . . . . . . . . . 109
5.4.4 Simulations . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.5 The Threshold protocol . . . . . . . . . . . . . . . . . . . . 113
5.5.1 Performance evaluation through network simu-
lations . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.5.2 Experimental evaluation on a SDR GNU platform120
5.6 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6 Self-organization through Minority Game 127
6.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.2 The Minority Game . . . . . . . . . . . . . . . . . . . . . . . . 129
6.2.1 The El Farol Bar problem . . . . . . . . . . . . . . . 129
6.2.2 MG formulation . . . . . . . . . . . . . . . . . . . . . . 131
6.2.3 Phase transition, volatility and predictability . 132
6.3 MG-Model for Channel Access . . . . . . . . . . . . . . . . 133
6.4 Performance Evaluation . . . . . . . . . . . . . . . . . . . . 135
6.4.1 Simulation Setup . . . . . . . . . . . . . . . . . . . . . 135
6.4.2 Simulation Results . . . . . . . . . . . . . . . . . . . . 137
6.5 Related work . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
6.7 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
7 Conclusions 143
7.1 Summary of main results . . . . . . . . . . . . . . . . . . . . 143
7.2 Future work . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
A Simulation parameters for testing GA conver-
gence properties 149
A.1 Simulation Cycle . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.2 Simulation Parameters . . . . . . . . . . . . . . . . . . . . . 150
A.2.1 Seeds . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150