Сверхнадежная связь с малой задержкой в сетях 5G

Одним из ключевых отличий сетей 5G от используемых на сегодняшний день сетей 4G является возможность обеспечения принципиально нового сервиса сверхнадежной связи с малой задержкой (англ. Ultra-Reliable Low-Latency Communications, URLLC). Предоставление сервиса URLLC означает, что сеть обеспечивает доставку данных с низкой задержкой и чрезвычайно высокой надежностью. Такие характеристики передачи необходимы для целого ряда существующих приложений (например, автоматизация сложных производственных процессов, управление роботами), а также приложений, появление которых ожидается в ближайшем будущем (интеллектуальные транспортные системы, управление группой беспилотных автомобилей, удаленное проведение хирургических операций, передача тактильных ощущений на расстоянии и др.).

Спецификации сетей 5G содержат ряд механизмов и технических решений, необходимых для поддержки сервиса URLLC. Однако существует множество открытых задач, связанных с разработкой алгоритмов адаптивного выбора используемых механизмов и их параметров для обеспечения сервиса URLLC в зависимости от сценария, числа устройств в сети, генерируемого ими трафика и требований конкретных приложений на задержку и надежность доставки данных.

В рамках проекта РНФ коллектив Лаборатории беспроводных сетей разработал целый ряд алгоритмов и решений, необходимых для обеспечения сервиса URLLC. Были предложены алгоритмы выбора прекодера и СКК на основе векторной авторегрессионной модели предсказания канала, позволяющие снизить потребление канальных ресурсов до 5 раз. Разработаны алгоритмы выбора СКК, планирования радиоресурсов и разделения пользователей на группы, что позволяет до трех раз увеличить емкость сети для многоадресного URLLC-трафика. Создан адаптивный алгоритм для выбора параметров передачи в восходящем канале при обслуживании URLLC-трафика с помощью метода доступа без запроса полосы, который увеличивает емкость сети до двух раз по сравнению с существующими решениями. Предложен алгоритм ALPACA, использующий нейронные сети для предсказания будущего состояния канала, что повышает емкость сети URLLC-трафика до 40%. Разработан алгоритм совместного обслуживания URLLC-трафика и широкополосного трафика в нисходящем канале с использованием технологии пространственного мультиплексирования MU-MIMO, который позволяет увеличить до 50% покрытие URLLC-пользователей и до 60% пропускную способность пользователей широкополосного трафика. Для восходящего канала создан алгоритм динамического мультиплексирования URLLC-трафика и широкополосного трафика, повышающий пропускную способность широкополосного трафика более чем в два раза при выполнении требований к качеству обслуживания URLLC-трафика. Предложена гибридная схема назначения канальных ресурсов для обслуживания URLLC-трафика с переменным размером пакетов, для которой разработана аналитическая модель, позволяющая выбрать оптимальные параметры и повысить емкость сети до двух раз по сравнению с существующими решениями.

Список актуальных публикаций:


      2025
    1. Evgeny Khorov, Artem Krasilov, Alexey Shashin, Nikolay Nikolaev. Analysis of Hybrid Radio Resource Allocation Scheme for Video Traffic in 5G V2X Systems. // Problems of Information Transmission, Vol. 61, No. 3, pp. 245–256, 2025. doi: 10.1134/S0032946025030032.

      2. 2024
    2. Evgeny Khorov, Artem Krasilov, Alexey Shashin. Initial Parameters Selection for Serving Uplink URLLC Traffic of High-Mobility Users. //Journal of Communications Technology and Electronics. – 2023. – Т. 68. – №. 12. – С. 1515-1522. https://doi.org/10.1134/S1064226923120185.
    3. Evgeny Khorov, Artem Krasilov, Ruslan Yusupov, Irina Lebedeva. Resource-Efficient Multicast URLLC Service in 5G Systems. //Sensors. – 2024. – Т. 24. – №. 8. – С. 2536. https://doi.org/10.3390/s24082536.

      4. 2023
    4. Evgeny Khorov, Aleksei Kureev, Kirill Glinsky. ALPACA: An Asymmetric Loss Prediction Algorithm for Channel Adaptation Based on a Convolutional-Recurrent Neural Network in URLLC Systems. // IEEE Access, 2023. https://doi.org/10.1109/ACCESS.2023.3344317.
    5. Evgeny Khorov, Andrey Belogaev, Artem Krasilov, Alexey Shashin. Adaptive Parameters Selection for Uplink Grant-Free URLLC Transmission in 5G Systems. //Computer Networks. – 2023. – Т. 222. – С. 109527. https://doi.org/10.1016/j.comnet.2022.109527.
    6. Evgeny Khorov, Artem Krasilov, Aleksei Kureev, Kirill Glinsky. Performance of ML-Based Channel Prediction Algorithms for URLLC: Channel Model Matters. //2023 IEEE International Black Sea Conference on Communications and Networking (BlackSeaCom). – IEEE, 2023. – С. 306-311. https://doi.org/10.1109/BlackSeaCom58138.2023.10299788.

      7. 2022
    7. Evgeny Khorov, Artem Krasilov, Ruslan Yusupov, Irina Lebedeva. Efficient Multiplexing of Downlink eMBB and URLLC Traffic with Massive MU-MIMO. //2022 IEEE International Black Sea Conference on Communications and Networking (BlackSeaCom). – IEEE, 2022. – С. 185-190. https://doi.org/10.1109/BlackSeaCom54372.2022.9858204.
    8. Evgeny Khorov, Artem Krasilov, Aleksei Kureev, Kirill Glinsky. PABAFT: Channel Prediction Approach Based on Autoregression and Flexible TDD for 5G Systems. //Electronics. – 2022. – Т. 11. – №. 12. – С. 1853. https://doi.org/10.3390/electronics11121853.
    9. Evgeny Khorov, Artem Krasilov, Ruslan Yusupov, Irina Lebedeva. Multiplexing of URLLC and eMBB Traffic in a Downlink Channel with MU-MIMO. //Journal of Communications Technology and Electronics. – 2022. – Т. 67. – №. 12. – С. 1506-1512. https://doi.org/10.1134/S1064226922120129.
    10. Evgeny Khorov, Andrey Belogaev, Artem Krasilov, Alexey Shashin. Algorithm for Transmission Parameters Selection for Sporadic URLLC Traffic in Uplink. //Journal of Communications Technology and Electronics. – 2022. – Т. 67. – №. 12. – С. 1492-1499. https://doi.org/10.1134/S1064226922120191.