Apprentissage machine orienté QoS pour l'accès opportuniste au spectre
Abstract
Dans ce travail, nous nous intéressons au problème de l’apprentissage machine pour l’accès opportuniste au spectre (AOS). Nous
présentons un nouvel algorithme d’apprentissage machine basé sur la classe des UCB (Upper Confidence Bound). Cet algorithme permet non
seulement d’apprendre les canaux qui sont le plus souvent libres mais également ceux qui possèdent la meilleur qualité en terme de rapport
signal à bruit (RSB), ce qui permet d’introduire une notion de qualité de service (QoS). La stratégie proposée permet à un utilisateur secondaire
de pondérer de manière appropriée un critère particulier associé au canal qu’il choisit, comme la puissance d’émission ou le débit par exemple,
en sélectionnant deux coefficients d’explorations différents. Notre algorithme permet un compromis entre l’exploration et l’exploitation lorsque
le scénario AOS est modélisé comme un problème Markovien de bandit manchot (BM) stable. Nous montrons que notre algorithme surpasse le
traditionnel UCB1 en termes de regret et de choix du meilleur canal.