Комплексное исследование методов моделирования для сетей 5G: современные результаты, анализ и будущие задачи

Аннотация

в этой обзорной статье дается всестороннее исследование последних достижения в области методов моделирования и платформ для беспроводной сотовой связи пятого поколения (5G) сети. В этой статье рассмотрены расчеты наборов различных показателей производительности, таких как достижимая пропускная способность в восходящем и нисходящем каналах, средняя частота ошибок по битам, количество активных пользователей, отключение вероятность, скорость передачи обслуживания, задержка, задержка и т. д. могут быть вычислительно сложной задачей из-за различных параметров, которые должны быть включены в моделирование системного и канального уровня. Например, потенциальные решения для интерфейсов 5G включают, среди прочего, миллиметровые волны (mmWave)передачи, массивные архитектуры с множеством входов и выходов (MIMO) и неортогональный множественный доступ (NOMA). Следовательно, необходимо более точное и реалистичное представление канальных коэффициентов и общих помех по сравнению с другими сотовыми интерфейсами. К тому же, увеличенное количество высоконаправленных лучей неизбежно приведет к увеличению времени на приемо-передачу. Более того, пока не произойдет полный переход на сети 5G, сосуществование с развернутыми в настоящее время сетями четвертого поколения (4G) будет сложной задачей для радио сетевого планирования. Наконец, потенциальное использование инфраструктуры 5G в будущем «умными сетями» для поддержки приложений с высокой пропускной способностью и нулевой задержкой (например, полу- или автономное вождение) диктует необходимость разработки сред моделирования, способных включают различные аспекты беспроводных сотовых сетей 5G.

1. Введение

Развертывание беспроводных сотовых сетей еще в начале 1980-х годов сделало возможным связь через портативные устройства, тем самым отделяя установление вызова от существующего местоположения. В следующие десятилетия ознаменованы такими технологические достижения, как обмен данными, который был введен в беспроводные сотовые сети второго поколения (2G) или мультимедийные коммуникации, что было ключевым концепция сетей третьего поколения (3G), это позволило обеспечить еще более высокие скорости передачи данных для мобильных пользователей (MU) и более эффективное использование спектра по сравнению с системами второго поколения [1]. В марте 2009 г., Международный союз электросвязи – сектор радиосвязи (ITU-R) уточнил список требований к системам четвертого поколения (4G), названный Продвинутая Международная Мобильная Спецификация (IMT-Advanced), устанавливающая требования к пиковой скорости для услуг 4G со скоростью 100 Мбит / с для связи с высокой мобильностью (например, из поездов и автомобилей) и 1 Гбит / с для связи с низкой мобильностью (например, пешеходов и стационарных пользователей) [2].

Эпоха сетей 3G и 4G совпала с научным прогрессом в других смежных областях, таких как микро- и силовая электроника, а также минимизация оборудования и связанные с этим улучшения. Это в свою очередь сделало возможным разработку передовых архитектур приемопередатчиков, способных поддерживать среди операции с большой полосой пропускания и несколько радиочастотных (RF) цепей. Таким образом, довольно популярная техника передачи, которая была тщательно изучена в течение предыдущих двух десятилетий, – это использование антенных решеток на обоих концах беспроводной ориентации, также известной как множественный вход и множественный вывод (MIMO). Исследования систем MIMO в основном активизировались после новаторской работы Аламоути [3]. Как показано в [4–6], системы MIMO могут обеспечивать, помимо других преимуществ, разнообразие и усиление пространственного мультиплексирования. В первом случае одна и та же символьная информация отправляется и принимается через несколько антенн; следовательно, средняя частота ошибок по битам (BER) снижается из-за наличия нескольких разнообразие ветвей. В режиме пространственного мультиплексирования отдельные потоки данных отправляются из разных передающие антенны. Следовательно, общая пропускная способность сети может быть улучшена, однако, за счет повышенной аппаратной сложности.

Хотя системы MIMO были включены в стандарты 3G и 4G [7,8], растущее потребность в еще более высоких скоростях передачи данных, а также перегрузка трафика (т. е. общая запрашиваемая пропускная способность в области) побудили научное сообщество искать решения, эффективные с точки зрения увеличения пропускной способности [9]. Наблюдая за эволюция поколений систем мобильной связи, легко понять, что существует бесконечный поиск равновесия между обслуживанием экспоненциально растущих потребностей пользователей (глобальный объем беспроводного трафика в 2013 г. увеличился в 30 раз по сравнению с 2008 г. [10]), и развитием технических инноваций для увеличения операционных возможностей и пропускной способности сети с учетом дефицита спектра (емкость беспроводной связи в 2008 г. увеличилась в миллион раз по сравнению с 1957 [11]). В этом контексте были предложены различные решения для развертывания сетей 5G, такие как передача миллиметровых волн [12–14], массивные системы MIMO [15–17], неортогональные кратные схемы доступа (NOMA) [18–21], а также гибкое сетевое развертывание вместе с кочевыми узлами [22,23] (например, дроны, БПЛА и т. д.). В первом случае спектр миллиметровых волн охватывает диапазон от 30 ГГц до 300 ГГц (с эквивалентными длинами волн от 10 до 1 мм). Эта область спектра представляет особый интерес по разным причинам, поскольку в этом диапазоне доступно на порядок больше спектра, чем в нижних диапазонах. Кроме того, теперь можно получить каналы с большей полосой пропускания (например, 2 ГГц, 4 ГГц,10 ГГц или даже 100 ГГц). Massive MIMO – это расширение многопользовательского MIMO, в котором базовый передатчик станции (BS) одновременно обменивается данными с несколькими приемниками мобильной станции (MS) с использованием тех же частотно-временных ресурсов, а так же повышение эффективности использования спектра. Massive MIMO системы могут иметь сотни или даже тысячи антенных каналов в решетке. Наконец, в NOMA схемы нескольких пользователей могут совместно использовать неортогональные ресурсы синхронным способом, таким образом достигая более высокой спектральной эффективности за счет обеспечения некоторой степени помех множественного доступа на мобильных устройствах приемниках [24].

Из вышесказанного становится очевидным, что точная оценка производительности и радиосетевого планирование систем 5G может быть довольно сложной процедурой, требующей больших вычислительных затрат, поскольку введено значительное количество новых технологий по сравнению с предыдущими беспроводными протоколами. В общем, до фактического развертывания беспроводной сотовой сети важно оценить количество связанных параметров, таких как общая емкость, максимальная скорость передачи в восходящем канале нисходящей линии связи, задержки, вероятности сбоя и т. д. Из-за большого количества связанных параметров (например, количество активных пользователей, количество передающих / приемных антенн, среда распространения, запрашиваемая услуга на пользователя и т. д.), нет аналитических решений для такой сложной ориентации беспроводной сотовой связи. Следовательно, оценка параметров может производиться только численно, через моделирование методом Монте-Карло (МК) [25]. Поэтому цель данной обзорной статьи – предоставить все достижения по платформам моделирования и методикам для интерфейсов 5G. В этом контексте обсуждаются вопросы моделирования для массивных систем MIMO и передачи миллиметровых волн, а также моделирование и процедуры оценки. А так же дополнительные вопросы, такие как планирование радиосети (RNP) и интеграция приложений с высокой пропускной способностью и нулевой задержкой (например, автономное вождение в будущих электрических интеллектуальных сетях, восстановление сети после физических катастроф или пропускная способность по запросу в местах массового скопления людей).

Остальная часть рукописи организована следующим образом: В разделе 2 рассматриваются вопросы моделирования каналов для 5G.Обсуждаются направления беспроводной связи MIMO и соответствующие процедуры моделирования. В разделе 3 описана основная концепция имитаторов системного и канального уровня. В этом контексте также обсуждаются последние достижения в симуляторах 5G. Раздел 4 посвящен вопросам RNP для 5G сетей, а в Разделе 5 – дополнительные сложные функции, такие как Vehicle to Everything (V2X). Также обсуждается связь для поддержки приложений с высокими требованиями к полосе пропускания. Краткое изложение основных выводов этой статьи с точки зрения возможностей симулятора представлено в Разделе 6, а заключительные замечания представлены в разделе 7.

2. Моделирование канала для ориентации беспроводной связи MIMO

Перед фактической оценкой производительности беспроводной сотовой ориентации важно иметь точное описание канала, способное представить все механизмы распространения. Как показано на рисунке 1, конфигурация сети теперь может варьироваться в зависимости от условий трафика и обслуживания спроса. Следовательно, концепция фиксированных местоположений BS больше не действует, поскольку промежуточное узлы могут быть размещены по всей топологии сети 5G, чтобы гарантировать минимальное качество обслуживание (QoS) для MS. В том же контексте дополнительные функции, такие как БПЛА для поддержки динамических конфигураций сети и связи между устройствами (D2D) накладывают дополнительную степень сложности на способы моделирования условий канала. В рамках нашей ситуации во вспомогательной литературе можно найти описание двух основных каналов: стохастические модели и детерминированные. Для первого случаях, в этих моделях используются методы трассировки лучей для вычисления задержки и других связанных параметров, используя географическую информацию [26,27]. Во втором случае эти параметры рассчитывается на основе параметрических моделей с использованием хорошо известных функций плотности вероятности с помощью статистического анализа данных измерений, собранных в ходе обширных измерительных кампаний [28]. Эти модели также называются стохастическими моделями каналов на основе геометрии (GSCM). Существующий GSCM можно разделить на две категории: категории Winner и COST. В первом случае в литературе можно найти различные примеры, такие как модель пространственного канала 3GPP(SCM), расширенный SCM (SCME) [29], Winner (WIM1), Winner II (WIM2) [30], Winner + (WIM +) и QuaDRiGa [31]. Их основная характеристика состоит в определении базового рассеивания на основе угла вылета и углы прибытия, то есть с точки зрения конечной перспективы. Типичный пример использования показан на рисунке 2, где ?n, m, AoD, и ?n, m, AoA представляют углы исход (AoD) и прибытие (AoA), соответственно, для m-го подпути n-го кластера. С другой стороны, GSCM типа COST [32] определяет физическое положение рассеивателей в зоне моделирования.

Рис. 1 – Топология сети пятого поколения (5G) с динамической конфигурацией сети.

Рис. 2 – Моделирование кластерного канала MIMO (несколько входов и выходов) для беспроводной сети сотовой связи.

Комплексное исследование всех моделей каналов, предложенных и оцененных в концепции 5G сети описаны в [33]. В рамках этого исследования требования к точному моделированию каналов 5G следующие: сначала обрисовать в общих чертах, а затем дать обширный обзор последних измерений и моделей каналов при разных условиях. Это измерения каналов для ориентации MIMO, модель от транспортного средства к транспортному средству (V2V), также описание высокоскоростного поезд (HST) и связи mmWave. Последняя модель 3GPP канала (3GPP TR38.901) [34] является расширением широко используемой модели канала 3GPP 3D с различными дополнительными компонентами моделирования. Она поддерживает широкий частотный диапазон (0,5–100 ГГц) и большую полоса пропускания (до 10% несущей частоты). В 3GPP-5G моделирование, трехмерное представление канала MIMO рассматривается на рисунке (рисунок 2). В этом исследовании коэффициент связи между произвольной парой передающей / приемной антенн моделируется как набор индивидуальных каналов из разных кластеров. В каждом кластере канал анализируется в сумме M подпутей. Сопутствующие параметры, такие как разброс задержки, угловые разбросы, коэффициент Райса K (K), затухание тени (SF), задержки компонентов многолучевого распространения и т. д., вычисляются с генерации случайных переменных. Однако соответствующий выбор параметра для распределения случайных величин требует проведения обширных измерительных кампаний с использованием нескольких технологий, например, измерения массивного канала MIMO в миллиметровом диапазоне [35].

Что касается рисунка 3, после выбора соответствующего сценария и условий распространения (прямая видимость-LOS или NLOS), генерация окончательных коэффициентов канала основана на промежуточных этапах вычислительных расчетов: коррелированные крупномасштабные параметры, углы прихода и вылета, коэффициент кросс-поляризации (XPR), мощности кластеров и соответствующие задержки. Поэтому все вышеупомянутые процедуры могут быть легко реализованы как отдельные функции в сети 5G симуляции. Модель канала 3GPP учитывает пространственную согласованность, эффекты блокировки и затухание в атмосфере на миллиметровом диапазоне. Хотя это поход в моделирования 5G каналов вычислительно эффективен, модель имеет ограниченные возможности моделирования двойной мобильности, не стационарности антенной решетки и сферических волн в massive MIMO. Авторы [28] предлагают подход к расширению GSCM типа Winner, чтобы включить все вышеупомянутые проблемы. В частности, изучаемое расширение предлагает разделить некоторые кластеры между пользователями, которые находятся рядом друг с другом для достижения желаемой консистенции MU. Количество общих кластеров зависит от расстояния между пользователями, но общие кластеры могут различаться в зависимости от реализации.

Рис. 3 – Моделирование каналов для беспроводных сотовых сетей 5G

В симуляторе NYUSIM [36] различные измерения для моделей каналов миллиметрового диапазона 5G и 6G были разработаны от 2 до 73 ГГц. В этой структуре полная статистическая модель канала предоставляется вместе с кодом моделирования (в Matlab) для создания реалистичных пространственных и временных импульсных характеристик широкополосного канала. Эти результаты доступны для публичного использования и подходят в 3GPP и другие органы по стандартизации и академическим / промышленным симуляцим. В этом исследовании в [37] расширенная модель канала NYUSIM с пространственной согласованностью, блокировкой людей и внутренним и внешним (O2I) потеря проникновения была развита. Метод поверхностей многократного отражения был принят для обновлениях мелкомасштабных параметров в процедуре пространственной согласованности. В работе [38] представлена трехмерная статистическая модель импульсной характеристики канала (IR) для городских каналов LOS и каналов без LOS, разработанная по измерениям сверхширокополосного распространения в диапазоне 28 и 73 ГГц в Нью-Йорке. В [39] характеристики модели пространственного канала для нескольких миллиметровых диапазонов (28, 38, 60 и 73 ГГц), с помощь NYUSIM, смоделированы.

Наконец, дополнительные конфигурации каналов в рамках ориентации 5G были тщательно изучены. В [40] авторы дают обзор современного состояния исследований по каналам от устройства к устройству (D2D) и обсуждают будущие тенденции и направления исследований. В [41] имитационное исследование предоставляет относительные возможности подключения БПЛА для общественной безопасности через канал 5G на частоте 28 ГГц. Как показывают результаты, связь 5G mmWave может обеспечить повышенную пропускную способность до 1 Гбит/с с постоянной задержкой менее миллисекунд, когда базовая станция расположена рядом с районом отправки, что позволяет удаленно разгрузить алгоритмы управления и восприятия БПЛА. В [42] авторы приводят учебное пособие по связи БПЛА в беспроводных сетях 5G и выше. В этом исследований такие новые соображения, как ограничение энергии БПЛА, большая высота и высокая трехмерная мобильность. Обсуждаются современные результаты анализа для двух основных парадигм исследования и применения связи БПЛА, а именно наземной связи с помощью БПЛА и сотовой связи БПЛА. В [43] статистическое поведение потери пути от сотовой БС к летающему БПЛА смоделировано. Принцип моделирования основан на угле депрессии, который влияет на превышение потери на трассе из-за двух противоречащих друг другу эффектов, первым из которых является улучшенное состояние LoS БПЛА, и второе – это уменьшенное усиление антенны БС из-за наклона диаграммы направленности антенны.

3. Симуляторы системного и канального уровней

Чтобы смоделировать поведение крупномасштабной беспроводной сотовой сети, следует учитывать все возможные варианты переменных. В этом исследовании понятие «капля/падение» определяется как одно моделирование выполняемое в течение определенного периода времени, в течение которого сохраняются постоянными масштабные параметры канала, а мелкомасштабные параметры меняются как функция времени. Чтобы начать новое падение, пользователи инициализируют все снова, с одновременным обновлением канала [44]. Следовательно, симулятор может проходить через большое количество капель для получения статистически достоверных результатов. Во время каждого падения передается и принимается большое количество пакетов на одного активного пользователя при изменении параметров канала согласно времени согласования беспроводной ориентации. Типичные показатели производительности включают количество активных пользователей в сети, отношение сигнал / помеха плюс шум (SINR) на пользователя и поднесущая (в случае множественного доступа с ортогональным частотным разделением каналов – OFDMA), BER и вероятность падений. Дополнительные параметры, имеющие особую важность, такие как коэффициент передачи обслуживания, могут быть исследованы также. После достаточного количества симуляций MC (т. е. Разного количества падений) совокупная функция распределения (CDF) или функция плотности вероятности (pdf) вышеупомянутых параметров могут быть извлечены и оценены для различных сценариев работы. Общая процедура изображена на рисунке 4, где для простоты рассматривается только расчет SINR.

Рис. 4 – Моделирование сотовой сети для каждого падения канала.

Запрошенная услуга для каждой MS может быть простым голосовым вызовом или операцией, требующей полосы пропускания, например, потоковое видео высокой четкости. После того, как эта услуга определена, имитатор исследует соответствующую схему модуляции вместе с назначением канала на основе заранее определенных критериев, таких как минимизация общей передаваемой мощности, назначение минимального количества каналов и т. д. В случаях, когда полная или частичная информация о состоянии канала (CSI) доступна на передатчике через канал обратной связи без ошибок, выполняется назначение матрицы предварительного кодирования на основе соответствующих шифрах, рассчитанных априори.

В общем, вышеупомянутую структуру можно разделить на две отдельные процедуры [45]: первая концепция касается моделирования системного уровня (SL), которое больше связано с сетевыми проблемами, такими как выделение ресурсов и планирование, многопользовательская обработка, управление мобильностью, контроль допуска, управление помехами и оптимизация сетевого планирования. С другой стороны, моделирование канального уровня (LL) делает возможным исследование оценки канала, отслеживания и алгоритмов прогнозирования, а также алгоритмов синхронизации, усиления MIMO, адаптивной модуляции и кодирование (AMC), и методов обратной связи. При типичном подходе оценка производительности крупномасштабных беспроводных сотовых сетей выполняется в два этапа [46,47]: На первом этапе ограничено выполняется моделирование LL, при котором соответствующие параметры рассчитываются для беспроводной ориентации с ограниченным количеством узлов. Кроме того, моделирование LL не определяет геометрию сети, например размер ячейки или положение пользователя, и поэтому не требуются модели потерь на трассе или затухания в тени. С другой стороны, в симуляциях SL отношение сигнал / шум пользователя (SNR) является входным параметром для моделирования, а не результатом моделирования и напрямую контролируется мощностью передачи, тракт потери и уровень мощности шума.

В [48] представлен симулятор SL для сетей 3G, где ориентация системы может включать увеличенное количество ячеек и сигналов на ячейку. Чтобы сократить время выполнения и сделать выполнимым моделирование сценариев с увеличенным количеством уровней и проблемных пользователей на ячейку, была разработана среда решения (PSE) (рисунок 5). Здесь используется возможность распараллеливания симуляций MC и хорошо известный шаблон распараллеливания задач. В независимые модели MC могут быть вычислены одновременно, что сокращает время на моделирование. Используя крупномасштабную сетчатую-инфраструктуру, параллельное моделирование MC может массово выполняться с относительно низкой стоимостью, обеспечивая решения для критических по времени или в исключительных случаях когда моделирование особо трудоемкое. Эта же платформа была использована в [49], где ставилась цель изучить сети 3G на предмет различных стратегий управления радиоресурсами. В обоих упомянутых выше документах был проведен только анализ на системном уровне.

Рис. 5 – Схема сетки для независимого моделирования MC (Монте-Карло).

Сделав шаг вперед, в [50] был представлен симулятор гибридного системного канального уровня, где производительность нескольких методов предварительного кодирования анализируется для ориентации MIMO-WCDMA. Преимущество конкретного симулятора состоит в том, что теперь симуляции системного и канального уровня не разделены. Чтобы справиться с общей вычислительной сложностью, независимые модели MC были выполнены параллельно, используя разработанную модель [48]. Концепция гибридной системы – канальный уровень моделирование также проводится в [51], где рассматривалась сеть 4G MIMO-OFDMA. В [52] представлена модель LTE-Sim с открытым исходным кодом. LTE-Sim имитирует, среди прочего, восходящую связь и стратегии планирования нисходящей линии связи в многоячеечной / многопользовательской среде с учетом мобильности пользователя, оптимизации радиоресурсов, методов повторного использования частот и адаптивной модуляция и модуля кодирования. В [53] был описан симулятор LL для нисходящей линии связи LTE. В данном исследовании, были извлечены различные параметрические кривые (BER против SINR) для нескольких схем AMC. Эти кривые затем можно использовать как входные данные для симулятора SL. В [54] приложения потокового видео в LTE сети моделируются с помощью Vienna LTE SL Simulator. Видеосервер интегрирован в симулятор, при этом присутствовали и другие типы трафика. В [55] представлен эффективный вычислительный динамический симулятор LTE реализованный на системном уровне для сценариев корпоративных фемтосот. Преимуществом конкретного симулятора является использование трехмерного офисного сценария с реалистичной мобильностью и моделью распространения. Инструмент был разработан для сокращения вычислений в реальном времени за счет предварительных вычислений матриц распространения и трасс подвижности.

В эпоху 5G когда наблюдается смещение качества взаимодействия (QoE) в сторону высокой пропускной способности и нулевой задержки приложений, проектирование и разработка сетевых симуляторов 5G должны включать среди прочего, набор разнообразных технологий (например, моделирование канала mmWave, массивный MIMO, адаптивное управление радиоресурсами – RRM, NOMA и т. д.) и поддерживать взаимодействие с существующими сетями 4G. Список всех дополнительных функций и требований представлен в Таблице 1 вместе с обзором соответствующей литературы. В этом контексте в [56] представлены проблемы разработки платформ моделирования для 5G с появлением новых технологий и сетевых архитектур. В этой структуре для соответствия строгим требованиям предлагается двухуровневая облачная структура симулятора SL. В [57] расширение Vienna LTE Simulators [58] до 5G сетей, который является инструментом моделирования LL на основе MATLAB. В том же исследовании в [59] предусмотрена проверка тренажеров Vienna 5G LL и SL. Симулятор 5G SL в Вене [60] рассматривает беспроводные сети в большом масштабе, предлагая возможность моделировать сценарии, которые включают сотни узлов. Чтобы снизить вычислительную сложность на низком уровне, выполняется абстракция; следовательно, модели качества канала (LQM) и модель производительности канала (LPM) работают. Моделирование крупномасштабных сетей с несколькими базовыми станциями и типами пользователей и несколькими тысячами активных сетевых узлов теперь возможно благодаря эффективной реализации.

WiSE – это эффективный симулятор SL, выпущенный для использования в промышленных и академических сообществах. Результаты моделирования были подтверждены процессами калибровки 3GPP. В [61], структура симулятора, а также конкретные рекомендации представлены подробно. В Simulator позволяет моделировать LL как для мультиплексирования с ортогональным частотным разделением каналов (OFDM) и сигналов банка фильтров с множественной несущей (FBMC). В [62] расширение испытательного стенда моделирования GTEC представлены ([63]) для моделирования LL в сетях 5G. Он включает в себя полнофункциональный передатчик и реализацию приемника, а также различные модели каналов и функции для обработки полученных результаты. В [64] представлена новая структура симулятора SL, в которой удаленная радиоголовка(RRH) и соответствующий eNodeB могут иметь другой идентификатор соты. В [65] представлено и оценено новое машинное обучение (ML) методом сопоставления каналов связи с системой (L2S) для соединения симулятора LL и SL. В этом контексте общая вычислительная сложность снижается в то время как прогнозирование частоты появления блочных ошибок (BLER) улучшено. В [66] представлен новый дизайн моделирования SL 5G. Описанный симулятор может поддерживать различные типы сетей, а также одновременные передачи по нескольким технологиям радиодоступа для каждого отдельного пользователя, поддерживая одну или несколько услуг. В [67] алгоритм представлен анализ моделирования для систем 5G, который сочетает в себе технологию покоя BS и существующую технологию управления мощностью, с целью снижения энергопотребления БС и повышения энергоэффективности сети. В [68] представлен текущий статус модели для моделирования сотовых систем миллиметрового диапазона. Соответствующий код реализации, общедоступный на GitHub [69], имеет модульную и настраиваемую структуру, чтобы исследователи могли тестировать новые протоколы 5G. Mathworks выпустила 5G Toolbox [70] в рамках Matlab, который предоставляет стандартные функции и справочные примеры для моделирования, симуляции и проверки систем связи 5G. Набор инструментов поддерживает моделирование LL, проверку золотого эталона и тестирование на соответствие, а также генерацию тестового сигнала.

Решение NetTest 5G Network Emulator [71] от Polaris Networks имитирует различные аспекты сети 5G. Функции протокола и интерфейсы сетевых эмуляторов NetTest 5G реализованы на основе спецификаций 3GPP, которые позволяют пользователям моделировать различные сети операции и процедуры в лаборатории. Эмулятор включает, среди прочего, графического интерфейс пользователя (GUI), а также интерфейс прикладного программирования (API) для автоматизации тестирования. В заключение, ориентированные на устройства симуляторы, такие как решения для моделирования ANSYS 5G [72], могут моделировать связь антенны с антенной и влияние окружающей среды на распространение сигнала для повышения пропускной способности и скорости передачи данных для беспроводных приложений, а также передовых интерфейсов RF и методы снижения электромагнитных помех (EMI) в смартфонах 5G.

Таблица 1

Требование	Описание	Ссылка
Конфигурация сети должна варьироваться в зависимости от трафика и условия канала	В отличие от сотовых систем 3G / 4G, где сеть конфигурация предопределена, в сети 5G узлы могут добавляться динамически в соответствии с условиям трафика и общей запрошенной скорости передачи данных.	[41,42]
Точное моделирование каналов, включает не только BS-MS ссылки, но также ссылку D2D и промежуточные релейные узлы. V2X коммуникации так же должны поддерживается (Раздел 5)	Для поддержки запрошенного QoS MS усиленный канал может действовать как промежуточный узел ретрансляции для кэширования контента. В физическом слое, все возможные связи каналов должны быть встроены в симулятор	[26–40,68]
Адаптивные методы RRM для Сети 5G с динамической конфигурацией	По сравнению с текущими подходами RRM, Следующим походу традиционных мобильных сетей, RRM 5G несколько отличен, так как распределение ресурсов не ограничено пространственными и функциональными статическим узлами и таким образом, проблема, особенно при попытке совместно оптимизировать ряд переменных, становится более сложной. Ключевой проблемой является то, что в зависимости от пропускной способность различных звеньев, сеть может быть вынуждена иметь функциональное разделение согласно текущим характеристикам соединения	[22,23]
Гетерогенная сетевая архитектура	Сосуществование сетей 4G / 5G в одном географическом район, а также передача управления для сохранения QoS, когда происходит переключение сетей	[60,64,66]
MU-Massive MIMO методы формирования луча для максимизация скорости передачи данных	Соответствующие методы формирования луча требуются для поддержки разделения пользователей и обеспечения приемлемого QoS для всех MS. Кроме того, методы формирования луча должны быть вычислены эффективно для минимизации сложности постобработки	[16,17]
Поддержка увеличенной сложности моделирования MC	Сети 5G могут иметь сотни узлов и увеличенное количество MS на обслуживающий узел. Следовательно, чтобы сократить время моделирования без жертвования точностью моделирования, нужна параллельная обработка с использованием нескольких ядер, оборудования ускорения (с помощью графических процессоров), и распределенная обработка с использованием облачных вычислений	[48,50]
Возможность повторного использования, масштабируемость и гибкость	Разработанный код для симуляторов 5G должен Иметь возможность многократного использования в различных вычислительных средах, позволяющие научному сообществу протестировать и проверить все разработанные функции. Высокая масштабируемость и гибкость также необходима для поддержки различных сценариев и технологии в одном симуляторе	[57–59,61,68–72]

4. Планирование и оптимизация сети.

Планирование радиосети (RNP) является важной задачей для беспроводных сетей, которая в основном занимается расчетом количества, расположения и конфигурации узлов радиосети. Пятое поколения в настоящее время имеет первостепенное значение, поскольку оно требует не только оптимизации затрат развертываний, способных справиться с различными ограничениями спроса, но также, поскольку это влияет на оптимальное размещение основных сетевых элементов, например, для достижения низких значений задержки. Схема процесса RNP показан на рисунке 6. Алгоритм оптимизации RNP имеет различные параметры, как входные данные, включая варианты сетевого позиционирования (плотное, очень плотное, сверхплотное развертывание), требования к пропускной способности и зоне покрытия, а также системные ограничения (общая пропускная способность, максимальная мощность передачи на MS / BS). Затем выполняется оптимальное определение размеров, когда конкретные показатели должны быть удовлетворены, например, минимальная стоимость приобретения участка, максимальная пропускная способность в исследуемой площади, минимальная общая излучаемая энергия или оптимизация зон переключения [73]. Требуется учет различных параметров для решения проблемы планирования соты, в зависимости от поставленных целей и фазы планирования. Обычно необходимо знать следующие исходные данные: модели трафика, потенциальные местоположения объектов, BS модель и модели прогнозирования распространения. Типичные параметры включают, но не ограничиваются: оптимальное количество BS, лучшие места для установки BS, типы BS, оптимальные для каждого места, настройка параметров, таких как высота антенны, количество секторов и ориентация сектора, наклон, мощность, шаблон повторного использования частоты, а также определение емкости, например, количество несущих или несущая компонентов на сектор.

Рис. 6 – Схема планирования радиосети [74].

В этом исследовании работа в [74] была сосредоточена на предоставлении общего анализа этой проблемы, подчеркивая необходимость плотных автономных сетей малых сот в миллиметровом диапазоне 28 ГГц, для достижения целей по пропускной способности 5G. Три основных ограничения охвата, емкости и стоимости были изучены для ряда случаев, которые отражали сценарии от плотной до сверхплотной сети развертывания для достижения высокой емкости. В [75] предложен алгоритм совместной оптимизации многосотовой массивной сети MIMO для достижения трех целей: энергопотребление, нисходящий канал (DL) Электромагнитное (ЭМП) воздействие и воздействие ЭМП восходящего канала (UL). И DL, и UL EMF воздействие было рассмотрено в другом контексте. На первом этапе воздействие DL и UL ЭМП изучается отдельно (E-поле для воздействия DL и SAR для воздействия UL), а через секунду на шаге две цели совместно выражаются в единицах измерения излучения. В [76] изучена проблема планирования сети 5G (и, в частности, участков BS) с учетом пределов воздействия ЭМП. В этом исследовании были проведены два реальных исследования существующих сотовых сетей. Согласно представленным результатам, установка новых сайтов 5G может быть достаточно сложно, особенно в городских зонах, из-за наличия эффекта насыщения ЭДС. К тому же, показано, что неоптимальное планирование, обусловленное строгими правилами, ограничивающими установку новых BS сайтов, оказывает немаловажное влияние на тип услуг, предоставляемых операторами, а также на QoS пользователя. В [77] рассмотрена проблема разработки появляющихся сотовых сетей, таких как массовые MIMO и LTE Narrow Band (NB) -IoT для наилучшего покрытия и оптимального энергопотребления. Результаты показывают, что массивные сети доступа MIMO будут плотнее, чем нынешний 4G технологии и будет предлагать большую емкость. Кроме того, авторы применили и ввели новый и простой алгоритм для решения этой проблемы, алгоритм Jaya-jDE. Jaya-jDE - это гибрид Jaya и алгоритма дифференциальной эволюции, который объединяет концепции обоих алгоритмов и включает вероятностный механизм отбора и механизм предотвращения застоя в сравнении с другими различными вариантами конструкций сотовой сети. Результаты показывают, что в большинстве случаев он показал лучшую производительность, чем другие новые алгоритмы, и лучший результат по тесту Фридмана. В [78] были исследованы потенциал полнодуплексной (FD) технологии в улучшении пропускная способности и задержка сверхплотных малых сотовых сетей 5G. Результаты показывают теоретический двойной прирост пропускной способности, который обещает FD, он может быть достигнут только при определенных предположениях, а именно идеальном подавлении самоинтерференции, изолированных сотах и полном буфере трафика в модели.

Однако ожидаемая прибыль уменьшается, если учитывать реалистичные предположения, такие как ограничения трафика и межсотовые помехи. В [79] описана архитектурная структура 5G и некоторые из проблем 5G нуждающихся в решении (например, более высокая пропускная способность, более высокая скорость передачи данных, более низкая конечная задержка, широкие возможности подключения устройств, снижение капитальных и эксплуатационных затрат и стабильное качество связи) и предлагается двухуровневая архитектура, состоящая из радиосети и сетевого облака. Предлагаемая архитектура объединяет различные инструменты, такие как небольшие ячейки, MIMO, разделение плоскостей C / U, виртуализация сетевых функций (NFV) и программное обеспечение сети (SDN). В [80] разработанный алгоритм RNP был ориентирован на оптимизацию количества и расположение БС в данном районе.

Наконец, многие отрасли также разработали программные инструменты RNP для облегчения работы беспроводной сети оператора, а также академических исследований. В этом контексте Атолл [82], например, является многофункциональной платформой для проектирования и оптимизации беспроводной сети, поддерживающей беспроводных операторов на протяжении всего жизненного цикла сети, от первоначального проектирования до уплотнения и оптимизации. Atoll поддерживает распространение mmWave, массивный MIMO и трехмерное формирование луча. В том же контексте Ranplan [82], поддерживает массивную связь MIMO в миллиметровом диапазоне, сверхплотную и малую ячейку развертывания гетерогенных сетей, а также новых услуг 5G, таких как виртуальная реальность (VR) и дополненная реальность (AR). Huawei также запустила соответствующие инструменты моделирования, планирования и оптимизации [83] для сети 5G. Программное обеспечение для моделирования включает покрытие сети для типичных 5G услуг и соответствующие сценарии, покрытие в полосах частот, включая 3,5 / 4,5 / 28/39 ГГц, Huawei модель распространения с трассировкой лучей, а также статическое формирование луча и динамическое формирование луча массивных MIMO.

5. Проблемы с функциями

5.1. Интеграция автономных транспортных средств

Эпоха сетей 5G совпадает с научным прогрессом в других смежных областях, таких как развитие интеллектуальных электрических сетей (SEG). В этой высокие структуре требования к пропускной способности и нулевой задержке при развертывании, например при использовании автономных транспортных средств [84–85]. Видение AV - это возможность перемещаться без вмешательства человека и выполнять дополнительные сопутствующие задачи, такие как динамическое обновление карт городов и зарядка аккумулятора. Ожидается, что разработка и установка собственной беспроводной инфраструктуры для полной поддержки концепции электромобилей будет чрезвычайно дорогостоящей для электроэнергетических компаний и операторов электрических сетей, перспективным решением является аренда инфраструктуры 5G. Таким образом, АВ будут новым видом нагрузки для 5G [86–88]. Умные позы для вождения высокие требования к задержке передачи, надежности и скорости передачи данных в сетях 5G. В умном сценарии вождения, покрытие сети 5G может зависеть от различных факторов, таких как дорожные условия, другие транспортные средства и скорость движения. Это описывает острую потребность в более сложных и изысканных сценарных планировочных решениях.

В этом исследовании связь между транспортными средствами (V2X) [89] определяется как передача информации от транспортного средства к любому объекту, который может повлиять на транспортное средство, и наоборот (Рисунок 7). Это система автомобильной связи, которая включает в себя другие, более конкретные типы связи, например V2I (транспортное средство-инфраструктура), V2N (транспортное средство-сеть), V2V (транспортное средство-транспортное средство), V2P (от транспортного средства к пешеходу), V2D (от транспортного средства к устройству) и V2G (от транспортного средства к сети). Следовательно соответствующее моделирование каналов V2X должно быть включено в симуляторы сети 5G [90]. В [91], обзор последних разработок в области моделирования распространения и каналов для автомобильной связи. В [92], обсуждаются необходимые шаги для включения V2X через 5G, а также соответствующие требования к моделированию каналов. В [93] авторы описывают методы построения моделей распространения каналов с помощью трассировки лучей и моделирования передачи mmWave с приложениями для связи V2X. Наконец, в [94] описана концепция Интернета транспортных средств (IoV), которую можно рассматривать как часть интеллектуальных городов и он характеризуется как открытая и интегрированная сетевая система, состоящая из нескольких компонентов, включая автомобили, людей и предметы [95]. В этом исследовании предоставление приложения IoV (предоставление услуг развлечения на борту) оценивалась на тренажере НС-3, используя связь mmWave.

5.2. За пределами 5G

В сети 5G есть три категории услуг, требования которых стали определяющей силой для инноваций, а именно, массовые коммуникации машинного типа (mMTC), поддерживающие миллионы устройств Интернета вещей (IoT) с прерывистой активностью и передачей небольших пакетов данных; сверхнадежная связь с малой задержкой (URLLC), обеспечивающая связь с нулевой задержкой и высокой надежностью, например, в критических и аварийных приложениях [96]; и улучшенная мобильная широкополосный (eMBB), обслуживающая трафик с высокими скоростями передачи данных, а также пользователей на границе соты с возможностью подключения. Расширенные сценарии mMTC включают сотни тысяч устройств, автоматизируя процессы умного города, такие как утилизация отходов, отслеживание активов, интеллектуальный транспорт и т. д., требующие площади спектральной эффективности (ASE), превышающей 20 МБ / с / м2, что значительно превышает ожидания 5G [97,98] и прокладывает путь к долгосрочному развитию (5G-LTE).

Принимая во внимание эти факты, появилась многообещающая идея создания сетевой архитектуры B5G появляющейся под названием Ultra-Dense Networking (UDN) [99,100], что подразумевает плотность с тысячью узлами (дроны или автомобили, оснащенные удаленной радиоголовкой (RRH) или другой сетью 5G модулей) на квадратный километр, тогда как в традиционной мобильной сети их обычно не больше более двадцати BS в той же области. UDN основан на развертывании статических или движущихся, наземных или летающих узлов радиодоступа (RA), обеспечивающие улучшенное покрытие для каждого пользователя. В частности, в UDN расстояние передачи уменьшается, что приводит к повышению качества связи, в то время как повторное использование частот максимально, что увеличивает емкость. Согласно этой парадигме BS и / или RRH ближе к пользователю или даже следуя траектории пользователя, реализует концепцию перемещения точек доступа [101]. Например, на многолюдном мероприятии (рис. 8а), например, музыкальном фестивале, торговой ярмарке и т. д., требуется дополнительная возможность подключения, особенно если они размещены в менее центральных местах, где обычно доступная телекоммуникационная компания инфраструктура не может справиться с огромными требованиями к подключению аудитории мероприятий (безусловно есть хорошие продуманные инфраструктуры, такие как стадионы, где регулярно ожидаются проведения массовых мероприятий). Способом улучшить возможности сети для поддержки таких спорадических событий может быть развертывание дронов, стратегически расположенных для улучшения покрытия и дополнительной пропускной способности в области событий, одновременно передавая по высокоскоростным соединениям мобильный трафик между пользователями и базовой сетью. Кроме того, кэширование периферийного контента может снизить нагрузку на обратные ссылки и улучшение взаимодействия с пользователем.

Рис. 7 – Сеть пятого поколения, требующая типичных сценариев использования: (a) событие переполненности; (б)перемещение пользователей; (c) восстановление сети после стихийного бедствия.

В этом же исследование есть многие туристические объекты на свежем воздухе расположенные вне диапазона традиционной телекоммуникационной инфраструктуры, включая морские прогулки недалеко от побережья / озера, групповые посещения исторических мест, походы /поездки на сегвеях для посещения местной флоры и фауны недалеко от города и т. д. Связь может быть предоставлена пользователями, перемещающимися (рис. 8b) в составе группы с помощью дронов, пролетающих над районом, где происходит туристическая деятельность. Для связи между летающими RA узлам и базовой сетью потребуется какая-то технология передачи на средние и большие расстояния. Небольшое количество дронов будет сопровождать туристов во время их визитов, длительностью до 80–100 минут и преодолевать короткие расстояния,если для этого потребуются именно дроны. Наконец, в ситуациях после крупных стихийных бедствий, такие как землетрясения или ураганы, с вышедшими из строя телекоммуникационными сетями, так как иначе это оставит людей изолированными, а бригады аварийного реагирования без средств связи через сотовые сети на базе инфраструктуры. В этом случае мобильная сеть должна быть быстро развернута (рис. 8c) и сосредоточена на зоне бедствия, что позволит группам аварийного реагирования и пострадавшим людям, правильно общаться и получать доступ к данным, используя Интернет или любые другие физические средства, такие как голос, жесты и т. д. Сеть будет следовать за развернутыми командами, сосредоточиваясь на услугах в зоне бедствия, распознавая жесты и звуки, исходящие от мусора, с использованием акустических датчиков или RGB высокого разрешения или тепловизионных камер. Следовательно, как видно из вышеизложенного возникают дополнительные проблемы, связанные с проектированием и внедрением сетей 5G, управляемый реальными приложениями. Существование различных сервисов и приложений с разнообразными характеристиками приводит к одновременному использованию сетевых узлов, чтобы обеспечить поддержку и сеть для различных сервисов, с противоречивыми целями по QoS и мобильности для поддержки разнообразных сетей. Таким образом, передача усложняется и требуются дополнительные исследования.

Наконец, управление помехами довольно сложно и не может быть покрыто существующими решениями предложенными в литературе. Сверхплотное размещение кочевых узлов, наземных базовых станций и пользователи / устройства создают сложную модель помех, которая больше похожа на беспроводную сенсорную сеть (WSN), а не традиционную сеть мобильной связи. Следовательно, система и имитаторы канального уровня, а также алгоритмы RNP должны иметь возможность включать все вышеупомянутые функции, требующие пропускной способности и сети, для точной оценки производительности сетей 5G и B5G.

6. Резюме

Как стало ясно из анализа предыдущих разделов, полное моделирование 5G инфраструктура должна иметь возможность включать различные аспекты, связанные с передачей на физическом уровне (протоколы доступа, передача mmWave, массивный MIMO и т. д.), контроль доступа (адаптивный RRM алгоритм), динамическую конфигурацию сети с различными элементами, требования к новой полосе пропускания услуг и процедур RNP. Однако из-за присущей такой унифицированной сложности в рамках подходов к моделированию рассматривается подмножество вышеупомянутых аспектов. В таблице ниже (таблица 2) мы суммируем основные усилия по моделированию 5G, где выделен основной подход к моделированию.

Путь к полноценному симулятору 5G неизбежно связан с достижениями в алгоритмах обучения [102], чтобы, среди прочего, система могла динамически обращаться к когда-либо существующей проблеме распределения ресурсов, размещать фиксированные узлы по запросу, оптимизируя полет для узлов БПЛА, обеспечивать доступ к физическому и среднему уровню управления доступом - через аукцион точек доступа и обработки массового сотового трафика.

Таблица 2. Обзор наиболее значимых симуляторов 5G.

Симуляция	Основные характеристики
NYUSIM	Статистическое моделирование каналов, симуляционный код с простым в использовании интерфейсом; Несущие частоты от 2 до 73 ГГц
ТVienna LTE Simulators	Моделирование сетей 5G в большом масштабе, которое может включать сотни узлов. Поддерживается распараллеливание: Многоуровневые ориентации Код симулятора находится в свободном доступе
WISE	Моделирование на системном уровне сетей 5G для многоуровневой ориентации. Доступный исходный код для моделирования и проверки
GTEC 5G; Simulator	Моделирование канального уровня систем 5G. Реализация трансивера
[66]	Гетерогенные сети: Одновременные передачи по различным технологиям доступа Открытые функциональные интерфейсы
[68]	mmWave передача, AMC, планирование пользователей
5G Toolbox by Matlab	Моделирование на уровне каналов
RANPLAN	Планирование радиосети: Сверхплотные развертывания малых сот и гетерогенных сетей Новые услуги 5G, такие как VR / AR

7. Выводы

В этой обзорной статье обобщены все последние достижения в области моделирования и оценке методов для новых инфраструктур 5G. В этом исследовании представлен физический уровень для поддержки требований к скорости передачи данных сетей 5G, таких как mmWave передачи, массивные системы MIMO и схемы NOMA. Следовательно, полный и точный 5G симулятор должен иметь возможность включать в себя все вышеупомянутые разнообразные технологии. Более того, из-за сложной природы сетей 5G требуются передовые алгоритмы RNP, которые могут формировать динамические конфигурации сети (узлы ретрансляции, БПЛА и т. д.) в соответствии с требованиями трафика или другими связанными метриками. В этой структуре были проанализированы различные симуляторы системного и канального уровня повышенной сложность сетей 5G указывающие на то, что структура распараллеливания должна быть разработана для того, чтобы значительно сократить время выполнения. Однако даже в этом случае различные сетевые или прикладные задачи создают дополнительную сложность моделирования. Поддержка автономных транспортных средств и других связанных приложения с нулевой задержкой, такие как динамическая сеть конфигурации с использованием БПЛА, диктует необходимость, с одной стороны, более точного канала представления, которые не ограничиваются классической связью BS-MS, но принимают во внимание дополнительные ориентации каналов (например, D2D, V2X, ретрансляционные узлы, БПЛА на МС и т. д.), а с другой стороны - разработкой современных симуляторов, охватывающих различные экземпляры и топологии сети.

Список использованной литературы

1. Holma, H.; Toskala, A. (Eds). WCDMA for UMTS. Radio Access for Third Generation Mobile Communications; Wiley: Hoboken, NJ, USA, 2004.
2. ITU-R, Report M.2134. Requirements Related to Technical Performance for IMT-Advanced Radio Interface(s), Approved in November 2008.
3. Alamouti, S. A simple transmitter diversity technique for wireless communications. IEEE J. Sel. Areas Commun. 1998, 16, 1451–1458.
4. Gesbert, D.; Shafi, M.; Shiu, D.; Smith, P.; Naguib, A. From theory to practice: An overview of MIMO space—Time coded wireless systems. IEEE J. Sel. Areas Commun. 2003, 21, 281–302.
5. Gesbert, D.; Akhtar, J. Breaking the barriers of Shannon’s capacity: An overview of MIMO wireless systems. Telektronikk Telenor J. 2002, 1, 53–64.
6. Paulraj, A.; Gore, D.; Nabar, R.; Bolcskei, H. An overview of MIMO communications-a key to gigabit wireless. Proc. IEEE 2004, 92, 198–218.
7. Shoaib, S.; Shoaib, I.; Chen, X.; Parini, C.G. MIMO antennas for next generation mobile terminals. In Proceedings of the 2016 10th European Conference on Antennas and Propagation (EuCAP), Davos, Switzerland, 10–15 April 2016; pp. 1–4.
8. Li, Q.; Li, G.J.; Lee, W.; Lee, M.; Mazzarese, D.; Clerckx, B.; Li, Z. MIMO techniques in WiMAX and LTE: A feature overview. IEEE Commun. Mag. 2010, 48, 86–92.
9. Andrews, J.G.; Buzzi, S.; Choi, W.; Hanly, S.V.; Lozano, A.; Soong, A.C.K.; Zhang, J.C. What will 5G be? IEEE J. Sel. Areas Commun. 2014, 32, 1065–1082.
10. Cisco, Visual Networking Index: Global Mobile Data Traffic Forecast Update 2013–2018.
11. Chandrasekhar, V.; Andrews, J.G.; Gatherer, A. Femtocell networks: A Survey. IEEE Commun. Mag. 2008, 46, 59–67.
12. Cheng, X.; Tang, C.; Zhang, Z. Accurate channel estimation for millimeter-Wave MIMO systems. IEEE Trans. Veh. Technol. 2019, 68, 5159–5163.
13. Li, L.; Wang, D.; Niu, X.; Chai, Y.; Chen, L.; He, L.; Wu, X.; Zheng, F.; Cui, T.; You, X. mmWave communications for 5G: Implementation challenges and advances. Sci. China Inf. Sci. 2018, 61, 021301, doi:10.1007/s11432-017-9262-8.
14. Seker, C.; Guneser, M.T.; Ozturk, T. A review of millimeter wave communication for 5G. In Proceedings of the 2nd International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT), Ankara, Turkey, 19–21 October 2018.
15. Ji, H.; Kim, Y.; Lee, J.; Onggosanusi, E.; Nam, Y.; Zhang, J.; Lee, B.; Shim, B. Overview of full-dimension MIMO in LTE-Advanced. IEEE Commun. Mag. 2016, 55, 176–184.
16. Mokhtari Z, Sabbaghian M, Dinis, R. A Survey on massive MIMO systems in presence of channel and hardware impairments. Sensors 2019, 19, 164, doi:10.3390/s19010164.
17. Larsson, E.; Edfors, O.; Tufvesson, F.; Marzetta, T. Massive MIMO for next generation wireless systems. IEEE Commun. Mag. 2014, 52, 186–195.
18. Ding, Z.; Liu, Y.; Choi, J.; Sun, Q.; Elkashlan, M.; Lin, C.; Poor, H.V. Application of non-orthogonal multiple access in LTE and 5G networks. IEEE Commun. Mag.2017, 55, 185–191.
19. Dai, L.; Wang, B.; Ding, Z.; Wang, Z.; Chen. S.; Hanzo, L. A survey of non-orthogonal multiple access for 5G. IEEE Comm. Surv. Tutor. 2018, 20, 2294–2323.
20. Ding, Z.; Lei, X.; Karagiannidis, G.K.; Schober, R.; Yuan, J.; Bhargava, V.K. A survey on non-orthogonal multiple access for 5G networks: Research challenges and future trends. IEEE J. Sel. Areas Commun. 2017, 35, 2181–2195.
21. Dai, L.; Wang, B.; Yuan, Y.; Han, S.; Chih-lin, l.; Wang, Z. Non-orthogonal multiple access for 5G: Solutions, challenges, opportunities, and future research trends. IEEE Commun. Mag.2015, 53, 74–81.
22. Naqvi, S.A.R.; Hassan, S.A.; Pervaizy, H.; Ni, Q. Drone-aided communication as a key enabler for 5G and resilient public safety networks. IEEE Commun. Mag. 2018, 56, 36–42.
23. Li, B.; Fei, Z.; Zhang, Y. UAV Communications for 5G and beyond: Recent advances and future trends. IEEE Internet Things J. 2019, 6, 2241–2263.
24. Aldababsa, M.; Toka, M.; Gokceli , S.; Kurt, G.K.; Kucur, O. A tutorial on non orthogonal multiple access for 5G and beyond. Hindawi Wirel. Commun. Mob. Comput. 2018, 2018, 9713450.
25. Papoulis, A.; Pillai, S. Probability, Random Variables and Stochastic Processes, 4th ed.; McGraw Hill: New York, NY, USA, 2002.
26. Jung, J.-H.; Lee, J.; Lee, J.-H.; Kim, Y.-H.; Kim, S.-C. Ray-tracing aided modeling of user-shadowing effects in indoor wireless channels. IEEE Trans. Antennas Propag. 2014, 62, 3412–3416.
27. Hosain, F.; Geok, T.K.; Rahman, T. A.; Hindia, M.N.; Dimyati, K.; Ahmed, S.; Tso, C.P.; Rahman, N.Z. An efficient 3-D Ray tracing method: Prediction of indoor radio propagation at 28 GHz in 5G Network. Electronics 2019, 8, 286.
28. Mart Inez, A.M.; Egger, P.; Carvalho, E. Geometry-based stochastic channel models for5G: Extending key features for massive MIMO. In Proceedings of the 2016 IEEE 27th Annual IEEE International Symposium on Personal, Indoor and Mobile Radio Communications-(PIMRC): Fundamentals and PHY, Valencia, Spain, 4–8 September 2016.
29. Pessoa, A.M. A Stochastic channel model with dual mobility for 5G massive networks. IEEE Access 2019, 7, 2169–3536.
30. Baum, D.S.; Hansen, J.; Galdo, G.D.; Milojevic, M. An interim channel model for beyond-3G Systems. In Proceedings of the IEEE 61st Vehicular Technology Conference, Stockholm, Sweden, 30 May–1 June 2005; pp. 3132–3136.
31. Jaeckel, S.; Raschkowski, L.; Borner, K.; Thiele, L. QuaDRiGa: A 3-D multi-cell channel model with time evolution for enabling virtual field trials. IEEE Trans. Antennas Propag. 2014, 62, 3242–3256.
32. Liu, L.; Clqude, O.; Juho, P.; Katsuyuki, H.; Pertti, V.; Francois, Q.; Fredrik, T.; Philippe, D.D. The COST 2100 MIMO channel model. IEEE Wirel. Commun. 2012, 19, 92–99.
33. Wang, C.-X.; Bian, J.; Sun, J.; Zhang, W.; Zhang, M. A survey of 5G channel measurements and models. IEEE Commun. Surv. Tutor. 2018, 20, 3142–3168.
34. 3GPP TR 38.901 Version 14.3.0 Release 14. Study on Channel Model for Frequencies from 0.5 to 100 GHz, 2018.
35. Huang, J.; Wang, C.-X.; Feng, R.; Sun, J.; Zhang, W.; Yang, Y. Multi-frequency mmWave massive MIMO channel measurements and characterization for 5G wireless communication systems. IEEE J. Sel. Areas Commun. 2017, 35, 1591–1605.
36. Available online: https://wireless.engineering.nyu.edu/nyusim/ (accessed on 10 March 2020).
37. Ju, S.; Kanhere, O.; Xing, Y.; Rappaport, T.S. A millimeter-wave channel simulator NYUSIM with spatial consistency and human blockage. In Proceedings of the 2019 IEEE Global Communications Conference (GLOBECOM), Waikoloa, HI, USA, 9–13 December 2019; pp. 1–6.
38. Samini, M.; Rappaport, T.S. 3-D millimeter-wave statistical channel model for 5G wireless system design. IEEE Trans. Microw. Theory Technol. 2016, 64, 1–19.
39. R. Hasan, R.; Mowla, M.M.; Rashid, M.A.; Hosain, M.K.; Ahmad, I. A statistical analysis of channel modeling for 5G mmWave communications. In Proceedings of the 2019 International Conference on Electrical, Computer and Communication Engineering (ECCE), Cox’s Bazar, Bangladesh, 7–9 February 2019; pp. 1–6.
40. Cheng, X.; Li, Y.; Ai, B.; Yin, X.F.; Wang, Q. Device-to-device channel measurements and models: A survey. IET Commun. 2015, 9, 312–325.
41. Zeng, Y.; Wu, Q.; Zhang, R. Accessing from the sky: A tutorial on UAV communications for 5G and beyond. Proc. IEEE 2019, 107, 2327–2375.
42. Xia, W.; Polese, M.; Mezzavilla, M.; Loianno, G.; Rangan, S.; Zorzi, M. Millimeter wave remote UAV control and communications for public safety scenarios. In Proceedings of the 16th Annual IEEE International Conference on Sensing, Communication, and Networking (SECON), Boston, MA, USA, 10–13 June 2019.
43. Al-Hourani, A.; Gomez, K. Modeling cellular-to-UAV path-loss for suburban environments. IEEE Wirel. Commun. Lett. 2018, 7, 82–85.
44. 3GPP TR 25.996 v6.1.0. Spatial Channel Model for Multiple Input Multiple Output (MIMO) Simulations, September 2003.
45. Ikuno, J.C.; Wrulich, M.; Rupp, M. System level simulation of LTE networks. In Proceedings of the 2010 IEEE 71st Vehicular Technology Conference, Taipei, Taiwan, 16–19 May 2010.
46. Mehlfuhrer, C.; Ikuno, J.C.; Simko, M.; Schwarz, S.; Wrulich, M.; Rupp, M. The Vienna LTE simulators–Enabling reproducibility in wireless communications research. Eurasip J. Adv. Signal Process. 2011, 2011, 29.
47. Wrulich, M.; Rupp, M. Computationally efficient MIMO HSDPA system-level modeling. Eurasip J. Wirel. Commun. Netw. 2009, 2009, 382501.
48. Athanaileas, T.E.; Gkonis, P.K.; Athanasiadou, G.E.; Tsoulos, G.V.; Kaklamani, D.I. Implementation and evaluation of a web- based grid-enabled environment for WCDMA multibeam system simulations. IEEE Antennas Propag. Mag. 2008, 50, 195–204.
49. Gkonis, P.K.; Tsoulos, G.V.; Kaklamani, D.I. Capacity of WCDMA multicellular networks under different radio resource management strategies. In Procs of the IEEE 3rd International Symposium on Wireless Pervasive Computing, Santorini, Greece, 7–9 May 2008.
50. Gkonis, P.K.; Tsoulos, G.V.; Kaklamani, D.I. Performance evaluation of MIMO–WCDMA cellular networks in multiuser frequency selective fading environments. Wirel. Commun. Mob. Comput. 2013, 13, doi:10.1002/wcm.1096.
51. Gkonis, P.K.; Seimeni, M.A.; Asimakis, N.P.; Kaklamani, D.I.; Venieris, I.S. A new subcarrier allocation strategy for MIMO-OFDMA multicellular networks based on cooperative interference mitigation. Sci. World J. 2014, 2014, 652968.
52. Piro, G.; Grieco, L.A.; Member, Boggia, G.; Capozzi, F.; Camarda, P. Simulating LTE cellular systems: An open-source framework. IEEE Trans. Veh. Technol. 2011, 60, 498–513.
53. Olmos, J.; Serra, A.; Ruiz, S.; Garcia-Lozano, M.; Gonzalez, D. Link Level Simulator for LTE Downlink.
54. Ye, Z.; Jimenez, T.; El-Azouzi, R. Video streaming analysis in Vienna LTE system level simulator. In Proceedings of the 8th EAI International Conference on Simulation Tools and Techniques, Athens, Greece, 24–26 August 2015.
55. Ruiz-Aviles, J.M. Design of a computationally efficient dynamic system-level simulator for enterprise LTE femtocell scenarios. J. Electr. Comput. Eng. 2012, 2012, 802606.
56. Wang, Y.; Xu, J.; Jiang, L. Challenges of system-level simulations and performance evaluation for 5G wireless networks. IEEE Access 2014, 2, 1553–1561.
57. Pratschner, S.; Tahir, B.; Marijanovic, L.; Mussbah, M.; Kirev, K.; Nissel, R.; Schwarz, S.; Rupp, M. Versatile mobile communications simulation: The Vienna 5G link level simulator. Eurasip J. Wirel. Commun. Netw. 2018, 2018, 226, doi:10.1186/s13638-018-1239-6.
58. Institute of Telecommunications. T.U. Wien, Vienna Cellular Communications Simulators. Available online: www.tc.tuwien.ac.at/vccs/ (accessed on 10 March 2020).
59. Pratschner, S.; Muller, M.K.; Ademaj, F.; Nabavi, A.; Tahir, B.; Tahir, B.; Schwarz, S.; Rupp, M. Verification of the Vienna 5G link and system level simulators and their interaction. In Proceedings of the 16th IEEE Annual Consumer Communications & Networking Conference (CCNC), Las Vegas, NV, USA, 11–14 January 2019.
60. Muller, M.K.; Ademaj, F.; Dittrich, T.; Tastenbauer, A.; Elbal, B.R.; Nabavi, A.; Nagel, L.; Schwarz, Rupp, M.Flexible multi-node simulation of cellular mobile communications: The Vienna 5G system level simulator. Eurasip J. Wirel. Commun. Netw. 2018, 2018, 227, doi:10.1186/s13638-018-1238-7.
61. Jao, C-K.; Wang, C.Y.; Yeh, T.Y.; Tsai, C.C.; Chen, J.H.; Pao, W.C.; Sheen, W..H. WiSE: A system-level simulator for 5G mobile networks. IEEE Wirel. Commun. 2018, 25, 4–7.
62. Tomas Dominguez-Bolano, T.; Rodriguez-Pineiro, J.; Garcia-Naya, J.A.; Castedo, L. The GTEC 5G link-level simulator. In Proceedings of the 2016 1st International Workshop on Link- and System Level Simulations (IWSLS), Vienna, Austria, 1 July 2016. 63. Suarez-Casal, P.; Rodriguez-Pineiro, J.; Garcia-Naya, J.A.; and Castedo, L. Experimental evaluation of the WiMAX downlink physical layer in high-mobility scenarios. Eurasip J. Wirel. Commun. Netw. 2014, 2015, 109.
63. Wang, X.; Chen, Y.; Mai, Z. A novel design of system level simulator for heterogeneous networks. In Proceedings of the 2017 IEEE Globecom Workshops (GC Wkshps), Singapore, 4–8 December 2017.
64. Chu, E.; Yoon, J.; Jung, B.C. A novel link-to-system mapping technique based on machine learning for 5G/IoT wireless networks. Sensors 2019, 19, 1196
65. Liu, M.; Ren, P.; Du, Q.; Ou, W.; Xiong, X.; Li, G. Design of system-level simulation platform for 5G networks. In Proceedings of the CD-ROM Proceedings of the 2017 International Conference of Electrical and Electronic Technologies for Automotive, Torino, Italy, 15–16 June 2017.
66. Yan, G. Simulation analysis of key technology optimization of 5G mobile communication network based on Internet of Things technology. Int. J. Distrib. Sens. Netw. 2019, 15, doi:10.1177/1550147719851454.
67. Mezzavilla, M.; Zhang, M.; Polese, M.; Ford, R.; Dutta, S.; Rangan, S.; Zorzi, M. End-to-End simulation of 5G mmWave networks. IEEE Commun. Surv. Tutor. 2018, 20, 2237–2263.
68. NYU WIRELESS, University of Padova, ns-3 Module for Simulating Mmwave-Based Cellular Systems.
69. Available online: https://www.mathworks.com/products/5g.html (accessed on 10 March 2020).
70. Available online: http://www.polarisnetworks.net/5g-network-emulators.html (accessed on 10 March 2020).
71. Available online: https://www.ansys.com/solutions/technology-trends/5g (accessed on 10 March 2020).
72. . Taufique, A.; Jaber, M.; Imran, A.; Dawy, Z.; Yacoub, E. Planning wireless cellular networks of future: Outlook, Challenges and Opportunities. IEEE Access 2017, 99, 1, doi:10.1109/ACCESS.2017.2680318.
73. Athanasiadou, G.E.; Fytampanis, P.; Zarbouti, D.A.; Tsoulos, G.V.; Gkonis, P.K.; Kaklamani, D.I. Radio network planning towards 5G mmWave standalone small-cell architectures. Electronics 2020, 9, 339.
74. Matalatala, M.; Deruyck, M.; Shikhantsov, S.; Tanghe, E.; Plets, D.; Goudos, S.; Psannis, K.E.; ???, L.;Joseph, W. Multi-objective optimization of massive MIMO 5G wireless networks towards power consumption, uplink and downlink exposure. Appl. Sci. 2019, 9, 4974.
75. Chiaraviglio, L.; Cacciapuoti, A.S.; Di Martino, G.; Fiore, M.; Montesano, M.; Trucchi, D.; Melazzi, N.B. Planning 5G Networks under EMF constraints: State of the art and vision. IEEE Access 2018, 6, 51021–51037.
76. Goudos, S.K.; Margot, D.; David, P.; Luc, M.; Kostas, E.P.; Panagiotis, Sarigiannidis, P.; Wout, J.; A novel design approach for 5G massive MIMO and NB-IoT green networks using a hybrid jaya-differential evolution algorithm. IEEE Access 2019, 7, 105687–105700.
77. Sarret, M.G.; Berardinelli, G.; Mahmood, N.H.; Fleischer, M.; Mogensen, P.; Heinz, H. Analyzing the potential of full duplex in 5G ultra-dense small cell networks. Eurasip J. Wirel. Commun. Netw. 2016, 2016, 284, doi:10.1186/s13638-016-0780-4.
78. Agyapong, P.K.; Iwamura, M.; Staehle, D.; Kiess, W.; Benjebbour, A. Design considerations for a 5G network architecture. IEEE Commun. Mag. 2014, 52, 65–75.
79. El-Beaino, W.; El-Hajj, A.M.; Dawy, Z. On radio network planning for next generation 5G networks: A case study. In Proceedings of the International Conference on Communications, Signal Processing, and their Applications (ICCSPA'15), Sharjah, UAE, 17–19 February 2015.
80. Available online: https://www.forsk.com/atoll-overview (accessed on 10 March 2020).
81. Available online: https://ranplanwireless.com/industries/5g/ (accessed on 10 March 2020).
82. Available online: https://www-file.huawei.com/-/media/corporate/pdf/white%20paper/2018/5g_wireless_network_planing_solution_en. pdf?la=en-ch (accessed on 10 March 2020).
83. Krasniqi, X.; Hajrizi, E. Use of IoT technology to drive the automotive industry from connected to full autonomous vehicles. IFAC Pap. Online 2016, 49, 269–274.
84. Skouras, T.A.; Gkonis, P.K.; Ilias, C.N.; Trakadas, P.T.; Tsampasis, E.G.; Zahariadis, T.V. Electrical vehicles: Current state of the art, future challenges, and perspectives. Clean Technol. 2020, 2, 1–16.
85. Lema, M.A.; Laya, A.; Mahmoodi, T.; Cuevas, M.; Sachs, J.; Markendahl, J.; Dohler, M. Business case and technology analysis for 5G low latency applications. IEEE Access 2017, 5, 5917–5935.
86. Alberio, M.; Parladori, G. Innovation in automotive: A challenge for 5G and beyond network. In Proceedings of the International Conference of Electrical and Electronic Technologies for Automotive, Torino, Italy, 15–16 June 2017.
87. Campolo, C.; Molinaro, A.; Iera, A.; Menichella, F. 5G Network Slicing for Vehicle-to-Everything Services. IEEE Wirel. Commun. 2017, 24, 38–45.
88. Mannoni, V.; Berg, V.; Sesia, S.; Perraud, E. A comparison of the V2X communication systems: ITS-G5 and C-V2X. In Proceedings of the 2019 IEEE 89th Vehicular Technology Conference (VTC2019-Spring), Kuala Lumpur, Malaysia, 28 April–1 May 2019.
89. ETSI TR 103 257-1 V1.1.1 (2019-05), Intelligent Transport Systems (ITS), Access Layer, Part 1: Channel Models for the 5,9 GHz frequency band, 2019.
90. Viriyasitavat, W.; Boban, M.; Tsai, H.; Vasilakos, A. Vehicular communications: Survey and challenges of channel and propagation models. IEEE Veh. Techn. Mag. 2015, 10, 55–66.
91. Antonescu, B.; Moayyed, M.T.; Basagni, S. mmWave channel propagation modeling for V2X communication systems. In Proceedings of the IEEE 28th Annual International Symposium on Personal, Indoor, and Mobile Radio Communications (PIMRC), Montreal, QC, Canada, 8–13 October 2017.
92. Medbo, J.; Borner, K.; Haneda, K.; Hovinen, V.; Imai, T.; Jarvelainen, J.; Jamsa, T.; Karttunen, A.; Kusume, K.; Kyrolainen, J.; Kyosti, P.; et al. Channel modelling for the fifth generation mobile communications. In Proceedings of the 8th European Conference on Antennas and Propagation (EuCAP 2014), The Hague, The Netherlands, 6–11 April 2014; pp. 219–223.
93. Storck, C.R.; Duarte-Figueiredo, F. A 5G V2X ecosystem providing Internet of vehicles. Sensors 2019, 19, 550.
94. Agyapong, P.K.; Iwamura, M.; Staehle, D.; Kiess, W.; Benjebbour, A. Design considerations for a 5G network architecture. IEEE Commun. Mag. 2014, 52, 65–75.
95. Yang, F.; Wang, S.; Li, J.; Liu, Z.; Sun, Q. An overview of Internet of Vehicles. China Commun. 2014, 11, 1–15.
96. 5GPPP-IA, 5G and e-Health, 2015.
97. IMT-2020 (5G) Promotion Group, 5G Vision and Requirement, 2014.
98. 5GPPP-IA, Smart Networks and Services for Next Generation Internet.
99. Al-Dulaimi, A.; Ni, Q.; Cao, J.W.; Gatherer, A.; Chih-lin, I. Orchestration of ultra-dense 5G networks. IEEE Commun. Mag. 2018, 56, 68–69.
100. Kamel, M.; Walaa, H.; Amr, Y.; Ultra-dense networks: A survey. IEEE Commun. Surv. Tut. 2016, 18, 2522–2545.
101. Andreev, S.; Vitaly, P.; Mischa, D.; Halim, Y. Future of ultra-dense networks beyond 5G: Harnessing heterogeneous moving cells, IEEE Commun. Mag. 2019, 57, 86–92.
102. Morocho-Cayamcela, M.E.; Lee, H.; Lim, W. Machine learning for 5G/B5G mobile and wireless communications: Potential, Limitations, and Future Directions. IEEE Access 2019, 7, 137184–137206.