48、改善 IEEE 802.11ax 无线网络性能：基于图神经网络的解决方案

改善 IEEE 802.11ax 无线网络性能：基于图神经网络的解决方案

1. 研究背景与挑战

在 IEEE 802.11ax 无线局域网（WLAN）的密集部署场景中，面临着同构和异构共存的问题，这是一个关键挑战。特别是传统的 IEEE 802.11 边缘设备会与 IEEE 802.11ax 设备产生竞争，导致吞吐量和信道效率下降，性能显著降低。此外，多个边缘设备在密集场景中同时传输会相互干扰，导致延迟增加。

为了提高多用户上下行传输性能，之前有基于传输机会（TXOP）的方法，但存在吞吐量和延迟的权衡。也有利用多输入多输出（MIMO）技术来提高多用户吞吐量的替代方案。深度学习方法也被用于提高基于 IEEE 802.11 的 WLAN 的整体效率和吞吐量，例如基于深度卷积神经网络的无线干扰策略，以及利用 VGG16 卷积神经网络来确定信号是否受到干扰等。

2. 系统模型

在密集场景中，介质访问控制（MAC）采用载波侦听多路访问/冲突避免（CSMA/CA）机制，有助于防止同时传输，但会导致有限的复用。例如，在一个异构网络中，STA2 - B 接收到来自 AP1 的无线电信号，其接收信号强度指示（RSSI）大于空闲信道评估（CCA）阈值。当 AP2 向 STA2 - B 广播时，AP1 会检测到信道繁忙。

3. 图模型

IEEE 802.11ax 接入点（AP）随机分布，每个 AP 都能够与其附近的邻居进行通信。使用无向图 (G = (V, E)) 来表征和模拟无线网络的交互关系，其中 (V = {v_1, v_2, \cdots, v_N}) 是第 (N) 个 AP 的顶点数组，边数组 (E \in (V \time