Performance prediction of URLLC in interference-limited networks using transfer learning

Ghous, Mujtaba (2026). Performance prediction of URLLC in interference-limited networks using transfer learning. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (1MB) | Prévisualisation

Résumé

In the emerging context of sixth-generation (6G) networks, a major challenge is ensuring extremely high reliability for short-packet transmissions. This challenge is linked to the fact that classical Shannon capacity limits are no longer applicable in the finite-blocklength regime. The present thesis addresses this issue by presenting a comprehensive performance analysis of a URLLC system deployed in a clustered wireless network using short-packet communication (SPC). In this architecture, multiple ground users affected by heterogeneous interference sources are grouped around a cluster head (CH), which acts as a wireless relay between the base station and the users.

A closed-form analytical expression for the global block error rate (BLER) is first derived by considering key constraints such as packet size, blocklength, and achievable rate. In addition, a transfer-learning framework is proposed for real-time performance prediction in environments statistically independent, but not necessarily identically distributed (Non-IID). The approach uses a pre-trained source model that is subsequently fine-tuned using domain-specific data, significantly improving generalization capability under diverse interference scenarios.

The results highlight the benefits of combining analytical modeling with deep learning for accurate characterization of URLLC performance in the finite-blocklength regime. The proposed method provides an effective solution for dynamic BLER prediction and paves the way for a more reliable deployment of URLLC systems in practical applications requiring instantaneous performance evaluation.

Titre traduit

Prédiction des performances de l’URLLC dans des réseaux soumis à interférences à l’aide de l’apprentissage par transfert

Résumé traduit

Dans le contexte émergent des réseaux de sixième génération (6G), garantir une fiabilité extrêmement élevée pour des transmissions de courte longueur constitue un défi majeur, les limites classiques de capacité de Shannon n’étant plus adaptées au régime de blocs finis. Ce mémoire s’intéresse à cette problématique et présente une analyse des performances d’un système de communication ultra-fiable et à faible latence (URLLC) déployé dans un réseau en grappes utilisant la communication par paquets courts (SPC). Dans cette architecture, plusieurs utilisateurs terrestres soumis à diverses sources d’interférence sont regroupés autour d’un chef de cluster (CH) assurant le rôle de relais sans fil entre la station de base et les utilisateurs.

Une expression analytique en forme fermée du taux d’erreur de bloc (BLER) global est d’abord établie en tenant compte de la taille du paquet, de la longueur de bloc et du débit maximal atteignable. Afin de compléter cette analyse, un cadre de transfert d’apprentissage est proposé pour la prédiction en temps réel des performances du système dans des environnements statistiquement indépendants mais non nécessairement identiquement distribués (Non-IID). L’approche consiste à exploiter un modèle source pré-entraîné puis à l’affiner sur des données propres au domaine d’intérêt, permettant ainsi d’améliorer significativement la capacité de généralisation face à différents scénarios d’interférence.

Les résultats obtenus mettent en évidence l’intérêt de combiner modélisation analytique et apprentissage profond pour la caractérisation précise des performances URLLC dans le régime de blocs finis. L’approche proposée offre une solution efficace pour la prédiction dynamique du BLERet ouvre la voie à un déploiement plus fiable des systèmes URLLC dans des applications pratiques où l’évaluation instantanée des performances demeure essentielle.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master's degree with thesis in electrical engineering". Comprend des références bibliographiques (pages 83-86).
Mots-clés libres:	communication ultra-fiable et à faible latence (URLLC), apprentissage par transfert (TL), taux d’erreur de bloc (BLER), réseau neuronal convolutionnel (CNN), analyse de performances, réseau d’interférences non identiquement distribuées (non-IID), prédiction des performances basée sur l’apprentissage automatique
Directeur de mémoire/thèse:	Directeur(-trice) Kaddoum, Georges
Programme:	Maîtrise en ingénierie > Génie électrique
Date de dépôt:	15 avr. 2026 14:15
Dernière modification:	15 avr. 2026 14:15
URI:	https://espace.etsmtl.ca/id/eprint/3859

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt