Wireless data communication is a complex phenomenon. Wireless links encounter random, time-varying, channel effects that are challenging to predict and compensate. Hence, to optimally utilize the channel, wireless links adapt the data transmission parameters in real time. This process, known as wireless link adaptation, can lead to large gains in link performance. Link adaptation is hence an integral part of state-of-the-art wireless deployments.

Existing link adaptation schemes use simple heuristics that match the data transmission rate to the estimated channel. These schemes have proven to be useful for the ubiquitous wireless services of voice telephony and mobile broadband. However, as wireless networks increase in complexity and also evolve to support new service types, these link adaptation schemes are rapidly becoming inadequate. The reason for this change is threefold: first, in several operating scenarios, simple heuristics-based link adaptation does not fully exploit the available channel. Second, the heuristics are typically tuned empirically for good performance, which incurs additional expense and can be error-prone. Finally, traditional link adaptation does not naturally extend to applications beyond the traditional wireless services, for example to industrial control or vehicular communications.

In this thesis, we address wireless link adaptation through machine learning. Our proposed solutions efficiently navigate the link parameter space by learning from the available information. These solutions thus improve the link performance compared to the state-of-the-art, for example by doubling the link throughput. Further, we advance link adaptation support for new wireless services by optimizing the link for complex performance objectives. Finally, we also introduce mechanisms that autonomously tune the link adaptation parameters with respect to the operating environment. Our schemes hence mitigate the dependence on empirical configurations adopted in current wireless networks.

This thesis is composed of six technical papers. Based on these papers, there are three key contributions of this thesis: a neural link adaptation model (Paper I, Paper II, and Paper III), link adaptation under packet error rate constraints (Paper IV  and Paper V), and efficient model-based link adaptation (Paper VI).

In this thesis, we emphasise the theoretical underpinnings of our proposed machine learning schemes for link adaptation. We approach this goal in three ways: First, we make theoretically reasoned choices for machine learning models and learning algorithms for link adaptation. Second, we extend these models for the specific problem formulations encountered in link adaptation. For this, we develop rigorous problem formulations that are analyzed using classical techniques. Third, we develop theoretical results for the real-time behaviour of the proposed schemes. These bounds extend the machine learning state-of-the-art in terms of performance bounds for stochastic online optimization. The contributions of this thesis hence go beyond the realm of wireless optimization, and extend to new developments applicable to broader machine learning problems. 

Trådlös datakommunikation är ett komplext fenomen. Trådlösa länkar stöter på slumpmässiga och tidsvarierande kanaleffekter som är utmanande att förutsäga och kompensera för. För att optimalt utnyttja den trådlösa kanalen anpassar därför kommunikationssystem dataöverföringsparametrarna i realtid. Denna process, även kallad trådlös länkanpassning, kan leda till stora vinster i länkprestanda. Länk-anpassning är därför en integrerad del av alla moderna kommunikationssystem. Befintliga metoder för länkanpassning använder enkla heuristiker som anpassar dataöverföringshastigheten till den skattade trådlösa kanalen. Dessa system har visat sig vara användbara för de brett använda trådlösa tjänsterna rösttelefoni och mobilt bredband. Eftersom trådlösa nätverk ökar i komplexitet och också utvecklas för att stödja nya tjänstetyper, blir dock dessa metoder för länkanpassning snabbt otillräckliga. Anledningen till detta är trefaldig: För det första så utnyttjar heuristikbaserad länkanpassning i flera nya tjänster utnyttjar helt enkelt inte den tillgängliga kanalen till fullo. För det andra så är heuristiken vanligtvis anpassad empiriskt för bra prestanda, vilket kan vara felbenäget i nya scenarion och vilket medför extra kostnader. Slutligen så generaliserar traditionell länkanpassning inte naturligt till tillämpningar som går utöver de traditionella trådlösa tjänsterna, till exempel till industriella reglersystem eller fordonskommunikation. I denna avhandling behandlar vi länkanpassning genom maskininlärning. Våra föreslagna system utforskar effektivt länkparameterutrymmet genom att lära av tillgänglig information. De föreslagna metoderna förbättrar således länkprestandan jämfört med den senaste tekniken, till exempel genom att fördubbla länkgenomströmningen. Vidare utvecklar vi också länkadaptationsstöd för nya trådlösa tjänster genom att optimera länken för mer komplexa prestandamål. Slutligen så introducerar vi också mekanismer som autonomt justerar länkanpassningsparametrarna baserat på driftsmiljön. Våra system mildrar därmed beroendet på empiriska konfigurationer som används i nuvarande trådlösa nätverk. Denna avhandling består av sex tekniska artiklar. Baserat på dessa artiklar finns det tre viktiga bidrag från denna avhandling: En modell för anpassning av neurala länkar (Paper I, Paper II och Paper III), länkanpassning under begränsningar i paketfelfrekvensen (Paper IV och Paper V), och effektiv modellbaserad länkanpassning (Paper VI). I denna avhandling betonar vi den teoretiska grunden för våra föreslagna maskininlärningsmetoder för länkanpassning. Vi närmar oss detta mål på tre sätt: För det första gör vi teoretiskt motiverade val för maskininlärningsmodeller och inlärningsalgoritmer för länkanpassning. För det andra utökar vi dessa modeller för de specifika problemformuleringar som påträffas vid länkanpassning. För detta utvecklar vi noggranna problemformuleringar som analyseras med klassiska tekniker. För det tredje utvecklar vi teoretiska resultat för de föreslagna systemens realtidsbeteende. Dessa gränser utökar fältet maskininlärningen när det gäller prestationsgränser för stokastisk online-optimering. Bidragen från denna avhandling går alltså utöver området för trådlös kommunikation och sträcker sig till nya tillämpningsområden.

वायरलेस डेटा संचार एक जटिल प्रक्रिया है। वायरलेस कड़ियाँ  (लिंक्स) अव्यवस्थित और क्रम-रहित चैनल प्रभावों का सामना करतीं हैं, जिनकी क्षतिपूर्ति कर पाना चुनौतीपूर्ण है। अतः, चैनल का सर्वोत्तम  उपयोग करने के लिए, वायरलेस लिंक्स वास्तविक समय में डेटा संचारण मापदंडों (पैरामीटर्स) को अनुकूलित करते हैं। इस प्रक्रिया को वायरलेस लिंक अनुकूलन के नाम से जाना जाता है, जो अत्याधुनिक वायरलेस परिनियोजन का एक अभिन्न अंग है।

मौजूदा लिंक अनुकूलन योजनाएं अनुभव पर आधारित, सरल, अनुमानों का उपयोग करती हैं। आमतौर से, ये योजनांए डेटा संचारण दर का अनुमानित वायरलेस चैनल से मेल कराती हैं  । पूर्वकाल में, ये योजनाएं दूरभाष और मोबाइल ब्रॉडबैंड की सर्वव्यापी वायरलेस सेवाओं के लिए उपयोगी साबित हुई हैं। किन्तु, जैसे-जैसे वायरलेस नेटवर्क जटिल होते जा रहे हैं , और नए प्रकार की संचारण -व्यवस्थाएं विकसित हो रही हैं, मौजूदा लिंक अनुकूलन योजनाएं भी तेजी से अपर्याप्त होती चली जा रही हैं। इस परिवर्तन के यह तीन मुख्य कारण हैं: पहला, कई परिदृश्यों में, सरल लिंक अनुकूलन मौजूदा चैनल का पूरी तरह से उपयोग नहीं कर पाता। दूसरा, संचारण मापदंडों को सामान्यतः आनुभाविक रूप से चुना जाता है, जो अतिरिक्त संचरण को बढ़ाता है और इसमें त्रुटियों की सम्भावना अधिक होती  है। अंततः,पारंपरिक लिंक अनुकूलन नयी सेवा-प्रयोगों की ओर स्वाभाविक रूप से विस्तार नहीं करता - उदाहरण के लिए, औद्योगिक नियंत्रण अथवा  वाहन-आधारित संचार।

इस शोध प्रबंध (थीसिस) में, हम मशीन लर्निंग के माध्यम से वायरलेस लिंक अनुकूलन का अनुसंधान करते हैं। हमारे प्रस्तावित समाधान सामान्य संचारण जानकारी से सीखकर, लिंक संचरण मापदंडों का स्वतः और  कुशलतापूर्वक सञ्चालन करते हैं। अत्याधुनिक अनुकूलन विधियों  की तुलना में, हमारे  समाधान लिंक निष्पादन (परफॉरमेंस) में सुधार करते हैं, उदाहरण के लिए लिंक प्रवाह क्षमता (थ्रूपुट) को दोगुना करके। इसके अतिरिक्त,हमारे समाधान  जटिल निष्पादन उद्देश्यों के लिए लिंक को अनुकूलित करके नई वायरलेस सेवाओं को लाभ पहुंचाते हैं। अंत में, हम ऐसी तकनीक भी प्रस्तुत  करते हैं जो वायरलेस वातावरण के आधार पर, लिंक अनुकूलन मापदंडों को स्वतः संचालित करती है। इस प्रकार, हमारी प्रस्तावित योजनाएं आज के वायरलेस नेटवर्क की  अनुभवजन्य निर्भरता कम करती हैं। 

इस थीसिस में छह तकनीकी पत्र समाहित हैं। इन पत्रों के आधार पर,यह थीसिस तीन प्रमुख क्षेत्रों में योगदान देती है: एक न्यूरल लिंक अनुकूलन मॉडल (पेपर I, पेपर II और पेपर III), पैकेट त्रुटि दर की कमी के तहत लिंक अनुकूलन (पेपर IV और पेपर V), और मॉडल आधरित कुशल लिंक अनुकूलन (पेपर VI)।

इस थीसिस में, हम लिंक अनुकूलन के लिए अपनी प्रस्तावित मशीन लर्निंग योजनाओं की सैद्धांतिक मजबूती  पर बल देते हैं। इस लक्ष्य तक पहुँचने के लिए हम निम्न तीन सूत्रों को अपनाते हैं: सबसे पहले, हम लिंक अनुकूलन के दृष्टिकोण से उचित, मशीन लर्निंग के सैद्धांतिक मॉडल्स और अल्गोरिथम्स का प्रयोग करते हैं। दूसरा, हम लिंक अनुकूलन में आई विशेष समस्याओं के हेतु मशीन लर्निंग तकनीकों का विस्तार करते हैं। तीसरा, हम प्रस्तावित योजनाओं के वास्तविक-समय व्यवहार  के लिए सैद्धांतिक परिणाम विकसित करते हैं। ये परिणाम निष्पादन सीमा के संदर्भ में अत्याधुनिक मशीन लर्निंग को भी विकसित करती हैं। अतः इस शोध प्रबंध के योगदान वायरलेस अनुकूलन से बढ़कर, मशीन लर्निंग में व्याप्त समस्याओं पर नए विकास की ओर बढ़ाव