Resumen: El esquema de retroceso exponencial binario se usa ampliamente en Wifi 7 y aún incurre en un rendimiento de bajo rendimiento en entornos de canales dinámicos. Enfoques recientes basados en modelos (por ejemplo, CSMA no persistente y $ P $ -persistente) simplemente optimizan las estrategias de retroceso bajo una densidad de nodo conocida y fija, que aún conduce a una gran pérdida de rendimiento debido a la estimación de densidad de nodo inexacta. Este documento es el primero en proponer la teoría de aprendizaje en contexto (ICL) basada en el transformador LLM para optimizar el acceso al canal. Diseñamos un optimizador ICL basado en transformador para recolectar ejemplos de datos de colisión-umbral de colisión y un caso de colisión de consultas. Se construyen como un aviso como entrada para que el transformador aprenda el patrón, que luego genera un umbral de ventana de contención predicho (CWT). Para entrenar el transformador para una ICL efectiva, desarrollamos un algoritmo eficiente y garantizamos una predicción CWT casi óptima dentro de pasos de entrenamiento limitados. Como puede ser difícil recopilar ejemplos de datos perfectos para la ICL en la práctica, nos extendemos aún más para permitir la entrada de datos erróneos en el mensaje. Probamos que nuestro optimizador mantiene una predicción mínima y desviaciones de rendimiento de los valores óptimos. Los resultados experimentales en NS-3 demuestran aún más la rápida convergencia de nuestro enfoque y el rendimiento casi óptimo sobre los enfoques existentes basados en modelos y basados en DRL bajo densidades de nodos desconocidas.
Publicado Originalme en export.arxiv.org El 13 de agosto de 2025.
Ver Fuente Original
