This paper describes an adaptive service differentiation scheme for QoS enhancement in IEEE 802.11 wireless ad-hoc networks. Our approach, called adaptive enhanced distributed coordination function (AEDCF), is derived from the new EDCF introduced in the upcoming IEEE 802.11e standard. Our scheme aims to share the transmission channel efficiently. Relative priorities are provisioned by adjusting the size of the contention window (CW) of each traffic class taking into account both applications requirements and network conditions. We evaluate through simulations the performance of AEDCF and compare it with the EDCF scheme proposed in the 802.11e. Results show that AEDCF outperforms the basic EDCF, especially at high traffic load conditions. Indeed, our scheme increases the medium utilization ratio and reduces for more than 50% the collision rate. While achieving delay differentiation, the overall goodput obtained is up to 25% higher than EDCF. Moreover, the complexity of AEDCF remains similar to the EDCF scheme, enabling the design of cheap implementations.

IEEE 802.11n is an ongoing next-generation wireless LAN standard that supports a very highspeed connection with more than 100 Mb/s data throughput measured at the medium access control layer.This article investigates the key MAC enhancements that help 802.11nachieve high throughput and high efficiency.A detailed description is given for various frame aggregation mechanisms proposed in the latest 802.11ndraft standard.Our simulation results confirm that A-MSDU, A-MPDU, and a combination of these methods improve extensively the channel efficiency and data throughput.We analyze the performance of each frame aggregation scheme in distinct scenarios, and we conclude that overall, the two-level aggregation is the most efficacious.

Two emerging technologies toward 5G wireless networks, namely non-orthogonal multiple access (NOMA) and cognitive radio (CR), will provide more efficient utilization of wireless spectrum in the future. In this article, we investigate the integration of NOMA with CR into a holistic system, namely a cognitive NOMA network, for more intelligent spectrum sharing. Design principles of cognitive NOMA networks are perfectly aligned to functionality requirements of 5G wireless networks, such as high spectrum efficiency, massive connectivity, low latency, and better fairness. Three different cognitive NOMA architectures are presented, including underlay NOMA networks, overlay NOMA networks, and CR-inspired NOMA networks. To address inter-network and intra-network interference, which largely degrade the performance of cognitive NOMA networks, cooperative relaying strategies are proposed. For each cognitive NOMA architecture, our proposed cooperative relaying strategy shows its potential to significantly lower outage probabilities. We discuss open challenges and future research directions on implementation of cognitive NOMA networks.

Wireless networks comprising unmanned aerial vehicles can offer limited connectivity in a cost-effective manner to disaster-struck regions where terrestrial infrastructure might have been damaged. While these drones offer advantages such as rapid deployment to far-flung areas, their operations may be rendered ineffective by the absence of an adequate energy management strategy. This article considers the multi-faceted applications of these platforms and the challenges thereof in the networks of the future. In addition to providing an overview of the work done by researchers in determining the features of the air-to-ground channel, the article explores the use of drones in fields as diverse as military surveillance and network rehabilitation for disaster-struck areas. It also presents a case study that envisages a scenario in which drones operate alongside conventional wireless infrastructure, thereby allowing a greater number of users to establish a line-of-sight link for communication. This study investigates a power allocation strategy for the microwave base station and the small base stations operating at 28 GHz frequency band. The self-adaptive power control strategy for drones is dependent on the maximum allowable interference threshold and minimum data rate requirements. This study highlights the importance of incorporating the drones in the multi-tier heterogeneous network to extend the network coverage and capacity.

This article investigates the unmanned aerial vehicle (UAV)-assisted wireless powered Internet-of-Things system, where a UAV takes off from a data center, flies to each of the ground sensor nodes (SNs) in order to transfer energy and collect data from the SNs, and then returns to the data center. For such a system, an optimization problem is formulated to minimize the average Age of Information (AoI) of the data collected from all ground SNs. Since the average AoI depends on the UAV's trajectory, the time required for energy harvesting (EH) and data collection for each SN, these factors need to be optimized jointly. Moreover, instead of the traditional linear EH model, we employ a nonlinear model because the behavior of the EH circuits is nonlinear by nature. To solve this nonconvex problem, we propose to decompose it into two subproblems, i.e., a joint energy transfer and data collection time allocation problem and a UAV's trajectory planning problem. For the first subproblem, we prove that it is convex and give an optimal solution by using Karush-Kuhn-Tucker (KKT) conditions. This solution is used as the input for the second subproblem, and we solve optimally it by designing dynamic programming (DP) and ant colony (AC) heuristic algorithms. The simulation results show that the DP-based algorithm obtains the minimal average AoI of the system, and the AC-based heuristic finds solutions with near-optimal average AoI. The results also reveal that the average AoI increases as the flying altitude of the UAV increases and linearly with the size of the collected data at each ground SN.

Non-orthogonal multiple access (NOMA) is emerging as a promising, yet challenging, multiple access technology to improve spectrum utilization for the fifth generation (5G) wireless networks. In this paper, the application of NOMA to multicast cognitive radio networks (termed as MCR-NOMA) is investigated. A dynamic cooperative MCR-NOMA scheme is proposed, where the multicast secondary users serve as relays to improve the performance of both primary and secondary networks. Based on the available channel state information (CSI), three different secondary user scheduling strategies for the cooperative MCR-NOMA scheme are presented. To evaluate the system performance, we derive the closed-form expressions of the outage probability and diversity order for both networks. Furthermore, we introduce a new metric, referred to as mutual outage probability to characterize the cooperation benefit compared to non-cooperative MCR-NOMA scheme. Simulation results demonstrate significant performance gains are obtained for both networks, thanks to the use of our proposed cooperative MCR-NOMA scheme. It is also demonstrated that higher spatial diversity order can be achieved by opportunistically utilizing the CSI available for the secondary user scheduling.

MEC is an emerging paradigm that utilizes computing resources at the network edge to deploy heterogeneous applications and services. In the MEC system, mobile users and enterprises can offload computation-intensive tasks to nearby computing resources to reduce latency and save energy. When users make offloading decisions, the task dependency needs to be considered. Due to the NP-hardness of the offloading problem, the existing solutions are mainly heuristic, and therefore have difficulties in adapting to the increasingly complex and dynamic applications. To address the challenges of task dependency and adapting to dynamic scenarios, we propose a new DRL-based offloading framework, which can efficiently learn the offloading policy uniquely represented by a specially designed S2S neural network. The proposed DRL solution can automatically discover the common patterns behind various applications so as to infer an optimal offloading policy in different scenarios. Simulation experiments were conducted to evaluate the performance of the proposed DRL-based method with different data transmission rates and task numbers. The results show that our method outperforms two heuristic baselines and achieves nearly optimal performance.

This article investigates the unmanned-aerial-vehicle (UAV)-enabled wireless powered cooperative mobile edge computing (MEC) system, where a UAV installed with an energy transmitter (ET) and an MEC server provides both energy and computing services to sensor devices (SDs). The active SDs desire to complete their computing tasks with the assistance of the UAV and their neighboring idle SDs that have no computing task. An optimization problem is formulated to minimize the total required energy of UAV by jointly optimizing the CPU frequencies, the offloading amount, the transmit power, and the UAV's trajectory. To tackle the nonconvex problem, a successive convex approximation (SCA)-based algorithm is designed. Since it may be with relatively high computational complexity, as an alternative, a decomposition and iteration (DAI)-based algorithm is also proposed. The simulation results show that both proposed algorithms converge within several iterations, and the DAI-based algorithm achieve the similar minimal required energy and optimized trajectory with the SCA-based one. Moreover, for a relatively large amount of data, the SCA-based algorithm should be adopted to find an optimal solution, while for a relatively small amount of data, the DAI-based algorithm is a better choice to achieve smaller computing energy consumption. It also shows that the trajectory optimization plays a dominant factor in minimizing the total required energy of the system and optimizing acceleration has a great effect on the required energy of the UAV. Additionally, by jointly optimizing the UAV's CPU frequencies and the amount of bits offloaded to UAV, the minimal required energy for computing can be greatly reduced compared to other schemes and by leveraging the computing resources of idle SDs, the UAV's computing energy can also be greatly reduced.

Fifth-generation (5G) network developers need to identify the necessary requirements toward additional capacity and spectrally efficient wireless technologies. Therefore, the significant amount of underutilized spectrum in the Wi-Fi band is motivating operators to combine long-term evolution (LTE) with Wi-Fi technologies. This new LTE in unlicensed band (LTE-U) has the physical layer topology to access Wi-Fi spectrum, specifically the 5-GHz band. Nevertheless, the evolution of LTE-U affects the Wi-Fi operations due to the absence of any regularity for LTE-U transmissions in unlicensed band. In this article, we address the challenges for Wi-Fi to maintain transmissions under the umbrella of LTE-U as Wi-Fi is pushed offline because of the listen-before-talk (LBT) feature. Therefore, we derive a new adaptive LBT mechanism and and virtualized core network for the best practices in both Wi-Fi and LTE-U technologies. The proposed solutions include noncoordinated and coordinated network managements to enable coexistence between both technologies using tradeoff performance for fair spectrum sharing. We concentrate on the initial coexistent technique and discuss how it maps to higher-layer improvements. This article shows new approaches to achieve the Third-Generation Partnership Project (3GPP) Release 13.