[論文レビュー] Completely Distributed Power Allocation using Deep Neural Network for Device to Device communication Underlaying LTE

Jeehyeong Kim, Joohan Park+2 more|arXiv (Cornell University)|Feb 8, 2018

Advanced MIMO Systems Optimization参考文献 46被引用数 12

ひとこと要約

本論文は、eNB やピアの支援なしに D2D 送信機が自律的かつ自動的に送信電力を選択できる、完全に分散型の深層学習ベースの電力割り当て方式を提案する。集団的に訓練されるが個別に動作するモデルにより、干渉制約を尊重しながらセルスループットを最適化し、TensorFlow を用いて中央集権的アプローチと同等の性能を達成する。

ABSTRACT

Device to device (D2D) communication underlaying LTE can be used to distribute traffic loads of eNBs. However, a conventional D2D link is controlled by an eNB, and it still remains burdens to the eNB. We propose a completely distributed power allocation method for D2D communication underlaying LTE using deep learning. In the proposed scheme, a D2D transmitter can decide the transmit power without any help from other nodes, such as an eNB or another D2D device. Also, the power set, which is delivered from each D2D node independently, can optimize the overall cell throughput. We suggest a distirbuted deep learning architecture in which the devices are trained as a group, but operate independently. The deep learning can optimize total cell throughput while keeping constraints such as interference to eNB. The proposed scheme, which is implemented model using Tensorflow, can provide same throughput with the conventional method even it operates completely on distributed manner.

研究の動機と目的

• eNB の信号伝送および制御負荷を軽減するため、D2D ユーザーが中心集権的な電力制御を必要としないようにすること。
• eNB や他のデバイスからの調整なしに、D2D 送信機が自ら最適な送信電力を決定できることを実現すること。
• eNB への干渉制約を維持しつつ、全体のセルスループットを最大化すること。
• デバイスが集団的に訓練されるが個別に動作する分散型の深層学習アーキテクチャを構築すること。
• 完全に分散型の方法で、従来の中央集権的アプローチと同等の性能を達成すること。

提案手法

• 各 D2D デバイスが自らの局所的なチャネル状態情報を使ってモデルを訓練する分散型の深層ニューラルネットワーク（DNN）アーキテクチャを設計する。
• DNN はすべての D2D デバイス全体で集団的に訓練されるが、推論処理は各デバイスごとに独立して実行される。
• モデルは局所的なチャネル状態情報を入力とし、各 D2D リンクの最適な送信電力を出力する。
• 訓練プロセスにおいて、eNB の上行リンク受信を保護するための干渉制約が強制され、ネットワークの安定性が確保される。
• 実装は TensorFlow を用いて行われ、実際の LTE 条件下での性能を検証する。
• 電力割り当ての意思決定は、各 D2D 送信機が自らのチャネル状態と学習済みの DNN ポリシーに基づいて自律的に行う。

実験結果

リサーチクエスチョン

• RQ1 eNB の関与なしに、完全に分散型の D2D 電力割り当て方式が、中央集権的アプローチと同等のスループットを達成できるか？
• RQ2 深層学習を用いて、LTE 環境下で干渉制約を守りつつ、D2D リンクの自律的電力制御を実現する方法は何か？
• RQ3 D2D ユーザーが下位の LTE ネットワークにおいて、分散型の自律性とグローバルスループット最適化の間でどのようなトレードオフが生じるか？
• RQ4 集団的に訓練されても個別に動作する DNN は、分散環境下で近似的に最適なシステム性能を達成できるか？
• RQ5 提案手法は、セルスループットを最大化しつつ、eNB への干渉制約をどのように維持するか？

主な発見

• 提案された分散型の深層学習ベースの電力割り当ては、従来の中央集権的アプローチと同等のセルスループットを達成する。
• 各 D2D 送信機は、eNB や他の D2D デバイスとの信号交換なしに、自らの送信電力を自律的に決定できる。
• モデルは eNB への干渉制約を維持しており、通信ユーザーの上行リンク受信の信頼性を保証する。
• 分散型 DNN フレームワークは集団的に訓練されるが、個別に動作可能であり、ネットワークの信号伝送オーバーヘッドを削減する。
• TensorFlow を用いた実装により、提案手法の実現可能性と性能の一貫性が確認された。
• 中央集権的調整の必要性を排除しながら、最適なスループット性能を達成した。