[論文レビュー] Deep Learning based Radio Resource Management in NOMA Networks: User Association, Subchannel and Power Allocation

Haijun Zhang, Haisen Zhang+2 more|arXiv (Cornell University)|Jun 20, 2020

Millimeter-Wave Propagation and Modeling参考文献 32被引用数 9

ひとこと要約

本稿では、NOMA mmWaveネットワークにおける同時ユーザー接続、サブチャンネルおよび電力割り当てを最適化し、エネルギー効率（EE）を最大化する深層学習ベースのフレームワークを提案する。ユーザー接続にはラグランジュ双対分解を、サブチャンネル割り当てには半教師あり学習を、電力割り当てには深層ニューラルネットワーク（DNN）を用い、従来の反復的手法と比較して著しく複雑性を低減しながら、ほぼ最適なEEを達成する。

ABSTRACT

With the rapid development of future wireless communication, the combination of NOMA technology and millimeter-wave(mmWave) technology has become a research hotspot. The application of NOMA in mmWave heterogeneous networks can meet the diverse needs of users in different applications and scenarios in future communications. In this paper, we propose a machine learning framework to deal with the user association, subchannel and power allocation problems in such a complex scenario. We focus on maximizing the energy efficiency (EE) of the system under the constraints of quality of service (QoS), interference limitation, and power limitation. Specifically, user association is solved through the Lagrange dual decomposition method, while semi-supervised learning and deep neural network (DNN) are used for the subchannel and power allocation, respectively. In particular, unlabeled samples are introduced to improve approximation and generalization ability for subchannel allocation. The simulation indicates that the proposed scheme can achieve higher EE with lower complexity.

研究の動機と目的

• NOMA mmWaveネットワークにおける従来の最適化手法の高い計算複雑性に対処すること。
• QoS、干渉、電力制約下でのシステムエネルギー効率（EE）の向上。
• 機械学習を活用して、計算コストの高い参照アルゴリズムへの依存を低減すること。
• 半教師あり学習を用いて、ラベルなしデータを活用することでサブチャンネル割り当ての性能を向上させること。
• B5GおよびIoTアプリケーションに適したリアルタイムかつ低遅延のリソース管理を可能にすること。

提案手法

• ユーザー接続は、負荷のバランスとマクロセルの過負荷回避を目的としたラグランジュ双対分解により解決される。
• サブチャンネル割り当てには半教師あり学習が採用され、ラベルありおよびラベルなしのサンプルを併用することで、一般化性能と近似精度が向上する。
• 電力割り当ては、トレーニングデータから最適な電力制御ポリシーを学習する深層ニューラルネットワーク（DNN）を用いてモデル化される。
• トレーニングデータは、現実的なネットワーク状態をシミュレートするために反復的勾配ベースのアルゴリズムにより生成される。
• 監視付きおよび半教師あり学習を統合することで、包括的または高複雑性の最適化に依存する必要を低減する。
• システム全体は、GPUアクセceleratedハードウェア（NVIDIA GTX 1050）上でTensorFlowを用いてトレーニングおよび評価される。

実験結果

リサーチクエスチョン

• RQ1 機械学習フレームワークは、NOMA mmWaveネットワークにおけるユーザー接続の高複雑性最適化アルゴリズムを効果的に置き換えることができるか？
• RQ2 半教師あり学習は、完全に監視付きDNNと比較して、サブチャンネル割り当ての性能をどのように向上させるか？
• RQ3 DNNは、計算コストを低く保ちながら、最適な電力割り当てポリシーをどの程度正確に近似できるか？
• RQ4 提案された深層学習ベースのリソース管理により、達成可能なシステムエネルギー効率（EE）はどの程度か？
• RQ5 ラベルなしデータの統合は、サブチャンネル割り当てモデルの一般化性能をどのように向上させるか？

主な発見

• 提案手法は、トレーニング中に安定して収束し、システムエネルギー効率（EE）を約5.31 × 10¹² ビット/ジュールに達成する。
• DNNを用いた電力割り当ては、勾配反復アルゴリズム（ほぼ最適なベンチマーク）と比較して98％の近似精度を達成する。
• サブチャンネル割り当てに半教師あり学習を適用した場合、単一のDNNモデルよりも優れた性能と一般化性能を示す。
• 提案手法におけるシステム合計スループットは2.0 × 10⁹ ～ 3.6 × 10⁹ bpsの範囲にあり、二重マッチングアルゴリズムと密接に一致する。
• 深層学習ベースのアプローチは、等分配およびランダム電力割り当て方式と比較してEEで顕著に優れており、結果は0.4 × 10¹² ～ 0.6 × 10¹² ビット/ジュールの範囲に集中する。
• 計算複雑性を低減しながらも高いEEを維持できるため、リアルタイムのB5GおよびIoTアプリケーションに適している。