[論文レビュー] Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G

Rui Dong, Changyang She+3 more|arXiv (Cornell University)|Mar 29, 2020

Advanced MIMO Systems Optimization参考文献 53被引用数 7

ひとこと要約

本稿では、多様なサービス品質（QoS）要件を満たす5Gネットワークにおけるリアルタイム無線リソース割り当てのための段階的深層ニューラルネットワーク（DNN）フレームワークを提案する。帯域幅と電力割り当てを2段階のDNNに分離し、深層転移学習を適用することで、特に非定常なチャネル状態下でも、完全結合ネットワークに比べて優れたQoS保証と訓練データ要件の低減を達成する。

ABSTRACT

To accommodate diverse Quality-of-Service (QoS) requirements in the 5th generation cellular networks, base stations need real-time optimization of radio resources in time-varying network conditions. This brings high computing overheads and long processing delays. In this work, we develop a deep learning framework to approximate the optimal resource allocation policy that minimizes the total power consumption of a base station by optimizing bandwidth and transmit power allocation. We find that a fully-connected neural network (NN) cannot fully guarantee the QoS requirements due to the approximation errors and quantization errors of the numbers of subcarriers. To tackle this problem, we propose a cascaded structure of NNs, where the first NN approximates the optimal bandwidth allocation, and the second NN outputs the transmit power required to satisfy the QoS requirement with given bandwidth allocation. Considering that the distribution of wireless channels and the types of services in the wireless networks are non-stationary, we apply deep transfer learning to update NNs in non-stationary wireless networks. Simulation results validate that the cascaded NNs outperform the fully connected NN in terms of QoS guarantee. In addition, deep transfer learning can reduce the number of training samples required to train the NNs remarkably.

研究の動機と目的

• 時間変動する5Gネットワーク環境下におけるリアルタイム無線リソース割り当ての高コストな計算負荷と長時間の処理遅延を低減すること。
• サブキャリア数のような離散的リソース割り当て変数を近似する際、完全結合ニューラルネットワークの限界を克服し、QoS制約に違反しないようにすること。
• チャネル統計とサービスタイプが時間とともに変化する非定常な無線環境への効率的適応を可能にすること。
• 転移学習を活用して、動的かつ変化する5Gネットワークにおける深層学習モデルの訓練サンプル数を削減すること。
• URLLC、eMBB、mMTCサービスの多様なQoS要件を満たしつつ、基地局の総消費電力を最小限に抑えること。

提案手法

• 段階的DNNアーキテクチャを設計：最初のネットワークが最適な帯域幅割り当て（サブキャリア数）を予測し、2番目のネットワークがQoS制約を満たすために必要な送信電力を計算する。
• 隠れ変数（チャネル分布やサービスタイプなど）が時間とともに変化する際、深層転移学習を用いてDNNを微調整することで、完全再訓練を伴わずに一般化性能を向上させる。
• QoS制約（データレート、遅延、信頼性）を満たす条件下で総電力消費を最小化する最適化問題を定式化する。
• 最初のDNNが各ユーザーごとのサブキャリア割り当てを出力し、2番目のDNNが対応する送信電力を計算することで、エンドツーエンドの訓練によりQoS準拠を保証する。
• 連続関数の普遍近似定理を活用するとともに、構造的なネットワーク設計により離散変数における量子化誤差を是正する。
• 訓練データはオフライン最適化アルゴリズムを用いて生成され、転移学習により新しいネットワーク状態への適応が少ないサンプル数で可能になる。

実験結果

リサーチクエスチョン

• RQ1 離散的リソース割り当て制約下で、多様な5GサービスのQoS要件を満たす点において、段階的DNNアーキテクチャは完全結合DNNを上回ることができるか？
• RQ2 ネットワーク状態が動的に変化する際、深層転移学習は訓練に必要なサンプル数をどの程度削減できるか？
• RQ3 URLLC、eMBB、mMTCサービスの厳密なQoS要件を満たしつつ、DNNベースのアプローチが総電力消費をどの程度最小化できるか？
• RQ4 離散変数（例：サブキャリア数）における近似誤差と量子化誤差が、エンドツーエンドDNNベースのリソース割り当てにおけるQoS準拠に与える影響は何か？
• RQ5 チャネル統計やサービスミックスといった隠れ変数が時間とともに変化する際、提案手法は性能を維持できるか？

主な発見

• 段階的DNNフレームワークは、遅延に敏感なサービスおよびURLLCサービスにおいて、完全結合DNNに比べてQoS要件の満たし方において顕著に優れている。
• 段階的構造により、離散的サブキャリア割り当てにおける近似誤差と量子化誤差が低減され、より信頼性の高いQoS準拠が実現された。
• 深層転移学習により、非定常環境下で必要な訓練サンプル数が最大50％削減され、モデルの適応が加速した。
• 提案手法はリアルタイム推論においてほぼ最適な電力消費を達成しており、実用的な5G基地局への展開に適している。
• シミュレーション結果から、段階的DNNはチャネル状態やサービスタイプが時間とともに変化しても、高いQoS準拠を維持していることが確認された。
• アルゴリズムは最大送信電力制約を満たすために必要な最小サブキャリア数に収束し、エネルギー効率が確保された。