[論文レビュー] Energy-Efficient Subchannel and Power Allocation for HetNets Based on Convolutional Neural Network

Di Xu, Xiaojing Che+4 more|arXiv (Cornell University)|Mar 1, 2019

Advanced MIMO Systems Optimization参考文献 14被引用数 8

ひとこと要約

本稿では、エネルギー効率（EE）を最大化するために、OFDMベースの異種ネットワーク（HetNets）における同時サブチャンネルおよびパワー割り当てのための畳み込みニューラルネットワーク（CNN）ベースの手法を提案する。問題を分類と回帰のサブタスクに分解することで、CNNは全探索法に匹敵するEE性能を達成するとともに、計算実行時間をベースラインの6.76％にまで短縮し、低複雑性でリアルタイム展開を可能にする。

ABSTRACT

Heterogeneous network (HetNet) has been proposed as a promising solution for handling the wireless traffic explosion in future fifth-generation (5G) system. In this paper, a joint subchannel and power allocation problem is formulated for HetNets to maximize the energy efficiency (EE). By decomposing the original problem into a classification subproblem and a regression subproblem, a convolutional neural network (CNN) based approach is developed to obtain the decisions on subchannel and power allocation with a much lower complexity than conventional iterative methods. Numerical results further demonstrate that the proposed CNN can achieve similar performance as the Exhaustive method, while needs only 6.76% of its CPU runtime.

研究の動機と目的

• HetNetsにおける同時サブチャンネルおよびパワー割り当てのための従来の反復的最適化手法の高い計算複雑性に対処すること。
• OFDMベースのHetNetsにおいて、スペクトル効率（SE）制約を満たしたままネットワークのエネルギー効率（EE）を最大化すること。
• EE性能を損なわず、リソース割り当て意思決定の実行時間を短縮し、リアルタイム展開を可能にすること。
• 深層学習、特にCNNを用いて、無線ネットワークにおける複雑で非凸なリソース割り当て問題を解くことの可能性を検討すること。

提案手法

• 同時サブチャンネルおよびパワー割り当て問題を、サブチャンネル割り当て（分類タスク）とパワー割り当て（回帰タスク）に分解することで、学習プロセスを簡素化する。
• 2次元CNNアーキテクチャが、チャネル状態情報（CSI）行列を6×6×1の形状に転置して入力とし、サブキャリアおよびユーザー間の空間的特徴を抽出する。
• ReLU活性化関数を用いた複数の畳み込み層および全結合層を含み、サブチャンネル割り当てにはソフトマックス出力、パワーレベルには線形出力を使用する。
• 実際のチャネルおよびパワー制約から生成された20,000件の合成データサンプルを用いてモデルを学習し、2,000件のテストサンプルで検証を行う。
• 累積分布関数（CDF）を用いてEEと誤差率を評価し、全探索（ベンチマーク）、ランダムパワー、最大パワー、全結合DNNベースラインと比較する。
• CPU時間計測を用いて実行時間の比較を実施し、計算上の削減を定量的に評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、計算複雑性を著しく低減しつつ、HetNetリソース割り当てで近似的最適なエネルギー効率を達成できるか？
• RQ2 同時割り当て問題を分類と回帰のサブ問題に分解することで、学習効率および性能が向上するか？
• RQ3 従来の反復的最適化法およびヒューリスティック手法と比較して、CNNベースの手法はEEおよび実行時間の点でどのように差をつけるか？
• RQ4 学習データサイズおよびネットワークアーキテクチャ（CNN対DNN）が、リソース割り当て方針の精度および一般化性能に与える影響は何か？

主な発見

• 提案されたCNNは、90％のテストケースにおいて全探索法の8％以内のエネルギー効率（EE）性能を達成し、近似的最適性能を示している。
• CNNはCPU実行時間を全探索法の6.76％にまで短縮し、従来の反復的アルゴリズムに比べて計算効率において顕著に優れている。
• 全結合DNNよりもEEの精度および誤差率で優れた性能を示しており、畳み込み層がCSI行列内の空間相関をより効果的に捉えていることが示唆される。
• 学習データサイズを増やすことで性能が向上し、20,000件のサンプルが収束性および最小誤差率を達成する最良の結果をもたらした。
• ベンチマークと比較して、CNNの誤差率は90％のテストデータで8％未満であり、一般化性能の高さが確認された。
• 10,000件の学習サンプルで学習されたモデルは、ベンチマークの6.76％の実行時間にとどまり、5G HetNetsにおけるリアルタイム展開の実現可能性を裏付けた。