[論文レビュー] Machine Learning Empowered Resource Allocation in IRS Aided MISO-NOMA Networks

Xinyu Gao, Yuanwei Liu+2 more|arXiv (Cornell University)|Mar 9, 2021

Advanced Wireless Communication Technologies参考文献 38被引用数 52

ひとこと要約

本稿は、QoS制約のもとでスルーレートを最大化するIRS支援MISO-NOMAネットワーク向けの機械学習駆動リソース割り当てフレームワークを提案する。LSTMを用いたユーザ移動予測、K-GMMを用いた動的ユーザクラスタリング、DQNを用いた同時位相シフトとパワー割り当て最適化を統合し、シミュレーションでOMA方式比で35%のスルーレート向上を達成した。

ABSTRACT

A novel framework of intelligent reflecting surface (IRS)-aided multiple-input single-output (MISO) non-orthogonal multiple access (NOMA) network is proposed, where a base station (BS) serves multiple clusters with unfixed number of users in each cluster. The goal is to maximize the sum rate of all users by jointly optimizing the passive beamforming vector at the IRS, decoding order, power allocation coefficient vector and number of clusters, subject to the rate requirements of users. In order to tackle the formulated problem, a three-step approach is proposed. More particularly, a long short-term memory (LSTM) based algorithm is first adopted for predicting the mobility of users. Secondly, a K-means based Gaussian mixture model (K-GMM) algorithm is proposed for user clustering. Thirdly, a deep Q-network (DQN) based algorithm is invoked for jointly determining the phase shift matrix and power allocation policy. Simulation results are provided for demonstrating that the proposed algorithm outperforms the benchmarks, while the throughput gain of 35% can be achieved by invoking NOMA technique instead of orthogonal multiple access (OMA).

研究の動機と目的

• 動的ユーザクラスタを伴うIRS支援MISO-NOMAネットワークにおけるスルーレートの最大化。
• QoS制約のもとで、パassiveビームフォーミング、デコード順序、パワー割り当て、クラスタ数の共同最適化。
• 非凸的で高コストな最適化問題を機械学習技術を用いて解決。
• 移動性があり多ユーザ対応可能なIRS-NOMA環境における効率的でリアルタイムなリソース割り当ての実現。

提案手法

• ユーザ移動予測のためのLSTMを用い、リソースのプロアクティブ適応を実現。
• 予測された移動状態とチャネル状態に基づいてユーザをクラスタリングするK-GMMアルゴリズムを提案。
• 位相シフト行列とパワー割り当て係数の共同最適化にDQNベースのアルゴリズムを採用。
• 移動予測 → クラスタリング → 併発ビームフォーミングとパワー制御の3段階フレームワークを統合。
• ユーザのレート要件を制約とするスルーレート最大化問題を定式化。
• 非凸的かつ組み合わせ最適化が困難なビームフォーミングとデコード順序の最適化を深層強化学習を用いて処理。

実験結果

リサーチクエスチョン

• RQ1 LSTMを用いた移動予測は、IRS-NOMAネットワークにおけるリソース割り当て効率を向上させ得るか？
• RQ2 提案されたK-GMMクラスタリング手法は、動的ユーザグループの処理においてどの程度有効か？
• RQ3 DQNは、従来の最適化手法やQ学習に比べ、同時位相シフトとパワー割り当てにおいて優れているか？
• RQ4 IRS支援MISO-NOMAシステムにおいて、NOMAはOMAに比べてどの程度の性能向上を示すか？
• RQ5 本フレームワーク下で、IRS素子数の増加がスルーレートに与える影響はいかほどか？

主な発見

• 提案されたDQNベースのアルゴリズムは、Q学習やベンチマーク手法に比べスルーレート性能で優れている。
• IRS支援ネットワークにおいて、OMAからNOMAに切り替えることで35%のスルーレート向上が達成された。
• スルーレートはIRS素子数の増加に伴い向上するが、素子数が増加するに従い増加率は鈍化する。
• DQNが得た最適デコード順序は、特に高送信パワー下でランダムデコード順序に比べ顕著に優れている。
• K-GMMクラスタリング手法は、移動状態とチャネル状態に基づいてユーザを効果的にグループ化し、システムの公平性とスペクトル効率を向上させた。
• LSTM、K-GMM、DQNの統合により、低計算コストでリアルタイムかつ適応的リソース割り当てが可能となった。