[論文レビュー] Proactive Resource Management for LTE in Unlicensed Spectrum: A Deep Learning Perspective

Ursula Challita, Li Dong+1 more|arXiv (Cornell University)|Feb 22, 2017

Wireless Networks and Protocols参考文献 38被引用数 8

ひとこと要約

本論文は、非許可スペクトルにおけるLTE-LAA向けに、長短期記憶（LSTM）ネットワークを用いてトラフィックを予測し、チャネル選択、キャリアアンサンブル、分圧スペクトルアクセスを最適化することで、深層学習に基づくプロアクティブなリソース管理フレームワークを提案する。この手法は、反応型手法と比較して最大28%高いスループットを達成し、混合戦略ナッシュ均衡に収束することで、WiFiおよび他のLTE-LAA運用者と公平に共存することを保証する。

ABSTRACT

LTE in unlicensed spectrum using licensed assisted access LTE (LTE-LAA) is a promising approach to overcome the wireless spectrum scarcity. However, to reap the benefits of LTE-LAA, a fair coexistence mechanism with other incumbent WiFi deployments is required. In this paper, a novel deep learning approach is proposed for modeling the resource allocation problem of LTE-LAA small base stations (SBSs). The proposed approach enables multiple SBSs to proactively perform dynamic channel selection, carrier aggregation, and fractional spectrum access while guaranteeing fairness with existing WiFi networks and other LTE-LAA operators. Adopting a proactive coexistence mechanism enables future delay-tolerant LTE-LAA data demands to be served within a given prediction window ahead of their actual arrival time thus avoiding the underutilization of the unlicensed spectrum during off-peak hours while maximizing the total served LTE-LAA traffic load. To this end, a noncooperative game model is formulated in which SBSs are modeled as Homo Egualis agents that aim at predicting a sequence of future actions and thus achieving long-term equal weighted fairness with WLAN and other LTE-LAA operators over a given time horizon. The proposed deep learning algorithm is then shown to reach a mixed-strategy Nash equilibrium (NE), when it converges. Simulation results using real data traces show that the proposed scheme can yield up to 28% and 11% gains over a conventional reactive approach and a proportional fair coexistence mechanism, respectively. The results also show that the proposed framework prevents WiFi performance degradation for a densely deployed LTE-LAA network.

研究の動機と目的

• LTE-LAAにおける非許可スペクトルの未利用状態を解消するため、反応的で遅延に強いトラフィック処理に起因する課題に対処すること。
• プロアクティブなスペクトル割り当てにより、非許可帯域におけるLTE-LAAとWiFiネットワークの公平な共存を実現すること。
• 既存のWiFiおよび他のLTE-LAA運用者と公平性を維持しながら、総合的なサービス対象LTE-LAAトラフィック負荷を最大化すること。
• 小さな基地局（SBS）が長期的に均等な重み付け公平性を達成するために、将来の行動のシーケンスを予測するHomo Egualisエージェントとしてモデル化する非協力的ゲームとして動的リソース割り当てを定式化すること。
• 最小限のネットワーク状態情報で、自律的かつ予測駆動型のスペクトル意思決定を可能にする深層強化学習ソリューションの開発

提案手法

• SBSが予測ウィンドウ内でWiFiおよび他のLTE-LAA運用者と長期的に重み付け公平性を最大化することを目的とした非協力的ゲームモデルを構築する。
• 将来のトラフィック需要およびチャネル利用可能性を予測するために、長短期記憶（LSTM）ネットワークを採用し、プロアクティブなリソース割り当てを可能にする。
• SBSが最適なチャネル、キャリアアンサンブル、分圧アクセスの組み合わせを選択できるように、深層強化学習フレームワークを用いて訓練する。
• SBSを長期的な性能バランスを達成するために将来の行動の系列を予測するHomo Egualisエージェントとしてモデル化する。
• 混合戦略ナッシュ均衡への収束を保証することで、安定的かつ公平な共存結果を実現する。
• LTEとWiFi間の効率性と公平性のバランスを調整可能なパラメータとして、優先順位公平性比（P_LTE / P_WiFi）を導入する。

実験結果

リサーチクエスチョン

• RQ1 トラフィック予測に基づくプロアクティブなリソース割り当て戦略は、LTE-LAA展開におけるスペクトル利用効率の向上に寄与するか？
• RQ2 共存するWiFiネットワークと公平性を保ちながら、LTE-LAA SBSは自律的にチャネルおよびアクセスモードを選択できるか？
• RQ3 プロアクティブ割り当ては、総合的サービストラフィックおよび公平性の観点で、反応型メカニズムをどの程度上回るか？
• RQ4 深層学習ベースのアプローチは、WiFiおよび他のLTE-LAA運用者と長期的な公平性を保証する安定な均衡に収束できるか？
• RQ5 学習率およびモデルハイパーパrameterは、提案フレームワークにおける収束速度とパフォーマンスにどのように影響するか？

主な発見

• 提案された深層学習フレームワークは、従来の反応型手法と比較して、最大28%高い合計サービス対象トラフィック負荷を達成する。
• 比例的公平共存メカニズムと比較して、合計ネットワークスループットで11%の向上を達成する。
• フレームワークは、LTE-LAAが高密度に展開された状況下でも、WiFiネットワークのパフォーマンス劣化を防ぐ。
• アルゴリズムは混合戦略ナッシュ均衡に収束し、WiFiおよび他のLTE-LAA運用者と安定的かつ公平な共存を保証する。
• 学習率が0.01の場合、約20エポックで収束するが、より高い値（例：0.1）では不安定性が生じ、収束が遅延する。
• 最適な初期学習率は0.0005から0.01の範囲にあり、最良のパフォーマンスを得るには通常約20エポックの学習が必要である。