[논문 리뷰] Deep Learning based Radio Resource Management in NOMA Networks: User Association, Subchannel and Power Allocation

Haijun Zhang, Haisen Zhang외 2명|arXiv (Cornell University)|2020. 06. 20.

Millimeter-Wave Propagation and Modeling참고 문헌 32인용 수 9

한 줄 요약

이 논문은 에너지 효율성(EE)을 극대화하기 위해 NOMA mmWave 네트워크에서 동시 사용자 연동, 서브채널 및 전력 할당을 위한 딥 러닝 기반 프레임워크를 제안한다. 사용자 연동에는 라그랑주 이중 분해법을, 서브채널 할당에는 준지도학습을, 전력 할당에는 딥 신경망(DNN)을 사용하여 기존 반복적 방법에 비해 복잡도가 크게 감소된 근사 최적의 EE를 달성한다.

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.

연구 동기 및 목표

• NOMA mmWave 네트워크에서 기존 최적화 방법의 높은 계산 복잡도 문제를 해결하기 위해.
• QoS, 간섭 및 전력 제약 조건 하에서 시스템 에너지 효율성(EE)을 향상시키기 위해.
• 기계 학습을 활용해 계산 비용이 큰 기준 알고리즘에 대한 의존도를 줄이기 위해.
• 준지도학습을 통해 레이블이 없는 데이터를 활용해 서브채널 할당 성능을 향상시키기 위해.
• B5G 및 IoT 애플리케이션에 적합한 실시간, 저지연 자원 관리 구현을 위해.

제안 방법

• 사용자 연동은 로드 균형과 매크로셀 과부하 방지를 위해 라그랑주 이중 분해법을 사용하여 해결한다.
• 서브채널 할당은 레이블이 있는 샘플과 레이블이 없는 샘플을 모두 활용하여 일반화 능력과 근사 정확도를 향상시키는 준지도학습을 적용한다.
• 전력 할당은 훈련 데이터에서 최적의 전력 제어 정책을 학습하기 위해 딥 신경망(DNN)을 사용하여 모델링한다.
• 훈련 데이터는 반복적 기울기 기반 알고리즘을 통해 생성되어 실제 네트워크 상태를 시뮬레이션한다.
• 감독학습과 준지도학습을 통합하여 고비용 최적화에 대한 의존도를 감소시킨다.
• 전체 시스템은 GPU 가속 하드웨어(NVIDIA GTX 1050)를 사용해 텐서플로우를 기반으로 훈련 및 평가된다.

실험 결과

연구 질문

• RQ1 기계 학습 기반 프레임워크가 NOMA mmWave 네트워크에서 사용자 연동에 대해 고복잡도 최적화 알고리즘을 효과적으로 대체할 수 있는가?
• RQ2 완전히 감독된 DNN에 비해 준지도학습이 서브채널 할당 성능을 얼마나 향상시키는가?
• RQ3 저비용 계산 비용을 유지하면서 DNN가 최적의 전력 할당 정책을 어느 정도 근사할 수 있는가?
• RQ4 제안된 딥 러닝 기반 자원 관리로 달성 가능한 시스템 에너지 효율성(EE)은 얼마인가?
• RQ5 레이블이 없는 데이터의 통합이 서브채널 할당 모델의 일반화 능력을 얼마나 향상시키는가?

주요 결과

• 제안된 방식은 훈련 중에 안정적으로 수렴하며, 시스템 에너지 효율성(EE)이 약 5.31 × 10¹² 비트/줄을 달성한다.
• DNN 기반 전력 할당은 기울기 반복 알고리즘(근사 최적 기준)에 비해 98%의 근사 정확도를 확보한다.
• 준지도학습을 통한 서브채널 할당은 단일 DNN 모델보다 성능이 뛰어나며, 성능 향상과 일반화 능력 향상을 입증한다.
• 제안된 방식 하에서 시스템 합성 속도는 2.0 × 10⁹ ~ 3.6 × 10⁹ bps 범위에 머물며, 양방향 매칭 알고리즘과 밀도를 이룹니다.
• 딥 러닝 기반 접근은 동일 및 무작위 전력 할당 방식에 비해 EE 측면에서 뚜렷한 우수성을 보이며, 결과는 0.4 × 10¹² ~ 0.6 × 10¹² 비트/줄 사이에 집중된다.
• 계산 복잡도를 감소시키면서도 높은 EE를 유지하여 실시간 B5G 및 IoT 응용 분야에 적합하다.