[논문 리뷰] Deep Learning for Radio Resource Allocation in Multi-Cell Networks

Kazi Ishfaq Ahmed, Hina Tabassum외 1명|arXiv (Cornell University)|2018. 08. 02.

Advanced MIMO Systems Optimization참고 문헌 10인용 수 6

한 줄 요약

이 논문은 다셀 5G/B5G 네트워크에서 비볼록인 서브밴드 및 전력 할당 문제를 해결하기 위해 깊은 신경망(DNN)을 사용하는 지도 학습 기반 딥러닝 모델을 제안한다. 유전 알고리즘을 통해 생성된 근사 최적 해를 기반으로 훈련함으로써 DNN는 최소한의 온라인 계산을 통해 최적의 자원 할당을 식별하는 데 86.3%의 예측 정확도를 달성하며, 전통적인 최적화 방법에 비해 확장 가능한 대안을 제공한다.

ABSTRACT

Increased complexity and heterogeneity of emerging 5G and beyond 5G (B5G) wireless networks will require a paradigm shift from traditional resource allocation mechanisms. Deep learning (DL) is a powerful tool where a multi-layer neural network can be trained to model a resource management algorithm using network data.Therefore, resource allocation decisions can be obtained without intensive online computations which would be required otherwise for the solution of resource allocation problems. In this context, this article focuses on the application of DL to obtain solutions for the radio resource allocation problems in multi-cell networks. Starting with a brief overview of a deep neural network (DNN) as a DL model, relevant DNN architectures and the data training procedure, we provide an overview of existing state-of-the-art applying DL in the context of radio resource allocation. A qualitative comparison is provided in terms of their objectives, inputs/outputs, learning and data training methods. Then, we present a supervised DL model to solve the sub-band and power allocation problem in a multi-cell network. Using the data generated by a genetic algorithm, we first train the model and then test the accuracy of the proposed model in predicting the resource allocation solutions. Simulation results show that the trained DL model is able to provide the desired optimal solution 86.3% of time.

연구 동기 및 목표

• 밀도 높고 이종적인 5G/B5G 네트워크에서 전통적인 최적화 방법의 높은 계산 복잡도 문제를 해결하기 위해.
• 반복 최적화를 훈련된 깊은 신경망 모델로 대체하여 온라인 계산 시간을 단축하기 위해.
• 다셀 환경에서 최적의 서브밴드 및 전력 할당을 예측하는 데 지도 학습 기반의 딥러닝 접근법의 성능을 평가하기 위해.
• 모델 아키텍처(예: 은닉층 수)와 훈련 데이터 크기의 예측 정확도에 미치는 영향을 조사하기 위해.
• 대규모 셀룰러 네트워크에서 실시간으로 확장 가능한 자원 관리에 딥러닝을 사용할 수 있는지 탐색하기 위해.

제안 방법

• 입력 데이터의 특징 학습 및 계층적 표현을 위해 다수의 스택된 오토인코더를 갖춘 깊은 신경망(DNN)을 사용한다.
• 가중치 초기화 및 고차원 특징 추출을 위해 점진적 레이어별 오토인코더 방법을 사용해 DNN을 사전 훈련한다.
• 라벨이 부여된 훈련 데이터를 기반으로 역전파를 사용해 소프트맥스 출력 레이어를 추가하고 미세 조정한다.
• 입력은 네트워크 상태(예: 채널 상태)를 나타내고 출력은 최적의 서브밴드 및 전력 할당을 나타내는 지도 학습 프레임워크를 사용해 모델을 훈련한다.
• 과적합을 방지하기 위해 L2 가중치 정규화(0.004), 조기 정지(patience=4), 최대 1000 에포크 등의 하이퍼파rameter를 사용한다.
• 예측 정확도를 측정하기 위해 테스트 데이터셋에서 모델을 평가한다.

실험 결과

연구 질문

• RQ1 실시간 최적화 없이 깊은 신경망이 다셀 네트워크에서 최적의 서브밴드 및 전력 할당을 정확하게 예측할 수 있는가?
• RQ2 DNN의 은닉층 수가 예측 정확도와 일반화 성능에 미치는 영향은 어떠한가?
• RQ3 훈련 데이터 크기가 모델이 미리 보지 않은 네트워크 구성에 일반화하는 능력에 미치는 영향은 무엇인가?
• RQ4 유전 알고리즘을 사용해 훈련 데이터를 생성하는 것이 딥러닝 모델의 성능에 어떤 영향을 미치는가?
• RQ5 라디오 자원 할당에서 전통적인 최적화 기법에 비해 딥러닝이 계산 복잡도를 얼마나 줄일 수 있는가?

주요 결과

• 4개의 은닉층을 가진 DNN 모델은 최대 86.31%의 예측 정확도를 기록하여 최적의 자원 할당 솔루션을 식별하는 데 강력한 성능을 보였다.
• 훈련 샘플 수가 증가함에 따라 정확도는 포화점에 도달할 때까지 증가하지만, 이후 추가적인 데이터 증가는 테스트 정확도에 큰 영향을 주지 않는다.
• 최적점 이상으로 은닉층 수를 늘리면 노이즈 학습으로 인해 과적합이 발생하고 테스트 정확도가 감소한다.
• 유전 알고리즘으로 생성된 데이터로 훈련된 모델는 높은 정확도를 달성하여 히وري스틱 최적화를 활용한 데이터 합성의 효과성을 입증한다.
• 적은 샘플로는 초기에 훈련 정확도가 높지만, 더 많은 데이터가 입력될수록 감소하고, 테스트 정확도는 향상되어 결국 포화 상태에 도달한다.
• 모델는 최소한의 온라인 계산으로 빠른 추론을 가능하게 하여 대규모 5G/B5G 네트워크에서 실시간 구현에 적합하다.