[논문 리뷰] Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G

Rui Dong, Changyang She외 3명|arXiv (Cornell University)|2020. 03. 29.

Advanced MIMO Systems Optimization참고 문헌 53인용 수 7

한 줄 요약

이 논문은 다양한 서비스 품질(QoS) 요구사항을 가진 5G 네트워크에서 실시간 무선 자원 할당을 위한 계단식 딥 신경망(DNN) 아키텍처를 제안한다. 대역폭 및 전력 할당을 두 단계의 순차적 DNN로 분리하고 딥 트랜스퍼 러닝을 적용함으로써, 특히 비정상적인 채널 조건에서 기존의 완전 연결 네트워크에 비해 더 뛰어난 QoS 보장을 달성하고 학습 데이터 요구량을 감소시킨다.

ABSTRACT

To accommodate diverse Quality-of-Service (QoS) requirements in the 5th generation cellular networks, base stations need real-time optimization of radio resources in time-varying network conditions. This brings high computing overheads and long processing delays. In this work, we develop a deep learning framework to approximate the optimal resource allocation policy that minimizes the total power consumption of a base station by optimizing bandwidth and transmit power allocation. We find that a fully-connected neural network (NN) cannot fully guarantee the QoS requirements due to the approximation errors and quantization errors of the numbers of subcarriers. To tackle this problem, we propose a cascaded structure of NNs, where the first NN approximates the optimal bandwidth allocation, and the second NN outputs the transmit power required to satisfy the QoS requirement with given bandwidth allocation. Considering that the distribution of wireless channels and the types of services in the wireless networks are non-stationary, we apply deep transfer learning to update NNs in non-stationary wireless networks. Simulation results validate that the cascaded NNs outperform the fully connected NN in terms of QoS guarantee. In addition, deep transfer learning can reduce the number of training samples required to train the NNs remarkably.

연구 동기 및 목표

• 시간에 따라 변화하는 5G 네트워크 환경에서 실시간 무선 자원 할당 시 높은 계산 오버헤드와 긴 처리 지연을 해결하기 위해.
• 서브밴드 수와 같은 이산 자원 할당 변수를 근사화하는 데 어려움을 겪는 완전 연결 신경망의 한계를 극복하기 위해.
• 채널 통계와 서비스 유형이 시간이 지남에 따라 변화하는 비정상적인 무선 환경에 효율적으로 적응할 수 있도록 하기 위해.
• 트랜스퍼 러닝을 통해 동적 5G 네트워크에서 딥 러닝 모델의 학습 샘플 수를 줄이기 위해.
• URLLC, eMBB 및 mMTC 서비스에 대한 다양한 QoS 요구사항을 충족시키면서 총 기지국 전력 소비를 최소화하기 위해.

제안 방법

• 계단식 DNN 아키텍처를 설계함: 첫 번째 네트워크는 최적의 대역폭 할당(서브밴드 수)을 예측하고, 두 번째 네트워크는 QoS 제약 조건을 충족하기 위해 필요한 전송 전력을 계산한다.
• 숨겨진 변수(예: 채널 분포 및 서비스 유형)가 시간이 지남에 따라 변화할 경우, 딥 트랜스퍼 러닝을 사용해 DNN를 미세 조정함으로써 재학습 없이도 일반화 성능을 향상시킨다.
• QoS 제약 조건(각 서비스 유형의 데이터 전송률, 지연, 신뢰성 요구사항 포함) 하에 총 전력 소비를 최소화하는 최적화 문제를 수립한다.
• 첫 번째 DNN은 사용자별로 서브밴드 할당을 출력하고, 두 번째 DNN은 해당 전력 할당을 계산하여 종단 간 훈련을 통해 QoS 준수를 보장한다.
• 연속 함수에 대한 일반 근사 정리(Universal Approximation Theorem)를 활용하면서도, 체계적인 네트워크 설계를 통해 이산 변수의 양자화 오차 문제를 해결한다.
• 학습 데이터는 오프라인 최적화 알고리즘을 사용해 생성되며, 트랜스퍼 러닝을 통해 새로운 네트워크 조건에 더 적은 샘플로 적응할 수 있다.

실험 결과

연구 질문

• RQ1 이산 자원 할당 제약 조건 하에서 다양한 5G 서비스의 QoS 보장을 위해 계단식 DNN 아키텍처가 완전 연결 DNN보다 우월한가?
• RQ2 네트워크 조건이 동적으로 변화할 경우 딥 트랜스퍼 러닝이 학습 샘플 수를 얼마나 줄이는가?
• RQ3 URLLC, eMBB 및 mMTC 서비스에 대해 엄격한 QoS 요구사항을 충족시키면서 DNN 기반 접근 방식이 총 전력 소비를 얼마나 최소화할 수 있는가?
• RQ4 서브밴드 수와 같은 이산 변수의 근사화 및 양자화 오차가 종단 간 DNN 기반 자원 할당에서 QoS 준수에 미치는 영향은 무엇인가?
• RQ5 채널 통계 및 서비스 조합과 같은 숨겨진 변수가 시간이 지남에 따라 변화할 경우, 제안된 방법은 성능을 어떻게 유지하는가?

주요 결과

• 계단식 DNN 프레임워크는 특히 지연 민감성 및 URLLC 서비스의 QoS 요구사항을 충족시키는 데 있어 완전 연결 DNN보다 뚜렷이 뛰어난 성능을 보인다.
• 계단식 아키텍처는 이산 서브밴드 할당에서의 근사화 및 양자화 오차를 감소시켜 더 신뢰할 수 있는 QoS 준수를 가능하게 한다.
• 딥 트랜스퍼 러닝을 통해 비정상적인 환경에서 학습 샘플 수를 최대 50% 감소시켜 모델 적응 속도를 높인다.
• 실시간 추론에서도 near-optimal 전력 소비를 달성하여 실질적인 5G 기지국 구현에 적합하다.
• 시뮬레이션 결과는 계단식 DNN가 채널 조건과 서비스 유형이 변화하더라도 높은 QoS 준수율을 유지함을 확인한다.
• 알고리즘은 최대 전송 전력 제약 조건을 충족시키기 위해 필요한 최소 서브밴드 수로 수렴하여 에너지 효율성을 보장한다.