[논문 리뷰] Energy-Efficient Subchannel and Power Allocation for HetNets Based on Convolutional Neural Network

Di Xu, Xiaojing Che외 4명|arXiv (Cornell University)|2019. 03. 01.

Advanced MIMO Systems Optimization참고 문헌 14인용 수 8

한 줄 요약

이 논문은 오르토토파르멀 주파수 분할 multiplexing (OFDM) 기반 이질적 네트워크(HetNets)에서 에너지 효율성(EE)을 극대화하기 위해 복소수 신경망(CNN) 기반의 동시 서브채널 및 전력 할당 방법을 제안한다. 문제를 분류 및 회귀 하위 과제로 분해함으로써, CNN는 전수 검색 방법과 유사한 EE 성능를 달성하면서도 기준 대비 계산 런타임을 단 6.76%로 줄여 실시간 구현이 가능하고 복잡도가 낮은 시스템을 가능하게 한다.

ABSTRACT

Heterogeneous network (HetNet) has been proposed as a promising solution for handling the wireless traffic explosion in future fifth-generation (5G) system. In this paper, a joint subchannel and power allocation problem is formulated for HetNets to maximize the energy efficiency (EE). By decomposing the original problem into a classification subproblem and a regression subproblem, a convolutional neural network (CNN) based approach is developed to obtain the decisions on subchannel and power allocation with a much lower complexity than conventional iterative methods. Numerical results further demonstrate that the proposed CNN can achieve similar performance as the Exhaustive method, while needs only 6.76% of its CPU runtime.

연구 동기 및 목표

• HetNets에서 동시 서브채널 및 전력 할당을 위한 전통적인 반복 최적화 방법의 높은 계산 복잡도 문제를 해결하기 위해.
• OFDM 기반 HetNets에서 스펙트럼 효율성(SE) 제약 조건을 만족하면서 네트워크 에너지 효율성(EE)을 극대화하기 위해.
• EE 성능을 훼손하지 않고 자원 할당 결정의 런타임을 단축시켜 실시간 배포를 가능하게 하기 위해.
• 딥 러닝, 특히 CNN를 활용하여 무선 네트워크에서의 복잡한 비볼록 자원 할당 문제를 해결해 보고자 하였다.

제안 방법

• 동시 서브채널 및 전력 할당 문제를 학습 과정을 단순화하기 위해 분류 과제(서브채널 할당)와 회귀 과제(전력 할당)로 분해한다.
• 2차원 CNN 아키텍처는 채널 상태 정보(CSI) 행렬을 6×6×1 형태로 전치하여 입력으로 사용하여 서브대역 및 사용자 간의 공간적 특징을 추출한다.
• ReLU 활성화 함수를 사용하는 다수의 합성곱 및 완전 연결 층을 거친 후, 서브채널 할당에는 소프트맥스 출력, 전력 수준에는 선형 출력을 사용한다.
• 실제 채널 및 전력 제약 조건에서 생성된 20,000개의 합성 데이터 샘플을 기반으로 모델을 훈련하고, 2,000개의 테스트 샘플을 사용해 검증한다.
• CDF를 이용해 EE 및 오류율의 누적분포함수를 기반으로 전수 검색(기준), 무작위 전력, 최대 전력 및 완전 연결 DNN 기준과 성능을 평가한다.
• 계산 자원 절감 정도를 측정하기 위해 CPU 시간 측정을 이용해 런타임 비교를 수행한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 계산 복잡도를 크게 낮추면서도 근사 최적의 에너지 효율성을 달성할 수 있는가?
• RQ2 동시 할당 문제를 분류 및 회귀 하위 문제로 분해함으로써 학습 효율성과 성능이 향상되는가?
• RQ3 전통적인 반복 최적화 및 히우리스틱 기반 방법과 비교할 때 CNN 기반 접근법의 EE 및 런타임 성능는 어떠한가?
• RQ4 학습 데이터 크기와 네트워크 아키텍처(CNN 대 DNN)가 자원 할당 정책의 정확도와 일반화 능력에 미치는 영향은 무엇인가?

주요 결과

• 제안된 CNN는 90%의 테스트 케이스에서 전수 검색 방법과 8% 이내의 에너지 효율성(EE) 성능를 확보하여 근사 최적의 성능를 입증한다.
• CNN는 전수 검색 방법 대비 CPU 런타임을 6.76%로 줄여 계산 효율성 면에서 기존 반복 알고리즘을 크게 뛰어넘는다.
• EE 정확도 및 오류율 면에서 완전 연결 DNN보다도 CNN이 뛰어나, 합성곱 층이 CSI 행렬 내의 공간 상관관계를 더 잘 포착함을 시사한다.
• 학습 데이터 크기를 늘릴수록 성능 향상이 이루어지며, 20,000개의 샘플이 수렴성과 최저 오류율을 보여 가장 우수한 성능를 낳는다.
• 기준 대비 90%의 테스트 데이터에서 CNN의 오류율이 8% 이하로 유지되어 강력한 일반화 능력을 입증한다.
• 10,000개의 학습 샘플을 사용한 모델는 기준 런타임의 6.76%를 기록하여 5G HetNets에서 실시간 배포의 가능성을 입증한다.