[논문 리뷰] Machine Learning Empowered Resource Allocation in IRS Aided MISO-NOMA Networks

Xinyu Gao, Yuanwei Liu외 2명|arXiv (Cornell University)|2021. 03. 09.

Advanced Wireless Communication Technologies참고 문헌 38인용 수 52

한 줄 요약

이 논문은 QoS 제약 조건 하에서 합성 데이터율을 최대화하기 위해 IRS를 지원하는 MISO-NOMA 네트워크를 위한 기계학습 기반 자원 할당 프레임워크를 제안한다. 이 프레임워크는 사용자 이동성 예측을 위해 LSTM을 통합하고, 동적 사용자 클러스터링을 위해 K-GMM를 활용하며, 동시 위상 이동 및 전력 할당 최적화를 위해 DQN을 활용하여 시뮬레이션에서 OMA 기반 기술 대비 35%의 전송률 향상을 달성한다.

ABSTRACT

A novel framework of intelligent reflecting surface (IRS)-aided multiple-input single-output (MISO) non-orthogonal multiple access (NOMA) network is proposed, where a base station (BS) serves multiple clusters with unfixed number of users in each cluster. The goal is to maximize the sum rate of all users by jointly optimizing the passive beamforming vector at the IRS, decoding order, power allocation coefficient vector and number of clusters, subject to the rate requirements of users. In order to tackle the formulated problem, a three-step approach is proposed. More particularly, a long short-term memory (LSTM) based algorithm is first adopted for predicting the mobility of users. Secondly, a K-means based Gaussian mixture model (K-GMM) algorithm is proposed for user clustering. Thirdly, a deep Q-network (DQN) based algorithm is invoked for jointly determining the phase shift matrix and power allocation policy. Simulation results are provided for demonstrating that the proposed algorithm outperforms the benchmarks, while the throughput gain of 35% can be achieved by invoking NOMA technique instead of orthogonal multiple access (OMA).

연구 동기 및 목표

• 동적 사용자 클러스터를 고려한 IRS를 지원하는 MISO-NOMA 네트워크에서 합성 데이터율을 최대화하기 위해.
• QoS 제약 조건 하에서 수동 비음향형, 복원 순서, 전력 할당 및 클러스터 수를 동시에 최적화하기 위해.
• 비볼록성과 고복잡도를 가지는 최적화 문제를 기계학습 기법을 통해 해결하기 위해.
• 모바일이고 다중 사용자 기반의 IRS-NOMA 환경에서 효율적이고 실시간 자원 할당을 가능하게 하기 위해.

제안 방법

• 사용자 이동성을 사전 예측하기 위해 LSTM을 사용하여 자원 할당의 능동적 적응을 가능하게 한다.
• 예측된 이동성과 채널 조건을 기반으로 사용자를 클러스터링하기 위해 K-GMM 알고리즘을 제안한다.
• 위상 이동 행렬과 전력 할당 계수를 동시에 최적화하기 위해 DQN 기반 알고리즘을 활용한다.
• 이동성 예측 → 클러스터링 → 동시 비음향형 및 전력 제어의 3단계 프레임워크를 통합한다.
• 사용자 데이터율 요구 조건에 대한 제약 조건을 포함한 합성 데이터율 최대화 문제를 수립한다.
• 비볼록성과 조합 최적화 문제를 다루기 위해 딥 강화학습을 활용한다.

실험 결과

연구 질문

• RQ1 LSTM 기반 이동성 예측은 IRS-NOMA 네트워크에서 자원 할당 효율성을 향상시킬 수 있는가?
• RQ2 제안된 K-GMM 클러스터링 방법은 동적 사용자 그룹화를 얼마나 효과적으로 처리하는가?
• RQ3 DQN은 동시 위상 이동 및 전력 할당에서 전통적인 최적화 기법과 Q-학습보다 우수한 성능을 보일 수 있는가?
• RQ4 IRS를 지원하는 MISO-NOMA 시스템에서 NOMA는 OMA 대비 어떤 성능 향상을 제공하는가?
• RQ5 제안된 프레임워크 하에서 IRS 요소의 수가 합성 데이터율에 어떤 영향을 미치는가?

주요 결과

• 제안된 DQN 기반 알고리즘이 Q-학습 및 기준 기법 대비 합성 데이터율 성능에서 뛰어난 성능을 보였다.
• IRS를 지원하는 네트워크에서 OMA 대비 NOMA를 사용함으로써 35%의 전송률 향상을 달성했다.
• IRS 요소의 수가 증가할수록 합성 데이터율이 증가하지만, 요소 수가 많아질수록 향상 비율은 점점 감소한다.
• DQN이 찾은 최적의 복원 순서는 고전압 전송 조건에서 랜덤 복원 순서에 비해 뚜렷하게 뛰어난 성능을 보였다.
• K-GMM 클러스터링 방법은 이동성과 채널 상태를 기반으로 사용자를 효과적으로 그룹화하여 시스템의 공정성과 스펙트럼 효율성을 향상시켰다.
• LSTM, K-GMM 및 DQN의 통합은 낮은 계산 오버헤드로 실시간이고 적응형 자원 할당을 가능하게 했다.