[논문 리뷰] Massive Access in Beyond 5G IoT Networks with NOMA: NP-hardness, Competitiveness and Learning.

Zoubeir Mlika, Soumaya Cherkaoui|arXiv (Cornell University)|2020. 02. 19.

Optimization and Search Problems참고 문헌 35인용 수 6

한 줄 요약

이 논문은 대규모 IoT 네트워크에서 NOMA를 사용하여 NP-완전 문제인 사용자 그룹화, 스케줄링 및 전력 할당 문제를 해결하기 위해 온라인 경쟁 알고리즘과 강화 학습을 결합한 방법을 제안한다. 품질보증(QoS) 및 에너지 제약 조건을 만족하면서도 서비스를 받는 디바이스 수를 최대화하며, 낮은 계산 복잡도로 근사 최적 성능를 달성한다.

ABSTRACT

This paper studies the problem of online user grouping, scheduling and power allocation in beyond 5G cellular-based Internet of things networks. Due to the massive number of devices trying to be granted to the network, non-orthogonal multiple access method is adopted in order to accommodate multiple devices in the same radio resource block. Different from most previous works, the objective is to maximize the number of served devices while allocating their transmission powers such that their real-time requirements as well as their limited operating energy are respected. First, we formulate the general problem as a mixed integer non-linear program (MINLP) that can be transformed easily to MILP for some special cases. Second, we study its computational complexity by characterizing the NP-hardness of different special cases. Then, by dividing the problem into multiple NOMA grouping and scheduling subproblems, efficient online competitive algorithms are proposed. Further, we show how to use these online algorithms and combine their solutions in a reinforcement learning setting to obtain the power allocation and hence the global solution to the problem. Our analysis are supplemented by simulation results to illustrate the performance of the proposed algorithms with comparison to optimal and state-of-the-art methods.

연구 동기 및 목표

• 제한된 무선 자원을 가진 초-5G IoT 네트워크에서 대규모 디바이스 액세스 문제를 해결하기 위해.
• 실시간 전송 요구사항과 에너지 제약 조건을 고려하면서도 서비스를 받는 디바이스 수를 최대화하기 위해.
• 동적인 조건 하에서 사용자 그룹화, 스케줄링 및 전력 할당을 위한 효율적인 온라인 알고리즘 설계하기 위해.
• 온라인 경쟁 알고리즘과 강화 학습을 융합하여 전역 최적 해를 달성하기 위해.
• 문제의 계산 복잡도를 분석하고 핵심 특수 케이스들에 대해 NP-완전성 입증하기 위해.

제안 방법

• 문제를 혼합정수비선형계획문제(MINLP)로 수식화하며, 특수 케이스에서는 혼합정수선형계획문제(MILP)로 변환 가능하다.
• 확장 가능한 온라인 처리를 가능하게 하기 위해 문제를 다수의 NOMA 그룹화 및 스케줄링 하위문제로 분할한다.
• 각 하위문제에 대해 동적 도착 조건 하에서도 성능 보장을 보장하는 효율적인 온라인 경쟁 알고리즘을 개발한다.
• 전력 할당을 위한 강화 학습 프레임워크에 경쟁 알고리즘의 해를 통합한다.
• RL 정책을 사용해 전력 할당 결정을 반복적으로 개선하며, 전역 최적 해에 수렴하도록 한다.
• 일련의 특수 케이스에 대해 NP-완전성을 증명함으로써 계산 복잡도를 분석한다.

실험 결과

연구 질문

• RQ1 NOMA 기반 대규모 IoT 네트워크에서 사용자 그룹화, 스케줄링 및 전력 할당 문제는 계산적으로 다룰 수 있는가?
• RQ2 QoS 및 에너지 제약 조건 하에서 동적 디바이스 액세스를 효율적으로 처리할 수 있는 온라인 경쟁 알고리즘이 설계될 수 있는가?
• RQ3 온라인 알고리즘과 강화 학습을 어떻게 융합하여 근사 최적의 전역 성능를 달성할 수 있는가?
• RQ4 문제의 계산 복잡도는 얼마이며, 어떤 변형이 NP-완전한가?
• RQ5 제안된 방법은 최적 및 최신 기술적 접근법과 비교하여 확장성 및 성능 측면에서 어떻게 다른가?

주요 결과

• 다양한 특수 케이스에 대해 문제의 NP-완전성이 입증되어 일반적으로 계산적으로 다루기 어려운 것으로 확인된다.
• 제안된 온라인 경쟁 알고리즘은 동적 디바이스 도착 조건 하에서도 강력한 성능 보장을 달성한다.
• 온라인 알고리즘과 강화 학습의 융합은 근사 최적의 전역 해에 수렴하는 데 기여한다.
• 시뮬레이션 결과는 제안된 방법이 서비스를 받는 디바이스 수 측면에서 최적 및 최신 기술적 방법을 모두 초월함을 보여준다.
• 실시간 및 에너지 제약 조건을 준수하면서도 낮은 계산 복잡도를 유지한다.
• 특수 케이스에서 MINLP를 MILP로 변환함으로써 처리 가능한 시나리오에서 정확한 해를 도출할 수 있다.