[논문 리뷰] Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks

Shanfeng Huang, Shuai Wang외 3명|arXiv (Cornell University)|2020. 12. 25.

Advanced Wireless Communication Technologies참고 문헌 50인용 수 4

한 줄 요약

이 논문은 전력 제어, beamforming, 그리고 RIS 위상 보정을 통한 사용자 간 최대 학습 오차를 동시 최소화함으로써 이종적인 머신 러닝 작업을 최적화하는 RIS 지원 모바일 에지 컴퓨팅 프레임워크를 제안한다. 비볼록 최적화 문제를 해결하기 위해 SCA, ADMM, 오차 수준 탐색을 통합한 AO 기반 알고리즘을 도입하여, 3D 객체 검출 사용 사례에서 기준 대비 뚜렷한 성능 향상을 달성한다.

ABSTRACT

The ever-growing popularity and rapid improving of artificial intelligence (AI) have raised rethinking on the evolution of wireless networks. Mobile edge computing (MEC) provides a natural platform for AI applications since it is with rich computation resources to train machine learning (ML) models, as well as low-latency access to the data generated by mobile and internet of things (IoT) devices. In this paper, we present an infrastructure to perform ML tasks at an MEC server with the assistance of a reconfigurable intelligent surface (RIS). In contrast to conventional communication systems where the principal criterions are to maximize the throughput, we aim at maximizing the learning performance. Specifically, we minimize the maximum learning error of all participating users by jointly optimizing transmit power of mobile users, beamforming vectors of the base station (BS), and the phase-shift matrix of the RIS. An alternating optimization (AO)-based framework is proposed to optimize the three terms iteratively, where a successive convex approximation (SCA)-based algorithm is developed to solve the power allocation problem, closed-form expressions of the beamforming vectors are derived, and an alternating direction method of multipliers (ADMM)-based algorithm is designed together with an error level searching (ELS) framework to effectively solve the challenging nonconvex optimization problem of the phase-shift matrix. Simulation results demonstrate significant gains of deploying an RIS and validate the advantages of our proposed algorithms over various benchmarks. Lastly, a unified communication-training-inference platform is developed based on the CARLA platform and the SECOND network, and a use case (3D object detection in autonomous driving) for the proposed scheme is demonstrated on the developed platform.

연구 동기 및 목표

• 기존의 전송 용량 중심 설계가 비최적임에도 불구하고, RIS 지원 모바일 에지 컴퓨팅 환경에서 학습 성능 최적화 문제를 해결한다.
• 모델 및 데이터 복잡도가 상이한 이종 사용자 간 최대 학습 오차를 최소화하기 위한 공동 최적화 문제를 수립한다.
• 전송 전력, beamforming 벡터, RIS 위상 보정 행렬의 비볼록이고 결합된 최적화 문제를 다룰 수 있는 교차 최적화 프레임워크를 설계한다.
• 특수화된 알고리즘—SCA를 통한 전력 할당, 폐쇄형 해를 통한 beamforming, ADMM와 오차 수준 탐색을 조합한 위상 보정 최적화 알고리즘—을 개발한다.
• 통합 커뮤니케이션-학습-추론 플랫폼과 실세계 3D 객체 검출 사용 사례를 통해 프레임워크의 실용적 타당성을 입증한다.

제안 방법

• 사용자 전송 전력, 기지국 beamforming 벡터, RIS 위상 보정 행렬의 세 변수를 순차적으로 최적화하는 교차 최적화(AO) 프레임워크를 제안한다.
• 비볼록 전력 할당 문제를 연속적인 볼록 하위문제로 변환하기 위해 순차적 볼록 근사( successive convex approximation, SCA)를 사용한다.
• SINR 최대화 기반 일반화 고유값 문제를 해결하여 최적의 beamforming 벡터에 대한 폐쇄형 표현을 유도한다.
• 비볼록 위상 보정 행렬 최적화 문제를 효율적으로 해결하기 위해 ADMM 기반 알고리즘과 오차 수준 탐색(ELS) 프레임워크를 통합한다.
• 알고리즘들을 CARLA와 SECOND 네트워크 기반의 통합 플랫폼에 통합하여 제안된 방식의 종단간 검증을 수행한다.
• 학습 성능을 신호 대 간섭 및 노이즈 비율(SINR)의 함수로 모델링하여 통신 품질과 학습 정확도 간 직접적인 연관성을 확립한다.

실험 결과

연구 질문

• RQ1 RIS는 모바일 에지 컴퓨팅 환경에서 이종적인 머신 러닝 작업의 학습 성능을 향상시키는 데 어떻게 활용될 수 있는가?
• RQ2 다양한 모델 및 데이터 특성을 지닌 사용자 간 최대 학습 오차를 효과적으로 최소화할 수 있는 공동 최적화 프레임워크는 무엇인가?
• RQ3 전송 전력, beamforming, RIS 위상 보정을 포함한 비볼록 최적화 문제는 수렴 보장이 있는 방식으로 어떻게 효율적으로 해결할 수 있는가?
• RQ4 기존의 RIS 없이 구현된 전통적 MEC 시스템 대비 RIS를 도입했을 때의 성능 향상은 어떠한가?
• RQ5 실시간 커뮤니케이션, 학습, 추론을 가능하게 하는 실용적인 종단간 플랫폼을 RIS 지원 엣지 AI 환경에서 구축할 수 있는가?

주요 결과

• SCA, 폐쇄형 beamforming, ADMM-ELS를 통합한 제안된 AO 기반 알고리즘은 수렴성을 확보하고 뚜렷한 학습 성능 향상을 달성한다.
• 시뮬레이션 결과, RIS를 도입함으로써 기준 대비 사용자 간 최대 학습 오차를 크게 감소시킬 수 있음을 입증한다.
• 폐쇄형 beamforming 솔루션은 채널 및 간섭 통계를 포함하는 행렬의 주요 고유벡터로 유도된다.
• ADMM-ELS 프레임워크는 비볼록 위상 보정 최적화 문제를 효과적으로 처리하여 엣지 학습 환경에서 RIS의 실용적 구현 가능성을 높인다.
• 종단간 플랫폼은 자율 주행 환경에서의 3D 객체 검출을 성공적으로 수행하여 제안된 프레임워크의 실세계 적용 가능성을 검증한다.
• AO 반복 과정에서 최적화 문제의 목적 함수 값이 감소하지 않음을 확인하여 제안된 알고리즘의 수렴성을 입증한다.