[논문 리뷰] Risk-Based Optimization of Virtual Reality over Terahertz Reconfigurable Intelligent Surfaces

Christina Chaccour, Mehdi Naderi Soorki외 3명|arXiv (Cornell University)|2020. 01. 01.

Advanced Wireless Communication Technologies참고 문헌 19인용 수 79

한 줄 요약

논문은 엔트로픽 가치-위험(EVaR)과 Lyapunov 최적화, 심층 정책 학습기를 활용하여 확률 채널을 다루는 terahertz 재구성 가능한 지능형 표면(RIS) 기반의 VR에 대한 위험 인식 사용자 연결 및 스케줄링 프레임워크를 제안한다.

ABSTRACT

In this paper, the problem of associating reconfigurable intelligent surfaces (RISs) to virtual reality (VR) users is studied for a wireless VR network. In particular, this problem is considered within a cellular network that employs terahertz (THz) operated RISs acting as base stations. To provide a seamless VR experience, high data rates and reliable low latency need to be continuously guaranteed. To address these challenges, a novel risk-based framework based on the entropic value-at-risk is proposed for rate optimization and reliability performance. Furthermore, a Lyapunov optimization technique is used to reformulate the problem as a linear weighted function, while ensuring that higher order statistics of the queue length are maintained under a threshold. To address this problem, given the stochastic nature of the channel, a policy-based reinforcement learning (RL) algorithm is proposed. Since the state space is extremely large, the policy is learned through a deep-RL algorithm. In particular, a recurrent neural network (RNN) RL framework is proposed to capture the dynamic channel behavior and improve the speed of conventional RL policy-search algorithms. Simulation results demonstrate that the maximal queue length resulting from the proposed approach is only within 1% of the optimal solution. The results show a high accuracy and fast convergence for the RNN with a validation accuracy of 91.92%.

연구 동기 및 목표

• 고속의 저지연 VR을 THz RIS-지원 네트워크에서 구현하는 도전 과제를 제시한다.
• EVaR(Entropic Value-at-Risk)을 사용한 위험 기반 속도 및 신뢰도 최적화 프레임워크를 제안한다.
• Lyapunov 최적화를 통해 대기열 안정성 및 지연 통계 제어를 보장한다.
• 대규모 상태 공간에서 사용자 연결을 학습하기 위한 정책 기반 알고리즘을 심층 학습으로 개발한다.
• 시뮬레이션을 통해 근사 최적의 성능과 빠른 수렴을 입증한다.

제안 방법

• RIS가 신호를 반사하여 이동하는 사용자들을 서비스하는 다운링크 VR 서비스 모델을 형성한다.
• 지연의 고차 통계를 포착하기 위해 엔트로픽 가치-위험으로 기반한 위험 측정치를 도입한다.
• 대기열 안정성 보장을 포함하는 선형 가중 목표로 문제를 전환하기 위해 Lyapunov 최적화를 적용한다.
• 확률적 채널 하에서 사용자 연결을 수행하기 위한 정책 기반 알고리즘을 제안한다.
• 대규모 상태 공간과 동적 채널 동작 특성으로 인해 정책 학습을 위해 심층 학습 프레임워크를 사용한다.
• 시뮬레이션에서 프레임워크의 효율성과 수렴 속도를 시연한다.

실험 결과

연구 질문

• RQ1 확률적 채널에서 RIS 지원 네트워크의 VR에 대해 속도와 신뢰도를 어떻게 최대화할 수 있는가?
• RQ2 EVaR가 RIS-지원 VR 시스템의 고차 지연 통계를 효과적으로 포착할 수 있는가?
• RQ3 Lyapunov 기반 재구성 및 심층 정책 학습 접근법이 확장 가능한 수렴으로 근사 최적의 사용자 연결을 달성할 수 있는가?

주요 결과

• 제안된 접근법 하에서 최대 큐 길이가 최적 해의 1% 이내이다.
• 학습된 정책의 검증 정확도 91.92%가 보고되었다.
• 프레임워크가 시뮬레이션에서 높은 정확도와 빠른 수렴을 달성한다.