[논문 리뷰] Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks

Xiaochen Zhang, Haitao Zhao외 3명|arXiv (Cornell University)|2021. 04. 12.

Advanced MIMO Systems Optimization참고 문헌 12인용 수 5

한 줄 요약

이 논문은 이질적인 디바이스 투 디바이스(D2D) 무선 네트워크에서 확장 가능한 전력 제어 및 비드포밍을 위한 새로운 비지도 그래프 신경망 프레임워크인 HIGNN을 제안한다. 이질적인 그래프를 통해 간섭 관계를 모델링하고 국소적, 링크별 정책 학습을 가능하게 함으로써 HIGNN은 다양한 네트워크 규모와 밀도에서 분수법 프로그래밍(FP)에 비해 95% 이상의 상대적 성능를 달성하며, 기존 반복적 방법에 비해 실행 속도가 300배 이상 향상된다.

ABSTRACT

Machine learning (ML) has been widely used for efficient resource allocation (RA) in wireless networks. Although superb performance is achieved on small and simple networks, most existing ML-based approaches are confronted with difficulties when heterogeneity occurs and network size expands. In this paper, specifically focusing on power control/beamforming (PC/BF) in heterogeneous device-to-device (D2D) networks, we propose a novel unsupervised learning-based framework named heterogeneous interference graph neural network (HIGNN) to handle these challenges. First, we characterize diversified link features and interference relations with heterogeneous graphs. Then, HIGNN is proposed to empower each link to obtain its individual transmission scheme after limited information exchange with neighboring links. It is noteworthy that HIGNN is scalable to wireless networks of growing sizes with robust performance after trained on small-sized networks. Numerical results show that compared with state-of-the-art benchmarks, HIGNN achieves much higher execution efficiency while providing strong performance.

연구 동기 및 목표

• 대규모 이질적 무선 네트워크에서 기존의 머신러닝 기반 자원 할당(RA) 방법의 확장성과 일반화 한계를 해결하기 위해.
• 이전의 GNN 기반 RA 프레임워크에서 링크 유형 간 특성이나 간섭 행동의 이질성을 간과한 동질성 가정을 극복하기 위해.
• 재학습 없이 다양한 네트워크 크기와 밀도에 일반화 가능한 확장 가능한 비지도 학습 프레임워크를 개발하기 위해.
• 복잡한 간섭 환경에서도 높은 실행 효율성을 유지하면서 우수한 성능를 달성하기 위해.

제안 방법

• 통신 링크를 노드로, 간섭 관계를 이질적인 특성과 함께 엣지로 포함하는 이질적 그래프로 무선 네트워크를 모델링한다.
• 학습 가능한 링크 유형 전용 집계 함수를 사용해 이웃 링크로부터 메시지를 집계하는 이질적 간섭 그래프 신경망(HIGNN)을 설계한다.
• 반복적 알고리즘의 레이블이 필요 없는, 가중합률(WSR)과 같은 유틸리티 함수를 직접 최적화하여 HIGNN을 비지도 방식으로 학습시킨다.
• 다중층 전파를 통해 각 링크가 국소적 토폴로지와 채널 상태 정보(CSI) 기반으로 개인화된 전송 전략(전력 및 비드포밍)을 학습할 수 있도록 한다.
• 링크의 구조적 이질성(예: SISO 대비 MISO)을 고려하는 메시지 전달 메커니즘을 도입하여 네트워크 크기 간 일반화를 지원한다.
• 실행 효율성과 강건한 성능를 확보하기 위해 히든 사이즈 {16}인 MLP를 사용하는 3층 HIGNN를 활용하며, 최소한의 하이퍼파라미터 튜닝으로 가능하다.

실험 결과

연구 질문

• RQ1 재학습 없이 다양한 네트워크 크기와 링크 밀도에 일반화 가능한 GNN 기반 프레임워크는 가능한가?
• RQ2 분수법 프로그래밍(FP)과 같은 최신 반복적 알고리즘 대비 HIGNN의 성능 및 실행 시간에서의 성능는 어떠한가?
• RQ3 다양한 링크 유형(SISO 및 MISO 등)이 특성과 간섭 행동이 다를 수 있는 이질적 무선 네트워크를 효과적으로 처리할 수 있는가?
• RQ4 HIGNN의 비지도 학습 방식은 지도 학습 기반 DNN 접근 방식보다 더 높은 샘플 효율성과 일반화 성능를 제공하는가?
• RQ5 링크 밀도 증가 또는 네트워크 영역 확대와 같은 간섭 패tern의 분포 이탈에 대해 HIGNN는 얼마나 강건한가?

주요 결과

• 네트워크 크기가 8배 증가하더라도 총 96개 링크를 포함한 상황에서 HIGNN는 분수법 프로그래밍(FP) 대비 상대적 성능가 95% 이상 유지된다.
• 고정된 영역 내에서 링크 수가 96개로 증가할 경우 HIGNN는 FP 대비 91.16%의 상대적 성능를 기록하며 높은 일반화 성능를 보인다.
• 96개 링크로 확장할 경우 HIGNN는 FP 대비 실행 시간에서 300배 이상의 속도 향상을 달성하며, 네트워크 크기가 증가함에 따라 런타임이 거의 증가하지 않는다.
• HIGNN는 샘플 효율성과 성능 모두에서 DNN보다 뛰어나며, 50만 개의 샘플을 사용한 DNN는 83.5%의 성능를 기록한 반면, HIGNN는 더 작은, 더 효율적인 모델로 >95% 성능를 달성한다.
• HIGNN는 훈련 데이터와 토폴로지 및 간섭 분포에서 크게 벗어난 새로운 네트워크 구성에도 잘 일반화되어 강력한 성능를 유지한다.
• 히든 사이즈 {16}인 3층 HIGNN는 복잡성과 정확성 간의 유리한 트레이드오프를 달성하여 >95% 성능를 기록하며 실용적인 확장성을 입증한다.