[論文レビュー] A Machine Learning Framework for Resource Allocation Assisted by Cloud Computing

Junbo Wang, Junyuan Wang+5 more|arXiv (Cornell University)|Dec 16, 2017

Advanced MIMO Systems Optimization参考文献 9被引用数 8

ひとこと要約

本論文は、クラウドに保存された履歴データを活用して効率を向上させる、無線ネットワークにおける無線リソース割り当てのための機械学習フレームワークを提案する。k-NNを用いて現在の状況を類似した過去の状況と照合し、事前に計算された最適解を再利用することで、低複雑性でありながら近似的に最適な性能を達成し、大規模MIMOビーム割り当てにおいて従来のオンライン最適化を上回る。

ABSTRACT

Conventionally, the resource allocation is formulated as an optimization problem and solved online with instantaneous scenario information. Since most resource allocation problems are not convex, the optimal solutions are very difficult to be obtained in real time. Lagrangian relaxation or greedy methods are then often employed, which results in performance loss. Therefore, the conventional methods of resource allocation are facing great challenges to meet the ever-increasing QoS requirements of users with scarce radio resource. Assisted by cloud computing, a huge amount of historical data on scenarios can be collected for extracting similarities among scenarios using machine learning. Moreover, optimal or near-optimal solutions of historical scenarios can be searched offline and stored in advance. When the measured data of current scenario arrives, the current scenario is compared with historical scenarios to find the most similar one. Then, the optimal or near-optimal solution in the most similar historical scenario is adopted to allocate the radio resources for the current scenario. To facilitate the application of new design philosophy, a machine learning framework is proposed for resource allocation assisted by cloud computing. An example of beam allocation in multi-user massive multiple-input-multiple-output (MIMO) systems shows that the proposed machine-learning based resource allocation outperforms conventional methods.

研究の動機と目的

• 動的で高品質サービス（QoS）要件を満たす無線ネットワークにおけるリアルタイムで非凸なリソース割り当ての課題に対処すること。
• ラグランジュ緩和やグリーディ法などの部分最適なオンラインソリューションに起因する性能損失を低減すること。
• 履歴的な無線状況の類似性を活用して、現在の状況に対して効率的でオフライン事前計算済みのソリューションを提供すること。
• 機械学習ベースのリソース割り当てが大規模MIMOシステムにおいて実現可能で優れていることを示すこと。
• クラウドコンピューティングと機械学習の統合を検討し、スケーラブルで適応可能な無線リソース管理を実現すること。

提案手法

• 無線状況の膨大な履歴データ（CSIおよびQoS要件を含む）を、中央集権的なクラウドに収集・保存する。
• k-Nearest Neighbor（k-NN）アルゴリズムを用いて、現在の状況の特徴と履歴の特徴を比較し、最も類似した過去の状況を特定する。
• 最も類似した履歴状況から事前に計算された最適または近似的に最適なリソース割り当てソリューションを取得し、現在の状況に適用する。
• 履歴状況に対して、複雑で非凸な最適化問題をオフラインで解き、高品質な基準ソリューションを生成する。
• ユーザー行動、チャネル状態、QoS要件を組み合わせた特徴ベクトルとして各状況を表現し、機械学習による照合を可能にする。
• クラウドコンピューティングを活用して、大規模な状況学習に適したスケーラブルなデータ保存と分散処理を実現する。

実験結果

リサーチクエスチョン

• RQ1 機械学習技術は、履歴的および現在の無線ネットワーク状況の類似性を効果的に抽出・活用し、リソース割り当てに応用できるか？
• RQ2 k-NNベースのリソース割り当てフレームワークは、非凸な状況において従来のオンライン最適化手法と比較して、どのように性能を発揮するか？
• RQ3 履歴データから事前に計算された最適解を活用することで、計算複雑性をどの程度低減しつつ、高いシステム性能を維持できるか？
• RQ4 突然のユーザー分布や伝搬条件の変化などの動的または急激に変化するネットワーク環境では、このフレームワークはどのように対処するか？
• RQ5 マルチベースステーションおよび大規模MIMO展開において、機械学習ベースのアプローチのスケーラビリティと耐障害性はどの程度か？

主な発見

• 提案された機械学習フレームワークは、マルチユーザー大規模MIMOシステムにおけるビーム割り当てで近似的に最適な性能を達成し、従来のオンライン手法を著しく上回る。
• 最も類似した履歴状況からの事前計算済みソリューションを再利用することで、リアルタイムの計算複雑性を低減しつつ高い精度を維持できる。
• k-NNアプローチにより、ビーム選択における複雑性O(N^k)という低複雑性の照合が可能となり、全探索O(2^N)に比べて顕著に低い。
• 履歴データと類似性照合を活用することで、グリーディ法やラグランジュ緩和法に内在する性能損失を効果的に軽減できる。
• フレームワークはマルチBS協調状況においてスケーラビリティの可能性を示しているが、データ次元の増加に伴う学習の課題が生じる。
• 環境のゆっくりとした変化に対してはロバスト性を示すが、訓練データが古くなっている場合や急激で大きな変化が生じると、性能劣化が生じる可能性がある。