[논문 리뷰] Completely Distributed Power Allocation using Deep Neural Network for Device to Device communication Underlaying LTE

Jeehyeong Kim, Joohan Park외 2명|arXiv (Cornell University)|2018. 02. 08.

Advanced MIMO Systems Optimization참고 문헌 46인용 수 12

한 줄 요약

이 논문은 LTE 기반 디바이스 투 디바이스(D2D) 통신 환경에서 완전히 분산된 딥러닝 기반 전력 할당 기법을 제안하여, D2D 송신기가 eNB나 피어의 도움 없이 자율적으로 전송 전력을 선택할 수 있도록 한다. 공동으로 훈련되지만 개별적으로 작동하는 모델은 간섭 제약 조건을 준수하면서 세포 전체 Throughput를 최적화하며, Tensorflow를 사용하여 중심 집중식 방법과 비교해 유사한 성능을 달성한다.

ABSTRACT

Device to device (D2D) communication underlaying LTE can be used to distribute traffic loads of eNBs. However, a conventional D2D link is controlled by an eNB, and it still remains burdens to the eNB. We propose a completely distributed power allocation method for D2D communication underlaying LTE using deep learning. In the proposed scheme, a D2D transmitter can decide the transmit power without any help from other nodes, such as an eNB or another D2D device. Also, the power set, which is delivered from each D2D node independently, can optimize the overall cell throughput. We suggest a distirbuted deep learning architecture in which the devices are trained as a group, but operate independently. The deep learning can optimize total cell throughput while keeping constraints such as interference to eNB. The proposed scheme, which is implemented model using Tensorflow, can provide same throughput with the conventional method even it operates completely on distributed manner.

연구 동기 및 목표

• 중앙 집중식 전력 제어를 제거하여 D2D-기반 LTE 네트워크에서 eNB의 신호 및 제어 부담을 줄이기 위해.
• D2D 송신기가 eNB나 다른 장치의 조율 없이도 독립적으로 최적의 전송 전력을 결정할 수 있도록 하기 위해.
• eNB에 대한 간섭 제약 조건을 유지하면서 전체 세포 Throughput를 최대화하기 위해.
• 장치들이 함께 훈련되지만 개별적으로 작동하는 분산 딥러닝 아키텍처를 개발하기 위해.
• 완전히 분산된 방식으로 기존의 중심 집중식 방법과 비슷한 성능을 달성하기 위해.

제안 방법

• 각 D2D 장치가 자체 채널 상태 정보를 사용하여 모델을 훈련하는 분산 딥 신경망(DNN) 아키텍처를 설계하였다.
• 모든 D2D 장치 간에 공동으로 DNN을 훈련하여 글로벌 세포 Throughput를 최적화하지만, 추론은 각 장치별로 독립적으로 수행된다.
• 모델은 지역 채널 상태 정보를 입력으로 받아 각 D2D 링크에 대한 최적의 전송 전력을 출력한다.
• 훈련 과정에서 eNB의 업링크 수신을 보호하기 위해 간섭 제약 조건이 강제로 적용되어 네트워크 안정성을 확보한다.
• 실제 LTE 조건 하에서 성능를 검증하기 위해 Tensorflow를 사용하여 프레임워크를 구현하였다.
• 전력 할당 결정은 각 D2D 송신기가 자신의 채널 조건과 학습된 DNN 정책에 기반해 자율적으로 수행된다.

실험 결과

연구 질문

• RQ1 중앙 집중식 제어 없이도 완전히 분산된 D2D 전력 할당 기법이 중심 집중식 방법과 유사한 Throughput를 달성할 수 있는가?
• RQ2 딥러닝을 어떻게 활용하여 LTE 환경에서 간섭 제약 조건을 준수하면서 D2D 링크의 자율적 전력 제어를 실현할 수 있는가?
• RQ3 D2D-기반 LTE 환경에서 분산된 자율성과 글로벌 Throughput 최적화 사이의 성능 트레이드오프는 어떠한가?
• RQ4 훈련은 함께 하지만 작동은 독립적으로 수행되는 DNN이 탈중앙화 환경에서 근사 최적의 시스템 성능을 달성할 수 있는가?
• RQ5 제안된 방법은 세포 전체 Throughput를 최대화하면서도 eNB에 대한 간섭 제약 조건을 어떻게 유지하는가?

주요 결과

• 제안된 분산 딥러닝 기반 전력 할당 기법은 기존의 중심 집중식 방법과 유사한 세포 Throughput를 달성한다.
• 각 D2D 송신기는 eNB나 다른 D2D 장치와의 신호 교환 없이도 자율적으로 전송 전력을 결정할 수 있다.
• 모델은 eNB에 대한 간섭 제약 조건을 유지하여 셀룰러 사용자의 신뢰성 있는 업링크 수신을 보장한다.
• 공동 훈련이지만 개별적으로 작동하는 분산 DNN 프레임워크는 네트워크 신호 교환 오버헤드를 줄인다.
• TensorFlow를 활용한 구현은 제안된 기법의 실현 가능성과 성능 일관성을 확인한다.
• 중앙 집중식 조율가 필요 없이 최적의 Throughput 성능을 달성한다.