[论文解读] Improving Downlink Coordinated Multipoint Performance in Heterogeneous Networks

Faris B. Mismar, Brian L. Evans|arXiv (Cornell University)|Jul 10, 2017

Advanced MIMO Systems Optimization被引用 1

一句话总结

本文提出一种基于支持向量机（SVM）的在线机器学习算法，以提升5G NR异构网络中下行链路协调多点（DL CoMP）的性能。通过智能触发多个无线链路，该方法在频分双工（FDD）环境中增强了宏站和小细胞基站的下行链路吞吐量。

ABSTRACT

We propose a method for downlink coordinated multipoint (DL CoMP) in heterogeneous fifth generation New Radio (NR) networks. The primary contribution of our paper is an algorithm to enhance the trigger of DL CoMP using online machine learning. We use support vector machine (SVM) classifiers to enhance the user downlink throughput in a realistic frequency division duplex network environment. Our simulation results show improvement in both the macro and pico base station downlink throughputs due to the informed triggering of the multiple radio streams as learned by the SVM classifier.

研究动机与目标

• 解决异构5G NR网络中CoMP触发不理想的问题。
• 通过智能、数据驱动的CoMP激活方式提升下行链路用户吞吐量。
• 开发一种基于在线机器学习的实时、自适应触发机制。
• 在真实的FDD网络环境中评估所提方法的性能。

提出的方法

• 该方法采用在线支持向量机（SVM）分类器来预测最优CoMP触发条件。
• SVM模型基于实时网络状态特征进行训练，以确定何时激活多个无线链路。
• 系统根据网络反馈学习到的模式动态调整CoMP操作。
• 该方法在真实的频分双工（FDD）异构网络场景中进行评估。
• 在触发后测量宏站和小细胞基站的吞吐量提升。

实验结果

研究问题

• RQ1 在线机器学习如何提升5G NR异构网络中CoMP触发的准确性？
• RQ2 基于SVM的触发在多大程度上提升了宏站和小细胞基站的下行链路吞吐量？
• RQ3 实时学习能否适应FDD系统中动态变化的网络条件，实现CoMP激活的自适应？
• RQ4 在异构网络部署中，智能CoMP触发对用户吞吐量有何影响？

主要发现

• 所提出的基于SVM的CoMP触发方法显著提升了宏站和小细胞基站的下行链路吞吐量。
• 通过更有效地协调多个无线链路，实现了吞吐量增益。
• 在线学习方法能够适应网络动态变化，随时间推移持续优化触发决策。
• 仿真结果证实，在真实的FDD环境中，智能触发可带来可测量的性能提升。