[論文レビュー] Massive Access in Beyond 5G IoT Networks with NOMA: NP-hardness, Competitiveness and Learning.

Zoubeir Mlika, Soumaya Cherkaoui|arXiv (Cornell University)|Feb 19, 2020

Optimization and Search Problems参考文献 35被引用数 6

ひとこと要約

本稿では、NOMAを用いた massive IoT ネットワークにおける、ユーザーのグループ化、スケジューリング、電力割り当てというNP困難問題を解決するため、オンライン競争的アルゴリズムと強化学習を組み合わせた手法を提案する。品質保証（QoS）およびエネルギー制約のもとで、処理可能な端末数を最大化し、計算複雑性が低く、近似的最適性能を達成する。

ABSTRACT

This paper studies the problem of online user grouping, scheduling and power allocation in beyond 5G cellular-based Internet of things networks. Due to the massive number of devices trying to be granted to the network, non-orthogonal multiple access method is adopted in order to accommodate multiple devices in the same radio resource block. Different from most previous works, the objective is to maximize the number of served devices while allocating their transmission powers such that their real-time requirements as well as their limited operating energy are respected. First, we formulate the general problem as a mixed integer non-linear program (MINLP) that can be transformed easily to MILP for some special cases. Second, we study its computational complexity by characterizing the NP-hardness of different special cases. Then, by dividing the problem into multiple NOMA grouping and scheduling subproblems, efficient online competitive algorithms are proposed. Further, we show how to use these online algorithms and combine their solutions in a reinforcement learning setting to obtain the power allocation and hence the global solution to the problem. Our analysis are supplemented by simulation results to illustrate the performance of the proposed algorithms with comparison to optimal and state-of-the-art methods.

研究の動機と目的

• 限られた無線リソースのもとで、将来の5G以降のIoTネットワークにおける多数端末のアクセス問題に対処すること。
• リアルタイムの送信要件およびエネルギー制約を尊重しつつ、処理可能な端末数を最大化すること。
• 動的状態下でのユーザーのグループ化、スケジューリング、電力割り当てのための効率的なオンラインアルゴリズムを設計すること。
• オンライン競争的アルゴリズムと強化学習を組み合わせ、グローバル最適解に到達すること。
• 問題の計算複雑性を分析し、主な特殊ケースにおけるNP困難性を確立すること。

提案手法

• 問題を混合整数非線形計画問題（MINLP）として定式化し、特殊ケースでは混合整数線形計画問題（MILP）に変換可能であることを示す。
• スケーラブルなオンライン処理を可能とするために、問題を複数のNOMAグループ化およびスケジューリングサブ問題に分割する。
• 動的到着に対しても性能保証が得られる、各サブ問題に対する効率的なオンライン競争的アルゴリズムを開発する。
• 競争的アルゴリズムの解を強化学習フレームワークに統合し、電力割り当てを実行する。
• RLポリシーを用いて電力割り当て意思決定を繰り返し改善し、グローバル最適解に収束させる。
• いくつかの特殊ケースにおけるNP困難性の証明により、計算複雑性を分析する。

実験結果

リサーチクエスチョン

• RQ1 NOMAを用いた massive IoT ネットワークにおけるユーザーのグループ化、スケジューリング、電力割り当て問題は、計算的に扱いやすいか？
• RQ2 QoSおよびエネルギー制約のもとで、動的端末アクセスを効率的に処理できるオンライン競争的アルゴリズムを設計できるか？
• RQ3 オンラインアルゴリズムと強化学習をどのように組み合わせれば、近似的最適なグローバル性能を達成できるか？
• RQ4 問題の計算複雑性は何か？ どの変種がNP困難であるか？
• RQ5 本手法は、最適解および最先端手法と比較して、スケーラビリティおよび性能面で優れているか？

主な発見

• 複数の特殊ケースにおいて問題がNP困難であることが証明され、一般には計算的に扱いにくいことが示された。
• 提案されたオンライン競争的アルゴリズムは、動的端末到着状況下でも強力な性能保証を達成する。
• オンラインアルゴリズムと強化学習の統合により、近似的最適なグローバル解に収束することが可能となった。
• シミュレーション結果から、提案手法は処理可能な端末数の観点で、最適解および最先端手法を上回ることを示した。
• リアルタイムおよびエネルギー制約を満たしつつ、計算複雑性が低いことを維持した。
• 特殊ケースにおいてMINLPをMILPに変換可能であるため、取り扱い可能な状況では正確な解が得られる。