[论文解读] Scalable Power Control/Beamforming in Heterogeneous Wireless Networks with Graph Neural Networks

Xiaochen Zhang, Haitao Zhao+3 more|arXiv (Cornell University)|Apr 12, 2021

Advanced MIMO Systems Optimization参考文献 12被引用 5

一句话总结

该论文提出HIGNN，一种新颖的无监督图神经网络框架，用于在异构设备到设备（D2D）无线网络中实现可扩展的功率控制与波束成形。通过将干扰关系建模为异构图，并实现局部化、链路特定的策略学习，HIGNN在不同网络规模和密度下均实现了超过95%的相对性能，相较于分数规划（FP）方法，执行速度提升超过300倍。

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.

研究动机与目标

• 解决现有基于机器学习的资源分配（RA）方法在大规模异构无线网络中面临的可扩展性与泛化性局限。
• 克服先前基于图神经网络（GNN）的RA框架中对同质性的假设，这些框架在链路类型在特征或干扰行为上不同时会失效。
• 开发一种可扩展的无监督学习框架，无需微调即可在不同网络规模和密度下泛化。
• 在复杂干扰环境中保持高性能的同时，实现高执行效率。

提出的方法

• 将无线网络建模为异构图，其中节点代表通信链路，边编码具有异构特征的干扰关系。
• 设计一种异构干扰图神经网络（HIGNN），通过可学习的、与链路类型相关的聚合函数，从相邻链路聚合消息。
• 通过直接优化加权和速率（WSR）等效用函数，以无监督方式训练HIGNN，无需依赖迭代算法生成的标注数据。
• 利用多层传播机制，使每个链路基于局部拓扑和信道状态信息（CSI）学习个性化的传输策略（功率与波束成形）。
• 采用尊重链路结构异质性（如SISO与MISO）的消息传递机制，支持在不同网络规模间的泛化。
• 采用3层HIGNN，隐藏层维度为{16}，实现高效推理与稳健性能，且超参数调优需求极低。

实验结果

研究问题

• RQ1 基于GNN的框架是否能在不重新训练的情况下，泛化到不同网络规模和链路密度？
• RQ2 与最先进的迭代算法（如分数规划，FP）相比，HIGNN在性能和执行时间方面的表现如何？
• RQ3 HIGNN是否能有效处理具有多种链路类型（如SISO和MISO）的异构无线网络，这些链路具有不同的传输与干扰特性？
• RQ4 HIGNN的无监督训练是否相比监督DNN方法具有更高的样本效率与泛化能力？
• RQ5 当干扰模式发生分布偏移（如链路密度增加或网络区域扩大）时，HIGNN的鲁棒性如何？

主要发现

• 当网络规模扩大8倍（共96条链路）时，HIGNN相对于分数规划（FP）的相对性能仍保持在95%以上。
• HIGNN在更高链路密度下也表现出有效泛化，在固定区域内链路数增至96条时，相对FP性能达到91.16%。
• 在扩展至96条链路时，HIGNN的执行时间相比FP实现超过300倍的速度提升，且随着网络规模增长，运行时间增加极小。
• HIGNN在样本效率和性能方面均优于DNN，DNN使用50万组样本仅达到83.5%的性能，而HIGNN使用更小、更高效的模型即可实现>95%的性能。
• HIGNN能很好地泛化到未见过的网络配置，在测试数据与训练数据在拓扑结构和干扰分布上显著偏离时，仍保持强劲性能。
• 采用3层HIGNN且隐藏层维度为{16}的模型，在复杂度与精度之间取得良好平衡，展现出实际可扩展性。