[论文解读] 6G White Paper on Machine Learning in Wireless Communication Networks

Sammad Ali, Walid Saad+25 more|arXiv (Cornell University)|Apr 28, 2020

Advanced Wireless Communication Technologies参考文献 44被引用 94

一句话总结

对如何在6G无线网络中整合机器学习的全面概述，涵盖方法、架构部署以及对 PHY、MAC、安全与应用层的研究问题。

ABSTRACT

The focus of this white paper is on machine learning (ML) in wireless communications. 6G wireless communication networks will be the backbone of the digital transformation of societies by providing ubiquitous, reliable, and near-instant wireless connectivity for humans and machines. Recent advances in ML research has led enable a wide range of novel technologies such as self-driving vehicles and voice assistants. Such innovation is possible as a result of the availability of advanced ML models, large datasets, and high computational power. On the other hand, the ever-increasing demand for connectivity will require a lot of innovation in 6G wireless networks, and ML tools will play a major role in solving problems in the wireless domain. In this paper, we provide an overview of the vision of how ML will impact the wireless communication systems. We first give an overview of the ML methods that have the highest potential to be used in wireless networks. Then, we discuss the problems that can be solved by using ML in various layers of the network such as the physical layer, medium access layer, and application layer. Zero-touch optimization of wireless networks using ML is another interesting aspect that is discussed in this paper. Finally, at the end of each section, important research questions that the section aims to answer are presented.

研究动机与目标

• 解释为何ML对未来6G无线网络至关重要，以及相较于传统模型的预期利益。
• 综述适用于无线网络的ML方法及其替代或增强经典方法的潜力。
• 确定ML可应用于物理层、MAC层、安全层和应用层，并讨论零接触网络优化。
• 突出与6G中ML相关的实现考虑、数据管理和标准化活动。

提出的方法

• 回顾并对ML范式（有监督学习、无监督学习、强化学习）进行分类，以及它们在无线任务中的适用性。
• 讨论深度学习、概率方法、RKHS、联邦学习和RL作为解决6G问题的工具。
• 提出基于ML的物理层功能（信道编码、同步、定位、信道估计、波束赋形）以及网络层（MAC、安全、应用层）的方法。
• 描述端到端自编码器概念及其与基于模型的方法在物理层优化中的结合。
• 讨论实际部署方面，包括硬件考虑、训练与推理阶段，以及数据/隐私约束（联邦学习）。

实验结果

研究问题

• RQ1 哪些ML方法将在6G无线网络中发挥主要作用？
• RQ2 6G无线网络的哪些领域将使用深度学习？
• RQ3 为什么深度强化学习将成为6G自动化的主要组成部分？
• RQ4 如何将开放数据访问与运营商的商业利益对齐？
• RQ5 如何将模型高效迁移到资源受限的平台？
• RQ6 应用依赖型和平台依赖型模型应如何选择和部署？

主要发现

• ML将成为6G的核心，通过实现跨各层的实时分析和零接触运行。
• 由于数据、隐私和异质性挑战，需要混合多种ML范式和混合基于模型的方法。
• 联邦学习和端到端DL/自编码器概念在联合优化和鲁棒性能方面显示出潜力。
• 射频、物理层、MAC和安全问题可受益于基于ML的波束赋形、信道估计和资源管理。
• 实现挑战包括数据可用性、培训需求以及设备硬件约束。