[论文解读] A Machine Learning Framework for Resource Allocation Assisted by Cloud Computing

Junbo Wang, Junyuan Wang+5 more|arXiv (Cornell University)|Dec 16, 2017

Advanced MIMO Systems Optimization参考文献 9被引用 8

一句话总结

本文提出了一种用于无线网络中无线电资源分配的机器学习框架，利用云存储的历史数据提升效率。通过使用k-NN将当前场景与相似的历史场景匹配，并重用预先计算的最优解，该方法在低复杂度下实现接近最优的性能，在大规模MIMO波束赋形中优于传统的在线优化方法。

ABSTRACT

Conventionally, the resource allocation is formulated as an optimization problem and solved online with instantaneous scenario information. Since most resource allocation problems are not convex, the optimal solutions are very difficult to be obtained in real time. Lagrangian relaxation or greedy methods are then often employed, which results in performance loss. Therefore, the conventional methods of resource allocation are facing great challenges to meet the ever-increasing QoS requirements of users with scarce radio resource. Assisted by cloud computing, a huge amount of historical data on scenarios can be collected for extracting similarities among scenarios using machine learning. Moreover, optimal or near-optimal solutions of historical scenarios can be searched offline and stored in advance. When the measured data of current scenario arrives, the current scenario is compared with historical scenarios to find the most similar one. Then, the optimal or near-optimal solution in the most similar historical scenario is adopted to allocate the radio resources for the current scenario. To facilitate the application of new design philosophy, a machine learning framework is proposed for resource allocation assisted by cloud computing. An example of beam allocation in multi-user massive multiple-input-multiple-output (MIMO) systems shows that the proposed machine-learning based resource allocation outperforms conventional methods.

研究动机与目标

• 解决在高服务质量（QoS）需求下动态无线网络中实时、非凸资源分配的挑战。
• 降低次优在线解（如拉格朗日松弛法或贪心方法）带来的性能损失。
• 利用历史无线场景之间的相似性，实现高效、离线预计算的解决方案以应对当前场景。
• 证明基于机器学习的资源分配在大规模MIMO系统中的可行性和优越性。
• 探索云计算与机器学习的集成，以实现可扩展、自适应的无线电资源管理。

提出的方法

• 在集中式云中收集并存储大量关于无线场景的历史数据，包括信道状态信息（CSI）和QoS需求。
• 使用k-最近邻（k-NN）算法比较当前场景特征与历史场景特征，识别出最相似的历史场景。
• 从最相似的历史场景中检索并应用预先计算的最优或近似最优资源分配解到当前场景。
• 对历史场景离线求解复杂、非凸的优化问题，以生成高质量的参考解。
• 将每个场景表示为结合用户行为、信道状态和QoS需求的特征向量，以支持机器学习匹配。
• 利用云计算实现大规模场景学习所需的可扩展数据存储和分布式处理能力。

实验结果

研究问题

• RQ1 机器学习技术能否有效提取并利用历史与当前无线网络场景之间的相似性，以实现资源分配？
• RQ2 在非凸场景下，基于k-NN的资源分配框架性能与传统在线优化方法相比如何？
• RQ3 从历史数据中预计算的最优解在多大程度上能降低计算复杂度，同时保持高性能？
• RQ4 该框架如何应对动态或快速变化的网络环境，例如用户分布或传播条件的突然变化？
• RQ5 在多基站和大规模MIMO部署中，基于机器学习的方法在可扩展性和鲁棒性方面表现如何？

主要发现

• 所提出的机器学习框架在多用户大规模MIMO系统的波束赋形中实现了接近最优的性能，显著优于传统的在线方法。
• 通过重用最相似历史场景的预计算解，该框架在保持高精度的同时降低了实时计算复杂度。
• k-NN方法实现了低复杂度匹配，复杂度为O(N^k)，远低于波束选择的穷举搜索复杂度O(2^N)。
• 通过利用历史数据和相似性匹配，该方法有效缓解了贪心法或拉格朗日松弛法固有的性能损失。
• 该框架在多基站协作场景中展现出可扩展潜力，但数据维度增加给学习带来了挑战。
• 该方法在环境缓慢演化时保持鲁棒性，但在突发性、显著变化下可能因训练数据过时而导致性能下降。