[论文解读] A Survey of Conventional and Artificial Intelligence / Learning based Resource Allocation and Interference Mitigation Schemes in D2D Enabled Networks

Kamran Zia, Nauman Javed+4 more|arXiv (Cornell University)|Sep 24, 2018

Advanced MIMO Systems Optimization被引用 10

一句话总结

本综述分析了在D2D（设备到设备）增强的5G异构网络中，传统的和基于人工智能的资源分配与干扰抑制技术，强调了传统方法的局限性，并展示了在动态、多层网络环境中，人工智能驱动方法的优越性。它指出了多小区干扰、用户移动性和缺乏真实网络建模等关键挑战，同时倡导采用先进的AI技术以提升密集、高容量5G场景下的频谱效率和网络性能。

ABSTRACT

5th generation networks are envisioned to provide seamless and ubiquitous connection to 1000-fold more devices and is believed to provide ultra-low latency and higher data rates up to tens of Gbps. Different technologies enabling these requirements are being developed including mmWave communications, Massive MIMO and beamforming, Device to Device (D2D) communications and Heterogeneous Networks. D2D communication is a promising technology to enable applications requiring high bandwidth such as online streaming and online gaming etc. It can also provide ultra- low latencies required for applications like vehicle to vehicle communication for autonomous driving. D2D communication can provide higher data rates with high energy efficiency and spectral efficiency compared to conventional communication. The performance benefits of D2D communication can be best achieved when D2D users reuses the spectrum being utilized by the conventional cellular users. This spectrum sharing in a multi-tier heterogeneous network will introduce complex interference among D2D users and cellular users which needs to be resolved. Motivated by limited number of surveys for interference mitigation and resource allocation in D2D enabled heterogeneous networks, we have surveyed different conventional and artificial intelligence based interference mitigation and resource allocation schemes developed in recent years. Our contribution lies in the analysis of conventional interference mitigation techniques and their shortcomings. Finally, the strengths of AI based techniques are determined and open research challenges deduced from the recent research are presented.

研究动机与目标

• 分析D2D增强型5G异构网络中传统干扰抑制与资源分配（RRM）技术。
• 识别在高用户密度的多层、多小区环境中，传统RRM方案的局限性。
• 评估人工智能（AI）与机器学习（ML）技术在动态、可扩展RRM及干扰管理中的有效性。
• 突出多小区部署、用户移动性以及D2D系统中真实网络建模等开放研究挑战。
• 对基于AI与传统方法进行全面比较，强调AI在解决5G异构网络中复杂干扰与资源分配问题方面的潜力。

提出的方法

• 系统性综述传统RRM与干扰抑制技术，包括在D2D非许可蜂窝网络中的功率控制、用户配对与资源共享。
• 分析基于AI的方法，如遗传算法（GA）、蚁群优化（ACO）和强化学习（RL），特别是Q-learning，在动态资源分配中的应用。
• 评估在多小区异构网络（HetNets）中基于集中式与分布式RL的RRM方案，包括D2D用户与基站之间的信息共享机制。
• 研究毫米波与非许可频段中的D2D通信，评估其可行性、干扰特性及资源分配复杂性。
• 比较不同D2D部署场景（如同小区与跨小区D2D对）对干扰与系统性能的影响。
• 评估D2D用户与基站中自主决策在动态与移动网络环境中的作用。

实验结果

研究问题

• RQ1 传统资源分配与干扰抑制技术在D2D增强型5G异构网络中的关键局限性是什么？
• RQ2 基于AI的技术（如Q-learning与元启发式算法）如何改善多小区D2D网络中的动态资源分配与干扰管理？
• RQ3 现有RRM方案在密集小细胞与用户移动性并存的真实5G网络场景中应用时面临哪些挑战？
• RQ4 与授权频段相比，毫米波与非许可频段中的D2D通信如何影响干扰与资源分配复杂性？
• RQ5 在设计面向未来5G D2D网络的可扩展、自主且高效的RRM框架方面，存在哪些开放研究挑战？

主要发现

• 由于用户数量庞大和动态干扰条件，传统RRM技术在密集、多层5G异构网络中面临显著的可扩展性与计算开销问题。
• 基于AI的方法（如Q-learning与元启发式算法，包括GA、ACO）在多小区D2D网络中实现动态、自适应且可扩展的资源分配与干扰抑制方面展现出强大潜力。
• 大多数现有研究依赖单宏小区模型，无法真实反映包含多个宏小区与小小区的实际5G部署复杂性。
• 当前RRM与干扰抑制模型普遍未充分考虑用户移动性，这在实际应用中构成重大缺陷。
• 在毫米波频段中，D2D通信因带宽更宽且波束成形更集中，可实现更高的数据速率并减少干扰，但需要先进的波束管理与切换机制。
• 由于缺乏网络控制与不可预测的信道接入，非许可频段中的干扰抑制仍高度复杂，亟需稳健的AI驱动协调机制。