[论文解读] A Tutorial on Ultra-Reliable and Low-Latency Communications in 6G: Integrating Domain Knowledge into Deep Learning

Changyang She, Chengjian Sun+5 more|arXiv (Cornell University)|Sep 13, 2020

Wireless Signal Modulation Classification参考文献 269被引用 28

一句话总结

本教程提出了一套框架，将通信与网络领域的领域知识（如跨层模型和优化工具）整合到深度学习算法中，以在6G网络中实现超可靠低延迟通信（URLLC）。通过将分析模型和约束条件嵌入监督学习、无监督学习和深度强化学习，该方法显著提升了学习效率与性能，相比仅使用标准深度学习，实现了更低的端到端延迟和更高的可靠性。

ABSTRACT

As one of the key communication scenarios in the 5th and also the 6th generation (6G) of mobile communication networks, ultra-reliable and low-latency communications (URLLC) will be central for the development of various emerging mission-critical applications. State-of-the-art mobile communication systems do not fulfill the end-to-end delay and overall reliability requirements of URLLC. In particular, a holistic framework that takes into account latency, reliability, availability, scalability, and decision making under uncertainty is lacking. Driven by recent breakthroughs in deep neural networks, deep learning algorithms have been considered as promising ways of developing enabling technologies for URLLC in future 6G networks. This tutorial illustrates how domain knowledge (models, analytical tools, and optimization frameworks) of communications and networking can be integrated into different kinds of deep learning algorithms for URLLC. We first provide some background of URLLC and review promising network architectures and deep learning frameworks for 6G. To better illustrate how to improve learning algorithms with domain knowledge, we revisit model-based analytical tools and cross-layer optimization frameworks for URLLC. Following that, we examine the potential of applying supervised/unsupervised deep learning and deep reinforcement learning in URLLC and summarize related open problems. Finally, we provide simulation and experimental results to validate the effectiveness of different learning algorithms and discuss future directions.

研究动机与目标

• 解决工业自动化和远程医疗等关键任务型6G应用中端到端延迟与可靠性的差距问题。
• 通过将领域特定知识整合到学习算法中，克服传统跨层设计与深度学习的局限性。
• 制定一套系统化的路线图，用于在尊重物理层约束与网络动态特性的前提下，应用深度学习于URLLC。
• 提升在真实URLLC部署中常见的数据稀缺或非平稳无线环境下的训练效率与泛化能力。

提出的方法

• 将通信领域的分析模型与优化框架嵌入深度神经网络，以指导学习过程并减少数据需求。
• 应用监督深度学习，利用源自跨层优化模型的标注数据近似最优策略。
• 采用无监督与自监督学习，从未标注的原始网络追踪数据中提取潜在表征，无需大量人工标注。
• 在MEC与工业物联网等多智能体系统中，采用具有部分观测的深度强化学习实现分布式控制。
• 利用图神经网络（GNNs）建模动态网络拓扑，且参数数量固定，不随网络规模变化。
• 结合生成对抗网络（GANs）与少样本元学习，生成合成训练数据，加速对新环境的适应。

实验结果

研究问题

• RQ1 如何系统性地将通信与网络领域的知识嵌入深度学习模型，以提升URLLC中学习效率与性能？
• RQ2 在将标准深度学习应用于URLLC时面临的主要挑战是什么？如何通过与分析模型及优化框架的集成来缓解这些挑战？
• RQ3 具有部分观测的多智能体深度强化学习在提升分布式URLLC系统可扩展性与降低信令开销方面有哪些优势？
• RQ4 图神经网络如何在设备数量变化的动态6G网络中实现灵活且可扩展的资源管理？
• RQ5 通过GAN与元学习实现的数据增强在仅依赖有限真实训练样本的情况下，如何促进快速适应？

主要发现

• 将领域知识融入深度学习可显著减少所需训练样本数量，并加快收敛速度，尤其在数据稀缺场景下效果明显。
• 在深度学习中引入跨层模型作为先验知识，相比直接从原始数据端到端训练，能更准确地预测端到端延迟与可靠性。
• 在动态拓扑中，图神经网络相比全连接网络表现更优，因其对节点数量具有不变性，且能跨不同网络规模实现良好泛化。
• 具有部分观测的多智能体DRL可实现可扩展的分布式控制，显著降低MEC与工业物联网系统中全局状态交换的开销。
• 少样本元学习与基于GAN的数据生成技术可实现对新网络环境的快速适应，仅需极少真实数据，从而增强在非平稳环境中的鲁棒性。
• 仿真结果表明，知识集成模型在严格URLLC要求下可实现低于1 ms的端到端延迟与低至10^-7的分组丢失率。