[论文解读] Application of Machine Learning in Wireless Networks: Key Techniques and Open Issues

Yaohua Sun, Mugen Peng+3 more|arXiv (Cornell University)|Sep 24, 2018

Cooperative Communication and Network Coding参考文献 149被引用 45

一句话总结

这项综述全面回顾了在无线网络中的资源管理、网络、移动性管理和本地化中的机器学习技术应用，并讨论了开放问题与未来方向。

ABSTRACT

As a key technique for enabling artificial intelligence, machine learning (ML) is capable of solving complex problems without explicit programming. Motivated by its successful applications to many practical tasks like image recognition, both industry and the research community have advocated the applications of ML in wireless communication. This paper comprehensively surveys the recent advances of the applications of ML in wireless communication, which are classified as: resource management in the MAC layer, networking and mobility management in the network layer, and localization in the application layer. The applications in resource management further include power control, spectrum management, backhaul management, cache management, beamformer design and computation resource management, while ML based networking focuses on the applications in clustering, base station switching control, user association and routing. Moreover, literatures in each aspect is organized according to the adopted ML techniques. In addition, several conditions for applying ML to wireless communication are identified to help readers decide whether to use ML and which kind of ML techniques to use, and traditional approaches are also summarized together with their performance comparison with ML based approaches, based on which the motivations of surveyed literatures to adopt ML are clarified. Given the extensiveness of the research area, challenges and unresolved issues are presented to facilitate future studies, where ML based network slicing, infrastructure update to support ML based paradigms, open data sets and platforms for researchers, theoretical guidance for ML implementation and so on are discussed.

研究动机与目标

• 总结在无线网络中使用的流行机器学习技术及其在各层的适用性。
• 对基于 ML 的资源管理、网络、移动性管理和定位应用进行分类与评述。
• 讨论在无线网络中应用 ML 的条件和基线，并与传统方法进行比较。
• 指出推进 ML 驱动的无线系统的开放问题和未来研究方向。

提出的方法

• 描述在无线网络中使用的监督学习、无监督学习、强化学习、神经网络和迁移学习。
• 按网络层和功能组织应用，例如功率控制、频谱/回程/缓存/波束形成/计算资源管理、用户分配、基站切换、路由、聚类。
• 解释 ML 技术如何与数据可用性、时间成本和问题类型等问题配合，以指导方法选择。
• 提供指南并与传统方法进行比较，以推动 ML 的采用。
• 指出挑战，如基于 ML 的网络切片、数据集、平台以及实现的理论指导。

实验结果

研究问题

• RQ1 在无线网络中，最常应用于资源管理、网络、移动性管理与定位的 ML 技术有哪些？
• RQ2 基于 ML 的方法在不同网络任务上的性能与复杂度相较传统方法如何？
• RQ3 在5G时代的无线系统中应用 ML 的使能条件、数据要求与权衡有哪些？
• RQ4 针对 ML 驱动的网络切片、数据平台以及理论指导，出现哪些开放问题和未来方向？
• RQ5 迁移学习和深度学习如何推动动态无线环境中的 ML 应用？

主要发现

• ML 技术（包括深度学习与强化学习）为复杂网络问题提供自适应、低复杂度的近似解。
• 应用按任务组织（功率控制、频谱、回程、缓存、波束形成设计、计算资源管理、用户分配、基站切换、路由、聚类），覆盖 MAC、网络、移动性和定位层。
• ML 方法能够处理动态网络，通过多智能体强化学习和 Q-learning 等分布式学习方式实现自组织。
• 迁移学习通过重复利用知识可以加速相关任务的学习，尽管负迁移风险需要小心处理。
• 调查指出开放问题，如数据可用性、平台支持、理论指导，以及标准数据集和基准的需求。