[论文解读] Completely Distributed Power Allocation using Deep Neural Network for Device to Device communication Underlaying LTE

Jeehyeong Kim, Joohan Park+2 more|arXiv (Cornell University)|Feb 8, 2018

Advanced MIMO Systems Optimization参考文献 46被引用 12

一句话总结

本文提出了一种完全分布式的基于深度学习的设备到设备（D2D）通信正交LTE网络中的功率分配方案，使D2D发射机能够自主选择发射功率，无需基站（eNB）或对端设备的协助。模型在集体训练下运行，但各设备独立工作，以优化小区吞吐量并满足干扰约束，其性能与集中式方法相当，使用TensorFlow实现。

ABSTRACT

Device to device (D2D) communication underlaying LTE can be used to distribute traffic loads of eNBs. However, a conventional D2D link is controlled by an eNB, and it still remains burdens to the eNB. We propose a completely distributed power allocation method for D2D communication underlaying LTE using deep learning. In the proposed scheme, a D2D transmitter can decide the transmit power without any help from other nodes, such as an eNB or another D2D device. Also, the power set, which is delivered from each D2D node independently, can optimize the overall cell throughput. We suggest a distirbuted deep learning architecture in which the devices are trained as a group, but operate independently. The deep learning can optimize total cell throughput while keeping constraints such as interference to eNB. The proposed scheme, which is implemented model using Tensorflow, can provide same throughput with the conventional method even it operates completely on distributed manner.

研究动机与目标

• 通过消除集中式功率控制，减少D2D正交LTE网络中eNB的信令和控制负担。
• 使D2D发射机能够独立确定最优发射功率，无需eNB或其他设备的协调。
• 在保持对eNB干扰约束的前提下，最大化整体小区吞吐量。
• 开发一种分布式深度学习架构，使设备集体训练但独立运行。
• 以完全分布式的方式实现与传统集中式方法相当的性能。

提出的方法

• 设计了一种分布式深度神经网络（DNN）架构，每个D2D设备使用本地信道状态信息训练其自身模型。
• 所有D2D设备共同训练DNN以优化全局小区吞吐量，但推理过程由各设备独立执行。
• 模型以本地信道状态信息作为输入，输出每个D2D链路的最优发射功率。
• 训练过程强制施加干扰约束，以保护eNB的上行链路接收，确保网络稳定性。
• 使用TensorFlow实现框架，以在真实LTE条件下验证性能。
• 功率分配决策由每个D2D发射机基于自身信道条件和学习到的DNN策略自主完成。

实验结果

研究问题

• RQ1 完全分布式的D2D功率分配方案是否能在无eNB参与的情况下实现与集中式方法相当的吞吐量？
• RQ2 如何利用深度学习在LTE环境下实现D2D链路的自主功率控制，同时满足干扰约束？
• RQ3 在D2D正交LTE网络中，分布式自主性与全局吞吐量优化之间的性能权衡如何？
• RQ4 一组集体训练但独立运行的DNN是否能在去中心化环境中实现近似最优的系统性能？
• RQ5 所提出的方法如何在最大化小区吞吐量的同时，维持对eNB的干扰约束？

主要发现

• 所提出的基于深度学习的分布式功率分配方案实现了与传统集中式方法相当的小区吞吐量。
• 每个D2D发射机能够自主确定其发射功率，无需与eNB或其他D2D设备进行信令交互。
• 该模型维持了对eNB的干扰约束，确保了蜂窝用户上行链路接收的可靠性。
• 分布式DNN框架通过集体训练实现，但支持独立运行，显著降低了网络信令开销。
• 使用TensorFlow的实现验证了所提方案的可行性与性能一致性。
• 该方法在消除集中式协调需求的同时，实现了最优的吞吐量性能。