[论文解读] Deep Learning based Radio Resource Management in NOMA Networks: User Association, Subchannel and Power Allocation

Haijun Zhang, Haisen Zhang+2 more|arXiv (Cornell University)|Jun 20, 2020

Millimeter-Wave Propagation and Modeling参考文献 32被引用 9

一句话总结

本文提出了一种基于深度学习的框架，用于非正交多址（NOMA）毫米波（mmWave）网络中的联合用户关联、子信道和功率分配，以最大化能量效率（EE）。该框架采用拉格朗日对偶分解法进行用户关联，利用半监督学习进行子信道分配，并采用深度神经网络（DNN）进行功率分配，与传统迭代方法相比，实现了接近最优的能量效率，同时显著降低了计算复杂度。

ABSTRACT

With the rapid development of future wireless communication, the combination of NOMA technology and millimeter-wave(mmWave) technology has become a research hotspot. The application of NOMA in mmWave heterogeneous networks can meet the diverse needs of users in different applications and scenarios in future communications. In this paper, we propose a machine learning framework to deal with the user association, subchannel and power allocation problems in such a complex scenario. We focus on maximizing the energy efficiency (EE) of the system under the constraints of quality of service (QoS), interference limitation, and power limitation. Specifically, user association is solved through the Lagrange dual decomposition method, while semi-supervised learning and deep neural network (DNN) are used for the subchannel and power allocation, respectively. In particular, unlabeled samples are introduced to improve approximation and generalization ability for subchannel allocation. The simulation indicates that the proposed scheme can achieve higher EE with lower complexity.

研究动机与目标

• 解决传统优化方法在非正交多址（NOMA）毫米波（mmWave）网络中计算复杂度高的问题。
• 在服务质量（QoS）、干扰和功率约束下提升系统能量效率（EE）。
• 通过利用机器学习减少对计算密集型参考算法的依赖。
• 通过半监督学习利用未标记数据提升子信道分配性能。
• 实现适用于B5G和物联网（IoT）应用的实时、低时延资源管理。

提出的方法

• 通过拉格朗日对偶分解求解用户关联，以平衡负载并避免宏小区过载。
• 子信道分配采用半监督学习，利用标记样本和未标记样本提升泛化能力和近似精度。
• 功率分配通过深度神经网络（DNN）建模，从训练数据中学习最优功率控制策略。
• 训练数据通过基于梯度的迭代算法生成，以模拟真实的网络状态。
• 该框架整合监督学习与半监督学习，降低对全面或高复杂度优化的依赖。
• 整个系统在GPU加速硬件（NVIDIA GTX 1050）上使用TensorFlow进行训练与评估。

实验结果

研究问题

• RQ1 机器学习框架能否有效替代非正交多址（NOMA）毫米波（mmWave）网络中高复杂度的优化算法进行用户关联？
• RQ2 与完全监督的DNN相比，半监督学习在子信道分配性能方面有何提升？
• RQ3 DNN在保持低计算成本的前提下，能在多大程度上逼近最优功率分配策略？
• RQ4 所提出的基于深度学习的资源管理方案可实现的系统能量效率（EE）是多少？
• RQ5 整合未标记数据在多大程度上提升了子信道分配模型的泛化能力？

主要发现

• 所提方案实现了约5.31 × 10¹² bit/joule的系统能量效率（EE），训练过程中收敛稳定。
• 基于DNN的功率分配相对于梯度迭代算法的近似精度达到98%，接近最优基准。
• 采用半监督学习的子信道分配优于单一DNN模型，表现出更优的性能与泛化能力。
• 在所提方案下，系统总速率范围为2.0 × 10⁹ 至 3.6 × 10⁹ bps，与双向匹配算法结果非常接近。
• 与等功率和随机功率分配方案相比，基于深度学习的方法在能量效率方面显著更优，结果集中在0.4 × 10¹² 至 0.6 × 10¹² bit/joule之间。
• 该框架在保持高能量效率的同时显著降低了计算复杂度，适用于实时B5G和物联网（IoT）应用。