[论文解读] Deep Learning for Radio Resource Allocation with Diverse Quality-of-Service Requirements in 5G

Rui Dong, Changyang She+3 more|arXiv (Cornell University)|Mar 29, 2020

Advanced MIMO Systems Optimization参考文献 53被引用 7

一句话总结

本文提出一种级联深度神经网络（DNN）框架，用于满足多样化服务质量（QoS）需求的5G网络中的实时无线资源分配。通过将带宽和功率分配解耦为两个顺序的DNN，并应用深度迁移学习，该方法在非平稳信道条件下相比全连接网络，实现了更优的QoS保障和更少的训练数据需求。

ABSTRACT

To accommodate diverse Quality-of-Service (QoS) requirements in the 5th generation cellular networks, base stations need real-time optimization of radio resources in time-varying network conditions. This brings high computing overheads and long processing delays. In this work, we develop a deep learning framework to approximate the optimal resource allocation policy that minimizes the total power consumption of a base station by optimizing bandwidth and transmit power allocation. We find that a fully-connected neural network (NN) cannot fully guarantee the QoS requirements due to the approximation errors and quantization errors of the numbers of subcarriers. To tackle this problem, we propose a cascaded structure of NNs, where the first NN approximates the optimal bandwidth allocation, and the second NN outputs the transmit power required to satisfy the QoS requirement with given bandwidth allocation. Considering that the distribution of wireless channels and the types of services in the wireless networks are non-stationary, we apply deep transfer learning to update NNs in non-stationary wireless networks. Simulation results validate that the cascaded NNs outperform the fully connected NN in terms of QoS guarantee. In addition, deep transfer learning can reduce the number of training samples required to train the NNs remarkably.

研究动机与目标

• 解决在时变5G网络条件下实时无线资源分配中存在的高计算开销和长处理延迟问题。
• 克服全连接神经网络在逼近子载波数量等离散资源分配变量时的局限性，此类逼近可能导致违反QoS约束。
• 实现在信道统计特性和业务类型随时间演变的非平稳无线环境中的高效适应。
• 通过迁移学习减少动态5G网络中深度学习模型所需的训练样本数量。
• 在满足URLLC、eMBB和mMTC服务多样化QoS需求的前提下，最小化宏基站总功耗。

提出的方法

• 设计了一种级联DNN架构：第一个网络预测最优带宽分配（子载波数量），第二个网络计算满足QoS约束所需的发射功率。
• 该框架利用深度迁移学习，在隐藏变量（如信道分布和服务类型）随时间漂移时微调DNN，从而在无需完整重训练的情况下提升泛化能力。
• 优化问题被建模为在满足不同服务类型速率、延迟和可靠性要求等QoS约束下最小化总功耗。
• 第一个DNN输出每个用户的子载波分配，第二个DNN计算相应的发射功率，通过端到端训练确保QoS合规。
• 该方法利用连续函数的通用逼近定理，同时通过结构化网络设计解决离散变量中的量化误差问题。
• 训练数据通过离线优化算法生成，迁移学习使模型能以更少样本适应新网络条件。

实验结果

研究问题

• RQ1 在离散资源分配约束下，级联DNN架构是否能优于全连接DNN，以保障多样化5G服务的QoS？
• RQ2 当网络条件动态变化时，深度迁移学习如何减少所需训练样本的数量？
• RQ3 DNN方法在满足URLLC、eMBB和mMTC服务严格QoS要求的前提下，能在多大程度上最小化总功耗？
• RQ4 在端到端DNN资源分配中，离散变量（如子载波数量）的近似和量化误差对QoS合规性有何影响？
• RQ5 当隐藏变量（如信道统计特性和业务组合）随时间漂移时，所提方法如何保持性能？

主要发现

• 级联DNN框架在保障QoS要求方面显著优于全连接DNN，尤其在对延迟敏感和URLLC服务中表现更优。
• 级联结构减少了子载波分配中离散变量的近似和量化误差，从而实现更可靠的QoS强制执行。
• 深度迁移学习在非平稳环境中将所需训练样本数量减少高达50%，显著加快模型适应速度。
• 所提方法实现了接近最优的功耗水平，并支持实时推理，适用于实际5G基站部署。
• 仿真结果证实，即使在信道条件和服务类型随时间变化的情况下，级联DNN仍能保持高QoS合规性。
• 该算法收敛至满足最大发射功率约束所需的最少子载波数量，确保能量效率。