[论文解读] Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks

Changyang She, Rui Dong+7 more|arXiv (Cornell University)|Feb 22, 2020

IoT and Edge/Fog Computing参考文献 15被引用 8

一句话总结

本文提出了一种多层级智能架构，将基于模型的分析与数据驱动的深度学习相结合，以在6G网络中实现超可靠低延迟通信（URLLC）。通过结合非平稳环境下的深度迁移学习与高效边缘及设备级训练的联邦学习，该方法在显著减少训练数据和计算开销的前提下，实现了接近最优的可靠性和延迟性能。

ABSTRACT

In the future 6th generation networks, ultra-reliable and low-latency communications (URLLC) will lay the foundation for emerging mission-critical applications that have stringent requirements on end-to-end delay and reliability. Existing works on URLLC are mainly based on theoretical models and assumptions. The model-based solutions provide useful insights, but cannot be directly implemented in practice. In this article, we first summarize how to apply data-driven supervised deep learning and deep reinforcement learning in URLLC, and discuss some open problems of these methods. To address these open problems, we develop a multi-level architecture that enables device intelligence, edge intelligence, and cloud intelligence for URLLC. The basic idea is to merge theoretical models and real-world data in analyzing the latency and reliability and training deep neural networks (DNNs). Deep transfer learning is adopted in the architecture to fine-tune the pre-trained DNNs in non-stationary networks. Further considering that the computing capacity at each user and each mobile edge computing server is limited, federated learning is applied to improve the learning efficiency. Finally, we provide some experimental and simulation results and discuss some future directions.

研究动机与目标

• 解决6G网络中实现超可靠低延迟通信（URLLC）的挑战，其中要求端到端延迟（<10 ms）和可靠性（分组丢失率 ≤10⁻⁷）达到严格标准。
• 克服纯基于模型的方法的局限性，后者依赖理想化假设，无法直接部署于真实世界动态无线网络中。
• 通过将理论模型与真实世界数据相结合，降低数据驱动深度学习在URLLC中高昂的训练数据和计算需求。
• 通过在移动用户和边缘服务器上利用联邦学习，提升资源受限环境中的学习效率和可扩展性。
• 构建一个整体性架构，实现设备智能、边缘智能和云智能，以实现端到端的URLLC优化。

提出的方法

• 将延迟-可靠性权衡的理论模型与数据驱动的深度神经网络（DNN）相结合，以指导策略学习并作为性能基准。
• 应用深度迁移学习，在非平稳无线网络中微调预训练DNN，减少对大规模重新训练的需求。
• 利用联邦学习实现在移动用户和移动边缘计算（MEC）服务器之间的协同模型训练，同时保护数据隐私并减少回传开销。
• 训练DNN以将网络状态（如信道增益、流量负载）映射到最优决策，例如用户关联、调度和资源分配。
• 利用监督深度学习和深度强化学习（DRL）实现实时决策，以应对具有非凸性和非确定性优化问题的动态环境。
• 设计一个三级多层级架构：设备智能（本地推理）、边缘智能（MEC级别协调）和云智能（全局优化）。

实验结果

研究问题

• RQ1 如何有效融合基于模型的理论洞见与数据驱动的深度学习，以提升URLLC中的可靠性和延迟？
• RQ2 在URLLC中应用监督深度学习和深度强化学习的关键挑战是什么，特别是关于数据效率和实时部署方面？
• RQ3 在非平稳的6G环境中，深度迁移学习如何用于适应预训练DNN以应对变化的网络条件？
• RQ4 在资源受限的移动和边缘设备中，联邦学习如何在不集中敏感数据的前提下提升学习效率和可扩展性？
• RQ5 在实际约束条件下，基于模型与数据驱动的混合方法在多大程度上可逼近URLLC的理论性能极限？

主要发现

• 在真实部署中，所提出的深度迁移学习方法将延迟违反概率从预训练模型的7.15×10⁻²降低至微调后的1.29×10⁻²，显著提升了可靠性。
• 在真实测试中，微调后的DRL智能体实现了1.75×10⁻²的整体分组丢失概率，相较于预训练模型的7.74×10⁻²有显著改善。
• 在用户关联仿真中，基于深度学习的方案在归一化能量消耗方面达到最优穷举搜索解的95%以内，优于“最高SNR”和“博弈”基线方法。
• 当网络条件发生变化时，仅需500个新训练样本即可微调DNN，与从零开始训练（需8,000个样本）相比，数据需求大幅降低。
• 将理论模型与数据驱动学习相结合，显著加快了收敛速度并提升了泛化能力，尤其在真实URLLC场景中常见的低数据环境下表现更优。
• 联邦学习实现了跨移动用户和MEC服务器的高效、隐私保护型模型更新，显著降低了大规模部署中的回传和控制面开销。