[论文解读] Deep Learning in Mobile and Wireless Networking: A Survey

Chaoyun Zhang, Paul Patras+1 more|arXiv (Cornell University)|Mar 12, 2018

IoT and Edge/Fog Computing参考文献 335被引用 128

一句话总结

本综述回顾深度学习在移动和无线网络中的应用，涵盖模型、部署平台、应用、定制方法及面临的开放挑战。

ABSTRACT

The rapid uptake of mobile devices and the rising popularity of mobile applications and services pose unprecedented demands on mobile and wireless networking infrastructure. Upcoming 5G systems are evolving to support exploding mobile traffic volumes, agile management of network resource to maximize user experience, and extraction of fine-grained real-time analytics. Fulfilling these tasks is challenging, as mobile environments are increasingly complex, heterogeneous, and evolving. One potential solution is to resort to advanced machine learning techniques to help managing the rise in data volumes and algorithm-driven applications. The recent success of deep learning underpins new and powerful tools that tackle problems in this space. In this paper we bridge the gap between deep learning and mobile and wireless networking research, by presenting a comprehensive survey of the crossovers between the two areas. We first briefly introduce essential background and state-of-the-art in deep learning techniques with potential applications to networking. We then discuss several techniques and platforms that facilitate the efficient deployment of deep learning onto mobile systems. Subsequently, we provide an encyclopedic review of mobile and wireless networking research based on deep learning, which we categorize by different domains. Drawing from our experience, we discuss how to tailor deep learning to mobile environments. We complete this survey by pinpointing current challenges and open future directions for research.

研究动机与目标

• 缩小深度学习与移动/无线网络之间的差距，并推动其在未来网络中的应用。
• 提供最新的、百科全书式的深度学习技术及其在网络中的潜在应用的综述。
• 讨论在移动系统上部署深度学习的实际促进因素（软件/硬件、平台）。
• 提供针对移动网络任务定制深度学习模型的指南，并识别开放挑战与方向。

提出的方法

• 对与移动和无线网络相关的最先进深度学习模型进行分类和评审。
• 解释深度学习的核心概念及其与网络分析与管理的相关性。
• 比较架构并为网络问题提供模型选择指南。
• 调查在交通分析、安全性和管理等领域的深度学习驱动应用。
• 讨论如何将深度学习模型定制到移动网络问题，并概述未解决的研究方向。

实验结果

研究问题

• RQ1 为什么深度学习在解决移动网络问题方面具有前景？
• RQ2 哪些最前沿的深度学习模型与移动和无线网络相关？
• RQ3 移动网络领域最近最成功的深度学习应用有哪些？
• RQ4 研究者如何将深度学习定制用于具体的移动网络问题？
• RQ5 进一步研究最重要和最有前景的方向是什么？

主要发现

• 深度学习实现了特征自动提取，降低了在异构移动数据中对手工特征的需求。
• 深度学习可以应对大数据并利用随机梯度下降进行可扩展训练，从而在大数据集上缓解过拟合。
• 深度学习能够使用无标签或半标签数据，通过无监督或半监督方法进行学习。
• 深度学习学习到的表示可以跨任务共享，从而实现多任务学习并减少再训练需求。
• 专用的深度学习架构（例如用于几何数据如图、点云等）适合移动数据表示。
• 该综述还指出了局限性和开放挑战，并概述未来的研究方向。