[论文解读] Energy-Efficient Subchannel and Power Allocation for HetNets Based on Convolutional Neural Network

Di Xu, Xiaojing Che+4 more|arXiv (Cornell University)|Mar 1, 2019

Advanced MIMO Systems Optimization参考文献 14被引用 8

一句话总结

本文提出一种基于卷积神经网络（CNN）的方法，用于正交频 division multiplexing（OFDM）异构网络（HetNets）中的联合子信道与功率分配，以最大化能量效率（EE）。通过将问题分解为分类与回归子任务，该CNN在计算复杂度显著降低的情况下，实现了与穷举搜索方法相当的EE性能，计算运行时间仅为基线方法的6.76%，从而实现了低复杂度的实时部署。

ABSTRACT

Heterogeneous network (HetNet) has been proposed as a promising solution for handling the wireless traffic explosion in future fifth-generation (5G) system. In this paper, a joint subchannel and power allocation problem is formulated for HetNets to maximize the energy efficiency (EE). By decomposing the original problem into a classification subproblem and a regression subproblem, a convolutional neural network (CNN) based approach is developed to obtain the decisions on subchannel and power allocation with a much lower complexity than conventional iterative methods. Numerical results further demonstrate that the proposed CNN can achieve similar performance as the Exhaustive method, while needs only 6.76% of its CPU runtime.

研究动机与目标

• 解决传统迭代优化方法在HetNets中联合子信道与功率分配时计算复杂度过高的问题。
• 在满足频谱效率（SE）约束的前提下，最大化OFDM-based HetNets的网络能量效率（EE）。
• 在不牺牲EE性能的前提下，降低资源分配决策的运行时间，实现低复杂度的实时部署。
• 探索使用深度学习，特别是CNN，来解决无线网络中复杂且非凸的资源分配问题。

提出的方法

• 将联合子信道与功率分配问题分解为分类任务（子信道分配）和回归任务（功率分配），以简化学习过程。
• 采用2D-CNN架构，将信道状态信息（CSI）矩阵转置为6×6×1的形状作为输入，以提取子载波与用户之间的空间特征。
• 网络包含多个卷积层与全连接层，激活函数为ReLU，子信道分配输出使用Softmax，功率水平输出为线性输出。
• 在20,000个基于真实信道与功率约束生成的合成数据样本上进行模型训练，并使用2,000个测试样本进行验证。
• 通过EE的累积分布函数（CDF）与误码率对比穷举搜索（基准）、随机功率、最大功率以及全连接DNN基线方法评估性能。
• 通过CPU时间测量进行运行时间对比，量化计算节省效果。

实验结果

研究问题

• RQ1 深度学习模型是否能在显著降低计算复杂度的前提下，实现接近最优的能量效率？
• RQ2 将联合分配问题分解为分类与回归子问题，是否能提升学习效率与性能？
• RQ3 与传统迭代优化方法及启发式方案相比，基于CNN的方法在EE与运行时间方面表现如何？
• RQ4 训练数据量大小与网络架构（CNN与DNN）对资源分配策略的准确性与泛化能力有何影响？

主要发现

• 所提出的CNN在90%的测试案例中，能量效率（EE）性能与穷举搜索方法相差不超过8%，表明其接近最优性能。
• CNN将CPU运行时间降低至穷举方法的6.76%，在计算效率方面显著优于传统迭代算法。
• CNN在EE准确度与误码率方面均优于全连接DNN，表明卷积层能更有效地捕捉CSI矩阵中的空间相关性。
• 增加训练数据量可提升性能，20,000个样本实现了最佳收敛性与最低误码率。
• CNN的误码率在90%的测试数据中低于8%（与基准相比），证实其具有强大的泛化能力。
• 采用10,000个训练样本的模型，其运行时间仅为基准方法的6.76%，证明其在5G HetNets中实现实时部署的可行性。