[论文解读] Learning Based Uplink Interference Management in 4G LTE Cellular Systems

Supratim Deb, Pantelis Monogioudis|arXiv (Cornell University)|Sep 10, 2013

Advanced MIMO Systems Optimization被引用 5

一句话总结

本文提出LeAP，一种基于机器学习的4G LTE网络上行链路干扰管理方案，利用用户设备（UE）测量报告动态优化功率控制。通过数据驱动学习与双算法框架（IoTC-SL与IoTC-CE），LeAP在真实网络部署中实现20%分位数用户数据速率提升4.9倍，中位数速率提升3.25倍，优于传统方案。

ABSTRACT

LTEs uplink (UL) efficiency critically depends on how the interference across different cells is controlled. The unique characteristics of LTEs modulation and UL resource assignment poses considerable challenges in achieving this goal because most LTE deployments have 1:1 frequency re-use, and the uplink interference can vary considerably across successive time slots. In this work, we propose LeAP, a measurement data driven machine learning paradigm for power control to manage up-link interference in LTE. The data driven approach has the inherent advantage that the solution adapts based on network traffic, propagation and network topology, that is increasingly heterogeneous with multiple cell-overlays. LeAP system design consists of the following components: (i) design of user equipment (UE) measurement statistics that are succinct, yet expressive enough to capture the network dynamics, and (ii) design of two learning based algorithms that use the reported measurements to set the power control parameters and optimize the network performance. LeAP is standards compliant and can be implemented in centralized SON (self organized networking) server resource (cloud). We perform extensive evaluations using radio network plans from real LTE network operational in a major metro area in United States. Our results show that, compared to existing approaches, LeAP provides a 4.9x gain in the 20th percentile of user data rate, and 3.25x gain in median data rate.

研究动机与目标

• 解决1:1频率复用下4G LTE网络中不可预测、时频变化的小区间干扰挑战。
• 克服传统功率控制在应对邻近小区独立调度引发的动态干扰模式时的局限性。
• 设计符合标准、可扩展的自组织网络（SON）解决方案，适应实时网络条件，包括流量、传播特性与网络拓扑。
• 通过学习真实测量数据，最小化干扰并最大化数据速率，从而优化上行链路频谱效率与用户公平性。
• 在来自美国主要大都市区的实际LTE部署中，通过运营商网络规划方案展示显著的性能提升。

提出的方法

• 设计一组简洁而富有表现力的UE测量统计量，以捕捉时频块上的网络动态，包括干扰水平与信道条件。
• 实现两种基于学习的算法：IoTC-SL（基于随机学习的干扰优化）与IoTC-CE（基于凸优化的干扰优化），根据报告的测量数据设定功率控制参数。
• 将功率控制问题建模为干扰感知的优化任务，目标是在SINR与功率约束下最大化加权和速率。
• 使用基于直方图的分箱方法对干扰测量值建模，分箱大小通过平衡精度与计算负载进行调优。
• 将系统集成至集中式SON服务器（基于云），实现大规模异构LTE网络中的可扩展部署。
• 采用软计算方法，利用包含对数与指数项的效用函数，近似优化中的SINR相关性能指标。

实验结果

研究问题

• RQ1 在1:1频率复用且邻近小区调度高度动态的4G LTE网络中，如何有效管理上行链路干扰？
• RQ2 哪些测量统计量既简洁又富有表现力，足以实时捕捉动态干扰环境？
• RQ3 基于数据驱动的机器学习方法是否能优于传统静态功率控制方案，从而提升上行链路频谱效率与用户公平性？
• RQ4 干扰直方图分箱大小的选择如何影响基于学习的功率控制系统的性能与可扩展性？
• RQ5 干扰阈值（IoT-cap）对优化性能与学习算法收敛性有何影响？

主要发现

• LeAP在真实LTE部署中相较现有功率控制方案，实现20%分位数用户数据速率提升4.9倍，中位数数据速率提升3.25倍。
• 拥有超过10个主要干扰源的小区，中位数数据速率最高可提升4倍，表明LeAP在高干扰、密集城区场景中效果最显著。
• 当直方图分箱大小超过2 dB时，性能显著下降，6 dB分箱大小导致显著损失，表明2 dB为精度最优选择。
• IoT-cap为20 dB时达到最佳平衡；提升至25 dB会因分箱导致的近似误差扩大，使实际与建模干扰之间的差距变大，从而降低增益。
• 在评估的子网络中，IoTC-SL算法相较IoTC-CE在中位数数据速率上提升36%，尽管IoTC-CE在所有小区中仍实现较基线FPC 90%的提升。
• LeAP在6核服务器上每轮迭代平均耗时12秒（波动范围5秒），表明其在分钟级周期性网络优化中具备可扩展性。