[论文解读] Machine Learning Based Cooperative Relay Selection in Virtual MIMO

Kunal Sankhe, Chandan Pradhan+2 more|arXiv (Cornell University)|Jun 5, 2015

Cooperative Communication and Network Coding参考文献 16被引用 12

一句话总结

本文提出了一种基于机器学习的协作中继选择方案，应用于虚拟MIMO（V-MIMO）网络，通过行为模式预测愿意合作的中继用户。采用人工神经网络（ANN）和支持向量机（SVM）模型，实现了97.56%的准确率与2.58%的均方误差（MSE），通过预测虚拟波束成形阵列（Virtual Antenna Array）小区内可能合作的非活跃用户，将节点发现时间减少了29%。预测依据包括电池电量、时间、星期几以及激励措施。

ABSTRACT

In cellular systems, virtual multiple-input multiple-output (V-MIMO) technology promises to achieve performance gains comparable to conventional MIMO. In this paper, we propose cooperative relay selection algorithm based on machine learning techniques. Willingness of user to cooperate in V-MIMO depends on his current battery power, time and day along with incentives offered by service provider. Every user has different criterion to participate in V-MIMO, but allows a specific behavior pattern. Therefore, it is required to predict willing users in the neighborhood of source user (SU), before selecting users as cooperative nodes. Only inactive users belonging to Virtual Antenna Array (VAA) cell of SU are assumed to cooperate. This reduces control overheads in cooperative node discovery. In this paper, we employ prediction algorithm using two machine learning techniques i.e. ANN and SVM to find out inactive willing users within VAA cell. The parameters such as MSE, accuracy, precision and recall are calculated to evaluate performance of ANN and SVM model. Prediction using ANN has MSE of 3% with average accuracy of 97% (variance 0.37), whereas SVM has MSE of 2.58% with average accuracy of 97.56% (variance 0.17). We also observe that proposed prediction method reduces the node discovery time by approximately 29%.

研究动机与目标

• 通过在中继选择前预测潜在合作用户，减少V-MIMO中的控制开销。
• 基于电池电量、时间、星期几和激励等动态因素，建立用户合作意愿的模型。
• 通过预先识别虚拟波束成形阵列（VAA）小区内的潜在合作节点，最小化发现延迟。
• 评估并比较机器学习模型（ANN与SVM）在预测用户合作行为方面的性能。
• 利用数据驱动预测，实现V-MIMO系统中高效、可扩展的协作中继选择。

提出的方法

• 系统利用机器学习模型预测源用户所在虚拟波束成形阵列（VAA）小区内非活跃用户的合作意愿。
• 输入特征包括用户电池电量、一天中的时间、星期几以及服务提供商提供的激励。
• 训练两种模型——人工神经网络（ANN）与支持向量机（SVM）——以分类用户是否愿意合作。
• 使用均方误差（MSE）、准确率、精确率和召回率等指标评估模型性能。
• 仅考虑同一VAA小区内的用户作为合作对象，从而降低发现复杂度与控制开销。
• 预测在中继选择前完成，实现更快速、高效的节点发现。

实验结果

研究问题

• RQ1 机器学习模型能否准确预测V-MIMO网络中哪些非活跃用户可能合作？
• RQ2 在基于用户动态属性的背景下，ANN与SVM模型在预测用户合作意愿方面表现如何比较？
• RQ3 基于预测的中继选择在多大程度上减少了V-MIMO系统中的控制开销与发现时间？
• RQ4 电池电量、时间与激励等因素对V-MIMO中用户合作行为有何影响？
• RQ5 预测建模能否提升V-MIMO中协作中继选择的可扩展性与效率？

主要发现

• SVM的均方误差（MSE）为2.58%，低于ANN的3%，表现更优。
• SVM实现97.56%的平均准确率，方差为0.17，优于ANN的97%准确率与0.37方差。
• 基于预测的方法将协作节点发现时间减少了约29%。
• 两种模型均表现出高精确率与高召回率，表明对愿意合作用户的分类可靠。
• 机器学习的应用使得在VAA小区内高效、低开销地识别潜在协作中继成为可能。
• 结果证实，利用电池电量、时间与激励等上下文特征，用户合作行为具有可预测性。