[论文解读] Proactive Resilient Transmission and Scheduling Mechanisms for mmWave Networks

Mine Gokce Dogan, Martina Cardone+1 more|arXiv (Cornell University)|Nov 17, 2022

Millimeter-Wave Propagation and Modeling被引用 4

一句话总结

本文提出了一种针对毫米波网络的主动弹性传输与调度机制，通过预先配置多条高吞吐量路径以应对链路阻塞。结合多项式时间启发式路径选择与基于软演员-critic深度强化学习（DRL）的在线自适应机制，该框架在动态阻塞条件下实现了高吞吐量端到端分组速率，优于多种替代方案，在不同拓扑结构与信道条件下表现更优。

ABSTRACT

This paper aims to develop resilient transmission mechanisms to suitably distribute traffic across multiple paths in an arbitrary millimeter-wave (mmWave) network. The main contributions include: (a) the development of proactive transmission mechanisms that build resilience against network disruptions in advance, while achieving a high end-to-end packet rate; (b) the design of a heuristic path selection algorithm that efficiently selects (in polynomial time in the network size) multiple proactively resilient paths with high packet rates; and (c) the development of a hybrid scheduling algorithm that combines the proposed path selection algorithm with a deep reinforcement learning (DRL) based online approach for decentralized adaptation to blocked links and failed paths. To achieve resilience to link failures, a state-of-the-art Soft Actor-Critic DRL algorithm, which adapts the information flow through the network, is investigated. The proposed scheduling algorithm robustly adapts to link failures over different topologies, channel and blockage realizations while offering a superior performance to alternative algorithms.

研究动机与目标

• 解决由于环境遮挡导致的频繁且不可预测的毫米波链路阻塞所引发的网络弹性挑战。
• 开发主动传输机制，仅基于链路阻塞概率的先验知识，预先配置多条弹性路径。
• 设计一种可扩展的、多项式时间的路径选择算法，用于在任意毫米波网络中识别高吞吐量、高弹性的路径。
• 集成深度强化学习（DRL）组件，实现对意外链路故障与网络状态变化的去中心化、实时自适应。
• 在最坏情况与平均情况阻塞场景下，实现最优或近似最优的端到端分组速率。

提出的方法

• 使用线性规划（LP）公式化最坏情况与平均情况下的端到端分组速率，约束条件包括流量守恒与路径激活。
• 提出一种基于改进Dijkstra算法的启发式路径选择算法，优先选择在阻塞概率下具有高期望吞吐量的路径。
• 引入一种混合调度框架，结合主动路径选择与基于软演员-critic（SAC）算法的在线DRL自适应。
• 将链路特定的阻塞概率与容量值作为输入，计算路径权重，以优先选择鲁棒且高容量的路径。
• 实施一种路径剪枝机制，在每次迭代后移除选定路径中的最弱链路，以实现路径选择的多样化并避免拥塞。
• 利用SAC DRL智能体在链路故障时实时动态重路由流量，而无需掌握完整拓扑或信道状态信息。

实验结果

研究问题

• RQ1 如何在已知链路阻塞概率的前提下，预先配置多条弹性路径，以在毫米波网络中实现最大端到端分组速率？
• RQ2 在阻塞概率不对称的毫米波网络中，路径多样性、链路容量与弹性之间存在何种结构性关系？
• RQ3 启发式路径选择算法是否能在多项式时间内实现近似最优性能，同时确保对多重链路故障的弹性？
• RQ4 结合主动路径选择与在线DRL自适应的混合方法，为何优于完全反应式或完全主动的方案？
• RQ5 在何种条件下，重叠路径能优于边不相交路径，以实现最优最坏情况或平均情况分组速率？

主要发现

• 最优最坏情况与平均情况分组速率可通过线性规划（LP）表征，其中最坏情况解在网络规模上为多项式时间，但在阻塞链路数量上为指数时间。
• 在1-2-1毫米波网络中，仅需最多$2N+2$条路径即可实现最优平均分组速率，其中$N$为中继节点数量。
• 当链路容量相等时，最优最坏情况与平均情况分组速率始终通过激活边不相交路径实现。
• 当链路容量不相等时，重叠路径可实现优于边不相交路径的性能，且可能降低实现分组速率的方差。
• 所提出的启发式路径选择算法运行时间为多项式时间，可获得满足所有LP约束的可行解，并在容量相等假设下具备可证明的最优性保证。
• 混合调度算法结合主动路径选择与基于SAC的在线自适应，能在多种拓扑结构与阻塞实现下稳健维持高性能，无论在稳定性还是吞吐量方面均优于其他替代方案。