[论文解读] Proactive Resource Management for LTE in Unlicensed Spectrum: A Deep Learning Perspective

Ursula Challita, Li Dong+1 more|arXiv (Cornell University)|Feb 22, 2017

Wireless Networks and Protocols参考文献 38被引用 8

一句话总结

该论文提出了一种基于深度学习的LTE-LAA在非授权频谱中的主动资源管理框架，利用长短期记忆（LSTM）网络预测流量并优化信道选择、载波聚合和部分频谱接入。该方法相较于被动方法可将吞吐量提高最多28%，并通过收敛至混合策略纳什均衡，确保与WiFi及其他LTE-LAA运营商之间的公平性。

ABSTRACT

LTE in unlicensed spectrum using licensed assisted access LTE (LTE-LAA) is a promising approach to overcome the wireless spectrum scarcity. However, to reap the benefits of LTE-LAA, a fair coexistence mechanism with other incumbent WiFi deployments is required. In this paper, a novel deep learning approach is proposed for modeling the resource allocation problem of LTE-LAA small base stations (SBSs). The proposed approach enables multiple SBSs to proactively perform dynamic channel selection, carrier aggregation, and fractional spectrum access while guaranteeing fairness with existing WiFi networks and other LTE-LAA operators. Adopting a proactive coexistence mechanism enables future delay-tolerant LTE-LAA data demands to be served within a given prediction window ahead of their actual arrival time thus avoiding the underutilization of the unlicensed spectrum during off-peak hours while maximizing the total served LTE-LAA traffic load. To this end, a noncooperative game model is formulated in which SBSs are modeled as Homo Egualis agents that aim at predicting a sequence of future actions and thus achieving long-term equal weighted fairness with WLAN and other LTE-LAA operators over a given time horizon. The proposed deep learning algorithm is then shown to reach a mixed-strategy Nash equilibrium (NE), when it converges. Simulation results using real data traces show that the proposed scheme can yield up to 28% and 11% gains over a conventional reactive approach and a proportional fair coexistence mechanism, respectively. The results also show that the proposed framework prevents WiFi performance degradation for a densely deployed LTE-LAA network.

研究动机与目标

• 解决由于LTE-LAA在非授权频谱中采用被动、延迟容忍的流量处理方式导致的频谱利用率低下问题。
• 通过主动的频谱分配，实现LTE-LAA与WiFi网络在非授权频段中的公平共存。
• 在维持与现有WiFi及其他LTE-LAA运营商公平性的前提下，最大化所服务的LTE-LAA总流量负载。
• 将动态资源分配建模为非合作博弈，其中小型基站（SBSs）作为Homo Egualis代理，追求长期的均衡加权公平性。
• 开发一种深度强化学习解决方案，使SBS能够自主进行基于预测的频谱决策，且仅需极少的网络状态信息。

提出的方法

• 构建一个非合作博弈模型，SBSs在预测窗口内力求在与WiFi及其他LTE-LAA运营商之间实现长期加权公平性最大化。
• 采用长短期记忆（LSTM）网络预测未来的流量需求和信道可用性，以实现主动的资源分配。
• 使用深度强化学习框架训练SBSs，以选择最优的信道组合、载波聚合和部分接入方案。
• 将SBSs建模为Homo Egualis代理，可预测未来一系列动作，以实现长期性能的均衡。
• 确保收敛至混合策略纳什均衡，从而保证稳定且公平的共存结果。
• 引入优先级公平比率（P_LTE / P_WiFi）作为可调参数，以平衡LTE与WiFi之间的效率与公平性。

实验结果

研究问题

• RQ1 基于流量预测的主动资源分配策略是否能够提升LTE-LAA部署中的频谱利用率？
• RQ2 LTE-LAA SBSs如何在确保与共址WiFi网络公平性的前提下，自主选择信道和接入模式？
• RQ3 在总服务流量和公平性方面，主动分配相较于被动机制的性能提升程度如何？
• RQ4 基于深度学习的方法是否能够收敛至一个稳定均衡，从而确保与WiFi及其他LTE-LAA运营商之间的长期公平性？
• RQ5 学习率和模型超参数如何影响所提框架中的收敛速度和性能？

主要发现

• 所提出的深度学习框架相较于传统的被动方法，可将总服务流量负载提高最多28%。
• 与按比例公平共存机制相比，该方案在总网络吞吐量方面实现了11%的增益。
• 即使在密集部署的LTE-LAA场景下，该框架也能防止WiFi网络性能下降。
• 该算法收敛至混合策略纳什均衡，确保与WiFi及其他LTE-LAA运营商之间稳定且公平的共存。
• 学习率为0.01时，约在20个周期内实现收敛；而更高的学习率（如0.1）则导致不稳定和更慢的收敛。
• 最优初始学习率位于0.0005至0.01之间，通常在约20个周期内收敛，可实现最佳性能。