[论文解读] Proactive Resource Management in LTE-U Systems: A Deep Learning Perspective.

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

Wireless Networks and Protocols参考文献 30被引用 52

一句话总结

本文提出了一种基于深度学习的主动式资源管理框架，用于LTE-U小型基站（SBSs），可在确保与WiFi及其他LTE-U运营商公平共存的前提下，实现动态信道选择、载波聚合及部分频谱接入。通过将SBSs建模为非合作博弈中的Homo Egualis代理，该方法实现了混合策略纳什均衡，减少了频谱利用率低下问题，与反应式方法相比，吞吐量最高提升28%，并防止了密集部署场景下WiFi性能下降。

ABSTRACT

LTE in unlicensed spectrum (LTE-U) is a promising approach to overcome the wireless spectrum scarcity. However, to reap the benefits of LTE-U, 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-U 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-U operators. Adopting a proactive coexistence mechanism enables future delay-intolerant LTE-U 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-U 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-U 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-U network.

研究动机与目标

• 解决在非授权频谱中LTE-U与现有WiFi网络之间公平共存的挑战。
• 克服由于LTE-U系统中采用反应式资源分配而导致的非高峰时段频谱利用率低下的问题。
• 在预测时窗内主动为延迟敏感型LTE-U业务提供服务，以提高频谱效率。
• 确保在时间范围内，LTE-U SBSs、WiFi网络及其他LTE-U运营商之间实现长期等权重公平性。
• 开发一种可扩展的非合作博弈论框架，支持多运营商LTE-U环境中动态、主动的决策制定。

提出的方法

• 将多个LTE-U小型基站（SBSs）建模为非合作博弈中的Homo Egualis代理，以促进长期公平性。
• 制定涉及信道选择、载波聚合及部分频谱接入的动态资源分配问题。
• 应用深度学习算法，预测在规定时间范围内的SBSs未来行为，从而实现主动的频谱利用。
• 以混合策略纳什均衡（NE）作为收敛目标，确保资源分配结果的稳定与公平。
• 使用真实世界的数据轨迹训练深度学习模型，以模拟真实网络条件并验证性能。
• 在学习过程中集成公平性约束，防止密集LTE-U部署中WiFi性能下降。

实验结果

研究问题

• RQ1 与传统的反应式方法相比，主动式深度学习框架能否提升LTE-U系统中的频谱利用率？
• RQ2 所提出的方法在共存期间，能否有效维持LTE-U SBSs与现有WiFi网络之间的公平性？
• RQ3 该框架在密集部署的LTE-U场景中，能在多大程度上防止WiFi网络性能下降？
• RQ4 基于深度学习的方法是否能收敛至一个稳定均衡，确保在多个运营商之间实现长期公平性？
• RQ5 通过主动预测与动态资源分配，可在吞吐量和资源效率方面实现多大的性能提升？

主要发现

• 所提出的深度学习框架相较于传统的反应式资源分配方法，可实现高达28%的总服务LTE-U流量增益。
• 在聚合吞吐量方面，该方案相较于比例公平共存机制实现了11%的性能提升。
• 该框架成功维持了与WiFi网络的公平性，即使在密集部署的LTE-U场景下，也未造成可测量的性能下降。
• 深度学习算法收敛至混合策略纳什均衡，确保了长期稳定且公平的资源分配结果。
• 主动信道选择与动态载波聚合显著降低了非高峰时段的频谱利用率低下问题。
• 该模型的预测能力使延迟敏感型业务能够提前获得资源分配，从而提升了整体网络响应速度与效率。