[论文解读] Recent Advances in Fog Radio Access Networks: Performance Analysis and Radio Resource Allocation

Mugen Peng, Kecheng Zhang|arXiv (Cornell University)|Sep 15, 2017

Caching and Content Delivery参考文献 9被引用 10

一句话总结

本文全面综述了雾无线电接入网络（F-RANs）中的性能分析与无线资源分配，重点探讨边缘缓存和自适应模型选择，以提升频谱效率（SE）、能量效率（EE）并降低时延。所提出的优化资源分配策略显著改善了时延性能，结果显示，即使在缓存容量有限的情况下，使用高效算法也能实现接近最优的增益。

ABSTRACT

As a promising paradigm for the fifth generation wireless communication (5G) system, the fog radio access network (F-RAN) has been proposed as an advanced socially-aware mobile networking architecture to provide high spectral efficiency (SE) while maintaining high energy efficiency (EE) and low latency. Recent advents are advocated to the performance analysis and radio resource allocation, both of which are fundamental issues to make F-RANs successfully rollout. This article comprehensively summarizes the recent advances of the performance analysis and radio resource allocation in F-RANs. Particularly, the advanced edge cache and adaptive model selection schemes are presented to improve SE and EE under maintaining a low latency level. The radio resource allocation strategies to optimize SE and EE in F-RANs are respectively proposed. A few open issues in terms of the F-RAN based 5G architecture and the social-awareness technique are identified as well.

研究动机与目标

• 通过引入基于雾计算的架构，解决传统Cloud-RANs的性能局限，如前回程容量受限和基带处理池负载过高等问题。
• 研究F-RAN中边缘缓存与分布式处理如何提升频谱效率（SE）、能量效率（EE）并降低端到端时延。
• 开发并评估在F-RAN中缓存与计算约束条件下，优化SE与EE的无线资源分配策略。
• 识别F-RAN架构与社交感知通信中的开放挑战，特别是将社交关系整合至D2D与缓存机制中的问题。
• 为5G物联网应用（包括智慧城市、工业自动化与可穿戴医疗）提供F-RAN部署的理论与实践框架。

提出的方法

• 提出一种分层F-RAN架构，包含云中心（含基带处理池与内容缓存）和雾层（包含边缘计算接入点与具备本地处理与缓存能力的用户设备）。
• 在基站（EC-APs）与用户设备（EC-UEs）处引入边缘缓存，采用基于内容受欢迎程度的缓存策略，以减少回传与前回程负载。
• 设计联合无线资源分配与缓存优化框架，以在满足各基站缓存容量约束的前提下最小化时延。
• 采用高效算法进行无线资源分配，其性能接近通过穷举搜索获得的最优解，且计算复杂度较低。
• 分析F-RAN中的遍历容量与中断概率，尤其关注分布式缓存与D2D通信场景。
• 通过基于社交关系建模用户社区，将社交感知引入F-RAN，影响内容共享与D2D关联模式。

实验结果

研究问题

• RQ1 在F-RAN中，EC-APs与EC-UEs处的边缘缓存如何影响频谱效率（SE）、能量效率（EE）与端到端时延？
• RQ2 在缓存与前回程约束下，联合最小化时延与能耗的最优无线资源分配策略为何？
• RQ3 用户之间的社交关系如何影响D2D通信的成功概率与F-RAN整体系统性能？
• RQ4 在采用自适应模型选择与分布式缓存时，F-RAN中SE、EE与时延之间的关键性能权衡是什么？
• RQ5 在设计适用于5G及以后的可扩展、社交感知F-RAN架构方面，仍存在哪些开放挑战？

主要发现

• 所提出的高效无线资源分配算法性能接近穷举搜索方法，展现出高度实用性与低计算成本。
• 提升基站处的缓存容量可显著降低平均下载时延，证实了本地缓存对改善时延的有效性。
• 边缘缓存显著减少了回传与前回程流量，从而缓解拥塞并降低F-RAN系统的整体时延。
• 分布式缓存与D2D通信减轻了基带处理池与前回程链路的负载，提升了物联网应用的可扩展性与可靠性。
• 在F-RAN中引入社交感知（利用用户社区）可提高D2D通信的成功概率，并有助于提升SE与EE。
• 在动态与社交感知流量模式下，F-RAN中的中断概率与遍历容量分析仍属非平凡挑战。