[论文解读] Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks

Shanfeng Huang, Shuai Wang+3 more|arXiv (Cornell University)|Dec 25, 2020

Advanced Wireless Communication Technologies参考文献 50被引用 4

一句话总结

本文提出了一种RIS辅助的移动边缘计算框架，通过联合优化功率控制、波束成形和RIS相位偏移，最小化用户间最大学习误差，以优化异构机器学习任务。提出了一种基于交替优化（AO）的算法，结合逐次凸逼近（SCA）、交替方向乘子法（ADMM）和误差级搜索（ELS），求解非凸优化问题，在3D目标检测应用场景中显著优于基准方案。

ABSTRACT

The ever-growing popularity and rapid improving of artificial intelligence (AI) have raised rethinking on the evolution of wireless networks. Mobile edge computing (MEC) provides a natural platform for AI applications since it is with rich computation resources to train machine learning (ML) models, as well as low-latency access to the data generated by mobile and internet of things (IoT) devices. In this paper, we present an infrastructure to perform ML tasks at an MEC server with the assistance of a reconfigurable intelligent surface (RIS). In contrast to conventional communication systems where the principal criterions are to maximize the throughput, we aim at maximizing the learning performance. Specifically, we minimize the maximum learning error of all participating users by jointly optimizing transmit power of mobile users, beamforming vectors of the base station (BS), and the phase-shift matrix of the RIS. An alternating optimization (AO)-based framework is proposed to optimize the three terms iteratively, where a successive convex approximation (SCA)-based algorithm is developed to solve the power allocation problem, closed-form expressions of the beamforming vectors are derived, and an alternating direction method of multipliers (ADMM)-based algorithm is designed together with an error level searching (ELS) framework to effectively solve the challenging nonconvex optimization problem of the phase-shift matrix. Simulation results demonstrate significant gains of deploying an RIS and validate the advantages of our proposed algorithms over various benchmarks. Lastly, a unified communication-training-inference platform is developed based on the CARLA platform and the SECOND network, and a use case (3D object detection in autonomous driving) for the proposed scheme is demonstrated on the developed platform.

研究动机与目标

• 解决在RIS辅助移动边缘计算中优化学习性能的挑战，其中传统的吞吐量导向设计并非最优。
• 构建一个联合优化问题，以最小化具有不同模型和数据复杂度的异构用户之间的最大学习误差。
• 设计一种交替优化框架，以处理发射功率、波束成形向量和RIS相位偏移矩阵之间的非凸耦合优化问题。
• 开发专用算法——SCA用于功率分配，闭式波束成形，以及结合误差级搜索（ELS）的ADMM用于相位偏移优化。
• 通过统一的通信-训练-推理平台和一个真实世界的3D目标检测用例，验证该框架的实际可行性。

提出的方法

• 提出一种交替优化（AO）框架，通过迭代优化三个变量：用户发射功率、基站波束成形向量和RIS相位移矩阵。
• 使用逐次凸逼近（SCA）将非凸功率分配问题转化为一系列凸子问题。
• 通过基于SINR最大化的广义特征值问题求解，推导出最优波束成形向量的闭式表达式。
• 设计一种基于ADMM的算法，并结合误差级搜索（ELS）框架，以高效求解非凸相位移矩阵优化问题。
• 将算法集成到基于CARLA和SECOND网络构建的统一平台中，实现对所提方案的端到端验证。
• 将学习性能建模为信干噪比（SINR）的函数，直接将通信质量与学习准确率关联。

实验结果

研究问题

• RQ1 如何利用RIS提升移动边缘计算中异构机器学习任务的学习性能？
• RQ2 何种联合优化框架能有效最小化具有不同模型和数据特征的用户之间的最大学习误差？
• RQ3 如何高效求解涉及发射功率、波束成形和RIS相位偏移的非凸优化问题，并保证收敛性？
• RQ4 与传统无RIS的MEC系统相比，部署RIS在边缘学习系统中能带来多大的性能增益？
• RQ5 能否构建一个实用的端到端平台，以演示RIS辅助边缘AI中的实时通信、训练和推理？

主要发现

• 所提出的基于AO的算法结合SCA、闭式波束成形和ADMM-ELS，实现了收敛性，并显著提升了学习性能。
• 仿真结果表明，与基准方案相比，部署RIS能显著降低用户间最大学习误差。
• 闭式波束成形解被表示为包含信道和干扰统计信息的矩阵的主特征向量。
• ADMM-ELS框架能有效处理非凸相位偏移优化问题，推动RIS在边缘学习中的实际应用。
• 端到端平台成功实现了自动驾驶中的3D目标检测，验证了所提框架在真实场景中的适用性。
• AO迭代过程中优化问题的目标值非递增，证明了所提算法的收敛性。