[论文解读] Scheduling in Wireless Networks under Uncertainties: A Greedy Primal-Dual Approach

Qiao Li, Rohit Negi|arXiv (Cornell University)|Jan 13, 2010

Advanced Wireless Network Optimization参考文献 8被引用 6

一句话总结

本文提出了一种贪心的原始-对偶算法，用于在存在随机分组到达和信道衰落等不确定参数的无线网络中实现最优调度。通过利用流极限分析，并假设底层随机过程满足大数定律，该算法渐近地实现了近似最优性能，将最大权重调度方法推广至具有可证明收敛性的动态、不确定环境。

ABSTRACT

This paper proposes a dynamic primal-dual type algorithm to solve the optimal scheduling problem in wireless networks subject to uncertain parameters, which are generated by stochastic network processes such as random packet arrivals, channel fading, and node mobilities. The algorithm is a generalization of the well-known max-weight scheduling algorithm proposed by Tassiulas et al., where only queue length information is used for computing the schedules when the arrival rates are uncertain. Using the technique of fluid limits, sample path convergence of the algorithm to an arbitrarily close to optimal solution is proved, under the assumption that the Strong Law of Large Numbers (SLLN) applies to the random processes which generate the uncertain parameters. The performance of the algorithm is further verified by simulation results. The method may potentially be applied to other applications where dynamic algorithms for convex problems with uncertain parameters are needed.

研究动机与目标

• 解决无线网络中关键参数（如流量速率和信道状态）不确定且时变情况下的最优调度挑战。
• 开发一种可扩展的在线算法，避免对不确定参数进行事前估计，因为在大规模网络中参数数量呈指数增长，此类估计可能不可行。
• 将最大权重调度算法推广至处理具有不确定参数的一般凸优化问题，确保渐近最优性。
• 为无线网络中的跨层优化提供一种鲁棒的动态解决方案，能够适应缓慢收敛或时变的随机过程。
• 在较弱的概率假设（如大数定律）下，利用流极限技术建立理论性能保证。

提出的方法

• 该算法在原始-对偶框架中，使用按时间槽索引归一化的队列长度（即除以时间槽索引）作为近似梯度，以指导每个时隙的调度决策。
• 它基于当前的队列长度信息和目标函数与约束函数梯度的估计值动态计算调度方案，即使真实参数未知亦可实现。
• 该方法应用流极限分析来研究系统在长时间尺度上的行为，将随机系统转化为确定性的流模型。
• 流极限分析依赖于底层随机过程（如分组到达、信道状态）满足大数定律的假设。
• 该算法确保在流极限下，系统轨迹收敛至与最优解任意接近的解，通过将基于梯度的决策与最优解进行比较来实现。
• 它通过引入对偶变量和基于梯度的调度，推广了最大权重算法，从而在不确定条件下实现效用和速率的优化。

实验结果

研究问题

• RQ1 在具有随机到达和衰落信道等不确定、时变参数的无线网络中，能否设计一种动态、在线调度算法以实现近似最优性能？
• RQ2 如何设计一种原始-对偶算法，使其能够适应未知参数，而无需事前估计，尤其是在参数数量随网络规模呈指数增长的情况下？
• RQ3 在存在随机不确定性的情况下，流极限分析在何种条件下可用于证明动态调度算法的渐近最优性？
• RQ4 与现有方法（如最大权重或效用最优调度）相比，该算法在收敛性和对参数漂移的鲁棒性方面表现如何？
• RQ5 该算法能否自动跟踪缓慢收敛或时变参数，并纠正过去的次优决策？

主要发现

• 在底层随机过程满足大数定律的假设下，所提出的贪心原始-对偶算法实现了渐近最优性。
• 通过流极限技术证明了样本路径收敛至与最优解任意接近的解，确保了对参数不确定性的鲁棒性。
• 该算法通过使用归一化队列长度作为基于梯度的决策依据，推广了最大权重调度方法，从而能够优化一般凸目标函数。
• 流极限分析表明，系统轨迹收敛至目标函数梯度与最优对偶变量对齐的解，从而确保近似最优性。
• 仿真结果验证了该算法在各种不确定网络条件下的性能和稳定性，支持理论结论。
• 该方法具有可扩展性，避免了静态优化方法固有的指数级参数估计问题，适用于大规模无线网络。