[论文解读] The Future is Unlicensed: Coexistence in the Unlicensed Spectrum for 5G

Suzan Bayhan, Gürkan Gür+1 more|arXiv (Cornell University)|Jan 15, 2018

Wireless Networks and Protocols参考文献 7被引用 12

一句话总结

本文提出，免许可频谱对于5G在超密集异构网络中实现可扩展性、成本效益和容量扩展至关重要。它主张采用机器学习驱动的共存机制，以实现5G与WiFi之间的高效频谱共享，克服异构性、缺乏协调和动态流量等挑战，机器学习可实现实时自适应和智能决策。

ABSTRACT

5G has to fulfill the requirements of ultra-dense, scalable, and customizable networks such as IoT while increasing spectrum and energy efficiency. Given the diversity of envisaged applications and scenarios, one crucial property for 5G New Radio (NR) is flexibility: flexible UL/DL allocation, bandwidths, or scalable transmission time interval, and most importantly operation at different frequency bands. In particular, 5G should exploit the spectral opportunities in the unlicensed spectrum for expanding network capacity when and where needed. However, unlicensed bands pose the challenge of "coexisting networks", which mostly lack the means of communication for negotiation and coordination. This deficiency is further exacerbated by the heterogeneity, massive connectivity, and ubiquity of IoT systems and applications. Therefore, 5G needs to provide mechanisms to coexist and even converge in the unlicensed bands. In that regard, WiFi, as the most prominent wireless technology in the unlicensed bands, is both a key enabler for boosting 5G capacity and competitor of 5G cellular networks for the shared unlicensed spectrum. In this work, we describe spectrum sharing in 5G and present key coexistence solutions, mostly in the context of WiFi. We also highlight the role of machine learning which is envisaged to be critical for reaching coexistence and convergence goals by providing the necessary intelligence and adaptation mechanisms.

研究动机与目标

• 通过利用免许可频谱实现动态容量扩展，解决5G网络中的频谱稀缺和低效问题。
• 克服在免许可频段中多个异构网络（例如5G和WiFi）无协调运行所导致的共存挑战。
• 通过将免许可频谱接入与智能自适应机制相结合，实现灵活、可扩展且成本效益高的5G部署。
• 研究机器学习在实现实时、上下文感知的频谱共享和动态决策方面的角色，以支持共存。

提出的方法

• 提出将机器学习（ML）作为识别免许可频段中共存网络及其运行规则的核心使能技术。
• 利用机器学习中的分类技术，基于信号特征检测并分类邻近网络（例如WiFi、LTE）。
• 采用强化学习在非结构化环境中进行基于动作的决策，根据奖励反馈优化频谱接入。
• 提出上下文感知的共存策略，以适应网络流量和干扰在时间和空间上的动态变化。
• 探索在边缘、核心和云层之间分布式部署机器学习，以平衡延迟、计算负载和系统鲁棒性。
• 分析机器学习实现中的架构权衡，包括集中式与分布式框架在实时自适应方面的选择。

实验结果

研究问题

• RQ1 在缺乏直接协调的情况下，5G网络如何高效地与WiFi及其他免许可系统共存？
• RQ2 机器学习在异构、动态的免许可环境中，如何实现智能、自适应的频谱共享？
• RQ3 在真实5G部署中，基于机器学习的共存机制部署面临哪些关键技术与实际挑战？
• RQ4 应在网络架构的何处以及如何部署机器学习功能，以确保低延迟和高可扩展性？
• RQ5 基于机器学习的共存方案是否能在高度动态、实时的网络条件下快速收敛并保持有效？

主要发现

• 免许可频谱对于5G实现所需的1000倍容量增长以及支持大规模异构物联网部署至关重要。
• 机器学习能够识别共存系统及其接入规则，即使在无先验知识或跨技术信令的情况下亦可实现。
• 强化学习通过基于动作-奖励的决策机制，为频谱接入提供自适应能力，显著提升动态环境下的效率。
• 基于机器学习的共存机制在实际部署中面临收敛时间、复杂性以及学习阶段行为不可预测等挑战。
• 在边缘、核心和云层之间分布式部署机器学习，可在延迟、计算成本和系统鲁棒性之间实现可行的权衡。
• 将机器学习集成到5G共存机制中，是实现在免许可频段中高谱效率和可扩展性的关键。