面向mURLLC中免授权NOMA优化的通用深度强化学习框架
信息论
2021-03-29 v2 系统与控制
系统与控制
math.IT
摘要
免授权非正交多址接入（GF-NOMA）是一种支持海量超可靠低时延通信（mURLLC）业务的潜在技术。然而，由于基站（BS）处未知的随机业务与碰撞，GF-NOMA系统中的动态资源配置具有挑战性。同时，对时延与可靠性要求的联合考虑使得面向mURLLC的GF-NOMA资源配置更为复杂。为解决该问题，我们针对mURLLC业务中基于签名的GF-NOMA开发了一个通用学习框架，考虑了多址签名碰撞、UE检测以及K重复GF和主动GF方案的数据解码过程。我们的学习框架目标是在时延约束下最大化长期平均成功服务用户数（UEs）。我们首先基于双深度Q网络（DDQN）进行实时重复值配置，随后提出一种基于DQN的协作多智能体学习技术（CMA-DQN）来优化重复值与竞争传输单元（CTU）数量的配置。我们的结果表明，在相同时延约束下，我们所提学习框架中K重复方案成功服务的UE数最多达固定重复值与CTU数量时的十倍，主动方案则为两倍。此外，CMA-DQN相对于传统基于负载估计的方法（LE-URC）的优越性能证明了其长期动态配置的能力。重要的是，我们的通用学习框架可用于优化所有基于签名的GF-NOMA方案中的资源配置问题。
引用
@article{arxiv.2101.00515,
title = {A General Deep Reinforcement Learning Framework for Grant-Free NOMA Optimization in mURLLC},
author = {Yan Liu and Yansha Deng and Hui Zhou and Maged Elkashlan and Arumugam Nallanathan},
journal= {arXiv preprint arXiv:2101.00515},
year = {2021}
}
备注
31 pages, 15 figures