小小区网络中的盲最优用户关联

在未知动态业务需求存在的情况下，我们学习从不同位置到接入点（AP）业务的优化用户关联策略。我们旨在最小化一类广泛的$\alpha$-公平代价函数，其表达了无线下行链路中负载分配的各种目标，例如总负载或总时延最小化。在动态环境中寻找最优用户关联策略具有挑战性，因为随时间变化的业务需求波动是非平稳的且难以用统计刻画，这阻碍了高效代价关联的计算。假设随时间任意的业务模式，我们利用在线凸优化（OCO）框架表述最优用户关联策略的在线学习问题。我们为OCO问题引入了一种推广最先进基准的周期性基准。我们利用在线用户关联问题的固有性质，提出PerOnE，一种简单的在线学习方案，可动态适应任意业务需求变化。我们将PerOnE与我们的周期性基准进行比较，并证明其享有无遗憾性质，且对网络规模具有额外的亚线性依赖。据我们所知，这是首项为OCO问题引入周期性基准以及为在线用户关联问题提供无遗憾算法的工作。我们的理论发现通过在真实轨迹数据集上的结果得到验证。