深度学习辅助的 CSI 估计用于 URLLC 与 eMBB 联合资源分配
网络与互联网体系结构
2020-03-13 v1 机器学习
信号处理
摘要
多输入多输出（MIMO）因其更高的频谱效率、空间增益和能量效率而成为第五代（5G）及更先进无线通信系统的关键。若发送端可获得信道状态信息（CSI），则能充分发挥 MIMO 传输的优势。然而，发送端 CSI 的获取面临诸多挑战。本文提出一种在高移动性车载网络中基于深度学习辅助的 CSI 估计技术，其依据是传播环境（散射体、反射体）几乎相同，从而允许数据驱动的深层神经网络（DNN）以可忽略的开销学习非线性的 CSI 关系。此外，我们针对请求增强移动宽带（eMBB）和超可靠低时延（URLLC）业务切片的车载用户设备（VUEs）建模并求解了一个基于动态网络切片的资源分配问题。该建模在满足 URLLC 切片概率阈值速率准则的同时，考虑了对 eMBB 切片阈值速率违例概率的最小化。仿真结果表明，与具有完美 CSI 知识的理想情况相比，在阈值违例增加 12% 的情况下可实现 50% 的开销降低。
引用
@article{arxiv.2003.05685,
title = {Deep Learning Assisted CSI Estimation for Joint URLLC and eMBB Resource Allocation},
author = {Hamza Khan and M. Majid Butt and Sumudu Samarakoon and Philippe Sehier and Mehdi Bennis},
journal= {arXiv preprint arXiv:2003.05685},
year = {2020}
}
备注
6 Pages, 5 Figures, Accepted for publication in: IEEE ICC 2020 Workshop on Ultra-high speed, Low latency and Massive Communication for futuristic 6G Networks (ULMC6GN)