基于深度学习的全双工设备到设备通信资源分配

设备到设备（Device-to-Device, D2D）技术是 5G/6G 网络的关键研究领域之一，而全双工（Full-Duplex, FD）D2D 将进一步提升其频谱效率（Spectral Efficiency, SE）。近年来，深度学习方法在 D2D 资源分配任务中展现出卓越性能。然而，大多数方案仅将信道状态信息（Channel State Information, CSI）建模为独立特征，忽略了场景中多个信道与用户之间的空间关系。本文首先为 FD D2D 通信资源分配设计了一个目标函数，旨在最大化 D2D 用户的 SE，同时确保蜂窝用户的最低所需 SE。然后，将由不同信道中所有用户构成的复杂 CSI 视为三维向量，提出了一种基于多维空间卷积网络与注意力机制（SP-Conv-Att）的集中式资源分配模型。为减轻基站负担，我们开发了两种分布式模型 Dist-Att 和 Dist-Att-Conv，分别基于注意力机制和多用户卷积网络，以促进用户在本地执行信道和功率分配。数值结果表明，我们的模型优于传统方案和近期深度神经网络模型，以极低时延显著逼近穷举算法计算出的最优解。