多频段移动网络中预测器辅助的用户关联与负载均衡
系统与控制
2023-01-24 v1 系统与控制
摘要
蜂窝网络正变得日益异构，基站（BS）密度更高且频带越来越多，使得 BS 选择与频带分配成为关乎速率与覆盖的关键决策。本文将移动感知的用户关联任务分解为（i）用户速率预测，然后（ii）考虑 BS 负载与切换开销影响的用户关联凸效用最大化。使用归一化均方误差与归一化折损累积增益的线性组合作为新颖损失函数，训练循环深度神经网络以可靠预测移动用户的未来速率。基于该预测，控制器利用我们基于 Frank-Wolfe 方法、计算高效（相较通用凸求解器加速 100 倍）的算法优化关联决策，以最大化基于服务速率的网络效用。使用 Meta 开发的工业级网络模拟器，我们表明所提出的模型预测控制（MPC）方法相较传统基于信号强度的关联将第 5 百分位服务速率提升 3.5 倍，相较忽略切换的策略将切换次数的中位数减少 7 倍，并达到接近先知辅助方案的服务速率。此外，我们的基于模型的方法比无模型强化学习（RL）显著更具样本效率（所需训练数据少 100 倍），且能很好地泛化到不同用户投放场景。
引用
@article{arxiv.2301.09294,
title = {Forecaster-aided User Association and Load Balancing in Multi-band Mobile Networks},
author = {Manan Gupta and Sandeep Chinchali and Paul Varkey and Jeffrey G. Andrews},
journal= {arXiv preprint arXiv:2301.09294},
year = {2023}
}