基于强化学习与无线电环境地图通过基站开关提升大规模 MIMO 网络能效
信号处理
2021-03-23 v1 信息论
机器学习
网络与互联网体系结构
math.IT
摘要
在考虑大规模多输入多输出（M-MIMO）网络时，能效（EE）至关重要，其中基站（BS）配备多达数百个单元的天线阵列。M-MIMO 传输虽具有高频谱效率，但能耗随天线数量增加而升高。本文研究通过开关未充分利用的基站来提升能效。提出一种位置感知方法，其中关于最优活跃基站集的数据存储于无线电环境地图（REM）中。为高效获取、处理与利用 REM 数据，使用了强化学习（RL）算法。评估了包括 ε-贪婪、上置信界（UCB）与梯度赌博机在内的先进探索/利用方法。随后提出解析动作过滤与基于 REM 的探索算法（REM-EA）以改善 RL 收敛时间。利用采用精确 3D 射线追踪无线信道模型的高级系统级 M-MIMO 异构网络（HetNet）仿真器对算法进行评估。所提基于 RL 的基站开关算法被证明相较使用解析启发式的最先进算法在能效上提供 70% 的增益。此外，所提动作过滤与 REM-EA 相较性能最佳的先进探索方法可分别将 RL 收敛时间减少 60% 与 83%。
引用
@article{arxiv.2103.11891,
title = {Increasing Energy Efficiency of Massive-MIMO Network via Base Stations Switching using Reinforcement Learning and Radio Environment Maps},
author = {Marcin Hoffmann and Pawel Kryszkiewicz and Adrian Kliks},
journal= {arXiv preprint arXiv:2103.11891},
year = {2021}
}