面向 TDD 制式 CRAN 系统的基于学习的资源分配方案
网络与互联网体系结构
2016-08-31 v1 信息论
机器学习
math.IT
摘要
智能无线设备使用的爆炸性增长要求提供更高的数据速率和永远在线连接，这是设计第五代（5G）系统的主要驱动力。为实现更高的系统效率，采用紧密协调的大规模天线部署是设计 5G 系统的一种潜在策略，但这会带来两类相关的系统开销。第一类是同步开销，可通过实施云无线接入网（CRAN）架构设计来降低，该架构将基带处理与射频接入功能分离以实现更好的系统同步。第二类是获取系统中用户信道状态信息（CSI）的开销，然而，当使用瞬时 CSI 为高移动性用户服务时，该开销会急剧增加。为服务大量用户，我们考虑采用密集部署射频拉远头（RRH）的 CRAN 系统，使得每个用户与相应的 RRH 之间具有视距（LOS）链路。由于高移动性用户的运动轨迹是可预测的，因此可以获得这些用户相当准确的位置估计，并将其用于资源分配以服务所考虑的用户。资源分配依赖于多种相关的系统参数，而这些相关性可以利用著名的机器学习算法来学习。本文提出了一种新颖的基于学习的资源分配方案，用于具有密集 RRH 部署的时分双工（TDD）制式 5G CRAN 系统，该方案仅使用用户的位置估计进行资源分配，从而避免了获取 CSI 的需求。这显著降低了整体系统开销，同时仍能实现接近最优的系统性能，从而获得了更好的（有效）系统效率。（完整摘要见原文）
引用
@article{arxiv.1608.07949,
title = {Learning-Based Resource Allocation Scheme for TDD-Based CRAN System},
author = {Sahar Imtiaz and Hadi Ghauch and M. Mahboob Ur Rahman and George Koudouridis and James Gross},
journal= {arXiv preprint arXiv:1608.07949},
year = {2016}
}
备注
10 pages, 9 figures, accepted for publication in MSWiM 2016