超可靠低时延异构网中基于学习的资源优化
网络与互联网体系结构
2019-05-14 v1 机器学习
信号处理
摘要
本文联合解决用户卸载与资源优化问题，以支持异构网（HetNets）中的超可靠低时延通信（URLLC）。具体地，考虑一个包含单个宏基站（MBS）和多个叠加小小区基站（SBSs）的多层网络，其中包含具有不同时延和可靠性约束的用户。利用概率保证对用户时延与可靠性约束进行建模，将 URLLC 场景下的用户卸载与资源分配联合问题（JUR）表述为最小化 MBS 服务用户成本的优化问题。在所考虑的方案中，SBSs 以给定价格竞标服务其覆盖范围内的 URLLC 用户，而 MBS 决定是否在本地服务每个用户或将其卸载到某个叠加的 SBS。由于 JUR 优化是 NP-hard 的，我们提出了一种低复杂度基于学习的启发式方法（LHM），其包含基于支持向量机的用户关联模型和凸资源优化（CRO）算法。为进一步降低时延，我们提出了一种基于交替方向乘子法（ADMM）的 CRO 问题求解方案。仿真结果表明，与使用 JUR 相比，采用 LHM 时 MBS 显著降低了用户的频谱接入时延（约 93%），同时与服务用户而无卸载相比，也降低了其带宽与功耗成本（约 33%）。
引用
@article{arxiv.1905.04788,
title = {Learning-based Resource Optimization in Ultra Reliable Low Latency HetNets},
author = {Mohammad Yousefvand and Kenza Hamidouche and Narayan B. Mandayam},
journal= {arXiv preprint arXiv:1905.04788},
year = {2019}
}
备注
Submitted to IEEE Globecom 2019