雾无线接入网络中最优前传与去中心化边缘计算的学习
信息论
2021-03-23 v1 机器学习
math.IT
摘要
雾无线接入网络（F-RANs）由云和通过前传链路连接的多个边缘节点（ENs）组成，已被视为有前景的网络架构。F-RAN 需要联合优化云与边缘计算以及前传交互，这对传统优化技术而言具有挑战性。本文提出一种云使能协作启发式学习（CECIL）框架，一种用于处理通用 F-RAN 优化问题的结构化深度学习机制。所提出的方案通过包含云端的集中式计算、ENs 的分布式决策及其上下行前传交互来模拟云辅助的协作优化策略。采用一组深度神经网络（DNNs）来刻画云与 ENs 的计算。DNNs 的前向传播经过精心设计，使得实际前传链路的影响（如信道噪声和信令开销）可被纳入训练步骤。因此，云与 ENs 的操作可以端到端方式联合训练，而其实时推理则借助前传协调以去中心化方式执行。为促进多个 ENs 间的前传协作，设计了最优前传多址接入方案。还给出了对实际前传损伤具有鲁棒性的训练算法。数值结果验证了所提方法的有效性。
引用
@article{arxiv.2103.11284,
title = {Learning Optimal Fronthauling and Decentralized Edge Computation in Fog Radio Access Networks},
author = {Hoon Lee and Junbeom Kim and Seok-Hwan Park},
journal= {arXiv preprint arXiv:2103.11284},
year = {2021}
}
备注
to appear in IEEE Transactions on Wireless Communications