用于LTE-U无人机网络中资源与缓存管理的液体状态机学习
信息论
2018-01-30 v1 math.IT
摘要
本文研究了一个由支持缓存的无人机（UAV）组成的网络在LTE授权与未授权（LTE-U）频段上为地面无线用户服务的联合缓存与资源分配问题。所考虑的模型聚焦于可同时接入授权与未授权频段、并从UAV上的缓存单元直接或通过内容服务器-UAV-用户链路接收内容的用户。该问题被表述为一个联合纳入用户关联、频谱分配与内容缓存的优化问题。为求解该问题，提出了一种基于液体状态机（LSM）机器学习框架的分布式算法。利用所提出的LSM算法，云能够在仅掌握有限的网络与用户状态信息情况下预测用户的内容请求分布。所提算法还使UAV能够根据网络状态自主选择最大化队列稳定用户数的最优资源分配策略。基于用户关联与内容请求分布，推导出了需在UAV上缓存的最优内容以及最优资源分配。使用真实数据集的仿真结果表明，与两种基线算法——带缓存的Q-learning与不带缓存的Q-learning相比，所提方法在队列稳定用户数方面分别带来高达33.3%和50.3%的收益。结果还表明，与Q-learning等传统学习算法相比，LSM将收敛时间显著缩短了高达33.3%。
引用
@article{arxiv.1801.09339,
title = {Liquid State Machine Learning for Resource and Cache Management in LTE-U Unmanned Aerial Vehicle (UAV) Networks},
author = {Mingzhe Chen and Walid Saad and Changchuan Yin},
journal= {arXiv preprint arXiv:1801.09339},
year = {2018}
}