基于注意力预测的移动链路分配方案 MiLAAP
网络与互联网体系结构
2025-06-26 v1 机器学习
摘要
信道跳选 (CS) 通信系统必须适应无线网络中的干扰变化和节点移动，以维持吞吐量效率。最优调度需要即时网络状态信息（即信道占用情况）来选择干扰区域中链路的非重叠信道。然而，节点间的状态共享会引入显著的通信开销，尤其当网络规模或节点移动性增大时，从而降低已受容量限制的网络吞吐效率。本文我们摒弃状态共享，改以基于学习的信道占用预测来调整 CS 时刻。我们提出了 MiLAAP 注意力驱动的预测框架，用于机器学习模型的光谱、空间和时间依赖性。MiLAAP 使用自注意力机制，使每个节点能够捕获其干扰区域中的时频 CS 模式，并据此预测该区域内的信道占用状态。值得注意的是，预测仅依赖于本地被动观察到的信道活动，从而引入零通信开销。为应对节点移动，MiLAAP 还使用多头自注意力机制，使每个节点能够在本地捕获其他网络节点（可能干扰其自身的）的时空依赖性，并据此预测这些节点的运动轨迹。检测进入或移出干扰区域的节点用于进一步提高信道占用预测准确度。我们表明，对于使用本地 CS 序列支持相对长期存活流量的动态网络，MiLAAP 的信道状态预测准确率可达约 100%，并在不同 CS 序列时段实现零样本泛化。
引用
@article{arxiv.2506.19947,
title = {MILAAP: Mobile Link Allocation via Attention-based Prediction},
author = {Yung-Fu Chen and Anish Arora},
journal= {arXiv preprint arXiv:2506.19947},
year = {2025}
}