缓存辅助 NOMA 系统中的功率分配：优化与深度强化学习方法
信息论
2019-09-25 v1 机器学习
网络与互联网体系结构
math.IT
摘要
本工作利用了未来通信网络中两项重要技术的优势，即缓存与非正交多址接入（NOMA）。具体地，分析了一个具有瑞利衰落信道且用户具备缓存能力的系统。研究表明，缓存与 NOMA 的结合提供了一种新的缓存命中机会，从而提升了缓存效用以及 NOMA 的有效性。重要的是，这无需用户间协作，因此避免了诸多复杂问题，如用户隐私与安全、自私性等。为了优化用户服务质量并同时保证用户间的公平性，最大化了所有用户均能解码所需信号的概率。在 NOMA 中，多个消息的组合被发送给用户，所述目标通过为消息信号寻找合适的功率分配来实现。针对功率分配问题，提出了两种新方法。第一种是基于分而治之的方法，推导了最优资源分配策略的闭式表达式，使该方法简单且能灵活适应系统环境。第二种基于深度强化学习方法，允许所有用户共享全部带宽。最后，提供了仿真结果以证明所提方法的有效性并比较其性能。
引用
@article{arxiv.1909.11074,
title = {Power Allocation in Cache-Aided NOMA Systems: Optimization and Deep Reinforcement Learning Approaches},
author = {Khai Nguyen Doan and Mojtaba Vaezi and Wonjae Shin and H. Vincent Poor and Hyundong Shin and Tony Q. S. Quek},
journal= {arXiv preprint arXiv:1909.11074},
year = {2019}
}
备注
To appear in the IEEE Transactions on Communications