5G系统的随机森林资源分配：性能与鲁棒性研究
信息论
2017-03-31 v1 math.IT
摘要
下一代蜂窝网络必须利用大规模的小区密集化来实现多用户总速率的宏大目标，其中CRAN架构是一种备受青睐的网络设计。这使得注意力重新转向适用的资源分配（RA），这些方案需要适用于极短的无线帧、庞大且密集的射频头集合，以及协调区域内的大量用户群体。迄今为止，针对该任务主要提出了基于CSI的RA方案。然而，它们具有较高的复杂度，并且给系统带来显著的CSI获取开销。在本文中，我们研究了一种有望降低复杂度且开销更低的替代方案。我们提出在多天线CRAN系统中仅基于用户终端的位置信息进行RA。我们使用随机森林作为监督机器学习方法来确定多用户RA。这可能会降低开销成本，因为与获取瞬时CSI相比，获取位置信息需要更少的无线资源。结果表明：I) 总体而言，基于学习的RA方案能够实现与基于CSI的方案相当的频谱效率；II) 若将系统开销纳入考量，利用位置信息的基于学习的RA方案性能最多可超出传统基于CSI的方案100%；III) 尽管依赖于训练数据，基于随机森林的RA方案对位置不准确性及传播场景的变化具有鲁棒性；IV) 影响基于学习的RA方案性能的最重要因素是天线朝向，为此我们提出了三种方法来恢复大部分原有性能结果。据我们所知，这些见解是全新的，表明了一种掌握未来蜂窝网络复杂性的新颖且极具前景的方法。
引用
@article{arxiv.1703.10549,
title = {Random Forest Resource Allocation for 5G Systems: Performance and Robustness Study},
author = {Sahar Imtiaz and Hadi Ghauch and Muhammad Mahboob Ur Rahman and George Koudouridis and James Gross},
journal= {arXiv preprint arXiv:1703.10549},
year = {2017}
}