面向URLLC的风险感知资源分配:基于机器学习的挑战与策略
网络与互联网体系结构
2019-01-15 v1 机器学习
机器学习
摘要
支持超可靠低延迟通信(URLLC)是5G无线网络的重大挑战。为满足多样化的5G应用,调度与非调度URLLC业务均须满足严格的时延与可靠性要求。尽管已有物理层与媒体接入控制层方案被研究以满足仅调度型URLLC业务,但针对非调度URLLC业务传输、尤其是其与调度URLLC业务共存场景的研究尚显不足。机器学习(ML)因能挖掘用户行为与无线资源利用中的空间/时间相关性,成为该共存场景的重要赋能技术。为此,本文首先研究共存设计挑战,特别是无线资源管理(RRM)问题,并提出一种分布式风险感知机器学习解决方案用于RRM。该方案受益于正交/非正交混合无线资源切片,并主动调控满足各类URLLC业务时延/可靠性需求所需频谱。文中引入案例研究以探究所提RRM在服务于共存URLLC业务类型上的潜力。结果进一步揭示了智能RRM的益处,例如相对于调度业务的保守设计方法实现了75%的数据速率提升,同时满足了调度与非调度业务类型99.99%的可靠性。
引用
@article{arxiv.1901.04292,
title = {Risk-Aware Resource Allocation for URLLC: Challenges and Strategies with Machine Learning},
author = {Amin Azari and Mustafa Ozger and Cicek Cavdar},
journal= {arXiv preprint arXiv:1901.04292},
year = {2019}
}
备注
IEEE Communications Magazine, 2019