流量预测与随机接入控制优化：基于学习与不基于学习的方法
网络与互联网体系结构
2020-02-19 v1 信号处理
摘要
现代无线通信中的随机接入方案一般基于分帧ALOHA(f-ALOHA)，其可通过灵活组织设备的传输与重传输来优化。然而，由于缺少关于复杂流量生成统计和随机冲突发生的信息，该优化通常难以处理。在本文中，我们首先总结不同随机接入方案的接入控制优化的一般结构，然后回顾现有的基于机器学习(ML)和非ML技术的接入控制优化。我们证明，由于ML方法在解决高复杂度长期优化问题和从现实中学习经验知识方面的能力，其比非ML方法能更好地优化接入控制问题。为进一步提升随机接入性能，我们提出用于接入控制优化的两步学习优化器，其分别执行流量预测和接入控制配置。具体而言，我们的流量预测方法依赖于采用循环神经网络(RNNs)的在线监督学习，可准确捕获连续帧上的流量统计，而接入控制配置可根据不同随机接入方案的复杂度使用基于非ML的控制器或协同训练的深度强化学习(DRL)控制器。数值结果表明，所提两步协同学习优化器在更高训练效率和更好接入性能方面显著优于传统深度Q网络(DQN)。
引用
@article{arxiv.2002.07759,
title = {Traffic Prediction and Random Access Control Optimization: Learning and Non-learning based Approaches},
author = {Nan Jiang and Yansha Deng and Arumugam Nallanathan},
journal= {arXiv preprint arXiv:2002.07759},
year = {2020}
}