Machine Learning Based Resource Allocation for Future Wireless Networks
Tid: To 2025-02-27 kl 10.00
Plats: F3 (Flodis), Lindstedtsvägen 26 & 28, Stockholm
Språk: Engelska
Ämnesområde: Elektro- och systemteknik
Respondent: Sahar Imtiaz , Teknisk informationsvetenskap
Opponent: Associate Professor Zheng Chen, Linköpings Universitetet, Linköping, Sverige
Handledare: Professor James Gross, Teknisk informationsvetenskap
QC 20250131
Abstract
Effektiv resursallokering är en kritisk utmaning i framtida trådlösa nätverk, särskilt när användarkrav, nätverkstätheter och nätverkskomplexitet fortsätter att växa. Traditionellt används kanaltillståndsinformation (CSI) för användar-terminalerna för resursallokering. Men med ökad nätverkstäthet och med hänsyn till förekomsten av mobila användare, innebär CSI-baserad resursallokering betydande prestandakostnader.Detta arbete utforskar ett nytt tillvägagångssätt för resursallokering genom att utnyttja maskininlärnings-modeller som tränats på användarkoordinatinformation. Specifikt formulerar vi resursallokeringsproblemet på tre sätt: (1) modulerings- och kodningsschema (MCS) förutsägelse för transportkapacitetsmaximering, (2) resursallokering i bullerbegränsade system baserat på användarpositioner och (3) resursallokering i störningsbegränsade system för att säkerställa rättvisa samtidigt som kapaciteten maximeras. Vi överväger två scenarier för användarplacering för prestandautvärdering: slumpmässigt droppscenario (RDS), där användare fördelas slumpmässigt i spridningsmiljön, och mobilitetsmodellscenario (MMS), där användarpositioner följer en linjär bana.
Vi utför omfattande utvärderingar för att jämföra datamängder från RDS över nyckelmått, inklusive antalet träningsprover, beräkningskomplexitet och modellprestanda under varierande kanalförhållanden och felaktig positionsinformation. Våra resultat visar genomförbarheten av koordinatbaserad resursallokering genom maskininlärning för att anpassa sig till komplexa trådlösa miljöer, uppnå effektiv och skalbar resursallokering samtidigt som robust prestanda bibehålls under dynamiska och ofullkomliga förhållanden. Vårt föreslagna koordinatbaserade resursallokeringsschema presterar i paritet med det CSI-baserade resursallokeringsschemat, och uppnår minst 90% prestanda i ett störningsbegränsat system med förändrad spridardensitet. Dessutom överträffar schemat avsevärt det geometriskt baserade resursallokeringsschemat, som intuitivt tillämpar koordinaternas information om användare för avståndsberoende resursallokering.MMS-datauppsättningen tjänar till att bestämma implementeringskostnaden för det föreslagna schemat, genom att överväga en realistisk kanalmodell där dataproverna samlas in kontinuerligt i systemet. Med detta tillvägagångssätt jämför vi prestanda i form av träningstid, förutsägelsetid och minnesfotavtryck för maskininlärningsmodellerna. Resultaten visar att det koordinatbaserade resursallokeringsschemat kan användas på ett tillförlitligt sätt för effektiv resursallokering samtidigt som det medför en låg till måttlig implementeringskostnad för bullerbegränsade respektive störningsbegränsade system. Denna studie belyser potentialen hos maskininlärningsdriven resurshantering för framtida trådlösa nätverk, vilket banar väg för intelligenta, adaptiva och effektiva kommunikationssystem.