A Deep Learning Based Resource Allocator for Communication Systems with Dynamic User Utility Demands

要約

ディープラーニング (DL) ベースのリソース割り当て (RA) は、そのパフォーマンス効率により最近大きな注目を集めています。
ただし、関連する研究のほとんどは、ユーザーの数とそのユーティリティの需要 (データ レートの制約など) が固定されており、設計された DL ベースの RA スキームがこれらの固定パラメーターに対してのみトレーニングされたポリシーを活用する理想的なケースを想定しています。
したがって、これらのパラメータが変更されるたびに、計算的に複雑なポリシーの再トレーニングが必要になります。
このペーパーでは、ユーザーがアプリケーション層の要件などに基づいてユーティリティの需要を自由に調整できるようにする DL ベースのリソース アロケーター (ALCOR) を紹介します。
ALCOR は、タイムシェアリング問題のポリシーとしてディープ ニューラル ネットワーク (DNN) を採用しています。
基礎となる最適化アルゴリズムは、ユーザーのオン/オフ状態を繰り返し最適化し、期待どおりのユーティリティ需要を満たすようにします。
このポリシーは、各時点で合計ユーティリティ (SU) を最大化するために、アクティブ ユーザー間で制約のない RA (URA)、つまりユーザー ユーティリティの需要を考慮しない RA を実行します。
選択した URA スキームに応じて、ALCOR は集中型シナリオまたは分散型シナリオのいずれかで RA を実行できます。
派生収束解析は ALCOR の収束を保証し、数値実験はその有効性を裏付けます。

要約(オリジナル)

Deep learning (DL) based resource allocation (RA) has recently gained significant attention due to its performance efficiency. However, most related studies assume an ideal case where the number of users and their utility demands, e.g., data rate constraints, are fixed, and the designed DL-based RA scheme exploits a policy trained only for these fixed parameters. Consequently, computationally complex policy retraining is required whenever these parameters change. In this paper, we introduce a DL-based resource allocator (ALCOR) that allows users to adjust their utility demands freely, such as based on their application layer requirements. ALCOR employs deep neural networks (DNNs) as the policy in a time-sharing problem. The underlying optimization algorithm iteratively optimizes the on-off status of users to satisfy their utility demands in expectation. The policy performs unconstrained RA (URA)–RA without considering user utility demands–among active users to maximize the sum utility (SU) at each time instant. Depending on the chosen URA scheme, ALCOR can perform RA in either a centralized or distributed scenario. Derived convergence analyses provide guarantees for ALCOR’s convergence, and numerical experiments corroborate its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google