Ergodic Transmission Capacity of Wireless Ad Hoc Networks with Interference Management
大多数关于无线网络吞吐量的工作忽略了无线信道固有的时间相关性,因为它降低了可处理性。为了更好地建模和量化无线网络吞吐量的时间变化,本文介绍了一种称为遍历传输容量(ETC),它包括空间和时间遍历性的度量。网络中的所有发射机形成一个齐次泊松点过程,所有信道由有限状态马尔可夫链建模。刻画了中断概率和ETC的界,并讨论了它们在稀疏网络和稠密网络中的标度行为。从这些结果中,我们表明,ETC的特点是信道状态相关向量和不变的马尔可夫链的概率向量的内积。这表明,信道感知的机会传输并不总是增加ETC。最后,我们看看中断概率与干扰管理从随机几何的角度来看。由于干扰管理中断概率和ETC的改进界限的特点,他们提供了一些有用的见解,如何有效地管理稀疏和密集网络中的干扰。
2011-03-31 cs.IT math.IT
State-Augmented Learnable Algorithms for Resource Management in Wireless Networks
University of Pennsylvania(宾夕法尼亚大学);Intel Labs, Intel Corporation(英特尔公司英特尔实验室)
我们认为,在多用户无线网络中的资源管理问题,这可以被铸造为优化网络范围内的效用函数,受到整个网络的用户的长期平均性能的约束。我们提出了一种状态增强算法,用于解决上述无线电资源管理(RRM)问题,其中,除了瞬时网络状态,RRM策略作为输入的一组对应于约束的双变量,这取决于在执行过程中违反了多少约束。我们从理论上表明,所提出的状态增强算法导致可行的和接近最优的RRM决策。此外,专注于使用图神经网络(GNN)参数化的无线功率控制的问题,我们证明了所提出的RRM算法的优越性在一套数值实验的基线方法。
2022-12-11 cs.IT cs.LG eess.SP
Human-in-the-Loop Wireless Communications: Machine Learning and Brain-Aware Resource Management
以人为中心的应用,如虚拟现实和沉浸式游戏将是未来无线网络的核心。这些服务的共同特征包括:a)它们依赖于人类用户的行为和状态,以及b)与传统蜂窝应用相比,它们需要更多的网络资源。为了在无线和蜂窝系统上成功地部署这样的应用,网络必须不仅认识到应用的服务质量(QoS)需求,而且认识到人类用户对该QoS的感知。在本文中,通过明确建模的局限性,人类用户在无线网络中的延迟感知的具体措施。然后,提出了一种新的学习方法,称为概率分布识别,找到一个概率模型,这种延迟感知的基础上的人类用户的大脑特征。所提出的学习方法使用监督和无监督学习技术来建立一个高斯混合模型的人脑功能。给出了一个人脑延迟感知模型,提出了一种基于李雅普诺夫优化的脑感知资源管理算法,在最小化发射功率的同时,兼顾机器设备和用户的可靠性,为用户分配无线资源.该算法具有较低的复杂度。此外,一个封闭的形式之间的关系的可靠性措施和无线物理层度量的网络。使用来自实际人类用户的真实数据的模拟结果表明,与系统相比,大脑感知方法可以节省高达78%的功率
2019-07-10 cs.IT eess.SP math.IT
Decision Transformers for Wireless Communications: A New Paradigm of Resource Management
针对DRL在无线资源管理中样本效率低、泛化差且收敛慢的问题,提出基于Decision Transformer的云边协同自适应决策架构,在智能反射面与无人机场景下实现3至6倍收敛加速及更优性能。
2024-10-14 cs.IT eess.SP math.IT
Energy Management in Wireless Communications with Energy Storage Imperfections
近年来,能量收集在无线通信领域受到了广泛的关注。然而,可再生能源的随机性已成为研究问题之一,能量存储已被提出作为一个解决方案来处理它。最初,研究人员认为,一个完美的电池模型,没有能量损失存储期间,因为它的简单性和兼容性,在无线通信分析。然而,反映实际问题的电池模型应包括能量损失。在本文中,我们考虑一个能量收集无线通信模型与电池,在充电和放电过程中有能量损失。我们考虑能量下溢(即,电池中的能量水平下降到某一阈值以下)作为能量管理关注点,并且通过采用大偏差原理和排队论来表征能量下溢概率并提供简单的指数公式。具体来说,我们受益于电池和数据缓冲模型之间的相似性。我们进一步硬币的可用空间衰减率在电池作为一个参数,以指示的能量消耗性能。我们进一步概述了一种方法来设置能源需求政策,以满足能源管理的要求,规则的能量下溢概率作为约束。最后,我们证实我们的分析结果与数值演示,并比较传输系统的传输性能水平的电池,有能量损失和传输系统,消耗的能量,因为它是收获。
2020-12-11 cs.IT math.IT
A State-Augmented Approach for Learning Optimal Resource Management Decisions in Wireless Networks
University of Pennsylvania(宾夕法尼亚大学);Intel Corporation(英特尔公司)
我们认为在多用户无线网络中的无线电资源管理(RRM)的问题,其中的目标是优化网络范围内的效用函数受到约束的遍历平均性能的用户。我们提出了一个状态增强参数化的RRM政策,其中旁边的瞬时网络状态,RRM政策作为输入的一组对偶变量对应的约束。我们提供了理论上的理由的可行性和近最优的RRM决定所提出的状态增强算法。专注于RRM政策参数化的图神经网络(GNN)和双变量的双下降动态的功率分配问题,我们数值证明,所提出的方法实现了优越的平均值,最小值和第5百分位率之间的权衡比基线方法。
2022-11-09 cs.IT cs.LG eess.SP
Dual-Timescale Spectrum Management in Small-Cell Wireless Networks
为了获得下一代蜂窝网络的目标数据率,除了提供宽覆盖的宏小区之外,还需要密集部署小小区。动态无线电资源管理对于此类异构网络的成功是至关重要的,这归因于小小区中显著得多的业务和干扰变化。这项工作提出了一个框架,频谱管理组织根据两个时间尺度,其中包括1)集中优化的适度的时间尺度对应于典型的持续时间的用户会话(几秒钟到几分钟,在今天的网络),和2)分布式频谱分配的快速时间尺度对应于典型的延迟要求(几毫秒)。一个优化问题,制定资源分配的较慢的时间尺度上考虑(分布式)机会调度的较快的时间尺度。固定和完全灵活的用户关联方案被认为是。迭代算法的开发,以有效地解决这些优化问题的一个集群的细胞,保证收敛。仿真结果证明了所提出的框架和算法的优点。
2019-03-03 cs.IT math.IT
Average Reward Reinforcement Learning for Wireless Radio Resource Management
University of Virginia(弗吉尼亚大学);The Pennsylvania State University(宾夕法尼亚州立大学)
针对无线资源管理中折扣报酬强化学习与无折扣优化目标不匹配的问题,提出平均报酬离策略软演员评论家方法,仿真显示系统性能较传统方法提升15%。
2025-01-12 cs.IT cs.LG cs.NI
LORM: Learning to Optimize for Resource Management in Wireless Networks with Few Training Samples
Hong Kong University of Science and Technology(香港科技大学);ShanghaiTech University(上海科技大学);The Hong Kong Polytechnic University(香港理工大学)
有效的资源管理在无线网络中起着至关重要的作用,不幸的是,在大多数情况下,这会导致具有挑战性的混合整数非线性规划(MINLP)问题。基于机器学习的方法最近已经成为一种破坏性的方式,以获得接近最佳性能的MINLP与负担得起的计算复杂性。已经有一些尝试将这样的方法应用于无线网络中的资源管理,但是这些尝试需要大量的训练样本并且缺乏处理约束问题的能力。此外,当网络参数发生变化时,它们会遭受严重的性能恶化,这通常会发生,被称为任务不匹配问题。在本文中,为了降低样本的复杂性和解决可行性问题,我们提出了一个学习优化资源管理(LORM)的框架。LORM通过一种样本有效的方法,即模仿学习,而不是在以前的研究中采用的端到端的学习方法,学习MINLP的分支定界算法中的最优剪枝策略。为了进一步解决任务不匹配的问题,我们在LORM中通过自我模仿开发了一种迁移学习方法,称为LORM-TL,它可以快速地使预训练的机器学习模型适应新任务,只需少量额外的未标记训练样本。数值模拟将证明,LORM优于专门的最先进的算法,并实现接近最佳的性能,同时实现显着的加速比相比,分支定界算法。此外,LORM-TL依靠一些未标记的样本,实现了与使用足够标记样本从头开始训练的模型相当的性能。
2019-05-16 cs.IT cs.LG eess.SP
Anywhere Decoding: Low-Overhead Uplink Interference Management for Wireless Networks
小区间干扰(ICI)是现代蜂窝系统中的主要性能限制因素之一。为了解决ICI,已经提出了协作多点(CoMP)方案作为下一代移动通信系统的关键技术。虽然CoMP方案提供了有前途的理论增益,其性能可能会显着下降,因为实际问题,如有限的回程。为了解决这个问题,我们探讨了一种新的上行链路干扰管理方案,称为任何地方的解码,这需要交换的基站(BS)之间的每个编码间隔只有几个比特的信息。尽管低开销的任何地方解码,我们观察到相当大的收益,在小区边缘用户的中断概率性能相比,没有BS之间的合作。此外,高SNR制度的中断概率的渐近结果表明,任何地方的解码方案实现充分的空间分集,通过多个解码机会,他们是在1.5 dB的充分合作。
2019-03-28 cs.IT math.IT
Data Correlation-Aware Resource Management in Wireless Virtual Reality (VR): An Echo State Transfer Learning Approach
在本文中,无线虚拟现实(VR)资源管理的问题进行了研究的无线VR网络中,VR内容发送的云蜂窝小型基站(SBS)。SBS将通过上行链路从VR用户收集跟踪数据,以便生成VR内容并使用下行链路蜂窝链路将其传输给最终用户。对于这种模型,用户请求或传输的数据可以表现出相关性,因为VR用户可以在不同的位置和方向上参与相同的沉浸式虚拟环境。因此,所提出的资源管理框架可以考虑这种空间数据相关性,以更好地管理上行链路和下行链路业务。这种潜在的空间数据相关性可以被考虑到资源分配问题中,以减少上行链路和下行链路中的业务负载。在下行链路中,云可以根据用户的数据相关性向用户发送360内容或从原始360内容中提取的特定可见内容,以减少回程业务负载。对于上行链路,每个SBS可以与具有相似跟踪信息的用户相关联,以减少跟踪数据的大小。该数据相关性感知资源管理问题被公式化为优化问题,其目标是最大化用户的成功传输概率,该概率被定义为每个用户的内容传输延迟满足瞬时VR延迟目标的概率。针对这一问题,提出了一种基于回声状态网络的迁移学习方法。通过巧妙地转移SBS的效用信息,所提出的基于转移的ESN算法可以快速应对无线网络环境的变化。
2019-02-14 cs.IT math.IT
Deep Learning for Distributed Optimization: Applications to Wireless Resource Management
Pukyong National University(釜庆国立大学);Korea University(高丽大学);Singapore University of Technology and Design(新加坡科技设计大学);Kyung Hee University(庆熙大学)
本文研究了一种深度学习(DL)框架来解决无线网络中的分布式非凸约束优化问题,其中多个计算节点通过回程链路互连,希望根据本地观测值确定其状态的有效分配。两种不同的配置被认为是:第一,一个无限容量的回程使节点以无损的方式进行通信,从而获得集中计算的解决方案。其次,一个实际的有限容量的回程导致部署分布式求解器配备随着量化器通过容量有限的回程通信。分布的性质和非凸性的优化,使解决方案的识别笨拙。为了处理它们,引入深度神经网络(DNN)来精确地近似解的未知计算。因此,原始问题被转换为DNN的训练任务,受到非凸约束,其中现有DL库无法直接扩展。基于原对偶方法提出了一种约束训练策略。对于分布式实现,一种新的二值化技术,在输出层的量化在每个节点。我们提出的分布式DL框架中检查各种网络配置的无线资源管理。数值结果验证了我们提出的方法比现有的优化技术的有效性。
2019-05-31 cs.IT cs.LG eess.SP
Cooperative Transmission in a Wireless Relay Network based on Flow Management
提出了一种通用多节点半双工无线中继网络的协作传输设计。假设节点以半双工模式操作,并且信道信息在节点处可用。所提出的设计涉及到解决一个凸流优化问题的图形模型的中继网络。在此基础上提出了一种更简单的广义链路选择协议。建议的流量优化协议和广义链路选择协议,以实现最佳的分集复用折衷(DMT)的中继网络。此外,仿真结果量化的差距所提出的协议的性能和最大流量最小切割类型的界限,中断概率。
2009-11-16 cs.IT math.IT
A Survey on High-Speed Railway Communications: A Radio Resource Management Perspective
高速铁路(HSR)通信将成为智能交通通信系统支持的关键功能。随着对高速无线通信需求的不断增长,无线资源管理(RRM)的研究受到了极大的关注,它可以有效地利用资源,提高系统性能。由于HSR无线通信的异构服务质量(QoS)需求和动态特性,RRM设计是一个具有挑战性的问题。本文的目的是提供一个概述的关键问题,出现在高速铁路无线通信的RRM设计。首先对高速铁路通信系统进行了详细的描述,然后介绍了高速铁路信道模型和特性,这对跨层无线资源管理的设计至关重要。然后,我们提供了一个国家的最先进的无线资源管理计划的HSR无线通信的文献调查,深入讨论的各个RRM方面,包括准入控制,移动性管理,功率控制和资源分配。最后,本文概述了目前的挑战和开放的问题,在该地区的高速铁路无线通信的RRM设计。
2016-03-17 cs.IT math.IT
Interference Management for Over-the-Air Federated Learning in Multi-Cell Wireless Networks
ShanghaiTech University(上海科技大学);Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences(中国科学院上海微系统与信息技术研究所);University of Chinese Academy of Sciences(中国科学院大学);University of Waterloo(滑铁卢大学)
资源受限的无线网络中的联邦学习(FL)最近引起了广泛的关注。然而,大多数现有的研究考虑一个FL任务在单小区无线网络中,忽略了下行链路/上行链路小区间干扰对学习性能的影响。在本文中,我们调查FL在多小区无线网络,其中每个小区执行不同的FL任务和空中计算(AirComp),使快速上行链路梯度聚合。我们进行了AirComp-assisted FL系统的收敛分析,考虑到下行链路和上行链路模型/梯度传输中的小区间干扰,这表明失真的模型/梯度交换会导致间隙,从而阻碍FL的收敛。我们描述了错误诱导间隙区域的Pareto边界,以量化不同FL任务之间的学习性能权衡,基于此,我们用公式表示优化问题,以最小化所有小区中的误差引起的间隙的总和。为了解决下行链路和上行链路传输之间的耦合以及多个小区之间的耦合,我们提出了一个合作的多小区FL优化框架,以实现有效的干扰管理的下行链路和上行链路传输设计。结果表明,我们所提出的算法在多个细胞比非合作基线计划取得更好的平均学习性能。
2022-06-06 cs.IT cs.LG eess.SP
Learning Autonomy in Management of Wireless Random Networks
Pukyong National University(釜庆国立大学);Korea University(高丽大学);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出了一种机器学习策略,解决了无线网络中的分布式优化任务,任意数量的随机互连的节点。各个节点通过随机变化的回程链路在其他节点之间进行分布式协调来决定它们的最佳状态。这在对无线网络的随机拓扑鲁棒的分布式通用优化策略中提出了技术挑战,这还没有被具有刚性结构配置的传统深度神经网络(DNN)适当地解决。我们开发了一个灵活的DNN形式主义称为分布式消息传递神经网络(DMPNN)的向前和向后计算独立的网络拓扑结构。这种方法的一个关键推动因素是通过任意连接的回程链路的迭代消息共享策略。DMPNN通过学习大量随机回程交互,为迭代协调提供了收敛的解决方案。DMPNN在无线网络中的功率控制的各种配置进行了研究,密集的数值结果证明了它的通用性和可行性超过传统的优化和DNN方法。
2021-06-15 cs.IT cs.LG math.IT
Topological Interference Management with Alternating Connectivity
拓扑干扰管理问题是指研究在网络拓扑之外的发射机处没有信道状态信息(没有CSIT)的部分连接的线性(有线和无线)通信网络的容量,即,知道哪些信道系数为零(比无线情况下的噪声本底弱)。虽然这个问题最初是用固定的拓扑结构来研究的,但在这项工作中,我们通过一系列简单的和概念上有代表性的例子来探索不同连接性的影响。具体来说,我们强调了在交替拓扑结构中编码的协同效益。
2013-02-17 cs.IT math.IT
On the Energy and Data Storage Management in Energy Harvesting Wireless Communications
无线通信中的能量收集(EH)已成为近年来传输技术研究的焦点。在此,储能建模是必须仔细对待的关键设计基准之一。了解能量存储动态和吞吐量水平是必不可少的,特别是对于通信系统,其中的性能完全取决于收集的能量。虽然应避免能源中断,但也应防止能源溢出,以便利用所有收获的能源。因此,一个简单的,但全面的,分析模型,可以代表的EH无线通信系统的一般类别的特性需要建立。在本文中,调用工具,从大偏差理论随着马尔可夫过程,一个牢固的连接之间的能量状态的电池和数据传输过程通过无线信道建立了EH发射机。特别是,一个简单的指数近似的能量溢出的概率制定,其特征在于在电池中的能量衰减率作为能量使用的措施。然后,将能源中断和供应映射到马尔可夫过程上,建立了离散状态模型,给出了给定能源到达和需求过程的能源中断概率表达式。最后,在能量溢出和中断约束下,在无线信道上的平均数据服务(传输)率得到和系统的有效容量,它表征的最大数据到达率下的服务质量(QoS)的约束施加在数据缓冲区溢出概率的发送器缓冲区,推导出。
2019-08-05 cs.IT math.IT
Advanced Interference Management Technique: Potentials and Limitations
干扰管理具有提高当前和下一代无线系统(例如,3GPP LTE和IEEE 802.11)中的频谱效率的潜力。最近,出现了用于干扰管理的新范例以解决一般类别的无线网络中的干扰:干扰整形和干扰利用。这两种方法都提供了更好的性能,在干扰有限的通信制度比传统上认为可能的。本文简要概述了用于单跳、多跳和多路网络架构的几种不同干扰整形和利用技术。提供了解释每个策略背后的直觉的图形说明。文章最后讨论了未来采用复杂的干扰管理策略所面临的实际挑战。
2015-09-11 cs.IT math.IT
Learning Based Dynamic Cluster Reconfiguration for UAV Mobility Management with 3D Beamforming
针对无蜂窝无线网络中无人机通信的动态聚类与功率分配多目标优化难题,提出一种基于定制化掩码软演员-评论家强化学习的动态簇重配置方法,兼顾可靠性、功耗与重配置频率需求。
2024-01-31 cs.IT eess.SP math.IT
Power Control and Interference Management in Dense Wireless Networks
我们解决的问题,干扰管理和功率控制方面的最大化的一般效用函数。对于所考虑的效用函数,我们提出了一种基于不动点迭代的功率控制算法,并证明了该算法在最优功率向量邻域内的局部收敛性。我们的算法有几个好处比以前研究的作品在文献中:第一,该算法可以应用于问题以外的网络效用最大化(NUM),例如,中继网络中的功率控制;其次,对于具有$N$无线发射机的网络,所提出的算法的计算复杂性是每次迭代的$\mathcal{O}(N^2)$计算(显著小于牛顿迭代或梯度下降方法的$\mathcal{O}(N^3) $计算)。此外,该算法收敛速度非常快(通常少于15次迭代),特别是,如果初始化接近最优解,收敛速度要快得多。这表明在缓慢衰落信道中跟踪变化的潜力。最后,当以分布式方式实现时,该算法在每个节点处仅以$\mathcal{O}(N)$的信令/计算复杂性获得最优功率向量。
2012-11-12 cs.IT math.IT math.OC
Optimized Joint Beamforming for Wireless Powered Over-the-Air Computation
研究无线供电AirComp系统,通过联合优化HAP能量波束成形、接收波束成形与WDs发射功率以最小化计算MSE,提出基于交替优化的算法,显著降低了计算均方误差。
2023-05-17 cs.IT eess.SP math.IT
Virtual Reality over Wireless Networks: Quality-of-Service Model and Learning-Based Resource Management
本文研究了无线虚拟现实(VR)用户通过小小区网络(SCN)进行通信的网络资源管理问题。为了获取虚拟现实用户在供应链网络中的服务质量(QoS),提出了一种基于多属性效用理论的虚拟现实模型。该模型共同考虑了VR指标,如跟踪精度,处理延迟和传输延迟。在该模型中,小型基站(SBS)充当VR控制中心,通过蜂窝上行链路收集来自VR用户的跟踪信息。一旦收集到这些信息,SBS将通过下行链路向VR用户发送三维图像和伴随的环绕立体声音频。因此,VR无线网络中的资源分配问题必须联合考虑上行链路和下行链路。这个问题,然后制定为一个非合作的游戏和分布式算法的基础上的机器学习的回声状态网络(ESN)的框架,提出了找到这个游戏的解决方案。使用建议的ESN算法,使SBS预测VR QoS的每个SBS,并保证收敛到一个混合策略的纳什均衡。分析结果表明,每个用户的VR QoS共同取决于VR跟踪精度和无线资源分配。仿真结果表明,所提出的算法产生显着的收益,在VR QoS的总效用值方面,分别达到22.2%和37.5%,相比Q学习和基线比例公平算法。实验结果还表明,该算法比Q学习算法具有更快的收敛时间,并且可以保证VR服务的低延迟。
2018-06-20 cs.IT math.IT
Topological Interference Management through Index Coding
这项工作研究了线性干扰网络,有线和无线,没有信道状态信息在发射机(CSIT),除了粗略的知识的端到端的一跳拓扑的网络,只允许弱(零)和显着(非零)信道之间的区别,没有进一步的知识的信道系数的实现。网络容量(有线)和自由度(无线)被发现是有界以上的索引编码问题的解毒图是给定的干扰图的补充的能力。证明了这些问题在线性解下是等价的。干扰对齐的角度,然后使用现有的索引编码的解决方案转化为有线网络容量和无线网络的自由度的解决方案,以及找到新的和统一的解决方案,所有三个问题的不同类别。
2013-09-30 cs.IT math.IT
Deep Learning For Experimental Hybrid Terrestrial and Satellite Interference Management
Centre Tecnològic de Telecomunicacions de Catalunya (CTTC/CERCA)(加泰罗尼亚电信技术中心(CTTC/CERCA));Universitat Politècnica de Catalunya(加泰罗尼亚理工大学)
干扰管理是许多学科中存在的一个广泛主题。大多数无线标准都存在干扰入侵和网络效率下降的缺点。传统上,通过提出局部地最小化干扰影响的信号处理技术来解决干扰管理。然而,未来通信的快速发展使其难以适应新的时代。在本文中,我们提出使用深度学习技术来提供一个紧凑的干扰管理系统。特别是,我们描述了两个子系统能够检测干扰的存在,即使在高信号干扰比(SIR),和干扰分类在几个无线电标准。最后,我们根据从地面和卫星网络捕获的真实信号给出了结果,结论揭示了人工智能和无线通信的勇敢未来。
2019-06-07 cs.IT cs.LG eess.SP
Resource Management in Wireless Networks via Multi-Agent Deep Reinforcement Learning
HRL Laboratories, LLC(HRL实验室);Intel Corporation(英特尔公司);VMware, Inc.(VMware公司)
我们提出了一种使用多代理深度强化学习(RL)在无线网络中进行分布式资源管理和干扰缓解的机制。我们为网络中的每个发射机配备了一个深度RL代理,该代理接收来自其关联用户的延迟观测,同时还与其相邻代理交换观测,并决定在每个调度间隔服务哪个用户以及使用什么发射功率。我们提出的框架,使代理同时作出决定,并在一个分布式的方式,不知道其他代理的并发决策。此外,我们的代理的观察和动作空间的设计是可扩展的,在这个意义上说,一个代理训练的情况下,具有特定数量的发射机和用户可以应用到不同数量的发射机和/或用户的情况。仿真结果表明,我们提出的方法相比,分散的基线在平均和$5^{th}$百分位用户率之间的权衡方面的优越性,同时实现性能接近,甚至在某些情况下优于,集中式信息理论基线。我们还表明,我们训练有素的代理是强大的,并保持他们的性能增益时,遇到训练和测试部署之间的不匹配。
2021-01-11 cs.IT cs.LG cs.MA
Energy Management for Energy Harvesting Wireless Sensors with Adaptive Retransmission
本文分析了两个能量收集无线传感器节点之间的通信。节点采用自动重传请求和前向纠错机制进行差错控制。可用能量的随机性质和所收获能量的到达可能引起信号采样和解码操作的中断。我们提出了一种选择性的采样方案,其中发送的数据包的长度被采样取决于在接收器的可用能量。接收器在数据包的完整样本可用时执行解码。选择性采样信息比特被搭载在自动重复请求消息上以供发射机使用。这样,接收器节点更有效地管理其能量使用。此外,我们提出了部分可观测马尔可夫决策过程公式,它最大限度地减少了长期平均成对错误概率和优化发射功率。针对重传问题,提出了适合于选择性采样和信道状态信息的最优和次优功率分配策略。在电池容量有限和功率分配策略不变的情况下,推导了平均丢包率的解析表达式。数值仿真结果表明,与传统的方案相比,所提出的方案与功率分配策略的性能增益。
2017-10-25 cs.IT math.IT
When Machine Learning Meets Wireless Cellular Networks: Deployment, Challenges, and Applications
Ericsson Research(爱立信研究院)
人工智能(AI)驱动的无线网络有望从网络设计到基础设施管理、降低成本和提高用户性能等方面彻底改变当前网络的传统操作和结构。通过人工智能功能为未来的网络提供支持,将实现从被动/事件驱动型运营向主动/数据驱动型运营的转变。本文概述了5G及其他网络中AI功能的集成。成功集成AI的关键因素,如数据,安全性和可解释的AI。总结了未来网络中的各种网络智能以及基于机器学习的空中接口。然后总结了AI在无线领域应用的用例示例。我们重点介绍了物理层、移动性管理、无线安全和本地化的应用。
2020-05-01 cs.IT cs.LG math.IT
Feasibility-Aware Learning-to-Optimize in Wireless Communication Resource Allocation
School of Electrical and Computer Engineering, University of Georgia(佐治亚大学电气与计算机工程学院)
本文提出面向可行性的学习-优化技术,用于解决无线通信中大规模资源分配问题,通过学习方法提升计算效率并优化资源分配性能。
2026-01-25 cs.IT math.IT
ENGNN: A General Edge-Update Empowered GNN Architecture for Radio Resource Management in Wireless Networks
The University of Hong Kong(香港大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);Tongji University(同济大学)
为了在未来的无线网络中实现高数据率和无处不在的连接,关键任务是通过明智的波束成形和功率分配来有效地管理无线电资源。不幸的是,由于高计算复杂性,通常应用的基于优化的算法的迭代性质不能满足低延迟要求。对于实时实现,基于深度学习的方法,特别是图神经网络(GNN),由于置换等方差(PE)属性,已经被证明具有良好的可扩展性和泛化性能。然而,目前的架构只配备了节点更新机制,这禁止应用程序到更一般的设置,其中未知变量也定义在图的边缘。为了填补这一空白,我们提出了一种边缘更新机制,使GNN能够处理节点和边缘变量,并证明其相对于发送器和接收器的PE属性。典型无线资源管理问题的仿真结果表明,该方法实现了更高的和速率,但与国家的最先进的方法相比,具有更短的计算时间,以及推广不同数量的基站和用户,不同的噪声方差,干扰水平,和发射功率预算。
2022-12-14 cs.AI cs.IT cs.NI
Comeback Kid: Resilience for Mixed-Critical Wireless Network Resource Management
本文针对未来6G安全关键场景,提出联合弹性与混合关键性概念的物理层资源管理方法,在速率分割范式下构建非凸优化问题并设计高效迭代算法,显著提升了信道中断和严格QoS需求下的网络弹性与吞吐量适应能力。
2022-06-11 cs.IT math.IT
Resource Allocation in Full-Duplex Communications for Future Wireless Networks
最近在实现全双工~(FD)系统方面取得的重大进展为在未来无线网络中提高服务质量(QoS)和体验质量(QoE)开辟了一条有希望的途径。目前迫切需要解决FD网络设计、理论和开发的不同方面的各种挑战。除了自干扰消除信号处理算法之外,诸如资源管理之类的网络协议在FD无线网络的实际设计和实现中也是必不可少的。本文从功率、空间、频率、设备等方面对全双工系统中的网络资源进行了分析,并提出了不同全双工系统中资源分配的最新进展和未来发展方向。四个代表性的应用场景被认为是:FD MIMO网络,FD合作网络,FD OFDMA蜂窝网络,和FD异构网络。提出了这些系统中的资源管理问题和新算法,并讨论了关键的开放研究方向。
2015-05-12 cs.IT math.IT
Toward a Quiet Wireless World: Multi-Cell Pinching-Antenna Transmission
School of Electrical and Electronic Engineering, Nanyang Technological University(南洋理工大学电气与电子工程学院)
本文提出利用捏合天线技术实现多小区干扰管理,通过低功耗传输实现宁静无线环境,提升用户服务质量。
2026-02-23 cs.IT math.IT
Transmission Policies for Interference Management in Full-Duplex D2D Communication
全双工(FD)无线和设备到设备(D2D)通信是两种有前景的技术,其期望增强无线网络的频谱和能量效率,从而满足第五代(5G)移动网络的关键要求。然而,这两种技术都会产生过多的干扰,如果不加以有效管理,可能会损害系统性能。在这个方向上,我们提出了两个传输策略,增强了两个干扰FD使能D2D对的通信,来自博弈论和优化理论。博弈论的政策允许对独立地选择他们的传输模式和最佳的政策,以最大限度地提高他们的吞吐量,实现显着的收益时,对彼此强烈干扰。
2016-11-27 cs.IT math.IT
Matching Theory for Backhaul Management in Small Cell Networks with mmWave Capabilities
设计具有成本效益和可扩展的回程解决方案是新兴无线小小区网络(SCN)的主要挑战之一。在这方面,毫米波(mmW)通信技术最近已经成为实现高速且可靠的无线小型小区回程网络(SCBN)的愿景的有吸引力的解决方案。在本文中,提出了一种新的方法来管理异构SCBN的频谱资源,可以同时利用毫米波和传统的频带通过载波聚合。特别地,提出了一种新的SCBN模型,其中配备有宽带光纤回程的小小区基站(SCBS)通过使用聚合频带将其频率资源分配给具有无线回程的SCBS。所研究的模型的一个独特之处是,它联合帐户的无线信道特性和经济因素在资源分配。然后,将问题制定为一个一对多的匹配游戏,并提出了一个分布式算法来找到一个稳定的游戏结果。证明了算法的收敛性,并研究了所得匹配的性质。仿真结果表明,在无线回程的约束下,所提出的方法实现了显着的性能增益,达到$30 \%$相比,传统的尽力而为的方法。
2015-01-11 cs.GT cs.IT math.IT
Cognitive Interference Management in Retransmission-Based Wireless Networks
认知无线电方法具有显著提高无线系统吞吐量的潜力。在此,与仅允许次用户在主用户空闲时进行发送的更传统的感测方法相比,探索了使得主用户和次用户传输在时间和频率上叠加的控制策略。在这项工作中,最优传输策略的次要用户时,主要用户采用重传为基础的差错控制方案进行了研究。该策略的目标是最大化次用户的吞吐量,与主用户的吞吐量损失和故障概率的约束。由于该约束,最优策略被随机化,并且根据由主用户服务的分组的重传状态来确定次用户发送的频率。由此产生的次级用户的最优策略被证明具有独特的结构。特别地,次用户通过在主用户分组的第一次传输中集中其传输以及因此其对主用户的干扰来实现最佳吞吐量。本文考虑的相当简单的框架突出了迄今为止尚未涉及的认知网络的两个基本方面:(i)主要用户实现的联网机制(在所考虑的模型中通过重传的差错控制)对次级用户的活动作出反应;(ii)如果考虑联网机制,则在优化次级用户的策略时必须考虑它们的状态,即,基于主用户状态的二元活动/空闲感知的策略是次优的。
2011-11-22 cs.IT math.IT
Interference Management in 5G Reverse TDD HetNets with Wireless Backhaul: A Large System Analysis
这项工作分析了异构网络(HetNet),它包括一个宏基站(BS)配备了大量的天线和覆盖密集层的小小区接入点(SCA)使用无线回程的数据流量。静态和低移动性用户设备终端(UE)与SCA相关联,而具有中到高移动性的那些UE由宏BS服务。两层使用反向时分双工(TDD)协议,这允许BS本地估计层内和层间信道。然后,在BS处在上行链路(UL)或下行链路(DL)中使用该知识,以同时服务宏UE(MUE)并向SCA提供无线回程。提出了同信道SCA的地理分离以限制来自MUE的UL信号的干扰。在BS处使用采用迫零(ZF)或正则化ZF的级联线性预编码技术,以同时服务DL中的MUE和SCA,同时在UL中使对那些SCA的干扰为零。我们评估和表征的系统的性能,通过UL和DL传输的功耗的假设下,必须满足目标速率和不完美的信道状态信息是可用于MUE。分析是在渐近制度中进行的,其中BS天线的数量和网络规模(MUE和SCA)以固定的比率增长。来自大系统分析的结果被用于在上述假设下提供用于渐进UL和DL发射功率和预编码向量的简明公式。数值结果用于验证不同环境下的分析,并与替代网络架构进行比较。
2015-05-04 cs.IT math.IT
Reflection Resource Management for Intelligent Reflecting Surface Aided Wireless Networks
本文研究了两跳网络中多个单天线源端对采用智能反射面的问题。与以往的IRS研究仅关注IRS中所有反射元件的反射系数的调整不同,本文考虑了真实反射资源管理。具体地说,真正的反射资源管理可以通过触发器模块选择的基础上,我们提出的IRS架构,所有的反射元件的部分控制由多个并行开关的控制器。随着反射元件数量的增加,在这种情况下,由于不可压缩的能量消耗,真正的反射资源管理将变得迫切需要。此外,所提出的模块化结构的IRS的设计,使反射元件部分独立和可控。因此,我们的目标是通过联合触发模块子集选择、ST的发射功率分配以及触发模块的相应被动波束成形来最大化DT处的最小信号与干扰加噪声比(SINR),这取决于每ST功率预算和模块大小约束。而这个问题是NP-难的,由于模块大小的约束,为了处理它,我们转换的硬模块大小的限制到组稀疏的限制,通过引入混合行块范数,这产生了一个合适的半定松弛。此外,提出了并行交替方向乘法器(PADMM)方法来识别触发模块子集,然后通过对广义分式规划进行部分线性化,在不考虑组稀疏约束的情况下,通过求解最小信干噪比最大化问题来获得发射功率分配和无源波束形成。
2020-09-30 cs.IT cs.NI cs.PF
DIFFRACT: Neuralized Utility Maximization for Wireless Networks by Differentiable Programming
Nanyang Technological University(南洋理工大学)
提出DIFFRACT框架,利用可微编程将深度学习与优化结合,通过算法展开将干扰管理算法映射为可微神经网络,实现分布式端到端梯度学习,以应对动态多用户干扰和随机服务质量约束。
2026-06-05 cs.AI cs.IT cs.NI