"Fog" Optimization via Virtual Cells in Cellular Network Resource Allocation
这项工作提出了一个新的资源分配优化框架,蜂窝网络使用“雾”或基于邻域的优化,而不是完全集中或完全分散的方法。在基于邻域的优化中,资源被分配在虚拟小区内,该虚拟小区包括若干基站和它们的覆盖区域内的用户。随着虚拟小区内基站数量的增加,该框架恢复到集中式优化,并且随着该数量的减少,其恢复到分散式优化。我们解决了两个任务,必须进行的雾优化框架:形成虚拟小区和有效地分配通信资源,在每个虚拟小区。我们提出了层次聚类的虚拟细胞的形成给定的特定数量的这样的细胞。一旦虚拟小区形成,我们考虑几种优化方法来解决NP-硬联合信道接入和功率分配问题,在每个虚拟小区内,以最大限度地提高整个系统的总速率。我们提出了数值结果的系统和率下的层次聚类的每个方案。我们的研究结果表明,即使对于相对大量的虚拟小区,雾优化的适当设计也会导致相对于集中式优化的小降级。然而,不适当的设计会导致相对于集中式优化的和率显著下降。
2019-01-20 cs.IT math.IT
Non-Orthogonal Multiplexing of Ultra-Reliable and Broadband Services in Fog-Radio Architectures
第五代(5G)蜂窝系统正在引入超可靠低延迟通信(URLLC)服务以及更传统的增强型移动宽带(eMBB)业务。此外,5G蜂窝架构正在从以基站为中心的部署演变为雾状设置,以适应云和边缘之间灵活的功能划分。在本文中,提出了一种新的解决方案,该解决方案通过在边缘节点(EN)处处理URLLC业务来实现URLLC和eMBB服务的非正交共存,而eMBB通信如在云无线电接入网络(C-RAN)系统中那样在云处理器处集中处理。该解决方案通过边缘处理来保证URLLC服务的低延迟要求,例如,用于车辆到蜂窝使用情况,以及通过集中式基带处理的eMBB流量的高频谱效率。通过考虑eMBB和URLLC业务的异构性能要求以及通过考虑实际方面(诸如衰落、URLLC发射机的信道状态信息的缺乏、eMBB发射机的速率适配、有限前传容量以及诸如打孔的不同共存策略)来分析上行链路和下行链路两者。
2018-12-21 cs.IT cs.NI math.IT
Information-Centric Grant-Free Access for IoT Fog Networks: Edge vs Cloud Detection and Learning
考虑了多小区雾无线电接入网络(F-RAN)架构,其中物联网(IoT)设备周期性地对感兴趣的量(QoI)进行噪声观测,并在上行链路中使用免授权接入进行发送。每个小区中的设备连接到边缘节点(EN),该边缘节点也可以具有到中央处理器的有限容量前传链路。与传统的信息不可知协议相比,设备使用基于类型的多址(TBMA)协议进行发送,该协议被定制为使得能够基于从IoT设备接收的测量来估计每个小区中的相关QoS的字段。本文首次在具有边缘或云检测的多小区F-RAN模型中研究了这种形式的以信息为中心的无线电接入。边缘和云检测的设计和比较多细胞系统。最佳的基于模型的检测器的介绍和由此产生的渐近行为的错误的概率在云和边缘。然后,对于统计模型不可用的情况,讨论了数据驱动的边缘和云检测器,并在数值结果中进行了评估。
2020-01-21 cs.IT cs.NI math.IT
Learning-based decentralized offloading decision making in an adversarial environment
Aalto University(阿尔托大学)
VFC(Vehicular Fog Computing)将云计算能力推送到互联网边缘的分布式雾节点,通过任务卸载为车辆提供计算密集型和延迟敏感型计算服务。然而,异构的移动环境中引入的资源供应和需求方面的不确定性,这是不可避免的最佳卸载决策的瓶颈。此外,这些不确定性给在不经意的对手攻击和数据隐私风险下的任务卸载带来了额外的挑战。在这篇文章中,我们开发了一个新的对抗性在线学习算法与强盗反馈的基础上的对抗性多臂强盗理论,使可扩展的和低复杂度的卸载决策。具体来说,我们专注于优化雾节点的选择,目的是最大限度地减少卸载服务成本的延迟和能源。关键是在选择过程中隐式地调整探索奖金和所设计算法的评估规则,同时考虑到波动的资源供应和需求。我们从理论上证明,输入大小相关的选择规则允许选择一个合适的雾节点,而不探索次优的行动,也是一个适当的分数修补规则允许快速适应不断变化的情况下,减少方差和偏见,同时,从而实现更好的开发探索平衡。仿真结果验证了该算法的有效性和鲁棒性。
2021-09-06 cs.IT cs.LG math.IT
Decentralized Uplink Adaptive Compression for Cell-Free MIMO with Limited Fronthaul
针对前传容量受限的无蜂窝MIMO上行压缩问题,提出基于速率的自适应压缩方法,可动态调整维度与压缩参数,通过解耦容量表达式实现低开销分布式部署,性能接近集中式方案。
2025-06-12 cs.IT cs.NI cs.SY
Storage-Latency Trade-off in Cache-Aided Fog Radio Access Networks
研究了雾无线接入网(F-RAN),其中$K_T$边缘节点(EN)通过正交前传链路连接到云服务器,通过无线高斯干扰信道为$K_R$用户提供服务。EN和用户都具有有限容量的高速缓存存储器,在用户需求被揭示之前,这些高速缓存存储器被填满。虽然集中式布局阶段用于模拟静态基站的EN,但是分散式布局用于移动用户。提出了一种可实现的传输方案,该方案在传输阶段采用干扰对齐、迫零和干扰消除技术的组合,并分析了捕获最坏情况延迟的\textit{normalized delivery time}(NDT)。
2018-02-06 cs.IT math.IT
Completion Time Minimization of Fog-RAN-Assisted Federated Learning With Rate-Splitting Transmission
Jeonbuk National University(全北国立大学);Pukyong National University(釜庆国立大学)
这项工作研究了雾无线电接入网络上的联邦学习(FL),其中多个物联网(IoT)设备通过分布式接入点(AP)与云服务器(CS)进行通信,协同学习共享机器学习模型。在将AP连接到CS的前传链路具有有限容量的假设下,提出了IoT设备(ID)处的速率拆分传输,其使得能够对拆分的上行链路消息进行混合边缘和云解码。FL的完成时间最小化的问题是通过优化率分割传输和前传量化策略以及训练超参数(如精度和迭代次数)来解决的。数值结果表明,所提出的速率分裂传输实现了显着的收益比基准计划,仅依赖于边缘或云解码。
2022-06-03 cs.IT cs.LG eess.SP
Fully Decentralized Massive MIMO Detection Based on Recursive Methods
用于大规模多输入多输出上行链路检测的算法通常依赖于集中式方法,通过该方法,来自所有天线模块的基带数据被路由到中央节点以便被处理。在大规模多输入多输出的情况下,其中在基站中预期有数百或数千个天线,这种架构导致瓶颈,在互连带宽要求方面具有关键限制。本文提出了一种基于递归方法的大规模多输入多输出上行链路的完全分散的结构和算法,该结构和算法不需要中心节点进行检测过程。通过一个递归的方法和非常低的复杂性操作,所提出的算法提供了一个序列的估计渐近收敛到迫零的解决方案,而不需要特定的硬件矩阵求逆。所提出的解决方案实现了显着低于其他架构的互连数据速率,使未来的可扩展性。
2018-08-28 cs.IT eess.SP math.IT
Joint Source-Channel Coding for Semantics-Aware Grant-Free Radio Access in IoT Fog Networks
针对物联网(IoT)系统研究了一种雾无线接入网络(F-RAN)架构,在该物联网系统中,无线传感器监测多个多值事件,并使用免授权随机接入在上行链路中向多个边缘节点(EN)发送。每个EN经由有限容量前传链路连接到中央处理器(CP)。在传统的信息不可知协议的基础上单独的源信道(SSC)编码,其中每个设备使用一个单独的码本,本文认为,通过非正交的广义的基于类型的多址接入(TBMA)的联合源信道(JSC)编码的基础上,以信息为中心的方法。通过利用观察到的信号的语义,测量相同事件的所有传感器共享相同的码本(具有非正交码字),并且对事件进行相同局部估计的所有这样的传感器发送相同的码字。F-RAN架构直接检测事件值,而无需首先对每个设备执行单独解码。云和边缘检测方案的贝叶斯消息传递的基础上设计和云和边缘处理之间的权衡进行评估。
2021-01-27 cs.IT eess.SP math.IT
Decentralized Opportunistic Access for D2D Underlaid Cellular Networks
我们提出了一种分散的接入控制方案,用于D2D(设备到设备)底层蜂窝网络中的干扰管理。我们的方法在D2D链路机会性地接入许可蜂窝频谱的情况下将SIR感知链路激活与蜂窝排除区域相结合。推导出蜂窝和D2D链路的覆盖概率的解析表达式和紧密近似。我们表征的保护区半径和SIR阈值上的D2D区域的频谱效率和蜂窝覆盖的影响。提出了一种易于处理的方法,以便找到SIR阈值和保护区半径,其最大化D2D通信的区域频谱效率,同时确保蜂窝上行链路用户的足够覆盖概率。仿真验证了我们的分析结果的准确性,并显示了我们提出的方案相比,现有的最先进的解决方案的性能增益。
2016-07-19 cs.IT cs.NI math.IT
Cellular-Connected UAV: Uplink Association, Power Control and Interference Coordination
视距(LoS)空-地信道为蜂窝连接无人机(UAV)通信带来了机遇和挑战。一方面,与地面用户相比,LoS信道使更多的蜂窝基站(BS)对UAV可见,这导致用于UAV-BS通信的更高的宏分集增益。另一方面,它们还使得UAV向/从BS施加/遭受更严重的上行链路/下行链路干扰,因此需要涉及更多BS的更复杂的小区间干扰协调(ICIC)技术。在本文中,我们考虑从无人机到蜂窝基站的上行链路传输,与现有的地面用户共享频谱。为了研究最佳ICIC设计和空地性能权衡,我们通过联合优化UAV的上行链路小区关联和多个资源块上的功率分配来最大化UAV和现有地面用户的加权和速率。然而,这个问题是非凸的,很难得到最优解。首先,我们提出了一个集中的ICIC设计,以获得局部最优解的逐次凸逼近(SCA)方法的基础上。由于集中式ICIC需要网络的全局信息和大量的BS之间的信息交换,我们进一步提出了一个分散的ICIC方案,显着降低复杂性和信令开销的实现,通过将蜂窝BS划分为小规模的集群和利用LoS宏分集之间的无人机和集群头BS交换信息。数值结果表明,所提出的集中式和分散式ICIC方案都达到了接近最优的性能,并得出重要的设计见解的基础上,实际的系统设置。
2019-08-15 cs.IT math.IT
Decentralized Coded Caching in Wireless Networks: Trade-off between Storage and Latency
研究了雾无线接入网(F-RAN)的分布式编码缓存,其中两个边缘节点(EN)通过有限容量的前传链路连接到云服务器,为$K_r$用户的请求提供服务。我们认为所有的EN和用户都配备了缓存。提出了一种分散式内容放置,以在非高峰时段在每个网络节点独立地存储内容。在此基础上,我们设计了一个编码的交付计划,以提供用户的需求在高峰时段的目标下,最小化的归一化交付时间(NDT),这是指最坏的情况下交付延迟。最小无损检测的信息理论下限推导出任意数量的EN和用户。我们数值评估的分散计划的性能。此外,我们证明了一个特殊的情况下,当缓存只在EN的分散计划的近似最优性。
2017-01-25 cs.IT math.IT
Performance Analysis of Fog-Aided D2D Networks with Multicast-Based Opportunistic Content Delivery
在本文中,我们开发了一个全面的和易于处理的分析框架的基础上随机几何评估大规模雾辅助设备到设备(F-D2 D)网络的性能与机会内容组播。作为分析的一部分,为了解决来自不能高速缓存的常规用户设备(C-UE)的文件请求的竞争,考虑了用于高速缓存使能的雾用户设备(F-UE)的两种简单而典型的候选文件选择方案,即随机文件选择(RFS)方案和最多请求文件选择(MRFS)方案。此外,为了抑制F-UE的并发传输之间的有害干扰,通过探索机会性频谱接入(OSA)的思想,提出了一种基于组播的机会性内容分发策略。假设分散的概率缓存,我们首先推导出F-UE的激活概率。然后,通过采用适当的近似,评估F-D2 D网络的高速缓存命中概率、覆盖概率,从而评估F-D2 D网络的成功内容递送概率(SCDP)。我们还开发了一个迭代算法的基础上的梯度投影方法,以获得一个次优的缓存策略的SCDP最大化。大量的仿真和数值结果验证了我们的分析,并证明了所提出的基于组播的机会主义内容分发策略的优越性能。
2022-07-17 cs.IT math.IT
Fog Massive MIMO: A User-Centric Seamless Hot-Spot Architecture
如针对5G网络所提出的,数据和控制平面的解耦将使多层网络的有效实现成为可能,其中用户设备(UE)节点通过顶层宏小区获得覆盖和连接,并且同时通过层次结构中的较低层实现高吞吐量低延迟通信。本文考虑了一种用于这种较低层的新架构,称为雾大规模MIMO,其中UE能够以无缝和机会主义的方式建立高吞吐量低延迟数据链路,因为它们穿过高容量无线基础设施节点的浓雾,称为远程无线电头端(RRH)。密集多小区网络中的传统切换机制固有地引起频繁的切换和导频序列重新分配,结果导致过多的协议开销和显著的延迟。在所提出的雾大规模MIMO架构中,UE以完全自主的方式将其自身无缝地且隐式地关联到最方便的RRH。每个UE利用唯一的上行链路导频序列,并且通过新颖的编码的“运行中”导频污染控制机制来减轻导频污染。我们通过随机几何分析的频谱效率和中断概率的建议架构,使用最近的一些结果在布尔模型中的独特的覆盖范围,并提供了一个详细的比较相对于一个理想化的基线大规模MIMO蜂窝系统,忽略协议开销和延迟,由于明确的用户-小区关联。我们的分析,支持广泛的系统仿真,揭示了存在一个“甜蜜点”的每个导频用户负载(每个导频的用户数),使所提出的系统实现的频谱效率接近一个理想的蜂窝系统的最小距离的用户基站的关联和没有导频/切换开销。
2018-03-20 cs.IT math.IT
Task-Oriented Edge Networks: Decentralized Learning Over Wireless Fronthaul
Ulsan National Institute of Science and Technology (UNIST)(蔚山国立科学技术研究院);Pukyong National University(釜庆国立大学)
本文针对边缘物联网节点仅能获取局部观测且前传链路资源受限的问题,提出前传协同的模块化DNN架构及上下行协调协议,实现边缘-云推理规则的去中心化训练与执行。
2023-12-03 cs.IT cs.LG eess.SP
Two-level Transmission Scheme for Cache-enabled Fog Radio Access Networks
在本文中,我们研究的下行链路传输缓存启用雾无线电接入网络,旨在最大限度地提高交付率的限制下的前传容量,最大发射功率,和文件的大小。为了减少传输延迟和前传链路的负担,充分利用增强型远程射频头端(eRRH)的本地缓存和基带信号处理能力,提出了一种包括缓存级和网络级传输的两级传输方案。在高速缓存级传输中,仅将在本地高速缓存中高速缓存的请求文件传输给相应的用户。缓存级传输的持续时间是由基带单元(BBU)和eRRH之间的传输以及BBU处的信号处理引起的延迟。剩余的请求文件在网络级传输时被联合传输给相应的用户。对于缓存级传输,首先提出了集中式优化算法,然后提出了分散式优化算法,以避免eRRH之间的信令交换。同时,针对网络级传输的优化问题,提出了另一种集中式优化算法。所有算法都被证明收敛于问题的Karush-Kuhn-Tucker(KKT)解。数值结果验证了所提出的传输方案的有效性,以及评估系统的性能。
2018-09-03 cs.IT math.IT
Location-Aided Coordinated Analog Precoding for Uplink Multi-User Millimeter Wave Systems
毫米波(mmWave)通信有望在下一代蜂窝网络中发挥重要作用,旨在应对影响传统无线载波的带宽短缺。已经提出使用边信息作为在毫米波大规模多输入多输出(m-MIMO)通信中加速波束选择的潜在方法。然而,在实践中,这样的信息并不是没有错误的,导致性能下降。在多用户情况下,错误的波束选择可能导致基站(BS)侧的不可减少的用户间干扰。在本文中,我们考虑在毫米波上行链路的情况下,多个用户(UE)的位置辅助预编码器的设计。假设存在直接的设备到设备(D2 D)链路,我们提出了一个分散的协调机制,鲁棒的快速波束选择。该算法允许BS侧的干扰的改进处理,并且进而导致更大的频谱效率。
2017-11-08 cs.IT eess.SP math.IT
Uplink Power Control for Extremely Large-Scale MIMO with Multi-Agent Reinforcement Learning and Fuzzy Logic
本文研究了无小区(CF)超大规模多输入多输出(XL-MIMO)系统的上行链路发射功率优化问题。与传统方法不同,本文提出了两种信号处理架构:模糊逻辑集中训练集中执行和模糊逻辑集中训练分散执行,分别采用多智能体强化学习(MARL)和模糊逻辑的融合来解决功率控制的设计问题,以最大化系统的频谱效率(SE)。此外,系统采用最大比(MR)合并和本地最小均方误差(L-MMSE)合并的上行链路性能进行了评估。我们的结果表明,所提出的方法与模糊逻辑优于传统的基于MARL的方法和信号处理方法的计算复杂性。此外,MR组合下的SE性能甚至优于传统的基于MARL的方法。
2023-02-18 cs.IT eess.SP math.IT
Decentralized Expectation Propagation for Semi-Blind Channel Estimation in Cell-Free Networks
针对无蜂窝大规模MIMO上行半盲信道估计中的导频污染问题,提出融合CLT与EP的去中心化因子分解方法,在无需新增辅助变量的同时降低CPU计算负担。
2024-10-02 cs.IT eess.SP math.IT
Decentralized Baseband Processing for Massive MU-MIMO Systems
在现实的大规模多用户(MU)多输入多输出(MIMO)无线系统中实现高频谱效率需要用于上行链路(用户向基站发送)中的数据检测和下行链路(基站向用户发送)中的波束成形的计算复杂的算法。大多数现有算法被设计为在基站(BS)处的集中式计算硬件上执行,这导致具有数百或数千个天线的系统的过高的复杂性,并且生成超过当前互连技术和芯片I/O接口的限制的原始基带数据率。本文提出了一种新的分散式基带处理架构,通过将BS天线阵列划分为集群来消除这些瓶颈,每个集群与独立的射频链、模拟和数字调制电路以及计算硬件相关联。对于这种架构,我们开发了新的分散的数据检测和波束形成算法,只访问本地信道状态信息,并要求集群之间的低通信带宽。我们研究了错误率性能,计算复杂性和互连带宽之间的相关权衡,我们证明了我们的解决方案的可扩展性,大规模MU-MIMO系统与成千上万的BS天线使用参考实现的图形处理单元(GPU)集群。
2017-11-15 cs.IT math.IT
Multihop Backhaul Compression for the Uplink of Cloud Radio Access Networks
在云无线电接入网络(C-RAN)中,无线电单元(RU)的基带处理被迁移到远程控制单元(CU)。这通过连接RU和CU并且承载压缩基带信号的回程链路的网络而成为可能。虽然以前的工作主要集中在单跳回程网络,本文研究了有效的回程压缩策略的C-RAN的上行链路与一般的多跳回程拓扑结构。首先研究基线复用转发(MF)方案,其中每个RU转发从连接的RU接收的比特流而不进行任何处理。观察到,在存在具有良好连接的回程网络的RU的密集部署的情况下,该策略可能导致显著的性能降级。为了解决这个问题,提出了一种方案,其中每个RU对接收到的比特流进行解压缩,并对解压缩的信号执行线性网络内处理。对于MF和解压缩处理和再压缩(DPR)回程方案,最优设计的目的是最大化的回程容量约束下的和速率。认识到显着的需求的DPR方案的最佳解决方案在RU的信道状态信息(CSI)方面,分散优化算法提出了在RU的有限CSI的假设下。数值结果提供的MF和DPR计划的性能进行比较,突出的潜在优势,在网络处理和CSI的限制的影响。
2013-12-26 cs.IT math.IT
A Joint Reinforcement-Learning Enabled Caching and Cross-Layer Network Code for Sum-Rate Maximization in F-RAN with D2D Communications
在本文中,我们利用强化学习(RL)和跨层网络编码(CLNC)有效地预取用户的内容到本地缓存,并将这些内容提供给用户在下行链路雾无线接入网络(F-RAN)与设备到设备(D2 D)通信。在所考虑的系统中,雾接入点(F-AP)和缓存使能的D2 D(CE-D2 D)用户配备有本地缓存,以减轻在前传的流量负担,而用户的内容可以很容易地和快速地容纳。在CLNC中,编码决策考虑用户的内容、其速率以及F-AP和CE-D2 D用户的功率水平,并且RL优化缓存策略。为了实现这一目标,一个联合内容放置和交付问题制定为一个优化问题的目标,以最大限度地提高系统的总和率。对于这个NP难题,我们首先开发了一种创新的分散式CLNC联盟形成(CLNC-CF)算法,以获得内容交付问题的稳定解决方案,其中F-AP和CE-D2 D用户利用CLNC资源分配。通过考虑F-AP和CE-D2 D用户的行为,我们开发了一种多代理RL(MARL)算法,用于优化F-AP和CE-D2 D用户的内容放置。仿真结果表明,与最优未编码算法、标准速率感知NC算法和网络层优化的基准经典NC算法相比,联合CLNC-CF和RL框架可以有效地提高和速率,分别提高30%、60%和150%.
2021-03-22 cs.IT math.IT
Sensing-Assisted Adaptive Channel Contention for Mobile Delay-Sensitive Communications
针对具备环境与移动感知的分布式毫米波上行系统,提出自适应信道竞争机制,将其建模为去中心化多智能体MDP,并用无偏梯度估计和随机梯度下降优化本地策略,仿真显示效率显著优于SPSA。
2024-05-10 cs.IT eess.SP math.IT
3-D Deployment of UAV Swarm for Massive MIMO Communications
我们考虑了多天线地面站和无人机群之间的上行链路传输。将无人机视为智能体,通过智能体探索无人机的最优三维(3-D)部署,最大化多输入多输出(MIMO)系统的信道容量。具体而言,考虑到每个无人机在访问网络的全局信息的限制,我们专注于一个分散控制的策略,注意到每个无人机群只能利用本地信息,以实现最佳的3-D部署。在这种情况下,优化问题可以被划分为关于秩函数的若干优化子问题。由于秩函数的非凸性质和优化子问题耦合的事实,原始问题是NP难的,因此不能用标准凸优化求解器来求解。有趣的是,我们可以放松每个子问题的约束条件,并通过制定无人机信道容量最大化博弈来解决优化问题。我们根据设计的奖励函数和势函数对这种博弈进行了分析。然后讨论了博弈中纯纳什均衡的存在性。为了实现MIMO系统的最佳纳什均衡,提出了一种分散式学习算法,即无人机分散式信道容量学习。文中给出了算法的细节,并对算法的收敛性、有效性和计算复杂性进行了分析。此外,我们给出了一些有见地的意见的基础上的证明和理论分析。仿真结果表明,所提出的学习算法能够利用局部信息优化无人机群的三维部署,从而获得较高的MIMO信道容量。
2021-05-03 cs.IT eess.SP math.IT
User-Centric Cell-Free Wireless Networks for 6G: Communication Theoretic Models and Research Challenges
本文为6G以用户为中心的无蜂窝网络建立了可扩展的物理层通信理论模型,提出动态簇形成、导频分配及基于簇的线性收发方案,并给出上行-下行对偶性。
2024-01-12 cs.IT eess.SP math.IT
Centralized and Distributed Sparsification for Low-Complexity Message Passing Algorithm in C-RAN Architectures
云无线接入网(C-RAN)是第五代(5G)蜂窝系统的一种很有前途的技术。然而,由要从无线电远程头端(RRH)收集(在上行链路中)并在基带单元(BBU)处处理的大量数据所施加的负担构成了严重的挑战。为了减少BBU处的最小均方误差(MMSE)接收机的计算工作量,可以使用高斯消息传递(MP)以及信道矩阵的适当稀疏化。在本文中,我们提出了两套解决方案,集中式或分布式的。在集中式解决方案中,我们提出了不同的方法来稀疏化信道矩阵,以降低MP的复杂度。然而,这些方法仍然需要将到达RRH的所有信号传送到BBU,因此骨干网络设备之间的通信要求不变。相反,在分散式解决方案中,我们的目标是通过预处理RRH处的信号并将减少的信号集合传送到BBU来降低BBU处的MP的复杂性和对RRHs-BBU通信链路的要求。
2017-06-27 cs.IT math.IT
Digital Twin-Assisted In-Network and Edge Collaboration for Joint User Association, Task Offloading, and Resource Allocation in the Metaverse
Chonnam National University(全南国立大学)
本文提出基于数字孪生的网络内计算框架,通过URLLC实现实时同步与协作计算,解决元宇宙中2D转3D的计算需求及上下行数据特性不对称问题,提升系统效用和能效。
2026-04-03 cs.DC cs.IT math.IT
Sum-Rate Maximization for Multi-Reconfigurable Intelligent Surface-Assisted Device-to-Device Communications
本文提出了在设备到设备(D2D)底层蜂窝系统中部署多个可重构智能表面(RIS)。通过联合优化用户的发射功率、蜂窝用户(CU)和D2D链路的配对、基站(BS)的接收波束成形以及RI的配置,使系统的上行链路总速率最大化,服从用户的功率限制和服务质量(QoS)。为了解决这个问题的非凸性,我们开发了一种新的块坐标下降(BCD)框架,该框架从RIS的配置中提取D2D-CU配对、功率分配和接收波束成形。具体地,我们推导出任何D2D-CU配对下的功率分配和接收波束成形的封闭形式表达式,这有助于将D2D-CU配对解释为使用匈牙利算法求解的二分图匹配。我们把配置的RIS到一个二次约束的二次规划(QCQP)与多个二次约束。一个低复杂度的算法,命名为黎曼流形为基础的交替方向的乘法器(RM-ADMM),被开发成更简单的QCQP与一个单一的约束,每个QCQP分解,并有效地解决他们在一个分散的方式。仿真结果表明,该算法可以显着提高D2D底层系统的和速率,降低了复杂度,相比其替代方案的基础上半定松弛(SDR)。
2021-08-16 cs.IT eess.SP math.IT
A novel alternative to Cloud RAN for throughput densification: Coded pilots and fast user-packet scheduling at remote radio heads
我们考虑具有大型天线阵列的远程无线电头端(RRH)的无线网络,在TDD中操作,具有上行链路(UL)训练和基于信道互易性的下行链路(DL)传输。为了实现大面积频谱效率,我们提倡使用依赖于基本调度、每个RRH的分散操作和以用户为中心的DL传输的方法。假设时隙系统,由此用户被随机调度(例如,经由混洗循环)在时隙中并且跨越每个时隙的有限导频维度。结果,RRH附近的多个用户可以同时在相同的导频维度上发送导频(并且因此彼此干扰)。每个RRH在“扇区”中执行导频观测的基本处理。在扇区中,当确定调度用户是在扇区中具有显著接收功率的调度用户(在相同导频维度上)中的唯一一个调度用户时,RRH能够解析该用户的信道。随后,只有其信道在至少一个扇区中被解析的调度用户的子集可以由系统服务。我们认为一个空间上一致的评价的区域复用增益的泊松点过程(PPP)的问题制定RRH,阻滞剂,散射和预定的用户终端都与个人强度的PPP。此外,我们还研究了用户终端的定向培训。我们的模拟表明,通过控制预定用户PPP和用户导频波束宽度的强度,可以预期相对于传统的空间导频复用系统的区域复用增益的许多倍的改进。
2017-01-24 cs.IT math.IT
UVeQFed: Universal Vector Quantization for Federated Learning
Ben-Gurion University of the Negev(内盖夫本-古里安大学);Princeton University(普林斯顿大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Weizmann Institute of Science(魏茨曼科学研究所)
传统的深度学习模型在集中式服务器上使用从终端设备或用户收集的标记数据样本进行训练。这样的数据样本通常包括用户可能不愿意共享的私人信息。联邦学习(FL)是一种新兴的方法来训练这样的学习模型,而不需要用户共享他们可能的私人标记数据。在FL中,每个用户在本地训练其学习模型的副本。然后,服务器收集各个更新并将其聚合到全局模型中。在这种方法中出现的主要挑战是每个用户需要在吞吐量有限的上行链路信道上有效地发送其学习模型。在这项工作中,我们使用量子化理论的工具来应对这一挑战。特别是,我们确定了与在速率受限信道上传输训练模型相关的独特特性,并提出了一种适合这种设置的量化方案,称为FL的通用矢量量化(UVeQFed)。我们表明,通用矢量量化方法与FL相结合,产生一个分散的训练系统,在该系统中,压缩的训练模型只引起最小的失真。然后,我们从理论上分析了失真,表明它随着用户数量的增长而消失。我们还描述了传统的联邦平均方法结合UVeQFed训练的模型的收敛性,该模型使损失函数最小化。我们的数值结果表明,UVeQFed的收益超过以前提出的方法在两个失真引起的量化和精度的聚合模型。
2020-12-14 cs.IT cs.LG math.IT