Распределение мощности в беспроводной сотовой системе с применением графовой сети внимания
Ключевые слова:
МИСО, сотовая сеть, пограничная функция, сеть графического внимания, распределение мощностиАннотация
С быстрым развитием технологии сотовых сетей и распространением мобильных устройств эффективная политика распределения сетевых ресурсов становится все более важной для улучшения пользовательских услуг и производительности сети. Наша цель – максимизировать суммарную мощность всех пользователей сети путем нахождения оптимальной схемы распределения мощности. В последние годы методы глубокого обучения на основе графов продемонстрировали большой потенциал для решения проблемы распределения сетевых ресурсов. Из-за топологической природы мобильных сетей графовые нейронные сети (GNN) могут лучше работать с данными, структурированными в виде графов. Однако большинство из этих методов фокусируются только на узловых функциях в процессе обучения и часто игнорируют или упрощают граничные функции, которые играют не менее важную роль, чем узлы. Чтобы решить эту проблему, мы предлагаем дизайн сети с расширенным графическим вниманием (HEGAT), который напрямую связывает изменяющуюся топологию сети и наилучший способ распределения мощности во время обучения. Обширные результаты моделирования подтверждают превосходную производительность и надежные возможности обобщения, демонстрируемые предлагаемой методологией HEGAT.
Литература
1. Jiang W. Graph-based deep learning for communication networks: A survey. Computer Communications. 2022. vol. 185. pp. 40–54.
2. Shi Q., Razaviyayn M., Luo Z.Q., He C. An iteratively weighted MMSE approach to distributed sum-utility maximization for a MIMO interfering broadcast channel. IEEE Transactions on Signal Processing. 2011. vol. 59. no. 9. pp. 4331–4340.
3. Shen K., Yu W. Fractional programming for communication systems – Part I: Power control and beamforming. IEEE Transactions on Signal Processing. 2018. vol. 66. no. 10. pp. 2616–2630.
4. Feiten A., Mathar R., Reyer M., Rate and power allocation for multiuser OFDM:An effective heuristic verified by branch-and-bound. IEEE Transactions on Wireless Communications. 2008. vol. 7. no. 1. pp. 60–64.
5. Sun Q., Wu H., Petrosian O. Optimal Power Allocation Based on MetaheuristicAlgorithms in Wireless Network. Mathematics. 2022. vol. 10(18). no. 3336.
6. Sun H., Chen X., Shi Q., Hong M., Fu X., Sidiropoulos N.D. Learning to optimize: Training deep neural networks for interference management. IEEE Transactions on Signal Processing. 2018. vol. 66. no. 20. pp. 5438–5453.
7. Liang F., Shen C., Yu W. and Wu F. Towards optimal power control via ensemblingdeep neural networks. IEEE Transactions on Communications. 2019. vol. 68. no. 3. pp. 1760–1776.
8. Lee W., Kim M., Cho D.H. Deep learning based transmit power control in underlaid device-to-device communication. IEEE Systems Journal. 2018. vol. 13. no. 3. pp. 2551–2554.
9. Liao X., Shi J., Li Z., Zhang L., Xia B. A model-driven deep reinforcement learning heuristic algorithm for resource allocation in ultra-dense cellular networks. IEEE Transactions on Vehicular Technology. 2019. vol. 69. no. 1. pp. 983–997.
10. Shen Y., Shi Y., Zhang J., Letaief K.B. A graph neural network approach for scalable wireless power control. IEEE Globecom Workshops (GC Wkshps). 2019. pp. 1–6.
11. Chowdhury A., Verma G., Rao C., Swami A., Segarra S. Unfolding WMMSE using graph neural networks for efficient power allocation. IEEE Transactions on Wireless Communications. 2021. vol. 20. no. 9. pp. 6004–6017.
12. Li B., Swami A., Segarra S. Power allocation for wireless federated learning using graph neural networks. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2022. pp. 5243–5247.
13. Wang X., Ji H., Shi C., Wang B., Ye Y., Cui P., Yu P.S. Heterogeneous graph attention network. The world wide web conference. 2019. pp. 2022–2032.
14. Busbridge D., Sherburn D., Cavallo P., Hammerla N.Y. Relational graph attention networks. arXiv preprint. 2019. arXiv:1904.05811.
15. Gong L., Cheng Q. Exploiting edge features for graph neural networks. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019. pp. 9211–9219.
16. Jiang X., Ji P., Li S. CensNet: Convolution with Edge-Node Switching in Graph Neural Networks. IJCAI. 2019. pp. 2656–2662.
17. Fu X., Zhang J., Meng Z., King I. Magnn: Metapath aggregated graph neural network for heterogeneous graph embedding. Proceedings of The Web Conference. 2020. pp. 2331–2341.
18. Zhang X., Zhao H., Xiong J., Liu X., Zhou L., Wei J. Scalable power control/beamforming in heterogeneous wireless networks with graph neural networks. IEEE Global Communications Conference (GLOBECOM). 2021. pp. 01–06.
19. Guo J., Yang C. Learning power allocation for multi-cell-multi-user systems with heterogeneous graph neural networks. IEEE Transactions on Wireless Communications 2021. vol. 21. no. 2. pp. 884–897.
20. Khodmi A., Rejeb S.B., Agoulmine N., Choukair Z. A joint power allocation and user association based on non-cooperative game theory in an heterogeneous ultra-dense network. IEEE Access. 2019. vol. 7. pp. 111790–111800.
21. Challita U., Saad W., Bettstetter C. Interference management for cellular-connected UAVs: A deep reinforcement learning approach. IEEE Transactions on Wireless Communications. 2019. vol. 18. no. 4. pp. 2125–2140.
22. Nguyen L.D., Tuan H.D., Duong T.Q., Poor H.V. Multi-user regularized zero-forcing beamforming. IEEE Transactions on Signal Processing. 2019. vol. 67. no. 11. pp. 2839–2853.
23. Li Y., Han S., Yang C. Multicell power control under rate constraints with deep learning. IEEE Transactions on Wireless Communications. 2021. vol. 20. no. 12. pp. 7813–7825.
24. Wang X., Ji H., Shi C., Wang B., Ye Y., Cui P., Yu P.S. Heterogeneous graph attention network. The world wide web conference. 2019. pp. 2022–2032.
25. Yang Y., Li D. Nenn: Incorporate node and edge features in graph neural networks. Asian conference on machine learning. 2020. pp. 593–608.
26. Chen J., Chen H. Edge-featured graph attention network. arXiv preprint. 2021. arXiv:2101.07671.
27. Kim J., Park J., Noh J., Cho S. Autonomous power allocation based on distributed deep learning for device-to-device communication underlaying cellular network. IEEE access. 2020. vol. 8. pp. 107853–107864.
2. Shi Q., Razaviyayn M., Luo Z.Q., He C. An iteratively weighted MMSE approach to distributed sum-utility maximization for a MIMO interfering broadcast channel. IEEE Transactions on Signal Processing. 2011. vol. 59. no. 9. pp. 4331–4340.
3. Shen K., Yu W. Fractional programming for communication systems – Part I: Power control and beamforming. IEEE Transactions on Signal Processing. 2018. vol. 66. no. 10. pp. 2616–2630.
4. Feiten A., Mathar R., Reyer M., Rate and power allocation for multiuser OFDM:An effective heuristic verified by branch-and-bound. IEEE Transactions on Wireless Communications. 2008. vol. 7. no. 1. pp. 60–64.
5. Sun Q., Wu H., Petrosian O. Optimal Power Allocation Based on MetaheuristicAlgorithms in Wireless Network. Mathematics. 2022. vol. 10(18). no. 3336.
6. Sun H., Chen X., Shi Q., Hong M., Fu X., Sidiropoulos N.D. Learning to optimize: Training deep neural networks for interference management. IEEE Transactions on Signal Processing. 2018. vol. 66. no. 20. pp. 5438–5453.
7. Liang F., Shen C., Yu W. and Wu F. Towards optimal power control via ensemblingdeep neural networks. IEEE Transactions on Communications. 2019. vol. 68. no. 3. pp. 1760–1776.
8. Lee W., Kim M., Cho D.H. Deep learning based transmit power control in underlaid device-to-device communication. IEEE Systems Journal. 2018. vol. 13. no. 3. pp. 2551–2554.
9. Liao X., Shi J., Li Z., Zhang L., Xia B. A model-driven deep reinforcement learning heuristic algorithm for resource allocation in ultra-dense cellular networks. IEEE Transactions on Vehicular Technology. 2019. vol. 69. no. 1. pp. 983–997.
10. Shen Y., Shi Y., Zhang J., Letaief K.B. A graph neural network approach for scalable wireless power control. IEEE Globecom Workshops (GC Wkshps). 2019. pp. 1–6.
11. Chowdhury A., Verma G., Rao C., Swami A., Segarra S. Unfolding WMMSE using graph neural networks for efficient power allocation. IEEE Transactions on Wireless Communications. 2021. vol. 20. no. 9. pp. 6004–6017.
12. Li B., Swami A., Segarra S. Power allocation for wireless federated learning using graph neural networks. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2022. pp. 5243–5247.
13. Wang X., Ji H., Shi C., Wang B., Ye Y., Cui P., Yu P.S. Heterogeneous graph attention network. The world wide web conference. 2019. pp. 2022–2032.
14. Busbridge D., Sherburn D., Cavallo P., Hammerla N.Y. Relational graph attention networks. arXiv preprint. 2019. arXiv:1904.05811.
15. Gong L., Cheng Q. Exploiting edge features for graph neural networks. Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019. pp. 9211–9219.
16. Jiang X., Ji P., Li S. CensNet: Convolution with Edge-Node Switching in Graph Neural Networks. IJCAI. 2019. pp. 2656–2662.
17. Fu X., Zhang J., Meng Z., King I. Magnn: Metapath aggregated graph neural network for heterogeneous graph embedding. Proceedings of The Web Conference. 2020. pp. 2331–2341.
18. Zhang X., Zhao H., Xiong J., Liu X., Zhou L., Wei J. Scalable power control/beamforming in heterogeneous wireless networks with graph neural networks. IEEE Global Communications Conference (GLOBECOM). 2021. pp. 01–06.
19. Guo J., Yang C. Learning power allocation for multi-cell-multi-user systems with heterogeneous graph neural networks. IEEE Transactions on Wireless Communications 2021. vol. 21. no. 2. pp. 884–897.
20. Khodmi A., Rejeb S.B., Agoulmine N., Choukair Z. A joint power allocation and user association based on non-cooperative game theory in an heterogeneous ultra-dense network. IEEE Access. 2019. vol. 7. pp. 111790–111800.
21. Challita U., Saad W., Bettstetter C. Interference management for cellular-connected UAVs: A deep reinforcement learning approach. IEEE Transactions on Wireless Communications. 2019. vol. 18. no. 4. pp. 2125–2140.
22. Nguyen L.D., Tuan H.D., Duong T.Q., Poor H.V. Multi-user regularized zero-forcing beamforming. IEEE Transactions on Signal Processing. 2019. vol. 67. no. 11. pp. 2839–2853.
23. Li Y., Han S., Yang C. Multicell power control under rate constraints with deep learning. IEEE Transactions on Wireless Communications. 2021. vol. 20. no. 12. pp. 7813–7825.
24. Wang X., Ji H., Shi C., Wang B., Ye Y., Cui P., Yu P.S. Heterogeneous graph attention network. The world wide web conference. 2019. pp. 2022–2032.
25. Yang Y., Li D. Nenn: Incorporate node and edge features in graph neural networks. Asian conference on machine learning. 2020. pp. 593–608.
26. Chen J., Chen H. Edge-featured graph attention network. arXiv preprint. 2021. arXiv:2101.07671.
27. Kim J., Park J., Noh J., Cho S. Autonomous power allocation based on distributed deep learning for device-to-device communication underlaying cellular network. IEEE access. 2020. vol. 8. pp. 107853–107864.
Опубликован
2024-01-11
Как цитировать
Цюши, С., Ян, Х., & Петросян, О. Л. (2024). Распределение мощности в беспроводной сотовой системе с применением графовой сети внимания. Информатика и автоматизация, 23(1), 259-283. https://doi.org/10.15622/ia.23.1.9
Раздел
Цифровые информационно-телекоммуникационные технологии
Copyright (c) Qiushi Sun
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).