基于可解释人工智能的无线网络拓扑感知贪婪链路调度

《Journal of Communications and Networks》：Topology-aware greedy link scheduling in wireless networks using explainable AI

　　

摘要:

现代无线网络中联网设备和数据流量的快速增长使得高效的资源管理越来越具有挑战性。诸如智能电网、工业物联网、自动驾驶交通和智慧城市基础设施等应用需要高性能、可靠的通信。有效的链路调度对于在这些动态环境中优化频谱分配、优先传输以及最小化干扰至关重要。本文介绍了一种新颖的拓扑感知贪心链路调度算法，该算法利用了轻量级深度神经网络（DNNs）和可解释人工智能（XAI）技术。我们的方法专为拓扑已知且链路优先级动态变化的网络设计，这在智能电网和工业物联网系统等环境中很典型。它通过离线学习网络的拓扑重要性，并在实时应用中采用双层排序机制来增强调度。广泛的模拟表明，在总权重和活动链路数量方面，该算法比诸如局部贪心调度和贪心最大调度等基准算法有显著改进，表明频谱和带宽利用率更高。模拟进一步表明，我们算法的调度性能与最先进的机器学习（ML）方法相当。此外，该算法始终比机器学习方法更快地执行实时调度计算。这些结果突显了我们算法在动态无线环境中的鲁棒性、可扩展性和实际适用性。