5G 异构密集网络中联合切换管理与资源分配的多任务深度学习

《IEEE Open Journal of the Communications Society》：Multi-Task Deep Learning for Joint Handover Management and Resource Allocation in 5G Heterogeneous Dense Networks

　　

摘要：

在蜂窝网络中，移动性管理和资源分配是直接影响移动用户服务质量（QoS）的两项关键任务。传统方法通常分别处理这些任务，这可能无法充分利用它们之间的共享信息，并且在动态环境中可能次优。在本文中，我们提出了一种多任务学习（MTL）框架，联合学习切换和资源分配决策。我们的模型使用共享编码器从多域特征中提取紧凑的潜在表示，同时两个任务特定的头部执行预测。引入了一个重建分支来正则化潜在表示并提高模型的鲁棒性。该模型在一个大规模模拟数据集上进行训练和评估，该数据集是在全面的网络条件和用户移动模式下生成的。所提出的框架与两个任务的强基线模型相比，取得了具有竞争力的性能。实验结果表明，所提出的模型实现了强大的分类性能，切换（HO）预测准确率达到94.15%，资源分配策略分类的F1分数为0.925。更重要的是，联合学习框架提供了明确的系统级优势。与SVM、随机森林、KNN和单任务MLP基线相比，在30 m/s速度下，所提出的方法将平均用户吞吐量提高了多达15.6%，并将延迟减少了多达19.5%。这些结果表明，基于共享表示的多任务学习可以支持联合切换（HO）和资源分配（RA）策略决策学习，并且在所考虑的仿真设置下可以提高吞吐量和延迟，同时保持高效的推理，适用于智能无线接入网系统的实际部署。