⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 8（2022）207www.elsevier.com/locate/icte基于高斯过程回归的动态频谱分配目标速率预测Judith Nkechinyere Njokua，Manuel Eugenio Morocho-Cayamcelab，Angela Caliwaga，PeiXiaoc，林万秀a大韩民国龟尾Kumoh国立技术学院航空、机械和电子融合工程系b厄瓜多尔圣米格尔-德乌尔库基，Yachay Tech大学数学和计算科学学院c5GIC 6GIC，英国吉尔福德萨里大学通信系统研究所（ICS），GU2 7XH接收日期：2021年3月3日;接收日期：2021年6月11日;接受日期：2021年8月2日2021年8月13日在线提供摘要由于宽带服务数量的快速增长，无线网络用户之间的频谱分配问题已经出现。这些问题包括，只考虑特定类别的用户，无法最大限度地提高所有用户的性能。具体而言，以前采用的自私算法的频谱分配只考虑最弱的用户的性能。为了解决这个问题，我们提出了一种新的目标数据速率设置算法的动态频谱分配。在该算法中，高斯过程回归模型被训练来预测目标数据速率。所有低于定义的目标速率的用户将更改其频带分配一个能保证更好表现的人通过仿真，我们表明，在我们的算法中，最弱的用户实现的最大数据速率是121.7%以上的自私算法。c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：目标数据率;高斯过程回归;频谱分配;机器学习1. 介绍随着新型宽带服务和物联网时代的引入，无线通信需要提供更大的容量和高速数据速率[1]。为了实现这些目标 ， 已 经 考 虑 的 关 键 技 术 之 一 是 使 用 超 密 集 网 络（UDN）[2，3]。UDN技术涉及基站（BS）和接入点的密集部署。这样会增加无线资源的空间复用。 因此，网络容量和每用户数据速率显著提高[3]。然而，UDN存在严重的干扰问题，这会大大降低用户的数据速率。为了减少用户之间的干扰，动态频谱分配（DSA）已经成为一个重要的研究领域[4，5]。DSA的功能是确保用户可以访问可用频率，并以机会主义的方式进行通信[5]。事实证明，∗ 通讯作者。电子邮件地址： wansu. kumoh.ac.kr（W. Lim）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2021.08.011DSA的性能取决于所采用的频谱分配算法[6]。先前已经提出了若干DSA算法。 在大多数这些方法中，每个用户的目标是最大限度地提高自己的利益。[7]研究了频谱二级用户的非合作行为，这些用户旨在最大化自己的利益并实现个人纳什均衡。他们向这些用户收取费用。这促使他们以社会最优的方式行事，从而实现社会优化。[6]探索了在上行链路部分改进Selfish算法行为的可能性无线系统。所研究的无线系统由多天线BS和单天线UE组成。由于这一点，它受到干扰的限制。为了解决这个问题，他们提出了一个规则调节的频谱共享过程，具有分散的占用控制。在[8]中，物联网用户和渠道被认为是游戏中的自私玩家。这些自私的参与者主要关注自己的效用最大化。[9]研究了竞争有限卫星间链路天线波束的用户之间的频谱分配。他们的主要目的是证明自私的行为2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。J.N. Njoku，M.E.Morocho-Cayamcela，A.Caliwag等人ICT Express 8（2022）207208关于我们关于我们n=nnnnn=n×对服务质量产生了严重的影响。因此，他们提出了一个具有惩罚和宽恕策略的重复博弈框架。这有助于最大化用户的收益，同时减少资源冲突。所有这些作者表明，自私的方法并不能确保效率和公平的频谱分配。也不它最大化用户在本文中，我们的目的是解决这个缺点，通过引入新的概念，设置一个目标数据速率在DSA。为了优化目标数据速率选择过程，我们利用一种概率和非参数机器学习方法，高斯过程回归（GPR），因为GPR在近似和预测任何数学函数方面提供了出色的性能[10，11]。在该算法中，未能达到其目标数据速率的用户将其频带改变到另一个具有更好性能的频带。2. 系统模型和分散式DSA2.1. 系统模型这项研究是基于密集的小小区场景。在这种情况下，我们考虑配置有N个独立小区的分散式无线网络。该网络模型如图1所示。在该网络模型中，每个小区包含一个基站BS n，n 1，2，. . .、N.每个BS n服务于它们自己的用户UE nm，m 1，2，. . . .，Mn，其中Mn表示由每个BS n服务的用户的总数。每个BSn配备有K个接收天线，而每个UEnm配备有单个天线。本文主要研究了UEnm到BSn的上行传输中的频谱分配问题。这是因为，与下行链路部分相比，由于发送用户的数量，上行链路部分易于受到高干扰。 每个UE_nm使用 其分 配的频 带F进行 发送 ，其中F_Mn。对于这种分散式拓扑，我们假设BSn具有它们各自的UEnm的全部信息和控制。他们可以分配个人波段和传输权力给他们的用户。它们还可以估计所有可用频带中的传播信道。我们还假设BSn不具有由它们的用户对其它小区造成的干扰的信息或控制，并且只能以非并行传输间隔感测干扰环境图1.一、分 布 式 D S A 系统模型。1. 一个随机选择的BSn感测干扰环境，估计传播信道和干扰。2. 基于BSn的估计来评估UEn中的每一个的数据速率。3. DSA算法，试图控制频带分配，然后实施。4. 返回第一个会话的步骤1问题是确保为给定数量的发送用户分配最合适的频带。这种选择必须确保最弱用户的数据速率和整个小区的数据速率最大化。为了找到最优解，我们可以将以下问题公式化：DnargMax（γs（dn），γw（dn））（1）dnm = 1，.，F其中dn是具有维度的1Mn，γw是最弱用户的数据速率，γs是总数据速率。目标是找到最大化最弱用户和所有用户的数据速率的频带分配。2.3. 自私的DSA自私DSA寻找小区的频带分配，这为最弱的用户实现最高的数据速率。实质上，最弱链路的频带分配被改变为使用（2）实现最高数据速率dSL F的频带分配。dSLF=argmax（γw（dn））（2）dnm = 1，.，F2.2. 分散式动态频谱分配分散式DSA的特征在于两个会话：数据传输会话和感测会话。这两次会议的说明如下。第一节：数据传输1. 所有UEnm使用其分配的频带传输数据2. BSn接收发送的数据。第二部分：感知会议3. 利用探地雷达3.1. 目标数据速率在本节中，主要目标是定义目标数据率为了获得目标数据速率，我们建议如下：接近。我们估计最弱的用户的性能，当它使用所有可用的频带F。所达到的最大数据速率被设置为所有用户必须努力达到的目标数据速率。目标数据速率使用等式2来设置。（三）、为了区分这里的观点J.N. Njoku，M.E.Morocho-Cayamcela，A.Caliwag等人ICT Express 8（2022）207209nptargnnmnm×××·NPγptarg=log21+最大minhR−1 HDndI S=nnnnnnn2NMinnn= 1，.，N，m=1，...，Mnd（0）=d（0）MNN≤−根据自私算法，弱用户将被称为非执行用户。算法1目标设定算法数据：Mn，F，K，hnm，dnm，q2，σ2（）结果：γptarg，dndnm∈[1，F]m∈[1，Mn]{d（0），γ（d（0））≥γptarg}nd，γ（d（0））<γptargdnmmnndnmnnm（三）初始化，而i number i terdo对于Mn用户，计算γn所有用户数据速率计算最弱用户的数据速率计算nnnn如果γw，γptarg的个数≥i，则关于N Nd= argmaxγ（d）。（五）列车探地雷达模型预测新的γptargn nndnm = 1，.，F所有不良用户均按性能顺序排列。在这种安排中，性能最差的用户被分配最佳频带，性能第二差的用户被分配第二佳频带，以此类推。如在算法1中所总结的，对于给定的迭代次数（否则称为传输间隔），该算法确定最弱用户在利用所有可用频带时的性能，并将所获得的最佳数据速率设置为目标数据速率。可以使用（6）中的最弱链路的数据速率和（7）中的总和数据速率来分析系统的性能。总和数据速率是系统中所有用户所γw（dn）=minlog2[1+SiNR（dn）]，（6）n端如果γn≥γn，则n n其他d（0）=dn结束结束3.2. 探地雷达目标预测为了最大化用户的性能，目标数据速率的选择是非常关键的。因此，我们建议培训用于预测目标数据速率的GPR模型。在这个过程中有三个阶段：（1）数据采集，（2）训练阶段，和（3）预测阶段。1. 数据采集：在第3.1节定义的迭代过程中，系统存储数据。这些数据N Mγs（dn）=∑ ∑log [1+SiN R（dn）]，（7）n=1m= 1包括路径损耗（PL）、数据速率和SINR。最弱的用户和可用的频带。在预定义的迭代次数之后，GPR模型其中，SNR是信号与噪声和干扰比，它可以通过（8）计算：使用给定的数据进行训练。路径损耗可以从所采用的传播模型确定[12]。SI N R（dn）=q2hhhdnmmnnR−d1nhdnm mnn.（八）训练后，系统不再需要计算目标数据速率。训练的GPR模型预测这里，R_dnmn是在分配给UE_nm的频带中的BS_n处的干扰协方差矩阵，并且其具有K_K的维度。是分配给UEnm的频带中的BSn处的传播信道的K1向量，dnm是表示UEnm的频带分配的1Mn向量dn的第m个元素，并且（）是共轭转置运算。可以根据（9）和（10）如下计算RdnmnMn给定输入的目标数据速率2. 训练阶段：GPR方法是一种有监督的学习方法，它提出了一个关键假设。它假设我们的数据是从多元高斯分布中采样的。为了准确地模拟路径损耗、数据速率、最弱用户的信干噪比和目标数据速率之间的复杂关系，我们采用了探地雷达模型。我们的GPR模型通过（11）将响应与输入联系起来：Rdnmn=Rdnm n+p=∑1，p=mδdnm dnpq2hdnppnnhd中国（9）y=f（x）+x，（11）其中y指的是目标数据速率ytarg[客户端]W和x=Rdn=∑ ∑δddq2hd仁和+σ2IK，（10）γn，SiN R，PL. 噪声是加性高斯噪声nm nm iji j i ji i j i i i j i i i j i i i j i i i j i i i j i i i j i i i j i i i j i i i j i ii j i i i j i i i ji i i j i i i j i i i j i i i j i i i j i i i j i i i j i i i j.n、（四）端NPJ.N. Njoku，M.E.Morocho-Cayamcela，A.Caliwag等人ICT Express 8（2022）207210nmi= 1，i=n j= 1其中，R是系统间干扰加噪声协方差矩阵，δi，j是克罗内克函数，IK是KXK单位矩阵，σ2是噪声功率，并且q2是UE发射功率。均值为零方差为σ2 函数f（x）是指来自高斯过程（GP）的潜变量，该高斯过程是随机变量的集合，并且任何有限数量的随机变量具有联合高斯分布。GP通常由其均值函数m（x）和协方差函数k（x， x′）指定为f（x）<$GP（m（x），J.N. Njoku，M.E.Morocho-Cayamcela，A.Caliwag等人ICT Express 8（2022）207211== −+Fn1¯nmyK（x，X）k（x，x）（y−y）2N我我∑√焦油γnn=--N上网时段k（x， x′））。为了简化该表示法，通常假设均值函数为零，因此响应变量被归一化为均值为零。假设我们有一个训练数据集，有n个训练表1模拟中使用的参数参数值σ20.001由D=（X，y）表示的点，其中X={x i|N }则=yQ2 （dBm）[41，46，7，46，32，5，14，28，48，49]和y={YI|N}I1也遵循高斯分布nmd（Km）[3，2.75，2.25，2.5，2，分布：i=11.75、1.5、1.25、1、0.75]dn（MHz）[600，900，1200，1800，2100，y<$N（0，K（X， X））+σ2I，（12）其中K（X， X）是协方差矩阵，K[i， j]k（Xi， Xi）和 我 是一个单位矩阵。 如果模型接收到新的输入x，则响应y的联合分布可以表示为：[y]<$（[K（X，X）+σ2I K（X，x<$）]）（13）2400、2600、2800、3000、3200]其中，均值=μ=K（x，X）[K（X， X）+σ2I]−1y，方差σk（x，x）K（x，X）[K（X， X）σ2I]−1K（X， x<$）我们使用平方指数协方差函数拟合模型，该函数也称为高斯核或径向基函数（RBF）核，并由（14）定义如下：图二、针 对 数据速率最弱的环节提出了自私算法k（x， x）=2xi−xj数据速率[6]。i jσfexp（−2l）（14）其中参数l控制函数的平滑度，σ2控制垂直变化。这些参数都是通过最大化训练数据集上的对数边际似然函数来采用三个指标对探地雷达模型的预测精度进行评价。它们包括均方根误差（RMSE）、决定系数（R2）和最大绝对误差（MAE）。它们都表示为：NRM SE=N（ yi−yi ）2 ，（ 15）i=13. 预测阶段：训练好的模型代替目标设定公式。如算法1所示，在用户发送之后，估计其数据速率γn。最弱用户的数据速率γ w、路径损耗PL和SNR然后被馈送到模型中以预测目标数据速率γptarg。在下一个传输阶段期间，预测的获取数据速率ptarg被用作所有发送用户的数据速率的基准未能达到目标以上数据速率的用户将更改其频带。在下一次传输期间，还预测随后传输的目标数据速率。因为频带在每次传输时改变，所以最弱用户的数据速率、SINR和路径损耗也改变。因此∑N （y−y）2R2=1−∑i= 1ii，（16）目标数据速率在每次数据传输期间改变i=1我我N4. 模拟结果和讨论MAE=1∑y−y，（17）其中，y1和y2分别表示观测目标速率和预测目标速率。N是样本数。是平均值。RMSE表示GPR模型的预测精度，R2评估拟合回归周围数据点的分散度，MAE表示测试数据集所有实例上预测误差绝对值的平 均 值 。 一 个 更 好 的 模 型 应 该 有 一 个 较 低 的RMSE，MAE和较高的R2。较高的R2表示观察到的目标速率与拟合值之间的差异较小。在第2节中描述。在收发器之间模拟具有自由空间路径损耗模型[12]的通信信道。在我们的模拟中，我们考虑了10个用户，他们都可以访问10个频道。所提出的算法的效率是在第一次模拟N3，M n10，F10，σ20。01,K5。所有子系统都可以感知所有激活的用户，每一个都以不同的用户发射功率q2工作，并且位于它们各自距BS的距离d处。所有用户都被分配到自己的频段dn，频段d n可以更改i=1为了评估DSA中提出的目标数据速率设置算法，我们模拟了代表性的系统模型，J.N. Njoku，M.E.Morocho-Cayamcela，A.Caliwag等人ICT Express 8（2022）207212表2探地雷达模型的学习示例模型RMSER2 MAE训练时间（s）预测速度（obs/s）RQ0.000430760.78720.01420690.6109512000M0.00040690.76890.01412010.331912000Exp0.000430790.77750.01320680.2862713000SExp0.000384590.82050.01205850.226529000表3时间成本比较。迭代次数102050100自私0.5563秒0.6653秒0.6856秒0.7553秒提出0.2353秒0.2890秒0.3355秒0.4505秒图三. 系统的数据速率之和为所提出的算法和自私的数据速率[6]。基于所采用的DSA算法表1中总结了模拟中使用的参数的详细信息。我们进一步模拟所提出的算法和自私的数据率为20次迭代。对于每次迭代，最弱用户的数据速率、SINR和路径损耗以及计算的目标数据速率被保存为用于训练GPR模型的预测因子和响应。使用80个数据样本对模型进行训练，使用20个样本对预测结果的准确性进行验证。在训练之后，所提出的算法使用GPR模型做出的预测来设置目标数据速率。基于该定义的目标数据速率，改变频带分配训练了四种不同的GPR模型，并比较了它们的性能，如表2所示。这些mod-ELS包括有理二次（RQ）、矩阵（M）、指数（Exp）和平方指数（SExp）模型。所有的GPR模型由不同的核函数区分。表2说明了模型在预测误差、训练时间和预测时间方面的性能。基于平方指数核函数的模型性能最好。因此，在最终的GPR模型中使用平方指数函数。图2.我们举例说明了系统在我们提出的算法和自私数据速率下的性能。基于最弱用户的性能，强调DSA公平性，我们提出的算法达到每个场景的数据速率都更高。很明显，我们的算法提供了一个更有效的解决方案，一个公平的频谱分配系统，因为所有用户的性能提高与每次迭代。所提出的算法实现的最大数据速率是121.7%时，使用自私的数据速率。实验结果表明，该算法的性能优于传统的基于特征的多目标检测算法。对于低至10和高达100的迭代次数是一致的。为了进一步验证我们的DSA算法的效率，我们通过考虑系统的总数据速率来比较两种实现算法对于整个用户图3示出了和数据速率比自私数据速率提高了121.7%。表3示出了针对不同迭代次数执行自私方法和所提出的方法所花费的时间。随着迭代次数的增加，花在执行上的时间也会增加。然而，所提出的方法相比，自私的方法花费最少的时间。5. 结论本文提出了一种目标数据率设定算法，该算法通过训练探地雷达模型来设定目标数据率率来评价用户的性能。数据速率低于目标数据速率的所有用户将改变其频带分配。当最弱的用户使用所有可用频带时，新的分配由实现最高数据速率的频带确定。从结果中，我们观察到的最弱的用户的数据速率和整个系统的总数据速率的自私的数据速率操作的系统的性能较差。我们的研究结果进一步表明，为了提高最大化用户CRediT作者贡献声明朱迪思·恩乔库：概念化，方法学，软件，写作-原始草稿. Manuel Eugenio Morocho-Cayamcela ：方法学， 软件。安吉拉·卡利-瓦格：方法论，写作-校对. 裴啸：资源，监督. Wansu Lim：资源，监督，资金获取。竞合利益作者声明，他们没有已知的可能影响本文所报告工作J.N. Njoku，M.E.Morocho-Cayamcela，A.Caliwag等人ICT Express 8（2022）207213致谢这项工作得到了中小企业和初创企业部的支持，S。韩国（S2829065，S3010704）和韩国国家研究基金会（2020R1A4A101777511，2021 R1I1A3056900）。引用[1] S.亨利，A.同样，E.S. Sousa，5G是真实的：评估3GPP 5G新无线电系统与ITU IMT-2020要求的合规性，IEEE Access 8（2020）42828-42840。[2] N. Ansari，D. Wu，X. Sun，Fso as backhaul and energizer fordroneassisted mobile access networks，ICT Express 6（2）（2020）139-144.[3] X. Liao，J. Shi，Z.利湖，加-地张湾，澳-地Xia，超密集蜂窝网络资源分配的模型驱动深度强化学习启发式算法，IEEE Trans. Veh.技术69（1）（2020）983-997。[4] C. Maheswaran，C.H. Sulochana，利用eem方法解决异构无线网络的带宽分配，ICTExpress 2（2）（2016）80-86。[5] Y. Zhou ， Z. Zhou ， Z. Liu ， P. Fan ， Y.L. Guan ， Low-PMEPRPreambleSequenceDesignforDynamicSpectrum AllocationinOFDMA Systems，IEEETrans. Commun. 68（5）（2020）2922[6] A.M. Kuzminskiy，P. Xiao，R. Tafazolli，在规则调节网络中具有分散式占用控制的频谱共享，在：IEEETrans.Cogn。Commun.网络，第5卷，电气和电子工程师协会，2019年，页281-294。[7] K. Li，J. Wang，在主用户仿真攻击下认知无线电网络中的最优加入策略，IEEE Access 7（2019）183812-183822。[8] X. Liu，Z. Qin，Y.高，J.A. McCann，无线供电物联网网络中的资源分配，IEEE Internet Things J. 6（3）（2019）4935-4945。[9] L. Wang，C.江湖，澳-地Kuang，S. Wu，H. Huang，Y.黄氏Y.钱，基于用户行为协调的数据中继卫星系统高效资源分配，IEEE.技术67（12）（2018）12072-12085。[10] F. Yin，Y.Zhao，F.Gunnarsson，F.李志华，接收信号强度最佳化之研究，国立成功大学电机工程研究所硕士论文。65（8）（2017）2164-2177。[11] M.K. Abdel-Aziz，S. Samarakoon，M. Bennis，W. Saad，Ultra-reliableandlow-latency vehicularcommunication ： Anactivelearningapproach，IEEE Commun. Lett. 24（2）（2020）367[12] M. Karbalayghareh，F. Miramirkhani，H.B. Eldeeb，R.C. 克孜勒尔马克，S.M. Sait，M. Uysal，车辆可见光通信系统的信道建模和性能限制，IEEE Trans.Veh。技术69（7）（2020）6891-6901。
我的内容管理
展开
