Learning-Based Latency-Constrained Fronthaul Compression Optimization in C-RAN
作者: Axel Grönland, Bleron Klaiqi, Xavier Gelabert
分类: cs.NI, cs.LG
发布日期: 2023-11-07
备注: Accepted for publication at IEEE International Workshop on Computer Aided Modeling and Design of Communication Links and Networks (CAMAD) 6 to 8 November 2023, Edinburgh, Scotland. arXiv admin note: text overlap with arXiv:2309.15060
💡 一句话要点
提出基于深度强化学习的前传压缩优化以满足延迟约束
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 深度强化学习 前传压缩 无线网络 延迟约束 资源利用率 网络性能优化 云化网络
📋 核心要点
- 现有方法在高负载情况下难以满足前传容量和延迟的严格要求，影响网络性能。
- 本文提出了一种基于深度强化学习的前传压缩框架，通过动态调整压缩参数来优化性能。
- 实验结果显示，所提框架在不同负载下的前传利用率显著提高，且满足延迟约束。
📝 摘要（中文）
随着无线移动网络向云化演进，射频接入网络（RAN）功能可以在集中或分布位置托管，带来了低成本部署、高容量和更好的硬件利用率等诸多好处。然而，功能部署的灵活性也带来了严格的前传（FH）容量和延迟要求。为应对这些约束，本文提出了一种基于模型无关的深度强化学习（DRL）框架，动态控制FH压缩，通过调节调制阶数、预编码器粒度和预编码器权重量化等配置参数，以满足不同FH负载下的容量和延迟要求。仿真结果表明，所提框架在不同FH负载下的FH利用率平均达到68.7%，且能够在设定的260微秒延迟约束内运行。
🔬 方法详解
问题定义：本文旨在解决在云化无线网络中，前传压缩在高负载情况下难以满足容量和延迟要求的问题。现有方法在不同负载下的压缩策略不够灵活，导致资源利用率低下。
核心思路：提出了一种基于深度强化学习的动态前传压缩框架（DRL-FC），通过实时调整压缩配置参数，以适应不同的网络负载情况，从而优化前传利用率和空中接口性能。
技术框架：该框架包括环境状态感知、策略学习和动作执行三个主要模块。环境状态感知模块监测当前的FH负载和延迟，策略学习模块基于深度强化学习算法优化压缩策略，动作执行模块则根据学习到的策略调整压缩参数。
关键创新：最重要的创新在于引入深度强化学习来动态控制前传压缩，能够根据实时负载情况灵活调整压缩策略，与传统静态压缩方法相比，显著提高了资源利用率。
关键设计：在设计中，调制阶数、预编码器粒度和预编码器权重量化等参数被作为主要调节因素，损失函数则考虑了延迟和利用率的平衡，以确保在不同负载下的性能优化。通过这种设计，框架能够在高负载时增加压缩，低负载时减少压缩，从而实现最佳性能。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提出的DRL-FC框架在不同FH负载下的平均前传利用率达到68.7%，显著高于未应用压缩的基线方案。同时，该框架在设定的260微秒延迟约束下，能够有效满足网络性能需求，展现出良好的适应性。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在5G及未来无线网络中，能够有效提升网络的资源利用率和服务质量。通过优化前传压缩策略，能够支持更多用户接入，提升网络的整体性能，具有重要的实际价值和未来影响。
📄 摘要（原文）
The evolution of wireless mobile networks towards cloudification, where Radio Access Network (RAN) functions can be hosted at either a central or distributed locations, offers many benefits like low cost deployment, higher capacity, and improved hardware utilization. Nevertheless, the flexibility in the functional deployment comes at the cost of stringent fronthaul (FH) capacity and latency requirements. One possible approach to deal with these rigorous constraints is to use FH compression techniques. To ensure that FH capacity and latency requirements are met, more FH compression is applied during high load, while less compression is applied during medium and low load to improve FH utilization and air interface performance. In this paper, a model-free deep reinforcement learning (DRL) based FH compression (DRL-FC) framework is proposed that dynamically controls FH compression through various configuration parameters such as modulation order, precoder granularity, and precoder weight quantization that affect both FH load and air interface performance. Simulation results show that DRL-FC exhibits significantly higher FH utilization (68.7% on average) and air interface throughput than a reference scheme (i.e. with no applied compression) across different FH load levels. At the same time, the proposed DRL-FC framework is able to meet the predefined FH latency constraints (in our case set to 260 $μ$s) under various FH loads.