Graph Representation Learning for Contention and Interference Management in Wireless Networks
作者: Zhouyou Gu, Branka Vucetic, Kishore Chikkam, Pasquale Aliberti, Wibowo Hardjawana
分类: cs.NI, cs.LG, eess.SP
发布日期: 2024-01-15
备注: This work has been accepted in the IEEE/ACM Transactions on Networking
💡 一句话要点
提出图表示学习方法以优化无线网络中的用户分组
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 图表示学习 无线网络 用户分组 最大割 竞争管理 干扰管理 深度学习 算法优化
📋 核心要点
- 现有的用户分组方法在处理竞争和干扰时存在性能限制，无法有效最大化用户吞吐量。
- 本文提出将用户分组视为图构建问题，通过最大割优化用户分组决策，利用图的边权表示竞争和干扰。
- 实验结果表明，所提方法在最坏情况下用户吞吐量上比现有方法提高了30%至80%，并且架构能进一步提升5%至30%。
📝 摘要（中文）
在Wi-Fi 802.11ah网络中，受限接入窗口（RAW）通过对用户进行分组并为每组分配周期性时间槽来管理竞争和干扰。本文旨在找到最佳用户分组决策，以最大化网络的最坏情况用户吞吐量。我们回顾了现有的用户分组方法，并指出其性能限制。我们提出将用户分组问题表述为图构建问题，其中顶点表示用户，边权表示竞争和干扰。通过图的最大割来分组用户，并优化边权以构建最佳图，从而获得最佳分组决策。为实现这一目标，我们设计了一个演员-评论家图表示学习（AC-GRL）算法。
🔬 方法详解
问题定义：本文解决的是在Wi-Fi 802.11ah网络中，如何有效地进行用户分组以管理竞争和干扰的问题。现有方法在用户吞吐量的最大化上存在明显不足，无法适应动态变化的用户环境。
核心思路：我们提出将用户分组问题转化为图构建问题，利用图的最大割来优化用户分组决策。通过优化边权，能够更好地反映用户之间的竞争和干扰关系，从而实现更高的用户吞吐量。
技术框架：整体架构包括演员-评论家图表示学习（AC-GRL）算法。演员神经网络用于估计最佳图的边权，评论者神经网络用于评估由演员返回的分组决策的用户吞吐量。图割过程采用半正定规划高效求解最大割问题。
关键创新：最重要的创新点在于将用户分组问题形式化为图构建问题，并通过最大割优化用户分组决策。这一方法与传统的用户分组方法有本质区别，能够更有效地处理竞争和干扰。
关键设计：在设计中，演员网络的训练依赖于用户与接入点之间的路径损耗，评论者网络则近似评估用户吞吐量。通过在线测量的吞吐量和路径损耗，进一步微调分组决策以适应用户群体和位置的变化。
🖼️ 关键图片
📊 实验亮点
实验结果显示，所提方法在最坏情况下用户吞吐量上比现有方法提高了30%至80%。此外，所提出的架构能够在用户环境变化时，进一步提升吞吐量5%至30%，确保分组决策的及时更新。
🎯 应用场景
该研究的潜在应用领域包括智能家居、物联网设备管理以及高密度用户环境下的无线网络优化。通过优化用户分组，可以显著提升网络的整体性能和用户体验，具有重要的实际价值和广泛的应用前景。
📄 摘要（原文）
Restricted access window (RAW) in Wi-Fi 802.11ah networks manages contention and interference by grouping users and allocating periodic time slots for each group's transmissions. We will find the optimal user grouping decisions in RAW to maximize the network's worst-case user throughput. We review existing user grouping approaches and highlight their performance limitations in the above problem. We propose formulating user grouping as a graph construction problem where vertices represent users and edge weights indicate the contention and interference. This formulation leverages the graph's max cut to group users and optimizes edge weights to construct the optimal graph whose max cut yields the optimal grouping decisions. To achieve this optimal graph construction, we design an actor-critic graph representation learning (AC-GRL) algorithm. Specifically, the actor neural network (NN) is trained to estimate the optimal graph's edge weights using path losses between users and access points. A graph cut procedure uses semidefinite programming to solve the max cut efficiently and return the grouping decisions for the given weights. The critic NN approximates user throughput achieved by the above-returned decisions and is used to improve the actor. Additionally, we present an architecture that uses the online-measured throughput and path losses to fine-tune the decisions in response to changes in user populations and their locations. Simulations show that our methods achieve $30\%\sim80\%$ higher worst-case user throughput than the existing approaches and that the proposed architecture can further improve the worst-case user throughput by $5\%\sim30\%$ while ensuring timely updates of grouping decisions.