Deep learning techniques for power allocation problems in cognitive relay-aided networks.
Techniques d'apprentissage profond pour les problèmes d'allocation de puissance dans les réseaux radio cognitifs assistés par des relais.
Résumé
Future generations of wireless networks face great expectations in terms of network capacity, system throughput, user density, all on a tight energy budget. In order to reach such ambitious objectives, several emerging technologies, such as : cognitive radio, cooperative communications, full-duplexing, and AI, etc. have been proposed, each of them focusing on a specific improvement.
The objective of this PhD thesis is to jointly exploit these emerging technologies, in order to investigate a constrained and non-convex Shannon rate maximization problem in a relay- aided cognitive radio network. This network consists of a primary and a secondary user– destination pair and a secondary full-duplex relay performing compress-and-forward (CF) or decode-and-forward (DF). The primary communication is protected by a quality of service (QoS) constraint expressed in terms of tolerated Shannon rate degradation. More precisely, we tackle the non-convex power allocation problems under both perfect and imperfect channel state information (CSI) and for CF and DF relaying. In the perfect CSI case, we derive a closed-form solution for CF relaying. However, for DF relaying, no closed-form solution seems feasible due to more complex achievable rate expressions and non-convex constraints. To address this challenge, we propose an unsupervised deep learning-based power allocation policy exploiting a fully connected architecture jointly with a custom cognitive radio-tailored loss function that the deep neural network (DNN) learns to minimize. This custom loss function relies on the relaxation of the QoS within the objective function by introducing an hyperparameter to trade-off between a rate-driven and a QoS-driven optimization problem. As such, only the channel gains are provided as the input of our proposed DNN.
When only an imperfect CSI is available at the transmitter side, we propose to build on our proposed DNN by rendering it robust to channel gains estimation errors. Since our closed- form solution under CF relies on the perfect CSI assumption, we propose to use our DNN approach to optimize the power allocation policy under CF and imperfect CSI as well.
To cope with imperfect CSI, we turn to a self-supervised approach, where in the training phase, error-free channel estimations are provided to the loss function, and only channel gains impaired by estimation errors are provided at the input of the DNN. The robustness of the proposed solution was validated through numerical simulations.
Once our robust DNN-based solution validated, we seek for more general DNN-based policies, namely choosing among the best relaying scheme among CF and DF, as well as generalizing over the network system parameters, such as the individual power budgets and the level of tolerated primary degradation. Regarding the relaying scheme selection problem, we again exploit a fully connected DNN with the cross-entropy loss function, especially well-suited for classification problems. The latter exploits the power predicted by our previous proposed DNN under both CF and DF. Regarding the generalization over the system parameters, we first generalize separately over each parameter and then we propose a DNN able to generalize jointly over both the power budget and level of tolerated primary rate degradation.
Les futures générations de réseaux sans fil sont confrontées à de grands défis en termes de capacité du réseau, de débit du système, de densité d’utilisateurs, le tout avec un budget énergétique serré. Afin d’atteindre ces objectifs ambitieux, plusieurs technologies émergentes, telles que la radio cognitive, les communications coopératives, le full duplex, l’intelligence artificielle, etc. ont été proposées, chacune d’entre elles se concentrant sur une amélioration spécifique.
L’objectif de cette thèse de doctorat est d’exploiter conjointement ces technologies émergentes afin de maximiser le débit de Shannon sous contraintes et non convexe dans un réseau de radio cognitive assisté par des nœuds relais. Ce réseau se compose d’une paire utilisateur-destination primaire et secondaire et d’un relais secondaire full-duplex effectuant la Compresser-et-Transférer (CF) ou Décoder-et-Transférer (DF). La communication primaire est protégée par une contrainte de qualité de service (QoS) exprimée en termes de dégradation tolérée du débit de Shannon.
Plus précisément, nous abordons les problèmes d’allocation de puissance non convexes dans le cas d’information sur l’état du canal (CSI) parfaite et imparfaite et pour CF et DF. Dans le cas d’une information parfaite sur l’état du canal, nous obtenons une solution analytique pour CF. Cependant, pour DF, en raison de débits atteignables plus complexes et des contraintes non convexes, aucune solution analytique ne semble possible. Pour relever ce défi, nous proposons une politique d’allocation de puissance non supervisée basée sur l’apprentissage profond qui exploite une architecture entièrement connectée conjointement avec une fonction de coût adaptée à la radio cognitive que le réseau de neurones profond (DNN) apprend à minimiser. Cette fonction de coût adaptée repose sur la relaxation de la contrainte de QoS dans la fonction objectif en introduisant un hyperparamètre permettant le compromis entre une optimisation axée sur le débit et une optimisation axée sur la QoS. Ainsi, seuls les gains du canal sont fournis en entrée de notre DNN.
Lorsque seule une CSI imparfaite est disponible à l’émetteur, nous proposons d’exploiter notre DNN en le rendant robuste aux erreurs d’estimation des gains du canal. Étant donné que notre solution analytique pour le relais CF repose sur une CSI parfaite, nous proposons également d’utiliser notre DNN pour optimiser la politique d’allocation de puissance pour CF en présence de CSI imparfaite. Pour faire face à la CSI imparfaite, nous adoptons une approche auto-supervisée où, dans la phase d’apprentissage, des estimations de canaux sans erreur sont fournis à la fonction de coût, et seuls les gains de canaux altérés par des erreurs d’estimation sont fournis à l’entrée du DNN. La robustesse de la solution proposée a été validée par des simulations numériques.
Une fois notre solution robuste basée sur le DNN validée, nous recherchons des politiques plus générales exploitant des DNN, à savoir le choix du meilleur schéma de relayage parmi CF et DF, ainsi que la généralisation sur les paramètres du système de réseau, tels que les budgets de puissance individuels et le niveau de dégradation primaire toléré. En ce qui concerne le problème de sélection du schéma de relayage, nous exploitons à nouveau un DNN entière- ment connecté avec la fonction de coût d’entropie croisée, particulièrement bien adaptée aux problèmes de classification. Ce dernier exploite la puissance prédite par le DNN que nous avons proposé précédemment, à la fois pour CF et DF. En ce qui concerne la généralisation sur les paramètres du système, nous généralisons d’abord séparément sur chaque paramètre, puis nous proposons un DNN capable de généraliser conjointement sur le budget de puissance et le niveau de dégradation du débit primaire toléré.
Origine : Fichiers produits par l'(les) auteur(s)