University of Oulu

Learning-based predictive resource allocation for machine type communications

Saved in:
Author: Ali, Samad1,2
Organizations: 1University of Oulu Graduate School
2University of Oulu, Faculty of Information Technology and Electrical Engineering
Format: ebook
Version: published version
Persistent link: http://urn.fi/urn:isbn:9789526225104
Language: English
Published: Oulu : University of Oulu, 2020
Publish Date: 2020-01-28
Thesis type: Doctoral Dissertation
Defence Note: Academic dissertation to be presented with the assent of the Doctoral Training Committee of Information Technology and Electrical Engineering of the University of Oulu for public defence in Lapinsali (L3), Linnanmaa, on 7 February 2020, at 12 noon
Tutor: Professor Nandana Rajatheva
Professor Walid Saad
Docent Jussi Haapola
Reviewer: Professor Tony Q. S. Quek
Associate Professor Cedomir Stefanovic
Opponent: Professor Jyri Hämäläinen
Description:

Abstract

The goal of this thesis is to design novel frameworks that will facilitate the development of predictive resource allocation mechanisms for machine type communications (MTC). This is done by exploiting a set of machine learning tools such as causal inference, multi-armed bandits (MABs) and deep learning. MTC networks often encompass a very large number of machine type devices (MTDs) that require wireless radio resources to send small data packets in the uplink of cellular networks. A predictive resource allocation framework based on the concept of the so-called fast uplink grant is proposed for MTC. In this scheme, the base station (BS) predicts the set of active MTDs at each time step and proactively allocates resources to them. Such a predictive resource allocation faces challenges such as source traffic prediction and optimal resource allocation.

Source traffic prediction for event-driven traffic is done by using causal inference via directed information. The history of MTD transmissions is modeled by a binary time series and directed information is used to infer causal relations between the time series and source traffic prediction. The proposed solution shows the possibility of using causal inference for predicting the set of active MTDs at each time.

Optimal resource allocation for a single antenna BS is solved using sleeping MABs. First, a metric which is a combination of various other metrics is defined. By considering an imperfect source traffic prediction algorithm, a combination of Bayesian inference and sleeping MAB is used to solve the objective maximization problem without any prior knowledge about the quality-of-service (QoS) requirement of the MTDs. The results show significant improvements for various QoS metrics such as latency and throughput.

In multi-antenna BSs, the concept of opportunistic spatial orthogonalization (OSO) for MTC is introduced. The performance analysis of the OSO for interference management between human-type devices and MTDs is provided, and it is proven that the OSO is a suitable candidate to enable the coexistence of MTC and high data rate users. A contextual MAB approach is presented to implement OSO for MTC without the need for channel state information (CSI) from the MTDs to the BS. The results show that the fast uplink grant enables scheduling MTC traffic in the null space of human-type communications without CSI.

see all

Tiivistelmä

Tutkielman tavoitteena on suunnitella uudenlaisia kehyksiä kehittämään ennakoivia resurssien allokointimekanismeja konetyyppistä kommunikaatiota (MTC) varten. Tämä toteutetaan hyödyntämällä koneoppimistyökaluja, kuten kausaalipäättelyä, monikätisiä rosvoja (MAB) ja syväoppimista. MTC-verkot käsittävät usein erittäin suuren määrän konetyyppisiä laitteita (MTD), jotka edellyttävät langattomia radioresursseja tietopakettien lähettämiseen matkapuhelinverkkojen nousevassa siirtosuunnassa. MTC:ille ehdotetaan ennakoivaa resurssien allokointikehystä, joka perustuu niin sanottuun nopeaan nousevan siirtotien allokointiin. Tukiasema ennustaa aktiivisten MTD-laitteiden joukon kullakin aika-askelella ja allokoi resursseja niille ennakoivasti. Ennakoivan resurssien allokoinnin haasteita ovat mm. lähdeliikenteen ennustaminen ja optimaalinen resurssien allokointi.

Tapahtumalähtöisessä liikenteessä lähdeliikenteen ennustaminen tehdään kausaalipäättelyllä käyttäen suunnattua informaatiota. MTD-lähetyshistoria mallinnetaan binääriaikasarjalla, ja suunnatun informaation avulla päätellään aikasarjojen ja lähdeliikenne-ennusteen kausaalisuhteita. Ehdotettu ratkaisu osoittaa, että kausaalipäättelyllä voidaan ennustaa kulloinkin aktiivisten MTD-laitteiden joukko.

Yksiantennisen tukiaseman resurssien optimimaalinen allokointi ratkaistaan käyttämällä ei-aktiivisia MAB:itä. Ensin määritellään mittari, joka on erilaisten mittarien yhdistelmä. Epätäydellisen lähdeliikenteen ennustusalgoritmin kohdalla objektiivisen maksimoinnin ongelma ratkaistaan yhdistämällä Bayes-päättely ja MAB ilman esitietoja MTD-laitteiden palvelun laatuvaatimuksista (QoS). Tulokset osoittavat merkittäviä parannuksia QoS-mittareihin (esim. viive ja välityskyky).

Moniantennitukiasemille esitellään MTC:n opportunistisen spatiaalisen ortogonalisoinnin (OSO) käsite. OSO:n suorituskykyanalyysi ihmistyypin ja konetyypin laitteiden välisen interferenssin hallintaan esitetään ja OSO:n todistetaan olevan sopiva ehdokas mahdollistamaan MTC:n ja suurten tiedonsiirtonopeuksien käyttäjien yhteisesiintyminen. MTC:n OSO:n toteuttamiseksi ilman tarvetta kanavatilatietoon (CSI) konetyypin laitteista tukiasemalle esitetään kontekstuaalista MAB-lähestymistapaa. Tulokset osoittavat, että nopea nousevan siirtotien allokointi mahdollistaa MTC-liikenteen ajoituksen ihmistyypin kommunikaation nolla-alueella ilman CSI:tä.

see all

Series: Acta Universitatis Ouluensis. C, Technica
ISSN: 0355-3213
ISSN-E: 1796-2226
ISSN-L: 0355-3213
ISBN: 978-952-62-2510-4
ISBN Print: 978-952-62-2509-8
Issue: 736
Subjects: