密集网络优化三部曲

发布时间:2018-08-07浏览次数:2581

      近日,我院石远明老师课题组在国际期刊IEEECommunications Magazine(影响因子:10.4)发表了一篇题为“GeneralizedSparse and Low-Rank Optimization for Ultra-Dense Networks”的论文,系统地阐述了针对计算赋能和数据驱动的密集无线网络优化的三部曲:稀疏表示,低秩模型,统计优化


1、网络自适应的稀疏表示方法


1. 绿色云接入网络的稀疏优化框架

通过高密度的部署通信节点以及自适应性的网络资源分配和性能优化,可有效提升密集无线网络性能以应对新兴移动业务和应用场景。然而网络的自适应操作,如基站的开关、用户接入的选择、协作传输数据的共享,一般需要联合考虑离散变量和连续变量。这类混合组合优化问题由于离散变量与连续变量间的相互耦合,一般都是非凸和NP困难问题,在运筹学中缺乏有效解决方法。以绿色云接入网络的设计作为典型例子,提出了密集无线网络中大规模离散优化变量的最优解稀疏特性,通过将网络的自适应操作表示成最优解的稀疏性,进一步嵌入到混合优化问题的求解过程中,极大降低了问题的搜索维度,可在较低时间开销内完成实时求解。

       网络自适应协同的稀疏优化框架首次发表于IEEE TWC(代表性论文[10]),获无线通信领域最重要的学术奖项之一——IEEE马可尼论文奖(2016),也是ESI高被引论文。相应的研究结果发表于JSAC, TSP, TWC(代表性论文[2],[5],[7])。


2、密集网络中的低秩矩阵模型


2.低秩矩阵填充模型:(a)拓扑干扰管理,b)无线缓存网络

通过深度融合计算、通信及存储资源,密集无线网络为低延迟、高能效及高安全的大数据处理提供了移动互联网信息基础架构。核心问题是如何有效地数学表示多维度网络边信息,如无线网络信道的部分连接性,无线缓存网络中各存储节点缓存的文件内容,以及无线分布式计算系统中各计算节点计算出的中间值,从而为系统优化设计和理论分析奠定科学基础。提出利用不完全矩阵表示网络边信息,为网络性能优化提供了统一的数学模型。通过进一步挖掘网络边信息建模矩阵的秩与通信速率的对应关系,即传输数据所用的信道次数等于矩阵的秩,提出了针对计算和存储赋能的密集无线网络广义低秩矩阵优化框架。

低秩矩阵优化方法为密集无线网络计算、通信、存储资源联合优化提供了普适性的理论模型和算法基础,发表于TWC(代表性论文[3],[4])。


3、大规模优化算法与统计理论



3.黎曼优化算法

随着海量终端设备接入,大量射频接入节点的部署,以及计算和存储资源的融合,密集网络中的无线资源优化问题不仅规模巨大,而且数学结构也变得异常复杂。针对一般性大规模凸优化问题,提出了统一的并行优化算法两阶段框架,即首先通过引入辅助变量将原始凸优化问题转换成标准的锥优化问题形式,进而通过算子交替投影法交替地进行子空间并行化投影,以及锥空间并行式投影。针对大规模低秩非凸优化问题,通过挖掘低秩优化问题中的黎曼几何结构,提出了有效、普适性的黎曼优化算法理论框架。针对高维统计优化问题,通过挖掘相应的凸优化放缩问题的凸几何结构,非凸优化问题全局几何及局部几何特性,提供算法统计最优性的理论保障。

  无线密集网络中一般性大规模凸优化问题求解的普适性优化框架,发表于IEEE TSP(代表性论文[6]),获得了2016年IEEE信号处理学会青年作者最佳论文奖。低秩矩阵优化问题的黎曼优化算法发表于TWC(代表性论文[3],[4])。

代表性论文(http://shiyuanming.github.io/publications.html):

[1] Y.Shi, J. Zhang, W. Chen, and K. B. Letaief, “Generalized sparse andlow-rank optimization for ultra-dense networks,” IEEE Commun. Mag., vol. 56, no. 6, pp. 42-48, Jun., 2018. (IF:10.4)

[2] Y.Shi, J. Zhang, W. Chen, and K. B. Letaief, “Enhanced group sparsebeamforming for dense green Cloud-RAN: A random matrix approach,” IEEE Trans. Wireless Commun., vol. 17,no. 4, pp. 2511-2524, Apr. 2018. (IF: 5.9)

[3] Y.Shi, B. Mishra, and W. Chen, “Topological interference management withuser admission control via Riemannian optimization,” IEEE Trans. Wireless Commun., vol. 16, no. 11, pp. 7362-7375, Nov.2017. (IF: 5.9)

[4] Y.Shi, J. Zhang, and K. B. Letaief, “Low-rank matrix completion fortopological interference management by Riemannian pursuit,” IEEE Trans. Wireless Commun., vol. 15,no. 7, pp. 4703-4717, Jul. 2016. (IF: 5.9)

[5] Y.Shi, J. Cheng, J. Zhang, B. Bai, W. Chen and K. B. Letaief, “Smoothed ????-minimizationfor green Cloud-RAN with user admission control,” IEEE J. Select. Areas Commun., vol. 34, no. 4, pp. 1022-1036, Apr.2016. (IF: 7.2)

[6] Y.Shi, J. Zhang, B. O’Donoghue, and K. B. Letaief, “Large-scale convexoptimization for dense wireless cooperative networks,” IEEE Trans. Signal Process., vol. 63, no. 18, pp. 4729-4743, Sept.2015. (The 2016 IEEE Signal ProcessingSociety Young Author Best Paper Award)

[7] Y.Shi, J. Zhang, and K. B. Letaief, “Robust group sparse beamforming formulticast green Cloud- RAN with imperfect CSI,” IEEE Trans. Signal Process., vol. 63, no. 17, pp. 4647-4659, Sept.2015. (IF: 4.2)

[8] Y.Shi, J. Zhang, K. B. Letaief, B. Bai and W. Chen,“Large-scale convexoptimization for ultra-dense Cloud-RAN,” IEEEWireless Commun. Mag., pp. 84-91, Jun. 2015. (IF: 9.2)

[9] Y.Shi, J. Zhang, and K. B. Letaief, “Optimal stochastic coordinatedbeamforming for wireless cooperative networks with CSI uncertainty,” IEEE Trans. Signal Process., vol. 63, no.4, pp. 960-973, Feb. 2015. (IF: 4.2)

[10] Y.Shi, J. Zhang, and K. B. Letaief, “Group sparse beamforming for greenCloud-RAN,” IEEE Trans. Wireless Commun.,vol. 13, no. 5, pp. 2809-2823, May 2014. (The 2016 Marconi Prize PaperAward)