基于深度学习的D2D毫米波通信中继选择

李中捷，吴婉敏，高伟

(中南民族大学 电子信息工程学院，智能无线通信湖北重点实验室，武汉 430074)

为满足移动数据流量、宽带服务和大量连接设备爆炸式增长的需求，5G移动通信网络应能支持速率达Gbps量级的数据连接传输服务[1].设备到设备(Device-to-device，D2D)之间直接通信，可以显著提高流量卸载、端到端容量，降低能量消耗、数据包传输延迟等[2].毫米波提供更大的带宽并具有高度定向的传播特性，通过使用D2D通信和毫米波传输方案相结合，可以进一步发挥D2D通信的优势[3].但毫米波链路预算差、传播损耗高、可靠性低、覆盖范围小，遇到障碍物衍射效果差，如何保证D2D通信链路高质量数据传输是毫米波通信的巨大挑战.

在通信链路直接连接碰到阻塞时，为了在D2D 毫米波通信中实现可靠传输，文献[4]采用IEEE 802.11ad中的快速频率切换技术，将毫米波频段切换到较低频率的频带来克服毫米波阻塞敏感问题.文献[5]中D2D设备能够发现毫米波频段的LOS链路，但LOS链路并不总是可用，必要时切换到微波频段，仿真表明必要的切换明显优于单频通信的性能.但是，快速频率切换技术极大地降低了系统的频谱效率.为了解决该问题，可以合理利用中继节点，文献[6]中分析了中继辅助毫米波网络的覆盖概率，推出了低密度和超高密度网络的信噪比分布，仿真结果验证了中继辅助毫米波网络的优越性.但通常最佳中继是未知的，如何选择一个最佳中继，以进一步提高系统性能成为一个关键问题.

目前基于毫米波的D2D通信已经提出了几种中继选择方案.例如文献[7]提出微控制器的中继选择方案，通过将长路径分为数个短路径进行中继传输.在文献[8]中研究了室内60 GHz中继辅助通信的吞吐量和中断性能，通过视距路径、半双工中继节点来建立通信路径，可以大大提高平均吞吐量，并减少中断的可能性.文献[9]提出60 GHz网络中的最佳中继选择方案，计算发送端到中继之间(dsri)与中继到接收端之间(drid)的最小距离差(即εi=|dsri+drid|)，并选择最佳中继.文献[10]中考虑阻塞效应，推出两种中继选择技术的端到端信噪比(Signal-to-Noise Ratio，SNR)的闭式表达式，即最佳路径选择和最佳中继选择.前者可以使传输路径受最少的阻塞影响，后者可以优化端到端SNR.文献[11]中在毫米波D2D通信环境下使用全双工中继选择，基于非线性分数规划的迭代功率分配算法来优化能量效率，提出了瓶颈效应消除的功率调整算法，在降低传输功率的同时保持端到端的容量.但是这些技术并不能保证选择一个具有低复杂度和高性能的最佳中继，也没有合适的中继节点评估标准，用来保证高密度D2D毫米波通信中的通信可靠性.

本文针对毫米波环境下的D2D设备分布情况，提出一种基于深度学习卷积神经网络的方法，学习如何预测具有低复杂性和高性能的最佳中继，提高可靠性.所提方案考虑设备分布情况、设备剩余电量、信号强度，从吞吐量和能量效率方面分析所提算法的性能.更具体地说，主要实现两个目标：(1)学习如何优化中继链路的选择，可以让D2D链路的能量效率最大化；(2)学习如何直接在D2D用户之间预测合适的最佳中继，提高毫米波的可靠性通信.

1 系统模型

D2D中继主要目标是改善区域覆盖并克服mmWave频带对阻塞的敏感性问题，选择一个合适的最佳中继可以很好地改善毫米波D2D通信的性能.

1.1 D2D通信用户分布及中继选择

图1 D2D毫米波通信的中继选择

(1)用户分布：如图1所示，考虑在毫米波网络环境下基于中继辅助的D2D通信.假设所有用户都是泊松点过程分布，在通信过程中，D2D通信的直连链路遇到障碍物(人或者建筑物等)时，可以选择频带切换技术[4,5]，也可以选择单跳或者多跳中继来绕过障碍物[7-11].本文优先考虑使用中继选择策略.

(2)中继辅助：如图2所示，假设总共有N个D2D用户设备，在D2D毫米波通信链路被阻塞的情况下，D2D网络中的每个空闲设备都可以充当候选中继(即UERelay)来绕过障碍物重新建立D2D通信链路连接.从源D2D到中继的传输过程为阶段一(si→rj)，中继到目的D2D的传输过程为阶段二(rj→di).

图2 中继辅助毫米波D2D网络

其中，R={rj},表示中继，S={si}和D={di},i=1,2,…,N/2表示的是源D2D和目的D2D.

1.2 毫米波D2D信道模型

大规模的天线阵列增益能够克服由于毫米波传播损耗和穿透损耗高造成的覆盖范围限制，并建立可靠的链路连接.假设每个节点都具有相同的传输功率，每个发送端使用Nt个天线元件，接收端使用Nr个天线元件，传统MIMO系统中进行波束成形训练(beamforming Training，BT)使用IEEE 802.15.3c码本[4]，采用2比特量化精度，即4相位偏移，表达式如下：

(1)

其中w=0,…，Nt-1,m=1,…,M-1,Nt为天线单元数，M为码本中的波束数.本文采用几何信道模型来捕获mmWave大规模MIMO信道的特性，具有L个传播路径的mmWave信道模型可表示如下：

(2)

其中ρ是平均路径损耗，L表示的路径数，αl表示第l路径的复合增益，方位角AoD和AoA分别是θl∈[0,2π]和φl∈[0,2π].采用均匀线性阵列天线，as(θt)、ad(φt)分别表示相应的阵列导向矢量，表示如下

(3)

(4)

x和λ分别表示天线元件间距和信号波长，假设D2D用户的天线权重矢量都指向mtx和mrx波束模式的情况下，对应于接收端的接收信号可以表示如下：

y=krx[:,mrx]HHktx[:,mtx]s+krx[:,mrx]Hn.

(5)

其中，s表示的是发射信号，H代表信道矩阵，ktx[:,mtx]表示的是在TX码本ktx中对应于mtx列的天线权重矢量，krx[:,mrx]表示的是在RX码本krx中对应于mrx列的天线权重矢量，n表示加性高斯白噪声噪声(Additive White Gaussian Noise，AWGN).

1.3 毫米波通信的阻塞模型

毫米波通信对阻塞极其敏感，且具有低散射的特点，因此几乎是视距(Line of Sight，LOS)通信.本文中，毫米波通信阻塞模型是基于收发器之间的距离d和障碍物的形状和密度ε来建立的，LOS被阻塞的概率可表示如下[12]：

P(LOS)=e-εd.

(6)

2 性能指标

假设每个D2D对可以选择一对发送和接收天线以通过子信道发送，所有中继和D2D对都可以控制天线波束以形成传输路径.阶段一的信号与干扰加噪声比(Signal to Interference plus Noise Ratio, SINR)为

(7)

Psi,rj、hsi,rj分别表示阶段一第i个和第j个设备之间(设备i指的是D2D通信终端设备，设备j指的是候选中继设备)的发射功率和信道增益.W、N0分别表示子信道带宽和AWGN的功率谱密度，Prj,di、hLI分别表示阶段二的发射功率和用于模拟全双工中继方案的残余自干扰(Self-interference，SI)影响的信道增益.这里假设可以应用一些SI消除技术，使得可以获得使用全双工中继的好处.类似地，阶段二的SINR可以写为

(8)

hsi,di表示第i个D2D对的直接链路的信道增益，其他的类似于(7)，因此Psi,rjhsi,di表示的是联合信道干扰.

2.1 D2D对的吞吐量

中继辅助D2D对的吞吐量可以定义为

R=Wmin[log2(1+SINRsi,rj),log2(1+SINRrj,di)]=

(9)

其中W表示的是信道的带宽.

2.2 能量效率

在香农定理中，信道容量C=Wlog2(1+SINR).频谱效率(Spectral Efficiency，SE)可以定义为

(10)

能量效率(Energy Efficient，EE)定义为网络中通信链路的频谱效率与总功耗之比，EE表达式如下：

(11)

(12)

其中SEsi、Tsi分别表示阶段一的频谱效率和总功耗，SErj、Trj分别表示阶段二的频谱效率和总功耗，Pcir表示总电路功率，η表示功率放大器效率.端到端EE可以定义为[9]

(13)

其中pi=(si,di)的端到端容量是

min[W×SEsi(Psi,rj),W×SErj(Prj,di)].

(14)

3 深度学习算法

3.1 模型描述

图3 卷积神经网络架构

为了选择具有低复杂度和高性能的最佳中继，本文提出一种基于深度学习的中继选择方案.如图3所示，本方案先采用卷积层对用户分布情况以及设备剩余电量进行特征提取，然后通过全连接层选择最佳中继索引号.该方案考虑设备之间的距离d、设备的剩余电量B，因此D2D毫米波的中继选择可以转换为以下能量效率优化问题，即找出最大化D2D通信链路的EE.

(15)

3.2 深度学习建模

本文所提模型由两个主要部分组成：

(1)特征提取部分：它学习如何从设备分布信息中提取关键特征.将设备分布信息和设备剩余电池能量输入到卷积层神经网络中实现对分布特征的提取.卷积层采用32个卷积核，每个卷积核的大小为2×2，步幅为1；卷积层的输出将作为池化层的输入，池化层采用的是最大池化，池化核大小为2×2.

(2)中继选择部分：通过提取的特征选择出最佳中继索引号.为了通过提取出的特征选择出最佳中继的索引号，将第一部分提取出的特征矩阵输入进两层全连接层.第一层全连接层大小与候选中继个数相等，激活函数采用softmax将输出结果转换为中继被选取的概率，之后对结果采用批量归一化.第二层大小与第一层相同，激活函数采用maxout，即选出最优的中继索引号.

深度学习模型基于学习阶段训练的模型来预测最佳中继，然后计算出EE最大化的mmWave的可靠性通信.

此外测量预测阶段的均方误差(Mean Squared Error，MSE)，来计算神经网络对于每个输入的的损失函数，MSE定义如下：

(16)

学习率(Learning Rate，LR)是每次参数更新的幅度.在训练过程中，每层都要不断地适应上一层由于输入分布不断变化所带来的新权重分布，这样就需要设置更小的学习率和更严格的参数初始化.本文通过将批量归一化(Batch Normalization, BN)放在激活函数之后，利用小批量的均值和方差调整输出分布，使得采用较大的学习率仍能够取得较好的精度.同时有效避免反向传播时的梯度消失、梯度爆炸等现象.

训练过程采用端到端监督学习方式，即原始数据到期望输出的映射.每一层都会根据预测结果与真实结果的误差来做调整，直到模型达到预期效果.测试过程是以一种无监督的学习方式来优化D2D链路的中继选择.深度学习的输出预测有助于在采用神经网络架构的毫米波通信中，进行中继选择的决策.最后基于均方误差MSE计算神经网络的预测选择的损失函数.

4 仿真分析

表1 仿真参数

本文采用数据集为毫米波MIMO环境下的D2D通信数据集对本文所提模型进行训练和测试，包括信道矩阵和设备位置.可以通过调整参数，如设备位置、设备之间的距离等，来产生符合其所需的数据集，仿真参数列于表1.为简单起见，假设发射机和接收机都采用4根天线，模型使用Keras库和TensorFlow后端实现，反向传播过程使用Adam优化器，批量大小为512，学习率为0.01.对所提出模型进行仿真分析，评估提出的中继选择方案在D2D毫米波通信中准确性、吞吐量和能量效率方面的性能，同时与IEEE 802.11ad中的传统技术相比较[4].

图4 模型精度

评估所提出的深度学习方法的准确性，为了获得深度学习模型的最佳预测，将训练过程所需的数据集称为训练样本.训练过程在不断的权重更新迭代后选出合适的权重让模型收敛且达到最佳精度.接下来对模型进行测试，测试过程是测试模型的性能.如图4所示，在训练大约八千个样本的数据集大小之后，模型输出的MSE近似饱和.测试结果表明模型的精度较高，性能较好.

图5 不同阻塞概率下的可达速率

图5比较了在不同阻塞概率情况下的可达速率，其中SINR=20 dB，N=200.从图5可以看出，当P(LOS)增加时，可达速率降低，但本文方案与文献[4]的性能相比较，所提方案明显具有更高的数据速率性能.

图6 系统吞吐量比较

如图6所示，在传统方案[4]中P(LOS)为0.1和0.5情况下，与本文提出的中继选择方案的吞吐量做比较.从图中可以清楚地看出，所提出中继选择方案的吞吐量优于传统的毫米波D2D通信，尤其是在阻塞概率较大的情况下.

图7 能量效率比较

图7中的结果显示了在N=200时，文献[4]的方案与本文所提出的中继选择方案相比，在P(LOS)相同情况下，所提方案的能量效率优于文献[4]中的算法.由于LOS受到阻塞，当P(LOS)增加时，能量效率降低，提出的方案的能效会随着P(LOS)增加而降低.本文提出的方案成功地克服了文献[4]中对于遇到阻塞情况的不足，优化5G中D2D 毫米波通信的性能.

5 结论

本文在D2D毫米波通信环境下，提出了基于深度学习卷积神经网络的中继选择优化算法，所提出的深度学习模型是为了克服在毫米波通信技术中选择出最佳中继的挑战.D2D通信中遇到链路阻塞时，候选设备可以被选择作为中继，深度学习模型可以预测高可靠性通信下用来中继数据的最佳中继.仿真结果表明，所提出的中继选择方案在频谱效率和能量效率方面优于文献[4]中D2D 毫米波通信遇到阻塞的频率切换方案.