Towards Self-Organizing Wireless Networks: Adaptive Learning, Resource Allocation, and Network ...

153 Pages·2016·3.15 MB·English

by  Martin Kasparick

Towards Self-Organizing Wireless
Networks: Adaptive Learning, Resource
Allocation, and Network Control
vorgelegt von
Diplom-Ingenieur
Martin Kasparick
geb. in Berlin
von der Fakulta¨t IV - Elektrotechnik und Informatik
der Technischen Universita¨t Berlin
zur Erlangung des akademischen Grades
Doktor der Ingenieurwissenschaften
- Dr.Ing. -
genehmigte Dissertation
Promotionsausschuss:
Vorsitzende: Prof. Anja Feldmann, Ph.D.
Gutachter: Prof. Dr. S(cid:2)lawomir Stan´czak
Gutachter: Prof. Dr. Rudolf Mathar (RWTH Aachen)
Gutachter: PD Dr. habil. Gerhard Wunder
Tag der wissenschaftlichen Aussprache: 21. Dezember 2015
Berlin 2016

Abstract
The concept of self-organizing networks is a promising approach to address funda-
mental challenges in current and future wireless networks. Not least the dense and
heterogeneous nature of the networks, the scarcity of resources, and high costs of man-
ual configurations necessitate efficient self-organization techniques that autonomously
adaptcrucialsystemparameterstochangingtrafficandnetworkconditions. Thisthesis
is concerned with key aspects of self-organizing networks, in particular the generation
of the required knowledge, and the design of particular self-optimization mechanisms
in wireless networks.
Anyself-organizationfunctionalitydependsonknowledgeaboutthecurrentsystem
state. The first part of this thesis deals with learning techniques that enable a wide
range of self-optimization and self-configuration functions. In particular, we investi-
gate the generation of knowledge in form of geographical radio maps. The radio maps
are generated based on user measurements, which arrive sequentially and continuously
over time. To process this persistent data stream, low-complexity online estimation
and learning techniques are needed. We employ powerful kernel-based adaptive filter-
ing techniques, which are robust to measurement errors. To demonstrate how addi-
tional context information can be taken into account, we show, how knowledge about
anticipated user routes can be incorporated in the learning process. Moreover, we in-
vestigate the performance of the algorithms in different scenarios; more specifically, we
apply these techniques to the problem of path-loss estimation and to the problem of
estimating interference maps. Such radio maps are considered invaluable for network
planning and optimization tasks. Furthermore, we demonstrate how interference maps
can be used to support network-assisted device-to-device communications.
In addition to the aspect of knowledge generation, the second and third part of the
thesis deal with particular self-optimization techniques. The second part of the thesis
is concerned with self-optimization in interference-limited networks, motivated by the
trendtowardsdenselydeployedheterogeneouscellularnetworks, whichareexpectedto
becomeprevalentinthenextgenerationsofwirelesscommunicationsystems. Especially
inmulti-antennanetworks, inter-cellinterferencecoordinationposesamajorchallenge,
since not only temporal and spectral resources, but also the spatial dimension has to
be taken into account. To address this challenge, we propose distributed coordination
i
ii Abstract
algorithms for inter-cell (and intra-cell) interference coordination in SDMA-based cel-
lular networks. Based on a local maximization of a network-wide utility function over
average user rates, the proposed algorithms autonomously adapt the transmit power
budgets of particular resources. Using system-level simulations, we show that, espe-
cially in networks with high user mobility, the control of average power budgets for
particular time-frequency-space resources is superior to a direct control of the transmit
powers.
In the last part of the thesis, we consider more general network topologies with
a stochastic traffic modeling. We derive a framework to design network-layer control
policies based on a suitable cost function. Thereby, the framework adapts scheduling
and routing decisions to the requirements of different services and applications, while
ensuring queueing theoretic stability. As particular applications, we investigate the
cost function based control approach for networks with minimum buffer constraints
(e.g., in case of multimedia streaming), and for networks with energy limited nodes. In
addition, we show how existing cross-layer control algorithms can be adapted to our
control framework.
Zusammenfassung
Das Konzept selbstorganisierender Kommunikationsnetze, die zentrale Systemparam-
eter automatisch an vera¨nderliche Datenverkehrs- und Netzbedingungen anpassen, ist
ein vielversprechender Ansatz um fundamentalen Herausforderungen in aktuellen und
zuku¨nftigen drahtlosen Kommunikationsnetzen zu begegnen. Insbesondere die dichte
und heterogene Natur zuku¨nftiger drahtloser Netze, die Begrenztheit der Kommunika-
tionsressourcen, sowie hohe Kosten manueller Konfiguration und Wartung werden den
Einsatz von Selbstorganisationstechniken unverzichtbar machen. Diese Arbeit befasst
sich mit zentralen Aspekten selbstorganisierender Kommunikationsnetze und unter-
sucht dabei sowohl die Schaffung einer Informationsgrundlage als auch den Entwurf
konkreter Selbstoptimierungsmechanismen.
Jeder Algorithmus zur Selbstorganisation ist auf aktuelle Informationen u¨ber den
Zustand des Gesamtsystems angewiesen. Im ersten Teil der Arbeit werden maschinelle
Lernverfahren entwickelt um diese Informationen autonom erzeugen zu k¨onnen und
damitdieVoraussetzungfu¨rzahlreicheSelbstoptimierungs-undSelbstorganisationsver-
fahren zu schaffen. Speziell werden Algorithmen zur Erzeugung einer Wissens- und
EntscheidungsgrundlageinFormvonortsbasiertenRadiokartenformuliertundanalysiert.
Die Erzeugung der Radiokarten basiert auf der Verarbeitung nutzergenerierter Mess-
daten, welche kontinuierlich und sequentiell zur Verfu¨gung gestellt werden. Um diesen
kontinuierlichen Datenstrom verarbeiten zu k¨onnen, werden echtzeitbasierte Sch¨atz-
und Lernverfahren mit niedriger Komplexita¨t beno¨tigt. Zu diesem Zweck wird der
Einsatz kernelbasierter adaptiver Filtertechniken vorgeschlagen und evaluiert, welche
zudemeinehoheRobustheitgegenu¨berMessungenauigkeitenbesitzen. Beispielhaftfu¨r
die Einbeziehung zus¨atzlich verfu¨gbarer Kontextinformationen wird gezeigt, wie die
Kenntnis voraussichtlicher Nutzerrouten in den Lernprozess integriert werden kann.
Die Performanz der entwickelten Algorithmen, insbesondere im Zusammenhang mit
der Sch¨atzung von Pfadverlustkarten und Interferenzkarten, wird im Hinblick auf ver-
schiedene Netz- und Anwendungsszenarien untersucht. Derartige Radiokarten sind
speziellfu¨rdieadaptiveNetzplanungund-optimierungvongroßerBedeutung. Daru¨ber
hinaus wird gezeigt, wie insbesondere Interferenzkarten zur Unterstu¨tzung von net-
zgestu¨tzter Ger¨at-zu-Gera¨t-Kommunikation eingesetzt werden k¨onnen.
Erg¨anzend zum Aspekt der Wissensgenerierung werden im zweiten und dritten
iii
iv Zusammenfassung
Teil der Arbeit konkrete Selbstorganisationsverfahren untersucht. Motiviert durch
den anhaltenden Trend zu immer dichteren heterogenen zellularen Netzen, behan-
delt der zweite Teil dieser Arbeit Selbstoptimierungsverfahren zur Koordinierung von
Inter-Zell-Interferenz in interferenzbegrenzten Netzen. Die Koordinierung von Inter-
Zell-Interferenz bedeutet insbesondere in Mehrantennensystemen eine große Heraus-
forderung, da nicht nur Zeit- und Frequenzressourcen sondern auch die r¨aumliche
Dimension in die Koordinierung mit einbezogen werden muss. Fu¨r derartige zellu-
lare Mehrantennennetze werden selbstorganisierende verteilte Koordinationsalgorith-
men entworfen, welche die Sendeleistungsbudgets einzelner Ressourcen basierend auf
derMaximierungeinernetzweiten,u¨bermittlerenNutzeru¨bertragungsratendefinierten,
Nutzwertfunktionanpassen. Dabeiwirdgezeigt,dassesinNetzenmitmobilenNutzern
vorteilhafter ist, mittlere Sendeleistungsbudgets zu adaptieren, als die Sendeleistungen
direkt zu kontrollieren.
Im letzten Teil dieser Arbeit werden allgemeinere Netztopologien mit stochastis-
cher Modellierung der Datenaufkommen betrachtet. Vorgestellt wird ein Konzept zum
Entwurf von Kontrollstrategien auf der Netzwerkschicht, die, auf Basis einer geeignet
gew¨ahltenKostenfunktion,Scheduling-undRoutingentscheidungenandieAnforderun-
gen vorherrschender Anwendungen und Dienste anpassen k¨onnen und gleichzeitig Sta-
bilit¨at im Sinne der Warteschlangentheorie garantieren. Als konkrete Anwendungen
werden derkostenfunktionsbasierteEntwurf vonKontrollstrategien fu¨r NetzemitMin-
destanforderungen an Pufferfu¨llsta¨nde (z.B. im Fall von Multimedia-Streaming), sowie
fu¨rNetzeausKnotenmitbegrenzterEnergieuntersucht. Daru¨berhinauswirdgezeigt,
wie bestehende Algorithmen zur schichtu¨bergreifenden Kontrolle an das vorgestellte
Konzept angepasst werden ko¨nnen.
Acknowledgements
First of all, I would like tothank my advisors PD Dr.-Ing. habil. Gerhard Wunder and
Prof. SlawomirStanczak,whomademyresearchpossibleduringmytimeatTU-Berlin
and Fraunhofer HHI, and who constantly guided and supported me during the course
of my PhD studies. Also, I am very grateful to Prof. Rudolf Mathar for investing the
time to review this thesis.
Moreover, I want to thank all my colleagues at the Fraunhofer Heinrich-Hertz-
Institut and the Technical University of Berlin for many discussions and the great
working environment. Especially, I would like to thank Dr. Renato Cavalcante for
many interesting scientific discussions and his guidance during the last years.
Iwouldliketoexpressmysinceregratitudetomyfamilyandfriendsfortheirsteady
encouragement, butmyspecialgratitudegoestomywife, Claudia; withoutherendless
patience and support, this thesis would never have been possible.
v

Table of Contents
1 Introduction 1
1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Outline and Contributions of the Thesis . . . . . . . . . . . . . . . . . . 4
1.3 Notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2 Adaptive Learning for Self-Organizing Communication Networks 9
2.1 Preliminaries and Essential Convex Analysis Tools . . . . . . . . . . . . 11
2.2 Online Reconstruction of Radio Maps With Side Information . . . . . . 14
2.2.1 The APSM-Based Algorithm . . . . . . . . . . . . . . . . . . . . 16
2.2.2 The Multi-Kernel Approach . . . . . . . . . . . . . . . . . . . . . 19
2.2.3 Computational Complexity . . . . . . . . . . . . . . . . . . . . . 22
2.2.4 Adaptive Weighting . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1 Application to Path-loss Learning . . . . . . . . . . . . . . . . . 27
2.3.2 Interference Estimation With Application to Device-to-Device
Communications . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3.3 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3 Resource Allocation in Interference-Limited Networks 55
3.1 System Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 Network Utility Maximization . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3 Interference Mitigation by Autonomous Distributed Power Control . . . 61
3.3.1 Opportunistic Algorithm . . . . . . . . . . . . . . . . . . . . . . 63
3.3.2 Virtual Subband Algorithm . . . . . . . . . . . . . . . . . . . . . 65
3.3.3 Cost-Based Algorithm . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4 Performance Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4.1 Simulation Configuration . . . . . . . . . . . . . . . . . . . . . . 70
3.4.2 Baseline Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.3 Global Utility Versus Cell-Edge User Performance . . . . . . . . 72
3.5 Global Optimality: A Branch-and-Bound Based Solution. . . . . . . . . 74
3.5.1 Bounding . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
3.5.2 Numerical Results . . . . . . . . . . . . . . . . . . . . . . . . . . 78
vii
viii TABLE OF CONTENTS
3.6 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4 Flexible Stochastic Network Control 81
4.1 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.1.1 Queueing Model . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.1.2 Stability . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.1.3 Throughput-Optimal Control: The MaxWeight Policy . . . . . . 86
4.1.4 Cost Minimization and Myopic Control . . . . . . . . . . . . . . 87
4.1.5 Generalized MaxWeight . . . . . . . . . . . . . . . . . . . . . . . 88
4.2 Control Policy and Cost Function Design . . . . . . . . . . . . . . . . . 89
4.2.1 Cost Function Choice . . . . . . . . . . . . . . . . . . . . . . . . 91
4.2.2 Policy Design . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.2.3 Example: Controlling a Network of Queues in Tandem . . . . . . 94
4.2.4 A Pick and Compare Approach for Reducing Complexity . . . . 94
4.3 Applications . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
4.3.1 Application to Large Multimedia Networks . . . . . . . . . . . . 96
4.3.2 Energy-Efficient Network Control . . . . . . . . . . . . . . . . . . 101
4.3.3 Application to Cross-Layer Control . . . . . . . . . . . . . . . . . 103
4.3.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
5 Summary and Outlook 113
5.1 Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.2 Outlook and Future Research . . . . . . . . . . . . . . . . . . . . . . . . 116
A Kriging Algorithm Summary 119
Acronyms 122