Towards intelligent machine-type communication

Abstract

Abstract

Recent advances in communication networks towards an intelligent communication system have led to new challenges, such as massive connectivity, massive traffic explosion, and extremely low latency. Thus, the next generation, 6G, must meet a wide range of requirements and use cases. This thesis aims to develop and analyze machine learning-based strategies to efficiently meet the stringent requirements of emerging intelligent communication systems. We utilize the concepts of classic machine learning, deep learning, and deep reinforcement learning as potential solutions to such challenges. We carry out a theoretical analysis and algorithmic design to solve three main problems in intelligent communication systems: i) predicting traffic activation machine-type communication (MTC) problems, ii) enhancing the age-of-information (AoI), which quantifies the freshness of the information, minimizing the transmission power of MTC devices in unmanned aerial vehicle (UAV) networks, and iii) minimizing the size of the transmitted messages in task-oriented semantic communication problems.

First, we propose several classical and modern machine learning schemes to solve traffic prediction and anomaly detection in MTC networks. Second, we propose reinforcement learning (RL) and multi-agent RL (MARL) solutions to solve the problem of optimizing the trajectories of multiple UAVs to jointly minimize the AoI and the transmission power. Finally, we explore convolution neural networks (CNNs), a convolution autoencoder (CAE), and meta-learning to enable semantic communication targeting multiple tasks at the receiver using a limited amount of data, thus enhancing communication and computation efficiency over the wireless network.

The proposed techniques in this thesis enhance challenging performance metrics such as real-time data collection, end-to-end latency, energy efficiency, and spectral efficiency. Our novel ideas outperformed the existing state-of-the-art solutions and have the influence to be developed and increasingly used in other future research directions.

Tiivistelmä

Tietoliikenneverkkojen viimeaikainen kehitys kohti älyverkkoja on asettanut uusia haasteita kuten massiivinen kytkettävien laitteiden ja liikenteen määrä sekä äärimmäisen pieni latenssi. Niinpä tulevan 6G-sukupolven on täytettävä laaja vaatimus- ja käyttökohdekirjo. Tässä väitöstyössä kehitetään ja analysoidaan koneoppimispohjaisia strategioita vastaamaan kireisiin älyverkkojen vaatimuksiin. Työssä käytetään klassisia koneoppimisen menetelmiä, syväoppimista ja vahvistettua syväoppimista mahdollisina toteutusvaihtoehtoina. Teoreettisen analyysin ja algoritmisuunnittelun avulla pureudutaan kolmeen pääongelmaan älykkäissä tietoliikenneverkoissa: i) ennustamaan konetyyppisen kommunikaation (MTC) liikenteen aktivointiongelmia, ii) parantamaan informaation iän (AoI) käyttöä, joka määrittää informaation tuoreuden, minimoimaan MTC-laitteiden lähetystehoa miehittämättömissä ilma-alusverkoissa (UAV), ja iii) minimoimaan lähetettävien viestien kokoa tehtäväpohjaisissa semanttisen tietoliikenteen ongelmissa.

Ensiksi esitetään useita klassisen ja modernin koneoppimisen tekniikoita ratkaisemaan liikenteen ennustusta ja poikkeamien ilmaisua MTC-verkoissa. Toiseksi esitetään vahvistetun oppisen (RL) ja moniagenttioppimisen (MARL) ratkaisuja optimoimaan usean UAV:n lentoratoja siten, että AoI ja lähetysteho minimoituvat samanaikaisesti. Lopuksi tutkitaan konvoluutioneuroverkkoja (CNN), konvoluutioautoenkoodereita (CAE) ja metaoppimista semanttista kommunikaatiota varten, jolloin voidaan suorittaa useita tehtäviä vastaanottimessa hyvin rajallisella tietomäärällä ja siten parantaa tiedonsiirron ja laskennan tehokkuutta langattomassa verkossa.

Väitöskirjassa ehdotetut tekniikat parantavat suorituskykyä esimerkiksi reaaliaikaisessa datan keruussa, päästä-päähän -latenssissa, energiatehokkuudessa ja spektrinkäytön tehokkuudessa. Esitetyt uudet menetelmät suoriutuivat paremmin kuin tunnetut verrokit, joten niillä on potentiaalia jatkokehitykseen ja laajamittaisempaan käyttöön muiden tulevien tutkimusten osana.