基于图注意力网络的负载均衡技术，适用于具有并行传输功能的6G异构网络

《IEEE Transactions on Vehicular Technology》：Graph Attention Networks-Enabled Load Balancing for 6G Heterogeneous Networks with Parallel Transmission

　　针对6G异构网络中串行传输限制UE多连接及并行传输导致的拓扑复杂性问题，提出基于图注意力网络（GAT）的负载均衡模型。该模型将PT-HetNets拓扑建模为图，节点特征包含信道状态信息与数据率需求，边标签为负载均衡方案。仿真表明，相比传统方法，GAT模型实现11.5%以内的吞吐量误差，推理时间减少4个数量级，且比DNN模型提升吞吐量21.7%。

　　

摘要：

混合光保真（LiFi）和无线保真（WiFi）网络是6G及未来技术中具有前景的异构网络（HetNets），这得益于光谱和射频的互补物理特性。然而，这类异构网络在物理层的部署主要受到传统串行传输（ST）机制的限制，该机制使得每个用户设备（UE）一次只能连接一个接入点（AP）。尽管对并行传输（PT）的研究正在取得进展，并能带来显著的优势，但它却使异构网络的结构变得更加复杂，从而降低了现有负载均衡（LB）学习模型的有效性。基于此，我们提出了一种基于图注意力网络（GAT）的模型，用于解决在支持并行传输的异构网络（PT-HetNets）中的负载均衡问题，该模型形成了部分网状拓扑结构。这种拓扑结构可以被建模为一个图，其中信道状态信息和数据速率需求作为节点特征，而负载均衡解决方案则作为边标签。与传统深度神经网络（DNN）相比，所提出的基于GAT的学习模型具有两个关键优势：i) 它能更好地理解复杂的网络拓扑；ii) 它可以使用单一训练模型适应不同数量的AP和UE。仿真结果表明，与传统优化方法相比，所提出的学习模型能够在性能差距仅为11.5%的情况下实现接近最优的网络吞吐量，并将推理时间缩短4个数量级。与DNN模型相比，这种新方法能够在相似的推理时间内将网络吞吐量提高21.7%。