The ultradense network (UDN) has been identified as a promising technology to address the challenge of the ever increasing demands on data rates or massive accesses, especially for Internet of Things (IoT)-oriented applications. However, the severe co-channel interference (CCI) generated by densely deployed femtocells in UDN poses a critical issue. The conflict graph is widely recognized as an effective representation of the underlying interference constraints in the network and a powerful tool for interference management. Different from most prior studies that construct conflict graphs based on accurate geographical distance information, which is usually hard to obtain in reality, an accurate and practical machine-learning-based conflict graph construction approach is proposed in this article. Based on the constructed graph, the throughput maximization problem, which is NP-hard, is decoupled into a user clustering subproblem and a subchannel allocation subproblem. The former is solved by proposing a low complexity user clustering algorithm with modified balanced Min $k $ -Cut, which identifies low-interference entities (i.e., clusters) for spectrum reuse; and the latter is solved by presenting a subchannel allocation algorithm with accumulative intercluster interference considered, which could further reduce the interference caused by spectrum reuse. Moreover, to further improve the spectrum efficiency, a supplementary allocation algorithm is deployed to allocate the remaining subchannels. The simulation results show that the proposed approach improves the aggregate throughput by up to 186.68%, compared with the other existing methods.

中文翻译：

---

基于机器学习的干扰图构造的超密集网络资源分配

超密集网络（UDN）被认为是一种有前途的技术，可以应对对数据速率或大规模访问（尤其是面向物联网（IoT）的应用）不断增长的需求提出的挑战。然而，由UDN中密集部署的毫微微小区产生的严重同信道干扰（CCI）构成了一个关键问题。冲突图被广泛认为是网络中潜在干扰约束的有效表示形式，并且是进行干扰管理的强大工具。与大多数以前基于精确的地理距离信息来构造冲突图的现有研究不同，后者通常很难在现实中获得，本文提出了一种准确而实用的基于机器学习的冲突图构造方法。根据构造的图，NP困难的吞吐量最大化问题被分解为用户聚类子问题和子信道分配子问题。前者是通过提出一种低复杂度的用户聚类算法来解决的，该算法具有经修改的平衡Min $ k $ -Cut，该算法可识别低干扰实体（即，集群）以进行频谱重用；提出了一种考虑了集群间累积干扰的子信道分配算法，可以进一步减少频谱复用带来的干扰。此外，为了进一步提高频谱效率，采用了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。被分解成用户聚类子问题和子信道分配子问题。前者是通过提出一种低复杂度的用户聚类算法来解决的，该算法具有经修改的平衡Min $ k $ -Cut，该算法可识别低干扰实体（即，集群）以进行频谱重用；提出了一种考虑了集群间累积干扰的子信道分配算法，可以进一步减少频谱复用带来的干扰。此外，为了进一步提高频谱效率，采用了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。被分解成用户聚类子问题和子信道分配子问题。前者是通过提出一种低复杂度的用户聚类算法来解决的，该算法具有经修改的平衡Min $ k $ -Cut，该算法可识别低干扰实体（即，集群）以进行频谱重用；提出了一种考虑了集群间累积干扰的子信道分配算法，可以进一步减少频谱复用带来的干扰。此外，为了进一步提高频谱效率，采用了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。前者是通过提出一种低复杂度的用户聚类算法来解决的，该算法具有经修改的平衡Min $ k $ -Cut，该算法可识别低干扰实体（即，集群）以进行频谱重用；提出了一种考虑了集群间累积干扰的子信道分配算法，可以进一步减少频谱复用带来的干扰。此外，为了进一步提高频谱效率，采用了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。前者是通过提出一种低复杂度的用户聚类算法来解决的，该算法具有经修改的平衡Min $ k $ -Cut，该算法可识别低干扰实体（即，集群）以进行频谱重用；提出了一种考虑了集群间累积干扰的子信道分配算法，可以进一步减少频谱复用带来的干扰。此外，为了进一步提高频谱效率，采用了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。集群）以供频谱重用；提出了一种考虑了集群间累积干扰的子信道分配算法，可以进一步减少频谱复用带来的干扰。此外，为了进一步提高频谱效率，采用了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。集群）以供频谱重用；提出了一种考虑了集群间累积干扰的子信道分配算法，可以进一步减少频谱复用带来的干扰。此外，为了进一步提高频谱效率，采用了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。部署了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。部署了一种补充分配算法来分配剩余的子信道。仿真结果表明，与其他现有方法相比，该方法可提高总吞吐量达186.68％。