To meet the ever-increasing communication services with diverse requirements, situation-aware intelligent utilization of multi-dimensional communication resources is becoming essential. In this paper, considering a time-division-duplex downlink cellular scenario, a deep learning-based framework for multi-dimensional intelligent multiple access (MD-IMA) scheme is developed for beyond 5G and 6G wireless networks to meet the real-time and diverse quality of service (QoS) requirements by fully utilizing the available radio resources in heterogeneous domains. To achieve intelligent operation of MD-IMA, the proposed deep learning scheme is achieved based on the convergence of long short term memory (LSTM) and deep reinforcement learning (DRL). Specifically, an LSTM neural network is used to predict the long-term network dynamics and inference changes in QoS requirements of the MD-IMA. Meanwhile, a deterministic policy gradient (DDPG) algorithm, a model-free DRL technique, is adopted to optimize the multi-dimensional radio resource allocation in real-time by dynamically following the fluctuations of the network situation. With the aid of the DDPG algorithm, radio resource management for MD-IMA can be achieved efficiently with reduced processing latency as compared to the conventional model-based approaches. Furthermore, the effectiveness of our proposed deep learning framework for MD-IMA is validated through real-world cellular traffic data-sets. The experimental results demonstrate that the proposed scheme can outperform state-of-the-art algorithms.

中文翻译：

---

多维智能多路访问的态势感知资源分配：一个主动的深度学习框架

为了满足不断增长的多样化需求的通信服务，多维通信资源的态势感知智能利用变得必不可少。在本文中，考虑到时分双工下行蜂窝场景，开发了一种基于深度学习的多维智能多址（MD-IMA）方案框架，用于超越 5G 和 6G 的无线网络，以满足实时和通过充分利用异构域中的可用无线电资源，实现多样化的服务质量 (QoS) 要求。为了实现 MD-IMA 的智能操作，所提出的深度学习方案是基于长短期记忆 (LSTM) 和深度强化学习 (DRL) 的收敛来实现的。具体来说，LSTM 神经网络用于预测 MD-IMA 的 QoS 要求的长期网络动态和推理变化。同时，采用确定性策略梯度（DDPG）算法，一种无模型DRL技术，通过动态跟踪网络情况的波动，实时优化多维无线资源分配。与传统的基于模型的方法相比，在 DDPG 算法的帮助下，可以有效地实现 MD-IMA 的无线电资源管理，同时减少处理延迟。此外，我们提出的 MD-IMA 深度学习框架的有效性通过真实世界的蜂窝交通数据集得到验证。实验结果表明，所提出的方案可以胜过最先进的算法。采用确定性策略梯度（DDPG）算法，一种无模型DRL技术，通过动态跟踪网络情况的波动，实时优化多维无线资源分配。与传统的基于模型的方法相比，在 DDPG 算法的帮助下，可以有效地实现 MD-IMA 的无线电资源管理，同时减少处理延迟。此外，我们提出的 MD-IMA 深度学习框架的有效性通过真实世界的蜂窝交通数据集得到验证。实验结果表明，所提出的方案可以胜过最先进的算法。采用确定性策略梯度（DDPG）算法，一种无模型DRL技术，通过动态跟踪网络情况的波动，实时优化多维无线资源分配。与传统的基于模型的方法相比，在 DDPG 算法的帮助下，可以有效地实现 MD-IMA 的无线电资源管理，同时减少处理延迟。此外，我们提出的 MD-IMA 深度学习框架的有效性通过真实世界的蜂窝交通数据集得到验证。实验结果表明，所提出的方案可以胜过最先进的算法。采用动态跟踪网络情况的波动，实时优化多维无线资源分配。与传统的基于模型的方法相比，在 DDPG 算法的帮助下，可以有效地实现 MD-IMA 的无线电资源管理，同时减少处理延迟。此外，我们提出的 MD-IMA 深度学习框架的有效性通过真实世界的蜂窝交通数据集得到验证。实验结果表明，所提出的方案可以胜过最先进的算法。采用动态跟踪网络情况的波动，实时优化多维无线资源分配。与传统的基于模型的方法相比，在 DDPG 算法的帮助下，可以有效地实现 MD-IMA 的无线电资源管理，同时减少处理延迟。此外，我们提出的 MD-IMA 深度学习框架的有效性通过真实世界的蜂窝交通数据集得到验证。实验结果表明，所提出的方案可以胜过最先进的算法。我们提出的 MD-IMA 深度学习框架的有效性通过真实世界的蜂窝交通数据集得到验证。实验结果表明，所提出的方案可以胜过最先进的算法。我们提出的 MD-IMA 深度学习框架的有效性通过真实世界的蜂窝交通数据集得到验证。实验结果表明，所提出的方案可以胜过最先进的算法。