Joint Design of Embedded Index Coding and Beamforming for MIMO-based Distributed Computing via Multi-Agent Reinforcement Learning

📄 arXiv: 2512.20201v1 📥 PDF

作者: Heekang Song, Wan Choi

分类: eess.SY

发布日期: 2025-12-23

💡 一句话要点

提出基于多智能体强化学习的嵌入式索引编码与波束成形联合设计方案，优化MIMO分布式计算系统性能。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 分布式计算 嵌入式索引编码 MIMO系统 波束成形 多智能体强化学习 无线通信 数据混洗 边缘计算

📋 核心要点

  1. 分布式计算中数据混洗阶段的通信负载过高，现有嵌入式索引编码方法在无线MIMO系统中未充分考虑信道条件和空间复用增益。
  2. 提出一种基于多智能体强化学习的框架，分散的智能体根据局部观察进行决策，联合优化离散的嵌入式索引编码选择和连续的波束成形设计。
  3. 仿真结果表明，该方法在显著降低复杂度的同时，实现了接近最优的性能，验证了其在实际无线系统中的有效性。

📝 摘要（中文）

在分布式计算系统中，数据混洗阶段的通信负载是关键挑战，过多的节点间传输是主要的性能瓶颈。嵌入式索引编码(EIC)是一种有前景的方法，它利用用户节点缓存的数据来更有效地编码传输。然而，大多数关于EIC的先前工作都集中在有线、无差错环境中最小化代码长度，这对于无线多输入多输出(MIMO)系统来说通常不是最优的，因为必须考虑信道条件和空间复用增益。本文研究了MIMO系统中EIC和发射波束成形的联合设计，以最小化总传输时间，这是一个NP-hard问题。我们首先提出了一种传统的优化方法，通过穷举搜索来确定最优的EIC。为了解决其过高的复杂性并适应动态无线环境，我们提出了一种新颖的、低复杂度的多智能体强化学习(MARL)框架。所提出的框架使分散的智能体能够根据局部观察采取行动，同时有效地管理离散EIC选择和连续波束成形设计的混合动作空间。仿真结果表明，所提出的基于MARL的方法以显著降低的复杂性实现了接近最优的性能，突出了其在实际无线系统中的有效性和实用性。

🔬 方法详解

问题定义：论文旨在解决MIMO分布式计算系统中，数据混洗阶段的通信负载最小化问题。现有EIC方法主要针对有线环境，忽略了无线MIMO系统的信道特性和空间复用增益，导致性能受限。直接优化EIC和波束成形的联合设计是一个NP-hard问题，计算复杂度高，难以适应动态无线环境。

核心思路：论文的核心思路是将EIC选择和波束成形设计建模为一个多智能体强化学习(MARL)问题。每个节点作为一个智能体，根据局部观察（例如缓存数据和信道状态信息）独立地选择EIC方案和设计波束成形向量。通过智能体之间的协作，共同优化整个系统的传输时间。这种分散式决策方式可以降低计算复杂度，并适应动态变化的无线环境。

技术框架：整体框架包含以下几个主要模块：1) 环境建模：模拟MIMO分布式计算系统，包括用户节点、信道模型、数据请求和缓存状态等。2) 智能体设计：每个用户节点对应一个智能体，负责选择EIC方案和设计波束成形向量。3) 奖励函数设计：奖励函数旨在最小化总传输时间，同时考虑信道质量和干扰水平。4) MARL算法：采用合适的MARL算法（具体算法未知）训练智能体，使其能够根据局部观察做出最优决策。

关键创新：论文的关键创新在于将EIC和波束成形的联合设计问题转化为一个MARL问题，并提出了一种分散式的解决方案。这种方法能够有效地管理离散的EIC选择和连续的波束成形设计，同时降低计算复杂度，并适应动态无线环境。与传统的集中式优化方法相比，该方法具有更好的可扩展性和鲁棒性。

关键设计：论文的关键设计包括：1) 智能体的状态空间：包含局部缓存数据、信道状态信息等。2) 智能体的动作空间：包含离散的EIC方案选择和连续的波束成形向量设计。3) 奖励函数：旨在最小化总传输时间，同时考虑信道质量和干扰水平。4) MARL算法的具体选择和参数设置（具体算法和参数未知）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，所提出的基于MARL的方法在显著降低复杂度的同时，实现了接近最优的性能。与传统的穷举搜索方法相比，该方法能够以更低的计算成本获得相近的性能，验证了其在实际无线系统中的有效性和实用性。具体的性能提升幅度未知。

🎯 应用场景

该研究成果可应用于无线分布式计算系统，例如边缘计算、联邦学习等场景。通过优化数据混洗阶段的通信效率，可以显著提升系统的整体性能，降低延迟，提高吞吐量。该方法还可扩展到其他无线通信场景，例如多小区协作通信、设备到设备(D2D)通信等。

📄 摘要（原文）

In distributed computing systems, reducing the communication load during the data shuffling phase is a critical challenge, as excessive inter-node transmissions are a major performance bottleneck. One promising approach to alleviate this burden is Embedded Index Coding (EIC), which exploits cached data at user nodes to encode transmissions more efficiently. However, most prior work on EIC has focused on minimizing code length in wired, error-free environments-an objective often suboptimal for wireless multiple-input multiple-output (MIMO) systems, where channel conditions and spatial multiplexing gains must be considered. This paper investigates the joint design of EIC and transmit beamforming in MIMO systems to minimize total transmission time, an NP-hard problem. We first present a conventional optimization method that determines the optimal EIC via exhaustive search. To address its prohibitive complexity and adapt to dynamic wireless environments, we propose a novel, low-complexity multi-agent reinforcement learning (MARL) framework. The proposed framework enables decentralized agents to act on local observations while effectively managing the hybrid action space of discrete EIC selection and continuous beamforming design. Simulation results demonstrate that the proposed MARL-based approach achieves near-optimal performance with significantly reduced complexity, underscoring its effectiveness and practicality for real-world wireless systems.