[論文レビュー] A GCICA Grant-Free Random Access Scheme for M2M Communications in Crowded Massive MIMO Systems

Huimei Han, Lushun Fang+4 more|arXiv (Cornell University)|Dec 25, 2020

IoT Networks and Protocols参考文献 23被引用数 4

ひとこと要約

本稿は、混雑した massive MIMO システムにおける大規模 M2M 通信向けに、複数のサブパイロットで構成されるスーパーパイロットと、グラフ結合クラスタリング独立成分分析（GCICA）アルゴリズムを用いた GCICA-RA 無許可ランダムアクセス方式を提案する。この方式は、アクティブなUEの同時検出、CSI推定、上行リンクメッセージの復調を統合的に行い、特に高密度環境下でも高いアクセス成功確率、低い誤検出率、向上した上行リンクスループットと低いCSI推定誤差を達成する。

ABSTRACT

A high success rate of grant-free random access scheme is proposed to support massive access for machine-to-machine communications in massive multipleinput multiple-output systems. This scheme allows active user equipments (UEs) to transmit their modulated uplink messages along with super pilots consisting of multiple sub-pilots to a base station (BS). Then, the BS performs channel state information (CSI) estimation and uplink message decoding by utilizing a proposed graph combined clustering independent component analysis (GCICA) decoding algorithm, and then employs the estimated CSIs to detect active UEs by utilizing the characteristic of asymptotic favorable propagation of massive MIMO channel. We call this proposed scheme as GCICA based random access (GCICA-RA) scheme. We analyze the successful access probability, missed detection probability, and uplink throughput of the GCICA-RA scheme. Numerical results show that, the GCICA-RA scheme significantly improves the successful access probability and uplink throughput, decreases missed detection probability, and provides low CSI estimation error at the same time.

研究の動機と目的

• 大規模 M2M 通信における従来の許可ベースのランダムアクセス方式の高いシグナリングオーバーヘッドと低い効率性を是正すること。
• 低アクセス遅延と最小限のパイロットオーバーヘッドを実現しながら、混雑した massive MIMO システムにおける大規模接続をサポートすること。
• 事前許可なしに1回の送信フェーズで、アクティブ性検出、CSI推定、上行リンクメッセージの復調を統合的に実行できること。
• 高ユーザ密度下でのアクセス成功確率、誤検出率、上行リンクスループットという観点から、システム性能の向上を図ること。
• 新規のスーパーパイロット構造と高度な信号処理を用いて、CSI推定誤差を低減し、スペクトル効率を向上させること。

提案手法

• 各アクティブなUEは、複数のランダムに選択されたサブパイロットを連結したスーパーパイロットを送信し、それに続く上行リンクメッセージを変調して送信する。
• 基地局（BS）は、スーパーパイロットと上行リンク信号を受信した後、提案された GCICA アルゴリズムを適用して、同時にCSI推定とメッセージ復調を実行する。
• GCICA アルゴリズムは、グラフクラスタリングと独立成分分析（ICA）を組み合わせ、複数のアクティブなUEからの信号を分離・識別する。
• BSは推定されたCSIを用いて、massive MIMOチャネルの漸近的有利伝搬特性を利用して、アクティブなUEを検出する。
• 検出ダイバーシティを向上させるために、複数のサブパイロットフェーズ（L）と可変パイロット長（τp）を持つスーパーパイロット構造を活用する。
• 信号処理には反復的逐次インタリーレンスキャンセリング（SIC）と、性能と複雑度のバランスを取るためにICA分類器数（NI）の最適化を含む。

Figure 1: The frame structure of the proposed GCICA-RA scheme.

実験結果

リサーチクエスチョン

• RQ1 ICA分類器数（NI）が GCICA-RA 方式におけるアクセス成功確率と誤検出率に与える影響は何か？
• RQ2 高密度 M2M シナリオにおけるSNRの変化が、CSI推定誤差とシステムスループットに与える影響は何か？
• RQ3 サブパイロットフェーズ数（L）が上行リンクスループットとCSI推定精度に与える影響は何か？
• RQ4 GCICA-RA 方式は、既存の無許可方式および複数パイロットプリアンブル方式と比較して、スループットと検出性能においてどのように差をつけるか？
• RQ5 大規模アクセス条件下で、スーパーパイロット構造がシステム容量と信頼性をどの程度向上させるか？

主な発見

• ICA分類器数（NI）が増加するにつれてアクセス成功確率が上昇し、特にSNRが20 dBの高SNR条件下でNI = 30で上限近辺の性能に達する。
• 誤検出確率はNIとSNRが高くなるにつれて著しく低下し、NI ≥ 30 かつ SNR ≥ 15 dB の条件下で理論的下限に近づく。
• CSI推定誤差（MSE）はNIとSNRの増加に伴い著しく低下し、5 dB SNRでも低いMSE値を達成する。
• GCICA-RA の上行リンクスループットは、ベースライン方式を著しく上回り、特にL = 3かつNI = 30の条件下で理論的上限に近づく。
• アクティブなUE数が増加するにつれて、GCICA-RAとベースラインの間のスループットギャップが拡大し、混雑環境下での優れた性能が示される。
• L = 3 は L = 2 よりも優れた性能を示す。これはSIC反復回数が少なく、等価雑音が低減され、CSI推定が向上するためである。

Figure 2: Block diagram of the proposed GCICA-RA scheme. Each active UE sends its super pilot and modulated uplink message to the BS. The BS performs CSI estimation and uplink message decoding by utilizing a proposed GCICA decoding algorithm, employs the estimated CSIs to detect active UEs, and send