[論文レビュー] Interplay Between NOMA and Other Emerging Technologies: A Survey

Mojtaba Vaezi, Gayan Amarasuriya+4 more|arXiv (Cornell University)|Mar 25, 2019

Advanced Wireless Communication Technologies参考文献 181被引用数 10

ひとこと要約

本サーベイは、マッシブMIMO、mmWave、エネルギー回収、物理層セキュリティ、可視光通信、モバイルエッジコンピューティング、および機械学習といった新たな無線技術と非直交多重アクセス（NOMA）の相乗的統合について包括的な分析を提供する。NOMAがこれらの技術と統合されることでスペクトル効率、ユーザーの公平性、およびシステムのスケーラビリティが向上する様子を示し、主な課題と今後の研究方向性を特定している。

ABSTRACT

Non-orthogonal multiple access (NOMA) has been widely recognized as a promising way to scale up the number of users, enhance the spectral efficiency, and improve the user fairness in wireless networks, by allowing more than one user to share one wireless resource. NOMA can be flexibly combined with many existing wireless technologies and emerging ones including multiple-input multiple-output (MIMO), massive MIMO, millimeter wave communications, cognitive and cooperative communications, visible light communications, physical layer security, energy harvesting, wireless caching, and so on. Combination of NOMA with these technologies can further increase scalability, spectral efficiency, energy efficiency, and greenness of future communication networks. This paper provides a comprehensive survey of the interplay between NOMA and the above technologies. The emphasis is on how the above techniques can benefit from NOMA and vice versa. Moreover, challenges and future research directions are identified.

研究の動機と目的

• NOMAと新興無線技術の相互作用を体系的にサーベイし、相乗効果と性能向上を同定すること。
• マッシブMIMO、mmWave、およびモバイルエッジコンピューティングなどの技術と組み合わせた場合、NOMAがスペクトル効率、エネルギー効率、およびユーザーの公平性をどのように向上させるかを分析すること。
• NOMA統合システムにおける不完全なチャネル状態情報、SIC復調エラー、リソース割り当ての複雑さといった主な技術的課題を特定すること。
• 機械学習およびディープラーニングがNOMAシステムにおけるNP困難な最適化問題を解決する役割を調査すること。
• 6G以降のネットワークにおけるNOMA統合のための未解決の研究課題と今後の研究方向性を提示すること。

提案手法

• マッシブMIMO、mmWave、認知無線、協調通信、物理層セキュリティ、エネルギー回収、可視光通信、モバイルエッジコンピューティング、および機械学習の12の主要分野にわたり、構造的な文献レビューを実施する。
• 各技術とNOMAを統合した場合の理論的および実用的利点を分析し、スペクトル効率、エネルギー効率、公平性に焦点を当てる。
• システムモデル、信号処理技術（例：スーパポジション符号化、逐次干渉キャンセレーション）、およびリソース割り当てフレームワークをレビューする。
• 大規模最適化問題に対処するために、確率的幾何学および機械学習（特にディープラーニング）の使用を検討する。
• NOMA-MECおよびNOMA-SWIPTシステムにおける遅延、エネルギー消費、機密性レート、タスクオフロード効率といった性能指標を評価する。
• 引用文献からのシミュレーションおよび解析結果を用いて、NOMAベースのシステムと従来のOMA方式を比較する。

実験結果

リサーチクエスチョン

• RQ1 NOMAがマッシブMIMOおよびmmWave通信と統合された場合、スペクトル効率およびエネルギー効率がどのように向上するか。
• RQ2 協調および認知無線ネットワークにおけるNOMAの性能向上は何か。また、OMAベースのシステムと比較してどう異なるか。
• RQ3 NOMAをモバイルエッジコンピューティングと組み合わせることで、タスクオフロードの遅延とエネルギー消費をどのように低減できるか。
• RQ4 ディープラーニングは、NOMAシステムにおける複雑な電力割り当ておよびリソース管理問題をどのように解決するか。
• RQ5 エネルギー回収および物理層セキュリティとNOMAを統合するにあたり、主な課題は何か。また、それらをどのように軽減できるか。

主な発見

• NOMAは上行／下行MECシステムにおいて、遅延とエネルギー消費を削減することでOMAを上回り、タスクオフロード効率の向上が報告されている。
• NOMA-MECシステムでは、ハイブリッドバイナリおよび部分的オフロード方式が最適化された電力およびタスク割り当てによりエネルギー消費を低減する。
• キャッシュ対応NOMAシステムにおけるディープラーニングベースの電力割り当ては、異なるネットワーク状態において最適な行動を学習することで性能を向上させる。
• タイムスイッチング受信機を備えたSWIPT対応NOMAシステムは、ディープラーニングベースの共同リソース割り当てにより、スペクトル効率およびエネルギー効率を向上させる。
• 協調NOMA-MECシステムはリレーアシスト信号伝送とSICを活用することで、遠距離ユーザーの接続性を向上させる。
• NOMAと物理層セキュリティを統合することで、特にマルチユーザーおよびマルチアンテナ環境において機密性レートが向上する。