[論文レビュー] Joint Retransmission, Compression and Channel Coding for Data Fidelity under Energy Constraints

Chiara Pielli, Čedomir Stefanović+2 more|arXiv (Cornell University)|Jun 28, 2017

Energy Harvesting in Wireless Networks参考文献 29被引用数 3

ひとこと要約

本稿では、エネルギー収集型センサーにおけるエネルギー制約下でデータ忠実度を最大化するため、再送信、圧縮、チャネル符号化を統合した手法を提案する。損失あり圧縮とハイブリッドARQを組み合わせ、MDPおよび強化学習を用いて符号化／圧縮レートを最適化することで、平均歪みを低減する。再送信を戦略的に活用する場合、特に歪みの低減が顕著となり、性能向上は再送信制限rおよびシステムパラメータに依存する。

ABSTRACT

We consider a monitoring application where sensors periodically report data to a common receiver in a time division multiplex fashion. The sensors are constrained by the limited and unpredictable energy availability provided by Energy Harvesting (EH), and by the channel impairments. To maximize the quality of the reported data, the packets transmitted contain newly generated data blocks together with up to $r - 1$ previously unsuccessfully delivered ones, where $r$ is a design parameter; such blocks are compressed, concatenated and encoded with a channel code. The scheme applies lossy compression, such that the fidelity of the individual blocks is traded with the reliability provided by the channel code. We show that the proposed strategy outperforms the one in which retransmissions are not allowed. We also investigate the tradeoff between the value of $r$, the compression and coding rates, under the constraints of the energy availability, and, once $r$ has been decided, use a Markov Decision Process (MDP) to optimize the compression/coding rates. Finally, we implement a reinforcement learning algorithm, through which devices can learn the optimal transmission policy without knowing a priori the statistics of the EH process, and show that it indeed reaches the performance obtained via MDP.

研究の動機と目的

• 間欠的なエネルギー供給を伴うエネルギー収集型無線センサーネットワークにおいて、高いデータ忠実度を維持する課題に対処すること。
• 確率的なエネルギー供給とチャネルフェージングを伴う条件下で、圧縮とチャネル符号化レートを統合的に最適化すること。
• 失敗したデータブロックを新しいデータと共に再送信することで信頼性を向上させるハイブリッド再送メカニズムを設計すること。
• エネルギー制約を尊重しながら歪みを最小限に抑えるエネルギー効率の良い送信方策を設計すること。
• エネルギーまたはチャネル統計の事前知識がなくても、強化学習を用いてデバイスが最適な送信戦略を学習可能にする仕組みを提供すること。

提案手法

• 各送信フレームに新しいデータブロックに加え、最大r−1個の以前に失敗したブロックを含めるハイブリッドARQメカニズムを提案。すべてのブロックは固定スロットサイズに収まるように圧縮される。
• データ量を削減するため損失あり圧縮を用い、誤り耐性を高めるために符号化冗長度を向上させる。
• エネルギーおよびチャネル制約下で圧縮レートと符号化レートを最適化するため、マーカフ決定過程（MDP）を用いてシステムをモデル化する。
• エネルギーまたはチャネル統計の事前知識がなくても、自律的な方策学習が可能な強化学習アルゴリズム（R学習）を採用する。
• エネルギー収集の確率的性質を捉えるためのパrametricエネルギー動的モデルを導入する。
• 短パケットフェージングチャネルにおける実用的なレート-歪み曲線およびアウトージ確率を用いて、歪み性能を分析する。

実験結果

リサーチクエスチョン

• RQ1 以前に失敗したデータブロックの再送信を許容することで、エネルギー制約下のセンサーネットワークにおける平均歪みにどのような影響を与えるか？
• RQ2 確率的なエネルギー供給とチャネルフェージングの下で、圧縮レートとチャネル符号化レートの最適なトレードオフは何か？
• RQ3 最大再送回数rが長期的な歪み性能に与える影響は？
• RQ4 強化学習は、エネルギーまたはチャネル統計の事前知識がなくても、最適な送信方策を効果的に学習できるか？
• RQ5 rを増加することがいつ有益であり、いつ劣化または逆効果をもたらすのか、どのような条件下か？

主な発見

• 提案された再送信方式は、単一送信方式と比較して、常に平均歪みを低減する。特にr ≥ 2の場合に顕著な低減が見られる。
• rが適切に選ばれた場合、最適圧縮レートk⋆_rが、rおよびシステムパラメータに依存する臨界閾値kVの右側に位置するとき、歪みが最小化される。
• rが小さい場合、rを増加させることで性能は向上するが、rが増加するにつれて、k⋆_rがkVを下回る確率が高まり、より高いrは非効率的になる。
• r > m（最大圧縮レベル）の場合、k⋆_r = k⋆_r−1となり、rの増加に伴う利点は得られなくなる。これは飽和点を示している。
• 強化学習アルゴリズムは、MDPによって導出された最適方策に収束し、事前統計知識がなくても有効に学習できることを示している。
• 再送信による性能向上はrに比例しない。むしろ、圧縮レベルの離散化（m）およびエネルギー可用性に強く依存する。