[논문 리뷰] A New Scaling Law for Activity Detection in Massive MIMO Systems

Saeid Haghighatshoar, Peter Jung외 1명|arXiv (Cornell University)|2018. 03. 06.

Advanced MIMO Systems Optimization참고 문헌 6인용 수 18

한 줄 요약

이 논문은 기존 압축 측정 이론의 한계인 $A_c \leq D_c$ 를 초월하기 위해 대규모 MIMO 시스템에서 많은 수의 기지국(BS) 안테나를 활용하는 새로운 활동 검출(AD) 기법을 제안한다. 수신 신호 공분산 행렬의 통계적 성질을 이용함으로써, $K_c \gg D_c$ 인 경우에도 $A_c = O(D_c^2 / \log^2(K_c/A_c))$ 명의 활성 사용자를 신뢰성 있게 검출할 수 있으며, 잠재 사용자 수의 증가에 대해 다항로그적 페널티만을 유발한다.

ABSTRACT

In this paper, we study the problem of extit{activity detection} (AD) in a massive MIMO setup, where the Base Station (BS) has $M \gg 1$ antennas. We consider a block fading channel model where the $M$-dim channel vector of each user remains almost constant over a extit{coherence block} (CB) containing $D_c$ signal dimensions. We study a setting in which the number of potential users $K_c$ assigned to a specific CB is much larger than the dimension of the CB $D_c$ ($K_c \gg D_c$) but at each time slot only $A_c \ll K_c$ of them are active. Most of the previous results, based on compressed sensing, require that $A_c\le D_c$, which is a bottleneck in massive deployment scenarios such as Internet-of-Things (IoT) and Device-to-Device (D2D) communication. In this paper, we show that one can overcome this fundamental limitation when the number of BS antennas $M$ is sufficiently large. More specifically, we derive a extit{scaling law} on the parameters $(M, D_c, K_c, A_c)$ and also extit{Signal-to-Noise Ratio} (SNR) under which our proposed AD scheme succeeds. Our analysis indicates that with a CB of dimension $D_c$, and a sufficient number of BS antennas $M$ with $A_c/M=o(1)$, one can identify the activity of $A_c=O(D_c^2/\log^2(\frac{K_c}{A_c}))$ active users, which is much larger than the previous bound $A_c=O(D_c)$ obtained via traditional compressed sensing techniques. In particular, in our proposed scheme one needs to pay only a poly-logarithmic penalty $O(\log^2(\frac{K_c}{A_c}))$ for increasing the number of potential users $K_c$, which makes it ideally suited for AD in IoT setups. We propose low-complexity algorithms for AD and provide numerical simulations to illustrate our results. We also compare the performance of our proposed AD algorithms with that of other competitive algorithms in the literature.

연구 동기 및 목표

• 기존의 압축 측정 기반 활동 검출에서 활성 사용자 수 $A_c$ 가 코herence 블록 차원 $D_c$ 이하이어야 하는 기본적인 제약 조건을 해결한다.
• 대규모 IoT 및 장치 간(D2D) 통신 환경에서 $K_c \gg D_c$ 이며 $A_c$ 는 크지만 희박한 경우 이 제약 조건을 극복한다.
• 많은 수의 BS 안테나 $M$ 을 활용하여 $D_c$ 보다 훨씬 많은 활성 사용자를 지원할 수 있는 확장 가능한 활동 검출 프레임워크를 개발한다.
• 실제 시스템 제약 조건 하에서 신뢰성 있는 활동 검출을 보장하기 위한 유한 길이 스케일링 법칙을 $M$, $D_c$, $K_c$, $A_c$, 그리고 SNR 간의 관계로 수립한다.

제안 방법

• 수신 신호의 표본 공분산 행렬을 기반으로 한 저복잡도 활동 검출 알고리즘을 제안하여 사용자 활동의 통계적 구조를 포착한다.
• 표본 공분산 행렬의 특이값 분해(SVD)를 이용하여 활성 사용자에 해당하는 주요 고유모드를 식별함으로써 활성 사용자를 검출한다.
• 이론적 스케일링 법칙을 도출하여, 충분한 SNR 조건 하에서 $A_c/M \to 0$ 이고 $A_c = O(D_c^2 / \log^2(K_c/A_c))$ 일 때 신뢰성 있는 검출이 가능하다는 것을 보여준다.
• 집중 부등식을 이용해 표본 공분산 행렬이 진짜 공분산과 얼마나 다를지를 분석하여, 오차의 프로베니우스 노름이 $\mathsf{tr}(\boldsymbol{\Sigma}_{\bf y}) / \sqrt{M}$ 으로 스케일링됨을 보였다.
• 개별 채널 실현값에 대한 가정 없이 두 번째 모멘트 통계(공분산 행렬)에 의존하므로 채널 분포 변화에 대해 강건함을 입증한다.
• 기존 방법과의 수치적 시뮬레이션을 통해 제안된 알고리즘이 고밀도 사용자 환경에서 뛰어난 성능을 보임을 확인한다.

실험 결과

연구 질문

• RQ1 압축 측정 기반 활동 검출에서의 기본적인 $A_c \leq D_c$ 제약 조건이 대규모 MIMO 시스템에서 극복될 수 있는가?
• RQ2 주어진 코herence 블록 차원 $D_c$ 와 BS 안테나 수 $M$ 에 대해 신뢰성 있게 검출할 수 있는 활성 사용자 최대 수 $A_c$ 는 얼마인가?
• RQ3 고정된 $D_c$ 조건 하에서 잠재 사용자 수 $K_c$ 는 가시 가능한 활성 사용자 수 $A_c$ 에 어떤 영향을 미치는가?
• RQ4 높은 확률로 신뢰성 있는 활동 검출을 보장하기 위해 $M$, $D_c$, $K_c$, $A_c$, 그리고 SNR 는 어떻게 스케일링되어야 하는가?
• RQ5 두 번째 모멘트 통계에 기반한 저복잡도 알고리즘이 대규모 MIMO 활동 검출에서 이론적 스케일링 한계에 도달할 수 있는가?

주요 결과

• 제안된 기법은 기존 압축 측정 이론의 $O(D_c)$ 한계를 훨씬 초월하여 $A_c = O(D_c^2 / \log^2(K_c/A_c))$ 명의 활성 사용자를 검출할 수 있다.
• 잠재 사용자 수 $K_c$ 가 증가함에 따라 다항로그적 페널티 $O(\log^2(K_c/A_c))$ 만을 유발하므로, IoT 응용 분야에서 매우 확장 가능하다.
• $A_c/M \to 0$ 일 때 신뢰성 있는 활동 검출이 가능함을 보여주며, 이는 활성 사용자 수가 BS 안테나 수보다 더 느리게 증가해야 한다는 것을 의미한다.
• 이론적 분석 결과 표본 공분산 행렬의 편차 프로베니우스 노름이 $\mathsf{tr}(\boldsymbol{\Sigma}_{\bf y}) / \sqrt{M}$ 으로 스케일링됨을 보여주며, 이는 큰 $M$ 에서 강한 집중 현상을 의미한다.
• 수치적 시뮬레이션을 통해 제안된 저복잡도 알고리즘이 기존 방법보다 검출 정확도에서 뛰어난 성능을 보이며, 특히 고밀도 사용자 환경에서 유의미한 우수성을 입증한다.
• 이 방법은 사용자 채널 분포의 통계적 변동성에 대해 강건하며, 수신 신호의 두 번째 모멘트 통계에만 의존한다.