[논문 리뷰] A Theory of Network Equivalence, Parts I and II

R. Koetter, Michelle Effros외 1명|arXiv (Cornell University)|2010. 07. 07.

Cooperative Communication and Network Coding참고 문헌 19인용 수 16

한 줄 요약

이 논문은 노이즈 있는 메모리 없는 점대점 채널로 구성된 네트워크가 원래 채널 용량과 동일한 용량을 가진 무노이즈 비트 파이프 네트워크로 등가임을 보여주는 네트워크 등가 이론을 제안한다. 핵심 기여는 일반적인 등가 결과이다: 어떤 집합의 통신 요구사항도 노이즈 있는 네트워크에서 가능할 조건은 오직 그에 대응하는 무노이즈 파이프 네트워크에서도 가능할 때에만 성립하며, 이는 원래 네트워크의 용량 영역이 알려져 있지 않은 경우에도 성립한다.

ABSTRACT

A family of equivalence tools for bounding network capacities is introduced. Part I treats networks of point-to-point channels. The main result is roughly as follows. Given a network of noisy, independent, memoryless point-to-point channels, a collection of communication demands can be met on the given network if and only if it can be met on another network where each noisy channel is replaced by a noiseless bit pipe with throughput equal to the noisy channel capacity. This result was known previously for the case of a single-source multicast demand. The result given here treats general demands -- including, for example, multiple unicast demands -- and applies even when the achievable rate region for the corresponding demands is unknown in the noiseless network. In part II, definitions of upper and lower bounding channel models for general channels are introduced. By these definitions, a collection of communication demands can be met on a network of independent channels if it can be met on a network where each channel is replaced by its lower bounding model andonly if it can be met on a network where each channel is replaced by its upper bounding model. This work derives general conditions under which a network of noiseless bit pipes is an upper or lower bounding model for a multiterminal channel. Example upper and lower bounding models for broadcast, multiple access, and interference channels are given. It is then shown that bounding the difference between the upper and lower bounding models for a given channel yields bounds on the accuracy of network capacity bounds derived using those models. By bounding the capacity of a network of independent noisy channels by the network coding capacity of a network of noiseless bit pipes, this approach represents one step towards the goal of building computational tools for bounding network capacities.

연구 동기 및 목표

• 노이즈 있는 채널을 갖는 네트워크의 용량을 등가 무노이즈 네트워크와 연결하는 일반적 프레임워크를 수립하기.
• 기존의 단일 멀티캐스트 요구사항에 대한 등가성 원칙을 다중 유니캐스트 및 멀티캐스트를 포함한 일반적인 통신 요구사항으로 확장하기.
• 방송, 다중 액세스, 간섭 채널과 같은 다단계 채널에 대해 상한 및 하한 모델을 개발하기.
• 상한 및 하한 모델을 사용해 유도된 네트워크 용량 한계의 정확도를 상한과 하한 간 격차를 측정하여 정량화하기.
• 복잡한 네트워크 용량 문제를 무노이즈 네트워크에서의 조합적 네트워크 코딩 문제로 환원하여 분리 이론 및 渐近 분석에 새로운 분석 도구를 제공하기.

제안 방법

• 방송, 다중 액세스, 간섭 채널과 같은 일반적인 다단계 채널에 대해 상한 및 하한 모델을 정의하기.
• 통신 요구사항이 노이즈 있는 네트워크에서 가능할 조건은 오직 각 채널이 상한 모델로 대체된 네트워크에서 가능할 때에만 성립하고, 마찬가지로 각 채널이 하한 모델로 대체된 네트워크에서 가능할 때에만 성립함을 증명하기.
• 등가성 증명에서 오류 확률을 유계화하기 위해 랜덤 코딩과 일반성 원리(typicality)를 활용하며, 강한 일반성 및 공동 일반성 집합에 의존하기.
• 중간 코딩 전략을 모델링하기 위해 보조 랜덤 변수(예: U1, U2)를 도입하고, 일반 시퀀스를 사용해 조건부 확률에 대한 경계를 유도하기.
• 코딩 속도가 상호정보량 항목을 여유 있게 초과하도록 순차적으로 ε₁, ε₂, ε₃, ε₄ 등의 매개변수를 선택하여 오류 확률이 지수적으로 감소하도록 하기.
• 코딩워드의 경험적 분포와 일반성 집합을 사용해 이상치 시퀀스 관측 확률에 대한 경계를 유도하며, 명시적인 오류 지수 표현식을 제공하기.

실험 결과

연구 질문

• RQ1 노이즈 있는 메모리 없는 점대점 채널로 구성된 네트워크가 원래 채널 용량과 동일한 용량을 가진 무노이즈 비트 파이프 네트워크로 등가임을 만족하는 조건은 무엇인가?
• RQ2 단일 멀티캐스트를 초과하여 다중 유니캐스트 및 혼합 멀티캐스트-유니캐스트 세션을 포함한 일반적인 요구사항으로 등가 원칙을 확장할 수 있는가?
• RQ3 방송, 다중 액세스, 간섭 채널과 같은 다단계 채널에 대해 상한 및 하한 모델을 어떻게 구성할 수 있는가?
• RQ4 상한 및 하한 모델 간 격차와 유도된 네트워크 용량 한계의 정확도 사이의 관계는 무엇인가?
• RQ5 네트워크 용량 문제를 얼마나 깊이 무노이즈 네트워크에서의 조합적 네트워크 코딩 문제로 환원할 수 있는가?

주요 결과

• 노이즈 있는 상호 독립적 메모리 없는 점대점 채널로 구성된 네트워크는 원래 채널 용량과 동일한 용량을 가진 무노이즈 비트 파이프 네트워크가 동일한 통신 요구사항을 지원할 때에만 해당 요구사항을 지원한다.
• 원래 네트워크의 용량 영역이 알려져 있지 않은 경우에도 등가성은 성립하므로, 타당성 조건을 도출하는 데 강력한 도구가 된다.
• 다단계 채널의 경우, 요구사항이 각 채널이 상한 모델로 대체된 네트워크에서 가능할 때에만 가능하며, 마찬가지로 각 채널이 하한 모델로 대체된 네트워크에서 가능할 때에만 가능하다.
• 제안된 코딩 체계에서 오류 확률은 블록 길이 N이 증가함에 따라 지수적으로 0으로 감소하며, 일반성 매개변수 ε₁, ε₂, ε₃, ε₄가 0에 수렴할수록 지수는 0에 수렴한다.
• 특정 채널에 대해 상한 및 하한 모델 간 격차는 해당 모델을 사용해 유도된 네트워크 용량 추정치의 정확도를 직접적으로 경계한다.
• 이 프레임워크는 복잡한 네트워크 용량 문제를 무노이즈 네트워크에서의 조합적 네트워크 코딩 문제로 환원할 수 있게 하여, 분리 정리 및 고SNR 분석을 촉진한다.