[논문 리뷰] Beam Learning - Using Machine Learning for Finding Beam Directions

SaiDhiraj Amuru|arXiv (Cornell University)|2019. 01. 01.

Millimeter-Wave Propagation and Modeling참고 문헌 21인용 수 1

한 줄 요약

이 논문은 5G 시스템이 기존 802.11ad/WiGig 네트워크와 공존할 수 있도록, 무선 주파수 대역에서 60GHz 밴드의 3D 비콘 방향 탐지에 다중 손잡이 밴딧(MAB) 기반 기계학습 알고리즘을 제안한다. 이 방법은 기존 시스템의 행동에 대한 사전 지식 없이 실시간으로 간섭 없는 비콘 방향을 학습하며, 특히 더 큰 안테나 어레이와 시간에 따라 변화하는 환경에서 ϵ-greedy 및 UCB1 알고리즘보다 뛰어난 성능을 보인다.

ABSTRACT

Beamforming is the key enabler for wireless communications in the mmWave bands. 802.11ad and WiGig are wireless technologies that currently use the 60 GHz unlicensed mmWave spectrum via beamforming techniques. It is likely that 5G systems will be considered for 60GHz unlicensed spectrum (apart from other unlicensed bands) deployments and hence must co-exist with 802.11ad and WiGig. 3GPP is taking steps towards achieving the same and the standardization for this is underway. The first step to achieve this co-existence is to find the interference-free directions, in other words identify the directions in which the nodes using these incumbent technologies are communicating and eliminate those directions from further communications. Such a mechanism can help to exploit the spatial holes rather than avoid communications even when only a few spatial directions are used by incumbents. Such a mechanism trivially increases the throughput of the proposed 5G systems. However, since the incumbent technologies may be unknown to the 5G mmWave nodes and their behavior may also be unknown apriori (for instance, parameters such as duty cycle, power levels, CSMA parameter used by 802.11ad are unknown to the 5G nodes), this spatial direction finding must be performed in a blind manner. In this paper, we use multi-armed bandits-based algorithms, a variant of machine learning algorithms, to blindly detect the beam directions (both along azimuth and elevation i.e., 3D-beamforming) used for communication by the incumbents. This work paves the way for combining the powerful of machine learning algorithms into 5G unlicensed mmWave systems. Numerical results show the superior performance of these algorithms over techniques that are commonly employed in such blind settings.

연구 동기 및 목표

• 비면역 60GHz 대역에서 기존 mmWave 시스템(예: 802.11ad, WiGig)이 사용하는 비콘 방향을 실시간으로 맹목적으로 탐지하는 것을 목적으로 한다.
• 저품질 커버리지와 최적의 비콘 해상도가 떨어지는 고정 비콘 또는 옴니-방향 센싱 기술의 한계를 극복하는 것을 목적으로 한다.
• 작동 주기, 전력 수준, 또는 CSMA 파rameter에 대한 사전 지식 없이도 알려지지 않은 간섭원에 적응하는 기계학습 기반 3D 비콘 포밍 솔루션을 개발하는 것을 목적으로 한다.
• 공간적 빈도를 식별하고 활용하여 5G mmWave 비면역 시스템의 스펙트럼 효율성과 전송률을 높이는 것을 목적으로 한다.
• 학습의 잔여 성능에 대한 이론적 경계를 제공하고 시간에 따라 변화하는 환경에서의 적응성을 입증하는 것을 목적으로 한다.

제안 방법

• 불확실성 하에서의 순차적 의사결정 문제로 비콘 방향 선택을 모델링하기 위해 다중 손잡이 밴딧(MAB) 알고리즘을 사용한다.
• 수신된 신호 대 잡음비(SNR) 피드백에 기반해 탐색과 이용을 수행하기 위해 ϵ-greedy 및 UCB1 등의 MAB 변종을 적용한다.
• 수평 및 수직 비콘 스텐딩을 동시에 최적화함으로써 3D 비콘 포밍으로 프레임워크를 확장한다.
• 기지국-사용자 쌍이 동적으로 변경하는 비콘 방향을 추적하기 위해 드리프팅 적응 메커니즘을 도입한다.
• 더 높은 SNR가 간섭을 피할 수 있는 더 유리한 비콘 방향을 나타내므로 보상 기반 학습 메커니즘을 사용한다.
• 학습 성능를 정량화하고 최적의 비콘 방향으로 수렴함을 보장하기 위해 이론적 잔여 분석을 사용한다.

실험 결과

연구 질문

• RQ1 기존 시스템의 행동을 알지 못하는 맹목적 실시간 환경에서 MAB 기반 학습 알고리즘이 효과적으로 비콘 방향을 탐지할 수 있는가?
• RQ2 수렴 속도와 정확도 측면에서 MAB 기반 비콘 학습의 성능은 기존의 맹목적 기법인 ϵ-greedy 및 UCB1과 비교해 어떻게 되는가?
• RQ3 비콘 해상도(어레이 크기)가 제안된 MAB 알고리즘의 성능 향상에 얼마나 기여하는가?
• RQ4 기존 노드가 동적으로 통신 비콘을 변경하는 시간에 따라 변화하는 환경에서 제안된 알고리즘이 적응 가능한가?
• RQ5 학습 효율성 측면에서 제안된 학습 알고리즘의 이론적 성능 경계(잔여 성능)는 무엇인가?

주요 결과

• 제안된 MAB 기반 비콘 학습 알고리즘은 수렴 속도와 비콘 방향 탐지 정확도 측면에서 기존의 맹목적 알고리즘인 ϵ-greedy 및 UCB1보다 뛰어나다.
• 더 큰 안테나 어레이 크기로 인해 더 높은 비콘 해상도와 더 정밀한 각도 해상도가 달성되어 성능 향상이 증가한다.
• 이론적 잔여 경계를 확보하여 최적의 비콘 방향으로 수렴하는 데 걸리는 시간에 대한 성능 보장을 제공한다.
• 드리프팅 적응 메커니즘을 통합함으로써 시간에 따라 변화하는 환경에서 동적으로 변화하는 비콘 방향을 성공적으로 추적한다.
• 수치적 결과는 제안된 방법이 간섭 없는 공간적 빈도를 식별함으로써 5G mmWave 시스템과 기존 802.11ad 및 WiGig 간 효과적인 공존을 가능하게 함을 확인한다.
• 유사한 밴딧 알고리즘의 실용적 구현 사례를 통해 실시간 무선 환경에 적용 가능함을 입증함으로써 실용성도 입증된다.