[논문 리뷰] Cell-Free Massive MIMO for 6G Wireless Communication Networks

Hengtao He, Xianghao Yu외 3명|arXiv (Cornell University)|2021. 10. 14.

Advanced MIMO Systems Optimization인용 수 13

한 줄 요약

이 논문은 6G 네트워크에서 셀리스 매크로 MIMO를 위한 종합적인 신호 처리 프레임워크를 제안한다. 여기서 분산형 액세스 포인트(AP)들이 셀 경계 없이 사용자를 공동으로 서비스하며, 사용자 중심 협업과 고도의 신호 처리를 통해 균일한 커버리지, 높은 스펙트럼 효율성 및 확장성을 달성한다. 주요 기여는 최적화된 사용자 연결, 파ilot 할당, 업링크 복합, 다운링크 프리코딩 및 전력 제어이며, 향후 성능을 위한 머신러닝과 재구성 가능한 지능형 표 superf Olympes(RIS)의 통합도 함께 고려한다.

ABSTRACT

The recently commercialized fifth-generation (5G) wireless communication networks achieved many improvements, including air interface enhancement, spectrum expansion, and network intensification by several key technologies, such as massive multiple-input multiple-output (MIMO), millimeter-wave communications, and ultra-dense networking. Despite the deployment of 5G commercial systems, wireless communications is still facing many challenges to enable connected intelligence and a myriad of applications such as industrial Internet-of-things, autonomous systems, brain-computer interfaces, digital twin, tactile Internet, etc. Therefore, it is urgent to start research on the sixth-generation (6G) wireless communication systems. Among the candidate technologies for such systems, cell-free massive MIMO which combines the advantages of distributed systems and massive MIMO is considered as a key solution to enhance the wireless transmission efficiency and becomes the international frontier. In this paper, we present a comprehensive study on cell-free massive MIMO for 6G wireless communication networks, especially from the signal processing perspective. We focus on enabling physical layer technologies for cell-free massive MIMO, such as user association, pilot assignment, transmitter and receiver design, as well as power control and allocation. Furthermore, some current and future research problems are highlighted.

연구 동기 및 목표

• 5G 셀룰러 매크로 MIMO의 한계, 특히 셀 엣지 사용자 성능 저하와 이셀 간 간섭 문제를 해결한다.
• 중앙집중식 매크로 MIMO에서 발생하는 확장성 및 계산 오버헤드 문제를 해결하기 위해 분산형, 사용자 중심 액세스 포인트를 도입한다.
• 분산된 안테나에서 유도되는 매크로 다이버시티 이득을 통해 광역 범위에서 균일하고 고신뢰성, 에너지 효율적인 연결을 가능하게 한다.
• 실제 구현을 위해 사용자 연결, 파ilot 할당, 복합, 프리코딩 및 전력 제어와 같은 확장 가능한 물리계층 신호 처리 기법을 개발한다.
• 시스템 성능 향상과 확장성 향상을 위해 머신러닝, 재구성 가능한 지능형 표 superf Olympes(RIS), 피어드 페더레이티드 러닝(Federated Learning)과 같은 신기술의 통합을 탐색한다.

제안 방법

• 각 사용자의 서비스를 일부 AP에 국한시키는 사용자 중심 동적 협업 클러스터링(DCC) 기법을 제안하여 계산 부담과 신호 전송 오버헤드를 감소시킨다.
• 파일럿 오염 및 fading 조건 하에서 정확도를 향상시키기 위해 LMMSE 및 딥러닝 기반 채널 추정 기법을 적용한다.
• 성능과 복잡도의 균형을 맞추기 위해 다수의 업링크 복합 기법(예: 순차적 MMSE, PM 기반 소프트 검출, EP 기반 검출)을 적용한다.
• 다중 사용자 간섭을 완화하기 위해 MRT, ZF, 로컬 ZF, 팀 프리코딩 및 협업 프리코딩과 같은 다운링크 프리코딩 전략을 도입한다.
• 최적화 기반 및 딥러닝 기반 전력 제어(예: 대규모 페이딩을 고려한 DCNN)를 통합하여 스펙트럼 및 에너지 효율성을 향상시킨다.
• 신호 양자화 및 구조적 레이티스 코드를 통한 프론트홀 컨스트레인트 시스템 고려 및 저비용 배포를 위한 라디오 스트립 아키텍처 탐색.

실험 결과

연구 질문

• RQ1 셀리스 매크로 MIMO에서 간섭과 파일럿 오염을 최소화하기 위해 사용자 연결 및 파일럿 할당을 어떻게 최적화할 수 있는가?
• RQ2 낮은 복잡도로 높은 스펙트럼 효율성을 달성하기 위해 가장 효과적인 업링크 복합 및 다운링크 프리코딩 기법은 무엇인가?
• RQ3 머신러닝을 어떻게 활용하여 채널 추정, 전력 제어 및 TDD 상호성 캘리브레이션 성능을 향상시킬 수 있는가?
• RQ4 재구성 가능한 지능형 표 superf Olympes(RIS)는 셀리스 매크로 MIMO에서 커버리지 및 스펙트럼 효율성을 향상시키는 데 어떤 역할을 할 수 있는가?
• RQ5 효율적인 신호 처리 및 압축 기법을 통해 프론트홀 용량 제약 문제를 어떻게 해결할 수 있는가?

주요 결과

• 사용자 중심 동적 협업 클러스터링(DCC)은 무한한 사용자 수가 존재하더라도 각 AP의 계산 부담을 유한하게 유지하여 확장성 문제를 해결한다.
• DCNN와 대규모 페이딩 계수를 활용한 딥러닝 기반 전력 제어는 낮은 피드백 오버헤드로 near-optimal 성능를 달성한다.
• LMMSE 및 DL 기반 채널 추정은 풍부한 산란 환경에서 파일럿 오염을 크게 감소시키고 스펙트럼 효율성을 향상시킨다.
• 로컬 ZF 및 팀 프리코딩과 같은 고급 프리코딩 기법은 고SINR 및 간섭 제한된 환경에서 기존의 MRT 및 ZF보다 뛰어난 성능을 보인다.
• 셀리스 매크로 MIMO에 피어드 페더레이티드 러닝 통합은 원시 데이터 공유 없이 분산된 모델 집계를 가능하게 하여 학습 시간을 크게 단축시킨다.
• 프론트홀 제약이 있는 시스템은 구조적 양자화 및 레이티스 코드를 통해 백홀 부담을 감소시키면서도 성능을 유지한다.