[논문 리뷰] Deep Learning-Aided Delay-Tolerant Zero-Forcing Precoding in Cell-Free Massive MIMO

Wei Jiang, Hans D. Schotten|arXiv (Cornell University)|2022. 10. 11.

Advanced MIMO Systems Optimization인용 수 13

한 줄 요약

이 논문은 프론트홀 및 처리 지연으로 인한 채널 노후화를 완화하기 위해 셀리스 매크로 MIMO 시스템에서 지연 내성 영역 기반 조절 기법(DT-ZFP)을 제안한다. LSTM 네트워크를 사용해 향후 채널 상태 정보(CSI)를 예측하는 다중 사용자 딥러닝 예측기 기반으로, 프론트홀과 무선 인터페이스를 통해 CSI와 조절된 데이터를 병렬 전송함으로써 비효율적인 '정지-대기(Stop-and-Wait)' 메커니즘을 제거하고, 오래된 채널 추정치가 존재하는 상황에서도 거의 완벽한 스펙트럼 효율성을 달성한다.

ABSTRACT

In the context of cell-free massive multi-input multi-output (CFmMIMO), zero-forcing precoding (ZFP) is superior in terms of spectral efficiency. However, it suffers from channel aging owing to fronthaul and processing delays. In this paper, we propose a robust scheme coined delay-tolerant zero-forcing precoding (DT-ZFP), which exploits deep learning-aided channel prediction to alleviate the effect of outdated channel state information (CSI). A predictor consisting of a bank of user-specific predictive modules is specifically designed for such a multi-user scenario. Leveraging the degree of freedom brought by the prediction horizon, the delivery of CSI and precoded data through a fronthaul network and the transmission of user data and pilots over an air interface can be parallelized. Therefore, DT-ZFP not only effectively combats channel aging but also avoids the inefficient Stop-and-Wait mechanism of the canonical ZFP in CFmMIMO.

연구 동기 및 목표

• 프론트홀 및 처리 지연으로 인한 채널 노후화로 인한 셀리스 매크로 MIMO 시스템의 성능 저하 문제를 해결하기 위해.
• 기존 영역 기반 조절 기법(ZFP)에서 비효율적인 '정지-대기(Stop-and-Wait)' 메커니즘을 극복하기 위해.
• 거리에 따른 대역폭 감쇠 특이성을 고려한 다중 사용자, 사용자별 딥러닝 예측기 설계를 위해.
• 프론트홀을 통해 CSI와 조절된 데이터를, 무선 인터페이스를 통해 사용자 데이터 및 파ilot 신호를 병렬 전송함으로써 예측 수평선을 활용하기 위해.
• 현실적인 지연 및 이동성 조건 하에서 딥러닝 기반 CSI 예측이 스펙트럼 효율에 미치는 영향을 입증하기 위해.

제안 방법

• 각 사용자별로 독립된 딥러닝 모듈을 설계하여, 현재 추정된 CSI를 기반으로 향후 CSI를 예측하도록 훈련시키며, 이는 장기 기억 단기 기억(LSTM) 네트워크를 사용한다.
• 예측 수평선을 활용해 병렬 전송을 구현: 프론트홀을 통해 CSI와 조절된 데이터를 전송하고, 무선 인터페이스를 통해 사용자 데이터 및 파ilot 신호를 전송한다.
• TDD 동작을 가정하며 주파수 평탄 블록 fading을 갖는다. 채널 계수는 $ g_{mk} = \sqrt{\beta_{mk}} h_{mk} $ 로 모델링되며, $ \beta_{mk} $ 는 대역폭 감쇠를, $ h_{mk} $ 는 소규모 감쇠를 나타낸다.
• 최적의 예측 정확도를 확보하기 위해 하이퍼파ram터 튜닝 후, 2개의 은닉층을 가지며 각 층에 25개의 뉴런을 가지며, 훈련 길이가 5,000인 LSTM 네트워크를 선택한다.
• 예측기의 훈련은 실제 채널 트레이스에서 구축한 데이터셋을 사용하며, 신호 대 잡음비(SNR) 조건으로 30 dB(이상적) 및 15 dB(노이지)를 적용하고, Adam 옵tim자이저를 사용한다.
• 프론트홀 지연에도 불구하고 예측된 CSI를 사용해 기호를 버퍼링함으로써 '정지-대기' 메커니즘을 피하고, 지속적인 전송을 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 CSI 예측이 셀리스 매크로 MIMO 시스템에서 채널 노후화로 인한 성능 저하를 효과적으로 완화할 수 있는가?
• RQ2 예측 수평선이 다중 사용자 환경에서 CSI 예측 정확도와 최종 스펙트럼 효율에 어떤 영향을 미치는가?
• RQ3 기존 '정지-대기' ZFP 대비 프론트홀 데이터와 무선 인터페이스 신호의 병렬 전송이 스펙트럼 효율에 얼마나 향상되는가?
• RQ4 파ilot 신호의 SNR이 낮을 경우(예: 저수준 SNR) 딥러닝 예측기 성능과 전체 시스템 성능에 어떤 영향을 미치는가?
• RQ5 사용자별 예측기 아키텍처가 다중 사용자 CFmMIMO 환경에서 사용자 간 대역폭 감쇠의 다양성을 효과적으로 처리할 수 있는가?

주요 결과

• 1ms의 예측 수평선과 이상적 CSI(30 dB SNR) 조건에서 DT-ZFP는 5%-가장자리 스펙트럼 효율 4.78 bps/Hz, 중앙값 5.73 bps/Hz를 달성하며, 이상적 CSI 기준(4.8 및 5.8 bps/Hz)에 근접한다.
• 1ms 지연이 발생하는 오래된 CSI 조건에서 기존 ZFP는 5%-가장자리 스펙트럼 효율에서 70%의 손실를 입어 4.8에서 1.49 bps/Hz로 감소한다.
• 3ms의 예측 수평선과 30 dB SNR 조건에서 DT-ZFP는 5%-가장자리에서 2.28 bps/Hz를 기록하며, 증가한 예측 오차에도 불구하고 뛰어난 강건성을 보인다.
• 파ilot 신호 SNR가 15 dB로 악화될 경우, 스펙트럼 효율은 3.9 bps/Hz(5%-가장자리), 5.2 bps/Hz(중앙값)로 감소하나, 여전히 기존 ZFP를 능가한다.
• 유사한 지연 조건에서 기존 ZFP 대비 90%의 세포 가장자리 스펙트럼 효율 향상을 달성하며, 거의 최적의 성능을 구현한다.
• 성능 향상의 원인은 '정지-대기' 메커니즘의 제거와 예측 수평선을 통한 병렬 전송의 효과적인 활용에 기인한다.