[논문 리뷰] Deep Neural Network Based Active User Detection for Grant-free NOMA Systems

Wonjun Kim, Youngjun Ahn외 1명|arXiv (Cornell University)|2019. 12. 26.

Advanced Wireless Communication Technologies참고 문헌 29인용 수 7

한 줄 요약

이 논문은 고희박도, 고상관도 조건에서 전통적인 압축 측정(CS) 기반 방법의 한계를 해결하기 위해, 할당 없음 비직교 다중접근(NOMA) 시스템을 위한 딥 뉴럴 네트워크(DNN) 기반 활성 사용자 검출(D-AUD) 기법을 제안한다. 수신 신호와 활성 사용자 인덱스 사이의 비선형 맵핑을 엔드 투 엔드 학습을 통해 학습함으로써, D-AUD는 특히 과부하된 mMTC 환경에서 기존 방법에 비해 훨씬 높은 검출 정확도와 낮은 계산 복잡도를 달성한다.

ABSTRACT

As a means to support the access of massive machine-type communication devices, grant-free access and non-orthogonal multiple access (NOMA) have received great deal of attention in recent years. In the grant-free transmission, each device transmits information without the granting process so that the basestation needs to identify the active devices among all potential devices. This process, called an active user detection (AUD), is a challenging problem in the NOMA-based systems since it is difficult to identify active devices from the superimposed received signal. An aim of this paper is to put forth a new type of AUD based on deep neural network (DNN). By applying the training data in the properly designed DNN, the proposed AUD scheme learns the nonlinear mapping between the received NOMA signal and indices of active devices. As a result, the trained DNN can handle the whole AUD process, achieving an accurate detection of the active users. Numerical results demonstrate that the proposed AUD scheme outperforms the conventional approaches in both AUD success probability and computational complexity.

연구 동기 및 목표

• 감지 행렬의 열들이 상호 간에 높은 상관성을 보이는 고희박도, 고상관도 조건에서 압축 측정(CS) 기반 활성 사용자 검출(AUD)의 성능이 열등한 문제를 해결하기 위해.
• 초합성 NOMA 신호와 활성 사용자 인덱스 사이의 복잡한 비선형 관계를 효과적으로 모델링할 수 있는 학습 기반 AUD 솔루션을 개발하기 위해.
• LS-BOMP 및 MMSE-BOMP와 같은 기존 반복 알고리즘에 비해 계산 복잡도를 낮추면서도 검출 정확도를 유지하거나 향상시키기 위해.
• 대량의 연결과 저지연이 핵심적인 할당 없음 업링크 mMTC 시스템에서 강건한 활성 사용자 검출을 가능하게 하기 위해.

제안 방법

• 딥 뉴럴 네트워크(DNN)는 수신된 NOMA 신호 벡터에서 활성 사용자 인덱스로의 비선형 맵핑을 학습하기 위해 사용된다.
• DNN는 수신 신호와 해당되는 활성 사용자 집합으로 구성된 레이블이 부여된 훈련 데이터를 사용하여, 희박한 신호 구조를 엔드 투 엔드로 학습할 수 있도록 훈련된다.
• 복잡한 비선형 함수를 근사하기 위해 다수의 스택된 은닉층을 활용하는 네트워크 아키텍처를 채택하였으며, 고정밀도 검출을 위해 일반화 정리의 원리를 활용한다.
• 검출 오차를 최소화하기 위해 적절한 손실 함수를 사용하여, DNN가 미리 보지 않은 테스트 데이터에 잘 일반화되도록 훈련된다.
• 제안된 D-AUD 기법은 기지국에서 채널 상태 정보가 필요 없이 작동하므로, 블라인드 방식으로 작동하며 실용적인 할당 없음 시스템에 적합하다.
• 다양한 수신 안테나 수(M=1,2,4)에 대해 성능을 평가하여, 확장성과 다중 안테나 이득을 입증한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 할당 없음 업링크 환경에서 초합성 NOMA 신호와 활성 사용자 인덱스 사이의 비선형 맵핑을 효과적으로 학습할 수 있는가?
• RQ2 D-AUD 기법은 전통적인 CS 기반 AUD 방법에 비해 검출 성공 확률과 계산 복잡도 측면에서 어떻게 비교되는가?
• RQ3 수신 안테나 수를 늘일 경우, 제안된 D-AUD 기법의 성능에 어떤 영향을 미치는가?
• RQ4 CS 기반 방법이 심하게 열등해지는 고희박도 및 고상관도 조건에서도 D-AUD 접근법은 여전히 효과적인가?

주요 결과

• M=4에서 M=1로 수신 안테나 수를 변경할 때, 90% 검출 성공 확률 조건에서 신호 대 잡음비(SNR)에 약 8.4 dB의 향상이 관찰되었다.
• D-AUD 방법은 특히 고희박도 조건에서 기존의 LS-BOMP 및 MMSE-BOMP 알고리즘보다 검출 성공 확률과 계산 복잡도 면에서 뛰어난 성능을 보였다.
• DNN 기반 접근법은 상호간의 간섭이 높은 NOMA 시퀀스에서 전통적인 희박 복원 기법의 성능이 저하되는 조건에서도 상당한 성능 향상을 달성하였다.
• D-AUD의 계산 복잡도는 LS-BOMP 및 MMSE-BOMP와 같은 반복 기반 CS 알고리즘에 비해 특히 사용자 수가 많을 경우에 크게 낮아, 효율성이 뛰어나다.
• 활성 사용자 수가 증가할수록 D-AUD 기법은 강건한 성능을 유지하며, 과부하된 mMTC 시스템에서의 효과성을 입증하였다.
• 다중 안테나 이득은 추가로 하나의 안테나가 증가할 때 약 2.1 dB의 성능 향상을 보이며, 어레이 이득에 따라 성능 향상이 스케일러블하게 이루어짐을 시사한다.