[논문 리뷰] Fast Beam Training for IRS-Assisted Multiuser Communications

Changsheng You, Beixiong Zheng외 1명|ArXiv.org|2020. 05. 24.

Advanced Wireless Communication Technologies참고 문헌 11인용 수 5

한 줄 요약

이 논문은 IRS 보조 다중 사용자 시스템을 위한 다중 빔 학습 방법을 제안하며, IRS 반사 요소를 하위 어레이로 나누어 시간에 걸쳐 동시에 빔 스위핑을 가능하게 한다. 수신 신호 강도를 학습 심벌 간 비교함으로써 사용자는 고확률로 최적의 빔 방향을 식별하며, 기존의 단일 빔 학습 대비 최대 50%까지 학습 오버헤드를 감소시키면서도 유사한 수준의 수동 빔 포밍 성능을 유지를 한다.

ABSTRACT

In this letter, we consider an intelligent reflecting surface (IRS)-assisted multiuser communication system, where an IRS is deployed to provide virtual line-of-sight (LoS) links between an access point (AP) and multiple users. We consider the practical codebook-based IRS passive beamforming and study efficient design for IRS reflect beam training, which is challenging due to the large number of IRS reflecting elements. In contrast to the conventional single-beam training, we propose a new multi-beam training method by dividing the IRS reflecting elements into multiple sub-arrays and designing their simultaneous multi-beam steering over time. By simply comparing the received signal power over time, each user can detect its optimal IRS beam direction with a high probability, even without searching over all possible beam directions as the single-beam training. Simulation results show that our proposed multi-beam training significantly reduces the training time of conventional single-beam training and yet achieves comparable IRS passive beamforming performance for data transmission.

연구 동기 및 목표

• IRS 반사 요소의 수가 많아짐에 따라 기존 단일 빔 학습의 높은 학습 오버헤드 문제를 해결하기 위해.
• 데이터 전송 동안 높은 수동 빔 포밍 성능를 유지하면서 학습 시간을 단축하기 위해.
• 모든 빔 방향에 대한 완전한 탐색 없이도 효율적인 빔 식별을 가능하게 하기 위해.
• 랜덤 해싱 기반의 대안보다 우수한 성능을 보이는 결정론적, 저오버헤드 빔 학습 방법을 설계하기 위해.

제안 방법

• 각 학습 심벌 동안 병렬로 서로 다른 빔 방향으로 향하도록 IRS를 M개의 하위 어레이로 나누기.
• 다중 빔 코드북을 사용하여 시간에 걸쳐 여러 하위 어레이에서 동시에 빔을 스위핑하기.
• 각 사용자가 학습 심벌 간 수신 신호 강도 또는 신호대임계비(SNR) 비교를 통해 최적의 빔 방향을 간단히 탐지하기.
• quasi-static AP-IRS 채널을 활용하여 AP의 전송 빔을 고정함으로써 빔 학습 과정을 단순화하기.
• 랜덤 해싱을 피하는 결정론적 빔 스위핑 전략을 적용하여 예측 가능하고 효율적인 빔 식별 보장하기.
• 성능 평가를 위해 지표 함수를 사용하여 빔 식별 성공률과 평균 구현 가능한 데이터 전송률 계산하기.

실험 결과

연구 질문

• RQ1 다중 빔 학습은 빔 포밍 성능을 희생시키지 않고도 IRS 보조 다중 사용자 시스템의 학습 오버헤드를 줄일 수 있는가?
• RQ2 IRS 하위 어레이 수가 빔 식별 정확도와 구현 가능한 데이터 전송률에 어떤 영향을 미치는가?
• RQ3 제안된 결정론적 다중 빔 학습 방법은 랜덤 해싱 기반의 다중 빔 학습 대비 빔 식별 및 빔 포밍 성능에서 어떻게 비교되는가?
• RQ4 하위 어레이 수를 늘릴수록 학습 시간 단축과 상호 빔 간 간섭 사이의 상충 관계는 어떠한가?
• RQ5 제안된 방법은 최소한의 학습 오버헤드로 고신호대임계비(SNR) 조건에서도 높은 빔 식별 성공률을 달성할 수 있는가?

주요 결과

• M=2 하위 어레이일 경우, 제안된 방법은 단일 빔 학습 대비 학습 오버헤드를 25% 감소시켜(120 대비 160 심벌) 유사한 빔 식별 성공률과 구현 가능한 데이터 전송률을 달성한다.
• M=4 하위 어레이일 경우, 학습 시간을 50% 감소시켜(80 대비 160 심벌) 46.4 dB SNR에서 약 92%의 높은 빔 식별 성공률 유지를 달성한다.
• M=8일 경우, 상호 빔 간 간섭 증가로 인해 빔 식별 정확도가 크게 떨어지며, 학습 시간 단축에도 불구하고 수동 빔 포밍 성능이 저하된다.
• 모든 테스트된 M 값(2, 4, 8)에서 제안된 방법은 랜덤 해싱(RH)-기반 다중 빔 학습보다 빔 식별 정확도와 수동 빔 포밍 성능에서 뛰어난 성능을 보인다.
• RH 기반 방법은 M=2일 경우 랜덤으로 반의미한 빔 방향만 커버하므로, 투표 기반 빔 식별의 효과가 제한되어 고신호대임계비(SNR) 조건에서 성능이 열악하다.
• 제안된 방법은 학습 오버헤드를 크게 줄이면서도 단일 빔 학습과 유사한 수준의 수동 빔 포밍 성능을 유지하므로 실용적인 IRS 구현에 적합하다.