[논문 리뷰] Joint Retransmission, Compression and Channel Coding for Data Fidelity under Energy Constraints

Chiara Pielli, Čedomir Stefanović외 2명|arXiv (Cornell University)|2017. 06. 28.

Energy Harvesting in Wireless Networks참고 문헌 29인용 수 3

한 줄 요약

이 논문은 에너지 수확 센서를 위한 동시 재전송, 압축 및 채널 코딩 방식을 제안하여 에너지 제약 하에서 데이터 무결성을 최대화한다. 손실 압축과 하이브리드 ARQ를 결합하고, MDP 및 강화 학습을 통해 코딩/압축 비율을 최적화함으로써 평균 왜곡을 감소시킨다. 특히 재전송 전략을 효과적으로 활용할 경우 성능 향상이 두드러지며, 성능 향상은 재전송 제한 r과 시스템 파라미터에 따라 달라진다.

ABSTRACT

We consider a monitoring application where sensors periodically report data to a common receiver in a time division multiplex fashion. The sensors are constrained by the limited and unpredictable energy availability provided by Energy Harvesting (EH), and by the channel impairments. To maximize the quality of the reported data, the packets transmitted contain newly generated data blocks together with up to $r - 1$ previously unsuccessfully delivered ones, where $r$ is a design parameter; such blocks are compressed, concatenated and encoded with a channel code. The scheme applies lossy compression, such that the fidelity of the individual blocks is traded with the reliability provided by the channel code. We show that the proposed strategy outperforms the one in which retransmissions are not allowed. We also investigate the tradeoff between the value of $r$, the compression and coding rates, under the constraints of the energy availability, and, once $r$ has been decided, use a Markov Decision Process (MDP) to optimize the compression/coding rates. Finally, we implement a reinforcement learning algorithm, through which devices can learn the optimal transmission policy without knowing a priori the statistics of the EH process, and show that it indeed reaches the performance obtained via MDP.

연구 동기 및 목표

• 간헐적인 에너지 공급이 있는 에너지 수확 무선 센서 네트워크에서 높은 데이터 무결성을 유지를 위한 과제를 해결한다.
• 스토케스틱한 에너지 가용성과 채널 감쇠 조건 하에서 압축 및 채널 코딩 비율을 동시 최적화한다.
• 손실된 데이터 블록을 새로운 블록과 함께 재전송함으로써 신뢰성을 향상시키는 하이브리드 재전송 메커니즘을 설계한다.
• 에너지 제약을 준수하면서 왜곡을 최소화하는 에너지 효율적인 전송 정책을 개발한다.
• 에너지나 채널 통계에 대한 사전 지식 없이 강화 학습을 통해 장치가 최적의 전송 전략을 학습할 수 있도록 한다.

제안 방법

• 각 전송 프레임에 신규 데이터 블록과 최대 r−1개의 이전에 손실된 블록이 포함되는 하이브리드 ARQ 메커니즘을 제안한다. 모든 블록은 고정된 슬롯 크기에 맞게 압축된다.
• 데이터 볼륨을 줄이기 위해 손실 압축을 사용하여 오류 내성에 유리한 높은 코딩 중복도를 확보한다.
• 에너지 및 채널 제약 조건 하에서 압축 및 코딩 비율을 최적화하기 위해 마르코프 결정 과정(MDP)을 사용하여 시스템을 모델링한다.
• 에너지나 채널 통계에 대한 사전 지식 없이도 자율적인 정책 학습이 가능한 강화 학습 알고리즘(R-학습)을 적용한다.
• 에너지 수확의 스토케스틱한 성격을 반영하기 위해 파rametric 에너지 동역학 모델을 도입한다.
• 실제의 비율-왜곡 곡선과 짧은 패킷 페이딩 채널의 아웃리지 확률을 사용하여 왜곡 성능을 분석한다.

실험 결과

연구 질문

• RQ1 이전에 손실된 데이터 블록의 재전송을 允허함으로써 에너지 제약이 있는 센서 네트워크에서 평균 왜곡은 어떻게 영향을 받는가?
• RQ2 스토케스틱한 에너지 가용성과 채널 감쇠 조건 하에서 압축 비율과 채널 코딩 비율 사이의 최적의 트레이드오프는 무엇인가?
• RQ3 최대 재전송 수 r이 장기적 왜곡 성능에 미치는 영향은 어떠한가?
• RQ4 강화 학습이 에너지나 채널 통계에 대한 사전 지식 없이 최적의 전송 정책을 효과적으로 학습할 수 있는가?
• RQ5 r을 증가시키는 것이 유리한 조건는 언제이며, 언제는 수익 감소 또는 심지어 부정적인 영향을 초래하는가?

주요 결과

• 제안된 재전송 방식은 단일 전송 방식에 비해 평균 왜곡을 일관되게 감소시키며, 특히 r ≥ 2일 경우 두드러진 성능 향상이 나타난다.
• r이 선택될 때 최적의 압축 비율 k⋆_r가 r과 시스템 파라미터에 따라 결정되는 임계 기준 kV의 오른쪽에 위치할 경우 왜곡이 최소화된다.
• 작은 r 값에서는 r을 증가시키는 것이 일반적으로 성능 향상을 이룬다. 그러나 r이 증가함에 따라 k⋆_r가 kV 이하로 떨어질 가능성이 증가하여 더 높은 r 값이 비효율적이게 된다.
• r > m(최대 압축 수준)일 경우 k⋆_r = k⋆_r−1가 되며, r을 더 이상 증가시켜도 성능 향상이 없어지므로趋포인트에 도달한다.
• 강화 학습 알고리즘이 MDP를 통해 유도된 최적 정책에 수렴함으로써, 사전 통계 지식 없이도 효과적으로 학습할 수 있음을 입증한다.
• 재전송의 성능 향상은 r에 비례하지 않으며, 오히려 압축 수준의 이산화(m)와 에너지 가용성에 의해 결정된다.