[논문 리뷰] Learning-Assisted User Clustering in Cell-Free Massive MIMO-NOMA Networks

Quang Nhat Le, Van‐Dinh Nguyen외 4명|arXiv (Cornell University)|2020. 11. 15.

Advanced Wireless Communication Technologies참고 문헌 36인용 수 12

한 줄 요약

이 논문은 셀리스 매크로 MIMO-NOMA 네트워크에서 스펙트럼 효율성(Spectral Efficiency, SE)과 사용자 공정성을 최적화하기 위해 k-means++ 및 개선된 k-means++ 알고리즘을 사용한 학습 보조 사용자 클러스터링을 제안한다. 채널 품질을 기반으로 비지도 기계학습을 활용하여 사용자를 군집화함으로써 전수 탐색 대비 복잡도를 감소시키면서도, 전체 피LOT 제로포싱 조절 기반으로 near-optimal SE 성능을 달성한다. 또한, 닫힌 형태의 합산 SE 수식을 유도하고 반복 최적화를 통해 검증하였다.

ABSTRACT

The superior spectral efficiency (SE) and user fairness feature of non-orthogonal multiple access (NOMA) systems are achieved by exploiting user clustering (UC) more efficiently. However, a random UC certainly results in a suboptimal solution while an exhaustive search method comes at the cost of high complexity, especially for systems of medium-to-large size. To address this problem, we develop two efficient unsupervised machine learning (ML) based UC algorithms, namely k-means++ and improved k-means++, to effectively cluster users into disjoint clusters in cell-free massive multiple-input multiple-output (CFmMIMO) system. Using full-pilot zero-forcing at access points, we derive the sum SE in closed-form expression taking into account the impact of intra-cluster pilot contamination, inter-cluster interference, and imperfect successive interference cancellation. To comprehensively assess the system performance, we formulate the sum SE optimization problem, and then develop a simple yet efficient iterative algorithm for its solution. In addition, the performance of collocated massive MIMO-NOMA (COmMIMO-NOMA) system is also characterized. Numerical results are provided to show the superior performance of the proposed UC algorithms compared to other baseline schemes. The effectiveness of applying NOMA in CFmMIMO and COmMIMO systems is also validated.

연구 동기 및 목표

• 셀리스 매크로 MIMO-NOMA 시스템에서 전수 탐색 기반 사용자 군집화의 높은 복잡도 문제를 해결하기 위해.
• 전수 탐색 없이도 사용자 군집화 최적화를 통해 스펙트럼 효율성과 사용자 공정성을 향상시키기 위해.
• 성능을 최적에 가깝게 유지하면서도 계산 오버헤드를 줄이기 위해 사용자 군집화의 복잡도를 감소시키기 위해.
• 피LOT 오염, 클러스터 간 간섭, 불완전한 순차 간섭 제거(SIC)를 고려한 닫힌 형태의 합산 스펙트럼 효율성 수식을 개발하기 위해.
• 실제 시스템 제약 조건 하에서 합산 SE 최적화 문제를 해결하기 위한 반복 알고리즘을 제안하기 위해.

제안 방법

• 채널 상태 정보(CSI)를 기반으로 비지도 기계학습을 활용해 사용자 군집화를 수행하기 위해 k-means++ 및 개선된 k-means++ 알고리즘을 사용한다.
• 접근점에서 전체 피LOT 제로포싱(fpZF) 조절을 적용하여 내부 클러스터 간 간섭과 피LOT 오염을 억제한다.
• 내부 클러스터 피LOT 오염, 클러스터 간 간섭, 불완전한 순차 간섭 제거(SIC)를 포함한 합산 스펙트럼 효율성(SE)에 대한 닫힌 형태의 수식을 유도한다.
• 전력 제약 및 하드웨어 제약 조건 하에서 합산 SE 최적화 문제를 해결하기 위한 반복 알고리즘을 제안한다.
• 중앙 처리 장치가 분산된 접근점을 조율하는 시스템 모델을 구성하며, 각 접근점은 국부적 채널 상태 정보(CSI)를 사용한다.
• 사용자들이 동일한 클러스터 내에서 전력 도메인에서 다중접속되고 순차 간섭 제거(SIC)를 통해 복원되는 전력 도메인 NOMA 프레임워크를 사용한다.

실험 결과

연구 질문

• RQ1 비지도 기계학습 기반 사용자 군집화가 셀리스 매크로 MIMO-NOMA 시스템에서 전수 탐색에 근접한 스펙트럼 효율성 성능를 달성하면서도 복잡도를 크게 감소시킬 수 있는가?
• RQ2 제안된 학습 보조 군집화 방법이 무작위 군집화 또는 전수 탐색 군집화에 비해 합산 스펙트럼 효율성과 공정성 측면에서 어떻게 성능을 내는가?
• RQ3 제안된 시스템 모델에서 피LOT 오염과 불완전한 SIC는 합산 스펙트럼 효율성에 어떤 영향을 미치는가?
• RQ4 반복 알고리즘이 실용적인 전력 제약 및 하드웨어 제약 조건 하에서 합산 스펙트럼 효율성을 최적화하는 데 얼마나 효과적인가?
• RQ5 NOMA는 셀리스 및 집중형 매크로 MIMO-NOMA 시스템 모두에서 스펙트럼 효율성과 공정성을 얼마나 향상시키는가?

주요 결과

• 제안된 k-means++ 및 개선된 k-means++ 알고리즘이 랜덤 및 전수 탐색 군집화 방법보다 뛰어난 스펙트럼 효율성을 달성한다.
• 닫힌 형태의 합산 스펙트럼 효율성 수식은 내부 클러스터 피LOT 오염, 클러스터 간 간섭, 불완전한 SIC의 영향을 정확히 반영한다.
• 합산 SE 최적화를 위한 반복 알고리즘은 단조 수렴성을 보이며 KKT 조건을 만족하여 최소한 국소 최적해로 수렴함을 보장한다.
• 수치 결과는 NOMA가 셀리스 및 집중형 매크로 MIMO-NOMA 시스템 양쪽 모두에서 합산 스펙트럼 효율성과 공정성 측면에서 OMA를 능가함을 확인한다.
• 개선된 k-means++ 알고리즘은 초기화 성능 향상으로 인해 표준 k-means++보다 더 나은 군집화 성능을 보이며, 군집 오차를 감소시키고 SE를 향상시킨다.
• 전체 피LOT 제로포싱 조절 기반 시스템은 특히 고밀도 사용자 환경에서 높은 스펙트럼 효율성과 강건성을 확보한다.