[논문 리뷰] Linear Network Code for Erasure Broadcast Channel with Feedback: Complexity and Algorithms

Chi Wan Sung, Linyu Huang외 2명|arXiv (Cornell University)|2012. 05. 24.

Cooperative Communication and Network Coding참고 문헌 35인용 수 4

한 줄 요약

이 논문은 피드백이 있는 에러 채널에서 완료 시간과 디코딩 지연을 최소화하기 위해 희박한 선형 네트워크 코드를 제안한다. 혁신적인 인코딩 벡터가 완료 시간 최적화에 적합함을 증명하고, 유한체 크기가 사용자 수보다 작을 경우 존재 문제는 NP-완전임을 보이며, 희박한 코드 생성을 위한 근사 알고리즘을 제안하여 디코딩 복잡도를 감소시키면서도 낮은 완료 시간을 유지한다. 피드백이 있는 경우 랜덤 선형 네트워크 코딩(RLNC)보다 디코딩 속도에서 뛰어나며, 인코딩 시간은 더 길다.

ABSTRACT

This paper investigates the construction of linear network codes for broadcasting a set of data packets to a number of users. The links from the source to the users are modeled as independent erasure channels. Users are allowed to inform the source node whether a packet is received correctly via feedback channels. In order to minimize the number of packet transmissions until all users have received all packets successfully, it is necessary that a data packet, if successfully received by a user, can increase the dimension of the vector space spanned by the encoding vectors he or she has received by one. Such an encoding vector is called innovative. We prove that innovative linear network code is uniformly optimal in minimizing user download delay. When the finite field size is strictly smaller than the number of users, the problem of determining the existence of innovative vectors is proven to be NP-complete. When the field size is larger than or equal to the number of users, innovative vectors always exist and random linear network code (RLNC) is able to find an innovative vector with high probability. While RLNC is optimal in terms of completion time, it has high decoding complexity due to the need of solving a system of linear equations. To reduce decoding time, we propose the use of sparse linear network code, since the sparsity property of encoding vectors can be exploited when solving systems of linear equations. Generating a sparsest encoding vector with large finite field size, however, is shown to be NP-hard. An approximation algorithm that guarantee the Hamming weight of a generated encoding vector to be smaller than a certain factor of the optimal value is constructed. Our simulation results show that our proposed methods have excellent performance in completion time and outperforms RLNC in terms of decoding time.

연구 동기 및 목표

• 피드백이 있는 에러 채널에서 브로드캐스트 시스템의 사용자 다운로드 지연을 최소화하기 위해 매 전송 패킷이 혁신적이도록 보장한다.
• 유한체 크기가 사용자 수보다 작을 경우 혁신적인 인코딩 벡터의 존재를 판단하는 계산 복잡도를 분석하여, 이 문제가 NP-완전임을 보인다.
• 가우스 소거법 중 희박성을 활용함으로써 선형 네트워크 코딩의 디코딩 복잡도를 감소시키기 위해 희박한 인코딩 벡터를 제안한다.
• 큰 유한체에서 최적값에 대한 유한한 요소로 히스팅 무게(Hamming weight)를 갖는 인코딩 벡터를 생성하는 근사 알고리즘을 설계한다.
• 제안된 방식을 RLNC 및 기타 브로드캐스트 코드와 비교하여, 완료 시간, 인코딩 시간, 디코딩 시간 간의 상호 상충 관계를 규명한다.

제안 방법

• 완료 시간을 최소화하기 위해 이전에 수신한 벡터의 스칼라 곱에 포함되지 않는 혁신적인 인코딩 벡터를 사용하며, 이로써 각 전송이 사용자 수신 차원을 한 단계씩 증가시킨다.
• 유한체 크기 q ≥ K(사용자 수)일 경우 혁신적인 벡터가 항상 존재하며, RLNC는 높은 확률로 이를 찾을 수 있음을 증명한다.
• 셰리만-모리슨 공식을 이용한 점진적 영공간 기저 계산 방법을 도입하여 혁신성 여부를 효율적으로 검증하고 사용자 상태 행렬을 갱신한다.
• 큰 유한체에서 최소한의 희박성을 가지는 인코딩 벡터를 생성하기 위한 근사 알고리즘을 제안하며, 이는 최적값에 대한 상대적인 성능이 유한하게 제한됨을 보장한다.
• 이중 유한체에서는 효율적인 희박한 인코딩 벡터 생성을 위한 휴리스틱 알고리즘을 설계한다.
• 피드백을 활용해 소스가 가장 많은 사용자에게 혁신적인 인코딩 벡터를 선택함으로써 중복 전송을 줄인다.

실험 결과

연구 질문

• RQ1 에러 브로드캐스트 채널의 선형 네트워크 코딩에서 혁신적인 인코딩 벡터가 존재하는 조건은 무엇인가?
• RQ2 유한체 크기가 사용자 수보다 작을 경우 혁신적인 인코딩 벡터의 존재를 판단하는 계산 복잡도는 어떻게 되는가?
• RQ3 희박한 선형 네트워크 코딩은 RLNC에 비해 완료 시간을 크게 증가시키지 않으면서도 디코딩 복잡도를 줄일 수 있는가?
• RQ4 최적값에 대한 상대적인 히스팅 무게가 유한한 요소로 제한되는 희박한 인코딩 벡터를 생성하는 근사 알고리즘은 어떻게 설계할 수 있는가?
• RQ5 피드백과 희박한 코딩 기법을 사용할 경우 완료 시간, 인코딩 시간, 디코딩 시간 간의 상호 상충 관계는 어떻게 되는가?

주요 결과

• 유한체 크기가 사용자 수보다 엄밀히 작을 경우 혁신적인 인코딩 벡터의 존재 문제는 NP-완전이며, q ≥ K일 경우 항상 존재한다.
• 랜덤 선형 네트워크 코딩(RLNC)은 최적의 완료 시간을 달성하지만, 희박하지 않은 선형 시스템을 풀어야 하므로 높은 디코딩 복잡도를 유발한다.
• 희박한 선형 네트워크 코딩은 가우스 소거법 중 희박성을 활용함으로써 디코딩 시간을 크게 감소시켜 RLNC보다 디코딩 속도에서 뛰어나다.
• 제안된 근사 알고리즘은 생성된 인코딩 벡터의 히스팅 무게가 최적값에 대해 유한한 요소 내에 있음을 보장하여 실용적 효율성을 확보한다.
• 이중 유한체에서는 휴리스틱 알고리즘이 실용적으로 잘 작동하는 희박한 인코딩 벡터를 생성하며, 완료 시간을 증가시키지 않고 디코딩 시간을 감소시킨다.
• 시뮬레이션 결과, 제안된 방식은 완료 시간은 경쟁 가능한 수준을 유지하면서도 RLNC보다 낮은 디코딩 시간을 달성하지만, 인코딩 시간과 피드백 요구 사항이 더 높다는 점을 보였다.