[논문 리뷰] STAR-RIS Enabled Heterogeneous Networks: Ubiquitous NOMA Communication and Pervasive Federated Learning.

Wanli Ni, Yuanwei Liu외 3명|arXiv (Cornell University)|2021. 06. 16.

Advanced Wireless Communication Technologies참고 문헌 48인용 수 15

한 줄 요약

이 논문은 스펙트럼 효율성과 학습 수렴을 향상시키기 위해 동시 전송 및 반사 기능을 활용하는 STAR-RIS 기반 이질적 네트워크를 제안하며, 이는 동시에 비정렬 다중접근(NOMA)과 공기 중 연합 학습(AirFL)을 지원한다. 폐쇄형 최적성 갭을 유도하고 신뢰영역 기반 알고리즘을 적용함으로써, 비이상적인 채널 조건과 QoS 제약 조건 하에서도 더 빠른 수렴과 향상된 성능을 달성한다.

ABSTRACT

This paper integrates non-orthogonal multiple access (NOMA) and over-the-air federated learning (AirFL) into a unified framework using one simultaneous transmitting and reflecting reconfigurable intelligent surface (STAR-RIS). The STAR-RIS plays an important role in adjusting the decoding order of hybrid users for efficient interference mitigation and omni-directional coverage extension. To capture the impact of non-ideal wireless channels on AirFL, a closed-form expression for the optimality gap (a.k.a. convergence upper bound) between the actual loss and the optimal loss is derived. This analysis reveals that the learning performance is significantly affected by active and passive beamforming schemes as well as wireless noise. Furthermore, when the learning rate diminishes as the training proceeds, the optimality gap is explicitly characterized to converge with a linear rate. To accelerate convergence while satisfying QoS requirements, a mixed-integer non-linear programming (MINLP) problem is formulated by jointly designing the transmit power at users and the configuration mode of STAR-RIS. Next, a trust region-based successive convex approximation method and a penalty-based semidefinite relaxation approach are proposed to handle the decoupled non-convex subproblems iteratively. An alternating optimization algorithm is then developed to find a suboptimal solution for the original MINLP problem. Extensive simulation results show that i) the proposed framework can efficiently support NOMA and AirFL users via concurrent uplink communications, ii) our algorithms can achieve a faster convergence rate on IID and non-IID settings compared to existing baselines, and iii) both the spectrum efficiency and learning performance can be significantly improved with the aid of the well-tuned STAR-RIS.

연구 동기 및 목표

• 동시 전송 및 반사 재구성 가능 지능형 표 superfine(STAR-RIS)를 사용하여 비정렬 다중접근(NOMA)과 공기 중 연합 학습(AirFL)을 통합한 프레임워크를 구현한다.
• 비이상적인 무선 채널이 AirFL 성능에 미치는 영향을 분석하며, 특히 실제 손실과 최적 손실 간의 최적성 갭을 중심으로 분석한다.
• 학습 수렴 속도를 가속화하면서도 서비스 품질(QoS) 요구사항을 충족시키기 위해 사용자 전송 전력과 STAR-RIS 설정을 공동 최적화한다.
• 공동 최적화에서 발생하는 혼합정수비선형계획문제(MINLP)를 해결하기 위한 효율적인 알고리즘을 개발한다.
• 독립적이고 동일하게 분포된(IID) 및 비동일하게 분포된(non-IID) 데이터 분포 조건 하에서 스펙트럼 효율성과 학습 수렴 성능 향상을 평가한다.

제안 방법

• AirFL에서 최적성 갭에 대한 폐쇄형 표현식을 유도하여, 주도적 및 피동적 beamforming 및 무선 노이즈가 학습 수렴에 미치는 영향을 기록한다.
• 전력과 STAR-RIS 설정의 공동 최적화에서 발생하는 비볼록 하위문제를 다루기 위해 신뢰영역 기반 순차적 볼록 근사 방법을 제안한다.
• 최적화 문제의 혼합정수비선형계획문제(MINLP) 수식을 해결하기 위해 페널티 기반 정규화된 준정수계획법 접근법을 활용한다.
• 원래 MINLP 문제의 부분문제를 분리하여 반복적으로 해결하고, 부분최적해를 찾기 위해 교차 최적화 알고리즘을 개발한다.
• STAR-RIS를 활용해 전방위 커버리지를 실현하고, 하이브리드 NOMA 및 AirFL 사용자의 디코딩 순서를 동적으로 조정하여 간섭을 완화한다.
• 감소하는 학습률 조건 하에서 최적성 갭의 수렴 행동을 모델링하여, 제안된 프레임워크 하에서 선형 수렴을 보임을 보여준다.

실험 결과

연구 질문

• RQ1 STAR-RIS를 통한 NOMA와 AirFL의 통합은 이질적 네트워크에서 시스템 스펙트럼 효율성과 학습 수렴에 어떤 영향을 미치는가?
• RQ2 노이즈 및 beamforming 방식을 포함한 비이상적인 무선 채널이 AirFL의 최적성 갭에 어떤 영향을 미치는가?
• RQ3 학습률이 감소함에 따라 최적성 갭은 어떻게 변화하는가? 그리고 선형 수렴 속도로 특성화할 수 있는가?
• RQ4 사용자 전송 전력과 STAR-RIS 설정의 공동 최적화 전략 중에서 수렴 속도를 최대화하면서 QoS 제약 조건을 만족시키는 전략은 무엇인가?
• RQ5 기존 기준 대비 제안된 알고리즘이 학습 성능과 스펙트럼 효율성 향상에 얼마나 기여하는가?

주요 결과

• 제안된 프레임워크는 단일 STAR-RIS를 통해 NOMA 및 AirFL 사용자 간의 동시 업링크 통신을 가능하게 하여 효율적인 스펙트럼 활용과 전방위 커버리지를 달성한다.
• 유도된 최적성 갭 표현식은 학습 성능가 활성 및 피동적 beamforming 및 무선 노이즈에 의해 크게 영향을 받으며, 감소하는 학습률 조건 하에서 선형 수렴 속도를 보임을 확인한다.
• 신뢰영역 기반 순차적 볼록 근사 및 페널티 기반 정규화된 준정수계획법 방법은 비볼록 MINLP 문제를 효과적으로 해결하여 부분최적이지만 실용적인 해를 도출한다.
• 시뮬레이션 결과는 기존 기준 대비 IID 및 non-IID 데이터 환경 모두에서 더 빠른 수렴을 보이며 알고리즘 효율성을 검증한다.
• 특히 간섭 제한 및 노이즈가 많은 환경에서 최적의 STAR-RIS 튜닝을 통해 스펙트럼 효율성과 학습 성능이 크게 향상됨을 확인한다.
• QoS 제약 조건 하에서도 프레임워크는 강력한 성능 유지를 보이며, 향후 세대 무선 네트워크의 실질적 구현에 효과적임을 입증한다.