[논문 리뷰] Stochastic Learning-Based Robust Beamforming Design for RIS-Aided Millimeter-Wave Systems in the Presence of Random Blockages

Gui Zhou, Cunhua Pan외 4명|arXiv (Cornell University)|2020. 09. 21.

Advanced Wireless Communication Technologies참고 문헌 22인용 수 6

한 줄 요약

이 논문은 랜덤 블록화 상황에서 재구성 가능 지능 표 superfuce(RIS) 기반 밀리미터파 시스템을 위한 스토하스틱 학습 기반 강건한 빔포밍 설계를 제안한다. 합산 아웃오지 확률 최소화 문제를 수립하고 블록 스토하스틱 그래디언트 디센트(BCGD)를 통해 해결함으로써, 전수 탐색 없이도 효과적인 빔포밍 전략을 학습할 수 있으며, 기존 방법에 비해 아웃오지 성능과 유효 데이터 전송률에서 뚜렷한 향상을 이룬다.

ABSTRACT

A fundamental challenge for millimeter wave (mmWave) communications lies in its sensitivity to the presence of blockages, which impact the connectivity of the communication links and ultimately the reliability of the entire network. In this paper, we analyze a reconfigurable intelligent surface (RIS)-aided mmWave communication system for enhancing the network reliability and connectivity in the presence of random blockages. To enhance the robustness of hybrid analog-digital beamforming in the presence of random blockages, we formulate a stochastic optimization problem based on the minimization of the sum outage probability. To tackle the proposed optimization problem, we introduce a low-complexity algorithm based on the stochastic block gradient descent method, which learns sensible blockage patterns without searching for all combinations of potentially blocked links. Numerical results confirm the performance benefits of the proposed algorithm in terms of outage probability and effective data rate.

연구 동기 및 목표

• 밀도 높은 도시 환경에서 랜덤 블록화로 인한 mmWave 통신 신뢰성 저하 문제를 해결하기 위해.
• 하이브리드 아날로그-디지털 빔포밍을 갖춘 RIS 지원 mmWave 네트워크에서 합산 아웃오지 확률 최소화를 통해 시스템 강건성을 향상시키기 위해.
• 모든 가능한 블록화 패턴을 전수 조사하는 것을 피하는 저복잡도 최적화 프레임워크를 개발하기 위해.
• 채널 불확실성 하에서 기지국의 하이브리드 프리코딩과 RIS의 수동 위상 시프트를 동시에 최적화함으로써 RIS의 실용적 구현을 가능하게 하기 위해.

제안 방법

• 랜덤 블록화 하에서 합산 아웃오지 확률 최소화를 위한 스토하스틱 최적화 문제를 수립하여 링크 블록화 사건의 통계적 특성을 반영한다.
• 블록 스토하스틱 그래디언트 디센트(BCGD) 방법을 사용하여 기지국의 하이브리드 아날로그-디지털 빔포밍과 RIS의 수동 빔포밍을 반복적으로 최적화한다.
• 몬테카를로 샘플링을 활용해 기대 아웃오지 확률을 추정함으로써, 블록화 조합을 전수 조사하지 않고도 효율적인 그래디언트 계산을 가능하게 한다.
• 아웃오지 확률 함수의 헤시안 행렬을 유한하게 제약하기 위한 리 릿지 기법을 도입하여 BCGD 알고리즘의 수렴성과 안정성을 확보한다.
• 샘플된 블록화 상태에 기반해 빔포밍 벡터를 적응적으로 조정하는 저복잡도 학습 메커니즘을 구현하여 계산 오버헤드를 감소시킨다.
• 헤시안 행렬의 최대 고유값에 대한 해석적 경계를 유도하여 최적화 과정에서의 수렴성과 수치적 안정성을 보장한다.

실험 결과

연구 질문

• RQ1 블록화가 무작위적이고 예측 불가능할 경우 RIS 지원 mmWave 시스템에서 강건한 빔포밍을 어떻게 설계할 수 있는가?
• RQ2 랜덤 블록화 상황에서 시스템 신뢰성(아웃오지 확률)과 계산 복잡도 사이의 최적 트레이드오프는 무엇인가?
• RQ3 실제 블록화 통계를 기반으로 스토하스틱 최적화 프레임워크가 최악의 경우 또는 결정론적 빔포밍 설계를 능가할 수 있는가?
• RQ4 제안된 BCGD 기반 학습 방법은 전수 탐색 또는 결정론적 최적화에 비해 성능 및 복잡도 측면에서 어떻게 비교되는가?
• RQ5 랜덤 블록화 조건에서 RIS 배치가 mmWave 시스템의 유효 데이터 전송률과 아웃오지 성능에 미치는 영향은 어떠한가?

주요 결과

• 제안된 스토하스틱 학습 기반 빔포밍 기법은 기존의 강건한 빔포밍 설계에 비해 합산 아웃오지 확률을 뚜렷이 감소시킨다.
• 특히 고블록화 확률 조건에서 유효 데이터 전송률 측면에서 뛰어난 성능을 보이며, 성능이 뛰어나다.
• BCGD 기반 방법은 안정적이고 효율적으로 수렴하여 모든 가능한 블록화 패턴 조합을 탐색하는 데 필요한 과도한 복잡도를 피한다.
• 수치 결과는 제안된 기법이 블록화 확률이 증가하더라도 높은 스펙트럼 효율성을 유지하며, 저간섭인 및 고간섭 환경 모두에서 벤치마크 방법을 능가함을 보여준다.
• 헤시안 행렬에 대한 해석적 경계는 수렴성과 안정성을 보장하여 최적화 프레임워크의 강건성을 검증한다.
• 하이브리드 프리코딩과 RIS 위상 시프트의 공동 최적화로 중간에서 높은 블록화 비율 조건에서 유효 데이터 전송률이 30-40% 향상된다.