[論文レビュー] Cooperative access networks: Optimum fronthaul quantization in distributed Massive MIMO and cloud RAN

Alister G. Burr, Manijeh Bashar+1 more|arXiv (Cornell University)|May 25, 2018

Advanced MIMO Systems Optimization参考文献 11被引用数 22

ひとこと要約

本稿では、制限されたフロントハール容量による上行リンクレート劣化を最小限に抑えるために、分散型Massive MIMOおよびクラウドRANシステム向けの最適化されたフロントハール量子化戦略を提案する。バスガン分解を用い、チャネルとデータの共同最小分散誤差（MMSE）推定を組み合わせることで、最適な量子化ノイズ共分散の閉形式表現を導出し、フロントハール制約下でのスペクトル効率を顕著に向上させる。

ABSTRACT

We consider cooperative radio access network architectures, especially distributed massive MIMO and Cloud RAN, considering their similarities and differences. We address in particular the major challenge posed to both by the implementation of a high capacity fronthaul network to link the distributed access points to the central processing unit, and consider the effect on uplink performance of quantization of received signals in order to limit fronthaul load. We use the Bussgang decomposition along with a new approach to MMSE estimation of both channel and data to provide the basis of our analysis.

研究の動機と目的

• 共同リモートアクセスネットワークにおける高容量フロントハール要件の課題に対処すること。
• 分散型Massive MIMOおよびクラウドRANアーキテクチャにおける信号量子化の上行リンク性能への影響を分析すること。
• フロントハール容量制約下でレート劣化を最小限に抑える最適な量子化戦略を導出すること。
• 構造的類似点と相違点に着目することで、分散型Massive MIMOとクラウドRANの分析を統一すること。
• システム設計に実用的で、情報理論的根拠を持つ量子化フレームワークを構築すること。

提案手法

• 量子化ノイズを入力信号の線形関数と無相関歪みの和としてモデル化するため、バスガン分解を用いる。
• 中央処理装置でチャネル状態情報とユーザーデータを同時に推定するため、共同MMSE推定を適用する。
• データ検出における平均二乗誤差を最小化する最適な量子化ノイズ共分散行列を導出する。
• 複数の分散型アクセスポイントと中央処理ユニットを想定した上行リンク送信シナリオを考慮する。
• 各アクセスポイントにおけるRayleigh fadingと独立した加法的ノイズを含む信号モデルを用いる。
• 全フロントハール容量制約下での最適なフロントハール量子化戦略の閉形式表現を導出する。

実験結果

リサーチクエスチョン

• RQ1 分散型Massive MIMOおよびクラウドRANにおける上行リンク信号を、スペクトル効率の損失を最小限に抑えるために、最適に量子化する方法は何か？
• RQ2 チャネルとデータの共同MMSE推定は、個別推定と比較してどのように性能を向上させるか？
• RQ3 フロントハール容量制限は、共同アクセスネットワークにおける上行リンクレート性能にどのような影響を与えるか？
• RQ4 量子化効率の観点から、分散型Massive MIMOとクラウドRANの設計原則はどのように比較できるか？
• RQ5 両アーキテクチャにわたる最適なフロントハール量子化の統一的分析フレームワークを構築できるか？

主な発見

• 提案手法は、最適な量子化ノイズ共分散行列の閉形式表現を達成しており、正確なシステム設計を可能にする。
• チャネルとデータの共同MMSE推定は、個別推定を上回り、低SNR領域における誤差フロアを低減する。
• 導出された量子化戦略は、特にタイトなフロントハール容量制約下で、スペクトル効率を顕著に向上させる。
• 最適な量子化が適用された場合、分散型Massive MIMOとクラウドRANの性能差は縮小し、設計上の類似点が顕著になる。
• シミュレーション結果は、提案手法がフロントハール制約下で理論的平均和スループット容量に近づくことを確認している。
• 本手法は、フロントハール負荷と上行リンクレートの間で実用的なトレードオフを提供し、共同ネットワークのスケーラブルな展開を可能にする。