[논문 리뷰] Decoding Probability Analysis of Network-Coded Data Collection and Delivery by Relay Drones

Ioannis Chatzigeorgiou, Elena Manole|arXiv (Cornell University)|2020. 04. 16.

Cooperative Communication and Network Coding참고 문헌 17인용 수 3

한 줄 요약

이 논문은 피드백이 없는 지연 내성 네트워크에서 중계 드론을 이용한 네트워크 코딩된 데이터 수집의 복호화 확률을 분석하기 위한 이론적 프레임워크를 제안한다. 유한체 위에서의 데이터 캐러셀과 시스템적 랜덤 선형 네트워크 코딩(RLNC)을 비교하여, 더 큰 유한체 위에서의 RLNC가 전체 메시지 복구를 향상시키지만, 더 작은 유한체는 부분 복구에 더 효율적임을 보이며, 성능은 모두 필드 크기, 드론 수, 삭제 확률에 크게 의존한다.

ABSTRACT

Relay drones in delay-tolerant applications are dispatched to remote locations in order to gather data transmitted by a source node. Collected data are stored on the drones and delivered to one or multiple bases. This paper considers two schemes for broadcasting data to drones when feedback channels are not available: a data carousel and systematic random linear network coding (RLNC). We propose a theoretical framework for the calculation of the probability that a base will fully or partially recover the transmitted data and the probability that all involved bases will successfully obtain the data, when the bases are either isolated or interconnected. Theoretical results are validated through simulations. Design considerations are also discussed, including the relationship among the field size used by RLNC, the number of relay drones and the requirement for full data recovery or the retrieval of at least part of the data.

연구 동기 및 목표

• 지연 내성 네트워크에서 중계 드론이 데이터 복구할 확률을 계산하기 위한 이론적 프레임워크를 개발하는 것.
• 단일 또는 상호연결된 기지에서의 복호화 성공률 측면에서 데이터 캐러셀과 시스템적 RLNC의 성능을 비교하는 것.
• 신뢰성 있는 데이터 전달을 위해 필드 크기, 드론 수, 전송된 패킷 수의 설계 상충관계를 규명하는 것.
• 다양한 채널 삭제 조건 하에서 시뮬레이션을 통해 이론 모델을 검증하는 것.

제안 방법

• 원천이 k개의 소스 패킷을 방송한 후, nT − k개의 코딩되거나 반복된 패킷을 N개의 드론 클러스터에 전송하는 모델을 구성한다.
• 각 드론에 대한 링크당 패킷 삭제 확률 ǫi,j를 갖는 브로드캐스트 삭제 채널 모델을 사용한다.
• 크기가 q인 유한체 GF(q) 위에서 시스템적 RLNC를 적용하며, 계수는 무작위로 선택된다.
• 기지가 최소 µ개의 소스 패킷 또는 모든 k개의 패킷을 복구할 확률에 대한 닫힌 형태 식을 유도한다.
• 고립된 기지와 상호연결된 기지 구성 모두를 고려하여, 기지에서의 데이터 융합을 모델링한다.
• 다양한 필드 크기, 드론 수, 삭제 확률에서 몬테카를로 시뮬레이션을 통해 이론적 결과를 검증한다.

실험 결과

연구 질문

• RQ1 RLNC 또는 데이터 캐러셀을 사용할 경우, 단일 기지가 소스 메시지를 완전히 또는 부분적으로 복구할 확률은 얼마인가?
• RQ2 RLNC의 필드 크기 q가 주어진 드론 수와 삭제 확률에서 복호화 성공 확률에 어떻게 영향을 미치는가?
• RQ3 클러스터당 드론 수가 메시지 복구 성공 확률에 어떻게 영향을 미치는가?
• RQ4 다양한 전송 방식에서 전송된 패킷 수 nT와 임무 성공 확률 사이의 상충관계는 무엇인가?
• RQ5 상호연결된 기지와 고립된 기지의 경우 데이터 복구 신뢰성 측면에서 어떤 차이가 있는가?

주요 결과

• 전체 메시지 복구(µ/k = 1)의 경우, 필드 크기 q를 2에서 8로 증가시키면 삭제율이 높을수록 복호화 확률이 크게 향상된다.
• 부분 복구(µ/k = 0.8)가 허용 가능한 경우, 중간 수준의 nT에서 GF(2)와 같은 작은 필드가 GF(8)와 같은 큰 필드보다 성능이 뛰어나며, 더 높은 다양성 이득을 제공한다.
• L1 = 8대의 드론을 사용할 경우, 삭제 확률 ǫ ≈ 0.7를 초과하면 성능이 급격히 악화되어 신뢰성 있는 전달에 대한 날카로운 임계점이 있음을 시사한다.
• 단일 기지(N=1)와 k=30개의 소스 패킷 조건에서, ǫ=0.4일 때 L=9대의 드론으로 nT = 30을 달성할 수 있으며, 이는 전송 오버헤드를 최소화한다.
• GF(4)에서의 시스템적 RLNC는 GF(2)보다 nT를 약간 줄일 수 있지만, 드론 수가 제한된 조건에서 데이터 캐러셀보다 더 높은 신뢰성을 제공한다.
• 전송 효율성보다 단순성이 우선시되는 경우, 특히 L ≥ 9대의 드론이 확보된 경우 데이터 캐러셀은 여전히 타당한 선택이다.