[논문 리뷰] DL-based CSI Feedback and Cooperative Recovery in Massive MIMO

Jiajia Guo, Xi Yang외 3명|arXiv (Cornell University)|2020. 03. 06.

Advanced MIMO Systems Optimization참고 문헌 57인용 수 36

한 줄 요약

이 논문은 근접한 사용자 기지국(UE) 간의 공간 상관성을 활용하여 대량 MIMO에서 CSI 피드백 오버헤드를 줄이는 딥러닝 기반 프레임워크인 CoCsiNet을 제안한다. 여러 UE로부터 공유된 CSI를 공동으로 복호화하고, 새로운 복호화 및 조합 네트워크를 사용해 개별 CSI와 융합함으로써 CoCsiNet은 피드백을 줄이면서도 높은 정확도의 채널 복구를 달성하였으며, 두 개의 실세계 채널 데이터셋에서 검증되었다.

ABSTRACT

In this paper, we exploit the correlation between nearby user equipment (UE) and develop a deep learning-based channel state information (CSI) feedback and cooperative recovery framework, CoCsiNet, to reduce the feedback overhead. The CSI information can be divided into two parts: shared by nearby UE and owned by individual UE. The key idea of exploiting the correlation is to reduce the overhead used to repeatedly feedback shared information. Unlike in the general autoencoder framework, an extra decoder and a combination network are added at the base station to recover the shared information from the feedback CSI of two nearby UE and combine the shared and individual information, respectively, but no modification is performed at the UEs. For a UE with multiple antennas, we also introduce a baseline neural network architecture with long short-term memory modules to extract the correlation of nearby antennas. Given that the CSI phase is not sparse, we propose two magnitude-dependent phase feedback strategies that introduce statistical and instant CSI magnitude information to the phase feedback process, respectively. Simulation results on two different channel datasets show the effectiveness of the proposed CoCsiNet.

연구 동기 및 목표

• 근접한 사용자 기지국(UE) 간의 공간 상관성을 활용하여 대량 MIMO 시스템의 피드백 오버헤드를 줄이기.
• 근접한 UE들 간에 공유된 CSI의 중복 전송을 최소화하는 협업형 CSI 피드백 및 복구 프레임워크 개발.
• UE 측 피드백 메커니즘을 수정하지 않고도 기지국 수준에서 공유 및 개별 CSI를 재구성할 수 있도록 하기.
• 상태가 희박하지 않은 CSI 위상에 대해, 크기 인식 기반의 위상 피드백 전략을 도입하여 위상 피드백 정확도 향상.
• 딥러닝을 활용해 다중 UE 피드백의 공동 복호화 및 융합을 통해 CSI 복구 정확도 향상.

제안 방법

• 기지국 기반 복호화 및 조합 네트워크를 갖춘 딥러닝 프레임워크인 CoCsiNet을 도입하여, 근접한 두 개의 UE 피드백에서 공유 CSI를 재구성한다.
• 공유 CSI는 공동 피드백에서 복구되고, 개별 CSI는 유지된 상태에서 공유 구성요소와 융합되는 이중 경로 네트워크 아키텍처를 설계한다.
• 단일 UE의 다수 안테나 간 상관관계를 모델링하기 위해 기본 신경망에 장기 단기 기억(LSTM) 모듈을 통합한다.
• 두 가지 크기 기반 위상 피드백 전략을 제안: 통계적 CSI 크기와 순간적 크기를 사용하여 위상 피드백 효율성 향상.
• 피드백 압축 및 재구성 정확도 최적화를 위해 두 개의 실세계 채널 데이터셋을 사용해 네트워크를 종단 간(end-to-end)으로 훈련.
• 최종 채널 상태 추정을 위해 기지국에서 공유 및 개별 CSI 구성요소를 융합하기 위해 조합 네트워크를 사용한다.

실험 결과

연구 질문

• RQ1 근접한 UE 간의 공간 상관성을 효과적으로 활용하여 대량 MIMO 시스템에서 CSI 피드백 오버헤드를 줄일 수 있는가?
• RQ2 UE 측 전송 방식을 수정하지 않고도 다수 UE 피드백에서 공유 CSI를 공동으로 재구성할 수 있는가?
• RQ3 위상의 희박하지 않은 특성 상황에서 CSI 크기 정보를 통합할 경우 위상 피드백 정확도에 어떤 영향을 미치는가?
• RQ4 LSTM 모듈의 사용이 UE 내 다수 안테나 간의 CSI 상관관계 모델링에 어떻게 기여하는가?
• RQ5 제안된 CoCsiNet 프레임워크는 전통적 피드백 방식에 비해 재구성 정확도 및 피드백 오버헤드 측면에서 어느 정도 뛰어나게 성능을 발휘하는가?

주요 결과

• CoCsiNet은 근접한 UE들 간에 공유된 CSI의 중복 전송을 제거함으로써 CSI 피드백 오버헤드를 크게 줄였다.
• 두 UE의 피드백에서 공유 CSI를 공동 복호화함으로써 채널 상태 추정 품질에 최소한의 손실을 초래하면서도 정확한 재구성 가능.
• 통계적 및 순간적 CSI 크기 정보를 위상 피드백에 통합함으로써 위상 재구성 정확도가 향상되었으며, 이는 위상의 희박하지 않은 특성에도 불구하고 성립.
• 기본 아키텍처에 LSTM 모듈을 사용함으로써 UE 내 상관관계 모델링이 향상되어 UE 수준에서의 CSI 표현 품질이 향상됨.
• 두 가지 다른 채널 데이터셋에서의 시뮬레이션 결과, CoCsiNet이 기준 방법에 비해 뛰어난 CSI 복구 성능을 확보함을 확인.
• 다양한 채널 조건에서도 높은 재구성 정확도를 유지함으로써, 프레임워크의 강건성과 확장성 입증.