[論文レビュー] Fast Beam Training for IRS-Assisted Multiuser Communications

Changsheng You, Beixiong Zheng+1 more|ArXiv.org|May 24, 2020

Advanced Wireless Communication Technologies参考文献 11被引用数 5

ひとこと要約

本稿では、IRS支援マルチユーザー環境における多ビーム訓練手法を提案する。この手法は、IRSの反射素子をサブアレイに分割し、時間的に同時にビームスティアリングを可能にする。受信信号電力の比較により、ユーザーは高い確率で最適なビーム方向を特定し、従来の単一ビーム訓練に比べて最大50%の訓練オーバーヘッド削減を実現しながら、同等の受動的ビームフォーミングゲインを維持する。

ABSTRACT

In this letter, we consider an intelligent reflecting surface (IRS)-assisted multiuser communication system, where an IRS is deployed to provide virtual line-of-sight (LoS) links between an access point (AP) and multiple users. We consider the practical codebook-based IRS passive beamforming and study efficient design for IRS reflect beam training, which is challenging due to the large number of IRS reflecting elements. In contrast to the conventional single-beam training, we propose a new multi-beam training method by dividing the IRS reflecting elements into multiple sub-arrays and designing their simultaneous multi-beam steering over time. By simply comparing the received signal power over time, each user can detect its optimal IRS beam direction with a high probability, even without searching over all possible beam directions as the single-beam training. Simulation results show that our proposed multi-beam training significantly reduces the training time of conventional single-beam training and yet achieves comparable IRS passive beamforming performance for data transmission.

研究の動機と目的

• IRSの反射素子数が多いため、従来の単一ビーム訓練における高い訓練オーバーヘッドを解消すること。
• データ伝送における高い受動的ビームフォーミング性能を維持しながら、訓練時間を短縮すること。
• すべてのビーム方向に対する全探索を避け、効率的なビーム同定を可能にすること。
• ランダムハッシングに基づく代替手法を上回る、決定論的で低オーバーヘッドのビーム訓練手法を設計すること。

提案手法

• 各訓練シンボル内で、IRSをM個のサブアレイに分割し、それぞれを異なるビーム方向に同時にスティアリングする。
• 複数のサブアレイから時間的に同時にビームをスティアリングするマルチビームコードブックを用いる。
• 各ユーザーが、訓練シンボル間の受信信号電力またはSNRの単純な比較により、最適なビーム方向を同定可能にする。
• AP-IRSチャネルの準静的特性を活用し、APの送信ビームを固定することで、ビーム訓練プロセスを簡素化する。
• ランダムハッシングを回避する決定論的ビームスイープ戦略を採用し、予測可能で効率的なビーム同定を実現する。
• 指標関数を用いてビーム同定成功確率および平均達成レートを計算し、性能評価に用いる。

実験結果

リサーチクエスチョン

• RQ1 マルチビーム訓練は、ビームフォーミング性能を損なわせることなく、IRS支援マルチユーザー環境における訓練オーバーヘッドを低減できるか？
• RQ2 IRSのサブアレイ数がビーム同定精度および達成レートに与える影響は何か？
• RQ3 提案手法の決定論的マルチビーム訓練は、ランダムハッシングに基づくマルチビーム訓練と比較して、ビーム同定およびビームフォーミングゲインの面で優れているか？
• RQ4 サブアレイ数を増加させることによる訓練時間短縮とビーム間干渉のトレードオフは何か？
• RQ5 提案手法は、高SNRにおいても最小限の訓練オーバーヘッドで高いビーム同定成功確率を達成できるか？

主な発見

• M=2サブアレイの場合、提案手法は単一ビーム訓練に比べて25%の訓練オーバーヘッド削減（120対160シンボル）を達成し、同様のビーム同定成功確率および達成レートを実現する。
• M=4サブアレイの場合、訓練時間は50%短縮（80対160シンボル）され、46.4 dB SNRで約92%の成功ビーム同定率を維持する。
• M=8の場合、ビーム間干渉の増加に伴いビーム同定精度が著しく低下し、さらなる訓練時間短縮にもかかわらず受動的ビームフォーミングゲインが低下する。
• テストされたすべてのM値（2, 4, 8）において、提案手法はランダムハッシング（RH）ベースのマルチビーム訓練を上回り、ビーム同定精度および受動的ビームフォーミングゲインの両面で優れる。
• RHベースの手法は、M=2の場合、高SNRで性能が著しく劣る。これは、ランダムに半分のビーム方向しかカバーしないため、投票ベースのビーム同定の有効性が制限されるためである。
• 提案手法は、訓練オーバーヘッドを顕著に低減する一方で、単一ビーム訓練と同等の受動的ビームフォーミング性能を維持するため、実用的なIRS展開に適している。