[논문 리뷰] Interplay Between NOMA and Other Emerging Technologies: A Survey

Mojtaba Vaezi, Gayan Amarasuriya외 4명|arXiv (Cornell University)|2019. 03. 25.

Advanced Wireless Communication Technologies참고 문헌 181인용 수 10

한 줄 요약

이 종합적 서베이는 대규모 MIMO, 밀리미터파(mmWave), 에너지 수확, 물리계층 보안, 가시광통신, 모바일 엣지 컴퓨팅, 기계학습 등 신규 무선 기술들과의 상호보완적 통합을 중심으로 비직교 다중접근(NOMA)에 대해 종합적인 분석을 제공한다. NOMA가 이러한 기술들과 융합될 경우 스펙트럼 효율성, 사용자 공정성, 시스템 확장성 향상에 기여함을 보여주며, 주요 과제와 향후 연구 방향을 규명한다.

ABSTRACT

Non-orthogonal multiple access (NOMA) has been widely recognized as a promising way to scale up the number of users, enhance the spectral efficiency, and improve the user fairness in wireless networks, by allowing more than one user to share one wireless resource. NOMA can be flexibly combined with many existing wireless technologies and emerging ones including multiple-input multiple-output (MIMO), massive MIMO, millimeter wave communications, cognitive and cooperative communications, visible light communications, physical layer security, energy harvesting, wireless caching, and so on. Combination of NOMA with these technologies can further increase scalability, spectral efficiency, energy efficiency, and greenness of future communication networks. This paper provides a comprehensive survey of the interplay between NOMA and the above technologies. The emphasis is on how the above techniques can benefit from NOMA and vice versa. Moreover, challenges and future research directions are identified.

연구 동기 및 목표

• NOMA와 신규 무선 기술 간의 상호작용을 체계적으로 서베이하여 상호 이점과 성능 향상을 규명하기.
• 대규모 MIMO, mmWave, 모바일 엣지 컴퓨팅 등의 기술과 융합될 경우 NOMA가 스펙트럼 효율성, 에너지 효율성, 사용자 공정성 향상에 어떻게 기여하는지 분석하기.
• NOMA 통합 시스템에서의 불완전한 채널 상태 정보, SIC 디코딩 오류, 자원 할당 복잡성 등의 주요 기술 과제를 규명하기.
• 기계학습 및 딥 러닝이 NOMA 시스템의 NP-완전 최적화 문제 해결에 어떻게 기여하는지 탐색하기.
• 6G 및 그 이상 네트워크에서의 NOMA 통합을 위한 열린 연구 과제와 향후 연구 방향을 요약하기.

제안 방법

• 대규모 MIMO, mmWave, 인공지능 라디오, 협동 통신, 물리계층 보안, 에너지 수확, 가시광통신, 모바일 엣지 컴퓨팅, 기계학습 등 12개의 핵심 분야에 걸쳐 체계적인 문헌 리뷰를 수행한다.
• 각 기술과 NOMA를 융합했을 때의 이론적 및 실용적 이점을 분석하며, 스펙트럼 효율성, 에너지 효율성, 공정성에 중점을 둔다.
• 시스템 모델, 신호 처리 기법(예: 중첩 전송, 순차적 인터패턴 제거), 자원 할당 프레임워크를 검토한다.
• 스토케스틱 기하학과 기계학습(특히 딥 러닝)을 활용하여 NOMA 시스템의 대규모 최적화 문제를 해결하는 방법을 분석한다.
• NOMA-MEC 및 NOMA-SWIPT 시스템에서 지연, 에너지 소비, 기밀성 비율, 작업 이관 효율성 등의 성능 지표를 평가한다.
• 기존의 OMA 기반 시스템과의 비교를 위해 인용된 논문들의 시뮬레이션 및 분석 결과를 활용한다.

실험 결과

연구 질문

• RQ1 NOMA가 대규모 MIMO 및 mmWave 통신과 융합될 경우 스펙트럼 효율성과 에너지 효율성을 어떻게 향상시키는가?
• RQ2 협동 및 인공지능 라디오 네트워크에서 NOMA의 성능 향상은 무엇이며, OMA 기반 시스템과 비교해 볼 때 어떤가?
• RQ3 NOMA를 모바일 엣지 컴퓨팅과 융합하면 작업 이관 지연과 에너지 소비를 어떻게 줄일 수 있는가?
• RQ4 딥 러닝은 NOMA 시스템의 복잡한 전력 할당 및 자원 관리 문제 해결에 어떤 역할을 하는가?
• RQ5 에너지 수확 및 물리계층 보안과 함께 NOMA를 구현할 경우 주요 과제는 무엇이며, 이를 어떻게 완화할 수 있는가?

주요 결과

• NOMA-기반 MEC 시스템은 지연과 에너지 소비를 줄여 작업 이관 효율성 향상에 기여하며, 보고된 성능 향상이 확인되었다.
• NOMA-MEC 시스템에서 하이브리드 이진 및 부분 이동 전략은 최적화된 전력 및 작업 할당을 통해 에너지 소비를 감소시킨다.
• 캐싱 기반 NOMA 시스템에서 딥 러닝 기반 전력 할당은 다양한 네트워크 상태에서 최적의 행동을 학습함으로써 성능을 향상시킨다.
• 시간 스위칭 수신기를 사용하는 SWIPT 기반 NOMA 시스템은 딥 러닝 기반 통합 자원 할당을 통해 스펙트럼 효율성과 에너지 효율성을 향상시킨다.
• 협동 NOMA-MEC 시스템은 리레이어를 활용한 신호 전송과 SIC를 통해 먼 거리의 사용자에게도 연결성을 향상시킨다.
• NOMA와 물리계층 보안을 융합하면 다중 사용자 및 다중 안테나 환경에서 기밀성 비율 향상에 기여한다.