[论文解读] Massive Access in Cell-Free Massive MIMO-Based Internet of Things: Cloud Computing and Edge Computing Paradigms

Malong Ke, Zhen Gao+3 more|arXiv (Cornell University)|Jul 19, 2020

Advanced MIMO Systems Optimization参考文献 32被引用 6

一句话总结

该论文提出了一种基于结构化稀疏性的广义近似消息传递（SS-GAMP）算法，并结合连续干扰消除（SIC），用于在基于无蜂窝大规模MIMO的物联网网络中实现联合主动用户检测（AUD）与信道估计（CE）。该研究对比了云计算与边缘计算范式，结果表明边缘计算在实现近似等效性能的同时，显著降低了CPU与回传负载，在低分辨率量化条件下大幅减少了接入时延。

ABSTRACT

This paper studies massive access in cell-free massive multi-input multi-output (MIMO) based Internet of Things and solves the challenging active user detection (AUD) and channel estimation (CE) problems. For the uplink transmission, we propose an advanced frame structure design to reduce the access latency. Moreover, by considering the cooperation of all access points (APs), we investigate two processing paradigms at the receiver for massive access: cloud computing and edge computing. For cloud computing, all APs are connected to a centralized processing unit (CPU), and the signals received at all APs are centrally processed at the CPU. While for edge computing, the central processing is offloaded to part of APs equipped with distributed processing units, so that the AUD and CE can be performed in a distributed processing strategy. Furthermore, by leveraging the structured sparsity of the channel matrix, we develop a structured sparsity-based generalized approximated message passing (SS-GAMP) algorithm for reliable joint AUD and CE, where the quantization accuracy of the processed signals is taken into account. Based on the SS-GAMP algorithm, a successive interference cancellation-based AUD and CE scheme is further developed under two paradigms for reduced access latency. Simulation results validate the superiority of the proposed approach over the state-of-the-art baseline schemes. Besides, the results reveal that the edge computing can achieve the similar massive access performance as the cloud computing, and the edge computing is capable of alleviating the burden on CPU, having a faster access response, and supporting more flexible AP cooperation.

研究动机与目标

• 解决基于无蜂窝大规模MIMO的物联网网络中，用户活动具有突发性、低时延需求的海量接入挑战。
• 通过在分布式接入点（APs）之间实现协作信号处理，克服传统基于调度与单小区方法的局限性。
• 在有限导频与回传资源条件下，开发一种低时延、高精度的联合主动用户检测（AUD）与信道估计（CE）解决方案。
• 从性能、时延与系统成本角度，评估并对比云计算与边缘计算范式在AUD与CE中的表现。
• 在信号处理中引入量化效应，以反映实际部署中硬件约束的现实情况。

提出的方法

• 提出一种新型帧结构，以减少免调度海量接入中的上行接入时延。
• 利用信道矩阵在时域与角域上的结构化稀疏性，提升检测与估计性能。
• 提出一种基于结构化稀疏性的广义近似消息传递（SS-GAMP）算法，可考虑处理信号的低分辨率量化。
• 设计一种基于连续干扰消除（SIC）的AUD与CE方案，通过迭代检测并消除强用户以降低时延。
• 实现两种处理范式：云计算（在CPU集中处理）与边缘计算（通过选定的配备DPU的AP分布式处理）。
• 使用SS-GAMP算法结合非线性模块以建模量化效应，提升低精度系统下的鲁棒性。

实验结果

研究问题

• RQ1 如何利用信道矩阵中的结构化稀疏性，以提升无蜂窝大规模MIMO物联网中联合主动用户检测与信道估计的性能？
• RQ2 低分辨率信号量化对AUD与CE性能有何影响？在实际系统中如何缓解该影响？
• RQ3 在海量接入场景下，边缘计算能否实现与云计算相当的性能，同时降低回传与CPU负载？
• RQ4 协作AP数量如何影响边缘计算在AUD与CE任务中的性能表现？
• RQ5 在低精度环境中，基于SIC的方案相较于传统方法在减少接入时延方面有多大程度的改善？

主要发现

• 所提出的基于SS-GAMP的方案在AUD与信道估计（CE）性能上均优于基线方法，尤其在低分辨率量化条件下（Q = 3–5比特）表现更优。
• 仅使用10个AP中的4个配备DPU的AP（DPU-AP）进行边缘计算，即可实现与云计算几乎相同的AUD与CE性能，证明了其高效率。
• 基于SIC的方案相比传统方法显著降低了接入时延，尤其在低精度量化场景下优势明显。
• 增加量化比特数（Q）可提升AUD与CE性能，证实了信号分辨率在实际系统中的重要性。
• 结构化稀疏性带来的性能增益在大规模MIMO场景下最为显著，尤其在高天线数AP（如Mc = 16）中，角域稀疏性较强。
• 边缘计算在保持高性能的同时降低了CPU与回传负载，相较于集中式云处理，提供了更具可扩展性与成本效益的解决方案。