[论文解读] Reconfigurable Intelligent Surface for Green Edge Inference

Sheng Hua, Yong Zhou+2 more|arXiv (Cornell University)|Dec 2, 2019

Advanced Wireless Communication Technologies参考文献 43被引用 23

一句话总结

本文提出了一种可重构智能表面（RIS）辅助的绿色边缘推理系统，通过联合优化上行链路/下行链路波束成形、发射功率和RIS相位偏移，以最小化网络总功耗。通过采用带有混合ℓ₁,₂-范数和差分凸（DC）规划的块结构优化（BSO）方法，该算法在功耗方面相比基线方法最高降低45%，尤其在高SINR需求条件下表现更优。

ABSTRACT

Reconfigurable intelligent surface (RIS) as an emerging cost-effective technology can enhance the spectrum- and energy-efficiency of wireless networks. In this paper, we consider an RIS-aided green edge inference system, where the inference tasks generated from resource-limited mobile devices (MDs) are uploaded to and cooperatively performed at multiple resource-enhanced base stations (BSs). Taking into account both the computation and uplink/downlink transmit power consumption, we formulate an overall network power consumption minimization problem, which calls for the joint design of the set of tasks performed by each BS, transmit and receive beamforming vectors of the BSs, transmit power of the MDs, and uplink/downlink phase-shift matrices at the RIS. Such a problem is a mixed combinatorial optimization problem with nonconvex constraints and is highly intractable. To address the challenge of the combinatorial objective, a group sparse reformulation is proposed by exploiting the group sparsity structure of the beamforming vectors, while a block-structured optimization (BSO) approach is proposed to decouple the optimization variables. Finally, we propose a BSO with mixed $\ell_{1,2}$-norm and difference-of-convex-functions (DC) based three-stage framework to solve the problem, where the mixed $\ell_{1,2}$-norm is adopted to induce the group sparsity of beamforming vectors and DC is adopted to effectively handle the nonconvex rank-one constraint after matrix lifting. Numerical results demonstrate the supreme gain of deploying an RIS and confirm the effectiveness of the proposed algorithm over the baseline algorithms.

研究动机与目标

• 为解决由于上行链路和下行链路发射功率以及计算负载导致的边缘推理系统高能耗问题。
• 在多基站（multi-BS）、多移动设备（multi-MD）场景下，设计一种联合优化框架，用于上行链路/下行链路波束成形、发射功率和RIS相位偏移。
• 在维持目标信号干扰加噪声比（SINR）和推理准确率的前提下，最小化网络总功耗。
• 开发一种可处理的算法，以求解由RIS与波束成形联合设计引发的高度非凸、混合整数、组合优化问题。
• 在不同SINR区间内验证所提算法在降低能耗方面的优越性。

提出的方法

• 提出一种块结构优化（BSO）框架，将联合优化问题分解为三个顺序子问题：波束成形、相位偏移和功率分配。
• 应用混合ℓ₁,₂-范数以在上行链路和下行链路波束成形向量中诱导组稀疏性，促进基站之间的任务协作。
• 采用矩阵提升技术，将波束成形矩阵的非凸秩一约束转化为凸松弛形式，随后通过DC规划恢复低秩解。
• 基于DC的方法高效处理非凸相位偏移矩阵优化，确保可行性与收敛性。
• 在三阶段迭代框架中交替优化波束成形、相位偏移和功率分配。
• 在SDR-based子问题中采用高斯随机化作为备选方案，但结果表明基于DC的子问题在整个迭代过程中均能保持可行性。

实验结果

研究问题

• RQ1 通过联合优化上行链路和下行链路传输，RIS的部署是否能显著降低边缘推理系统中的网络总功耗？
• RQ2 在非凸约束下，如何将波束成形、发射功率和RIS相位偏移的联合设计形式化为可处理的优化问题？
• RQ3 使用混合ℓ₁,₂-范数对波束成形向量中诱导组稀疏性对能效有何影响？
• RQ4 在秩一相位偏移矩阵优化中，DC规划与SDR相比，在保持可行性与收敛性方面表现如何？
• RQ5 所提算法是否在降低能耗方面优于基线方法，尤其是在高SINR需求条件下？

主要发现

• 与基线算法相比，所提出的BSO-ℓ₁,₂-DC算法在高SINR场景下可将网络总功耗降低最多45%。
• 在低SINR场景下，该算法实现了总功耗20%的降低。
• BSO-ℓ₁,₂-DC算法在整个迭代过程中保持可行性，而基于SDR的算法往往无法找到可行解并提前终止。
• 在6 W功率预算下，与基于SDR的变体相比，该算法使移动设备的SINR提高了约2 dB。
• 在BSO-ℓ₁,₂-DC框架下，基站执行的任务数量最少，表明由于增强了组稀疏性，计算能效得到提升。
• 性能增益在高SINR场景下最为显著，证实了该算法在高服务质量需求场景下的有效性。