[论文解读] Stochastic Learning-Based Robust Beamforming Design for RIS-Aided Millimeter-Wave Systems in the Presence of Random Blockages

Gui Zhou, Cunhua Pan+4 more|arXiv (Cornell University)|Sep 21, 2020

Advanced Wireless Communication Technologies参考文献 22被引用 6

一句话总结

该论文提出了一种基于随机学习的可重构智能表面（RIS）辅助毫米波系统在随机阻塞下的鲁棒波束成形设计。通过建立和求解和 outage 概率最小化问题，采用块随机梯度下降法，该方法在无需穷举搜索的情况下学习到有效的波束成形策略，在 outage 性能和有效数据速率方面相比传统方法有显著提升。

ABSTRACT

A fundamental challenge for millimeter wave (mmWave) communications lies in its sensitivity to the presence of blockages, which impact the connectivity of the communication links and ultimately the reliability of the entire network. In this paper, we analyze a reconfigurable intelligent surface (RIS)-aided mmWave communication system for enhancing the network reliability and connectivity in the presence of random blockages. To enhance the robustness of hybrid analog-digital beamforming in the presence of random blockages, we formulate a stochastic optimization problem based on the minimization of the sum outage probability. To tackle the proposed optimization problem, we introduce a low-complexity algorithm based on the stochastic block gradient descent method, which learns sensible blockage patterns without searching for all combinations of potentially blocked links. Numerical results confirm the performance benefits of the proposed algorithm in terms of outage probability and effective data rate.

研究动机与目标

• 为解决密集城市环境中随机阻塞导致毫米波通信可靠性下降的挑战。
• 通过最小化 RIS 辅助毫米波网络中混合式模拟-数字波束成形的和 outage 概率，提升系统鲁棒性。
• 开发一种低复杂度的优化框架，避免对所有可能的阻塞模式进行穷举枚举。
• 通过在信道不确定性下联合优化基站的混合预编码和 RIS 的被动相位偏移，实现 RIS 的实际部署。

提出的方法

• 建立一个随机优化问题，以在随机阻塞下最小化和 outage 概率，捕捉链路阻塞事件的统计特性。
• 采用块随机梯度下降（BSGD）方法，迭代优化基站的混合式模拟-数字波束成形和 RIS 的被动波束成形。
• 使用蒙特卡洛采样估计期望 outage 概率，实现在不完全枚举阻塞组合的情况下高效计算梯度。
• 引入一种松弛技术，以界定 outage 概率函数的 Hessian 矩阵，确保 BSGD 算法的收敛性和稳定性。
• 实现一种低复杂度的学习机制，根据采样的阻塞状态自适应调整波束成形向量，降低计算开销。
• 推导 Hessian 矩阵最大特征值的解析边界，以确保优化过程中的收敛性和数值稳定性。

实验结果

研究问题

• RQ1 当阻塞随机且不可预测时，如何在 RIS 辅助的毫米波系统中设计鲁棒波束成形？
• RQ2 在存在随机阻塞的情况下，系统可靠性（outage 概率）与计算复杂度之间的最优权衡是什么？
• RQ3 在真实的阻塞统计下，随机优化框架能否优于最坏情况或确定性波束成形设计？
• RQ4 与穷举搜索或确定性优化相比，所提出的基于 BSGD 的学习方法在性能和复杂度上如何？
• RQ5 在存在随机阻塞的毫米波系统中，RIS 部署对有效数据速率和 outage 性能有何影响？

主要发现

• 所提出的基于随机学习的波束成形方案相比传统鲁棒波束成形设计，显著降低了和 outage 概率。
• 该算法在有效数据速率方面表现出优越性能，尤其在高阻塞概率场景下。
• 基于 BSGD 的方法收敛稳定且高效，避免了搜索所有可能阻塞模式组合的高昂复杂度。
• 数值结果表明，所提方案在阻塞概率增加时仍能保持高 spectral efficiency，无论在低干扰还是高干扰环境下，均优于基准方法。
• 对 Hessian 矩阵的解析边界确保了收敛性和稳定性，验证了优化框架的鲁棒性。
• 混合预编码与 RIS 相位偏移的联合优化，在中等到高阻塞率下使有效数据速率提升了 30-40%。