[论文解读] A New Scaling Law for Activity Detection in Massive MIMO Systems

Saeid Haghighatshoar, Peter Jung+1 more|arXiv (Cornell University)|Mar 6, 2018

Advanced MIMO Systems Optimization参考文献 6被引用 18

一句话总结

该论文提出了一种新型的大规模MIMO系统活动检测（AD）方案，利用大量基站（BS）端口克服传统压缩感知的限制 $A_c \leq D_c$。通过利用接收信号协方差矩阵的统计特性，该方法即使在 $K_c \gg D_c$ 的情况下，也能可靠检测到 $A_c = O(D_c^2 / \log^2(K_c/A_c))$ 个活跃用户，且潜在用户数量的增加仅带来对数级的复杂度惩罚。

ABSTRACT

In this paper, we study the problem of extit{activity detection} (AD) in a massive MIMO setup, where the Base Station (BS) has $M \gg 1$ antennas. We consider a block fading channel model where the $M$-dim channel vector of each user remains almost constant over a extit{coherence block} (CB) containing $D_c$ signal dimensions. We study a setting in which the number of potential users $K_c$ assigned to a specific CB is much larger than the dimension of the CB $D_c$ ($K_c \gg D_c$) but at each time slot only $A_c \ll K_c$ of them are active. Most of the previous results, based on compressed sensing, require that $A_c\le D_c$, which is a bottleneck in massive deployment scenarios such as Internet-of-Things (IoT) and Device-to-Device (D2D) communication. In this paper, we show that one can overcome this fundamental limitation when the number of BS antennas $M$ is sufficiently large. More specifically, we derive a extit{scaling law} on the parameters $(M, D_c, K_c, A_c)$ and also extit{Signal-to-Noise Ratio} (SNR) under which our proposed AD scheme succeeds. Our analysis indicates that with a CB of dimension $D_c$, and a sufficient number of BS antennas $M$ with $A_c/M=o(1)$, one can identify the activity of $A_c=O(D_c^2/\log^2(\frac{K_c}{A_c}))$ active users, which is much larger than the previous bound $A_c=O(D_c)$ obtained via traditional compressed sensing techniques. In particular, in our proposed scheme one needs to pay only a poly-logarithmic penalty $O(\log^2(\frac{K_c}{A_c}))$ for increasing the number of potential users $K_c$, which makes it ideally suited for AD in IoT setups. We propose low-complexity algorithms for AD and provide numerical simulations to illustrate our results. We also compare the performance of our proposed AD algorithms with that of other competitive algorithms in the literature.

研究动机与目标

• 解决传统基于压缩感知的活动检测中的根本性限制，即活跃用户数 $A_c$ 必须不超过相干块维度 $D_c$。
• 克服在大规模物联网和设备到设备（D2D）通信场景中 $K_c \gg D_c$ 且 $A_c$ 较大但稀疏时的瓶颈。
• 设计一种可扩展的活动检测框架，利用大量基站端口 $M$ 支持远超 $D_c$ 的活跃用户数。
• 在实际系统约束下，建立 $M$、$D_c$、$K_c$、$A_c$ 和信噪比（SNR）之间可靠的活动检测有限长度标度律。

提出的方法

• 提出一种基于基站接收信号样本协方差矩阵的低复杂度活动检测算法，以捕捉用户活动的统计结构。
• 利用样本协方差矩阵的奇异值分解（SVD）通过识别对应于活跃用户的显著特征模态来检测活跃用户。
• 推导出理论标度律，表明在足够信噪比下，当 $A_c/M \to 0$ 且 $A_c = O(D_c^2 / \log^2(K_c/A_c))$ 时可实现可靠检测。
• 利用集中不等式分析样本协方差矩阵与真实协方差矩阵之间的偏差，表明误差的Frobenius范数按 $\mathsf{tr}(\boldsymbol{\Sigma}_{\bf y}) / \sqrt{M}$ 缩放。
• 通过仅依赖二阶统计量（协方差矩阵），避免对单个信道实现的假设，证明对信道分布变化具有鲁棒性。
• 通过数值仿真对比所提算法与现有方法，验证其在高用户密度场景下的优越性能。

实验结果

研究问题

• RQ1 在大规模MIMO系统中，基于压缩感知的活动检测是否存在根本性限制 $A_c \leq D_c$？
• RQ2 对于给定的相干块维度 $D_c$ 和基站端口数 $M$，可可靠检测的最大活跃用户数 $A_c$ 是多少？
• RQ3 在固定 $D_c$ 的条件下，潜在用户数 $K_c$ 如何影响可检测活跃用户数 $A_c$？
• RQ4 为确保以高概率实现可靠活动检测，$M$、$D_c$、$K_c$、$A_c$ 和 SNR 需要如何标度？
• RQ5 基于二阶统计量的低复杂度算法能否在大规模MIMO活动检测中达到理论标度极限？

主要发现

• 所提方案可实现 $A_c = O(D_c^2 / \log^2(K_c/A_c))$ 个活跃用户的检测，显著超过传统压缩感知的 $O(D_c)$ 上限。
• 该方法对潜在用户数 $K_c$ 的增长仅引入对数级惩罚 $O(\log^2(K_c/A_c))$，使其在物联网应用中具有高度可扩展性。
• 当 $A_c/M \to 0$ 时可实现可靠活动检测，表明活跃用户数的增长速度必须慢于基站端口数。
• 理论分析表明，样本协方差矩阵偏差的Frobenius范数按 $\mathsf{tr}(\boldsymbol{\Sigma}_{\bf y}) / \sqrt{M}$ 缩放，意味着在 $M$ 较大时具有强集中性。
• 数值仿真结果表明，所提低复杂度算法在检测精度方面优于现有方法，尤其在高密度用户场景下表现更优。
• 该方法对用户信道分布的统计变化具有鲁棒性，仅依赖接收信号的二阶统计量。