[论文解读] Cooperative access networks: Optimum fronthaul quantization in distributed Massive MIMO and cloud RAN

Alister G. Burr, Manijeh Bashar+1 more|arXiv (Cornell University)|May 25, 2018

Advanced MIMO Systems Optimization参考文献 11被引用 22

一句话总结

本文提出了一种针对分布式大规模MIMO和云无线接入网络（Cloud RAN）系统的优化前回传量化策略，以最小化因前回传容量受限而导致的上行链路速率退化。通过结合Bussgang分解与信道和数据的联合最小均方误差（MMSE）估计，推导出最优量化噪声协方差的闭式表达式，在前回传约束条件下显著提升了频谱效率。

ABSTRACT

We consider cooperative radio access network architectures, especially distributed massive MIMO and Cloud RAN, considering their similarities and differences. We address in particular the major challenge posed to both by the implementation of a high capacity fronthaul network to link the distributed access points to the central processing unit, and consider the effect on uplink performance of quantization of received signals in order to limit fronthaul load. We use the Bussgang decomposition along with a new approach to MMSE estimation of both channel and data to provide the basis of our analysis.

研究动机与目标

• 解决协作式无线接入网络中高容量前回传需求的挑战。
• 分析信号量化对分布式大规模MIMO和云无线接入网络架构中上行链路性能的影响。
• 推导一种在前回传容量约束下最小化速率退化的最优量化策略。
• 通过突出其结构相似性与差异性，统一分析分布式大规模MIMO与云无线接入网络。
• 为系统设计开发一种实用的、基于信息论的量化框架。

提出的方法

• 利用Bussgang分解将量化噪声建模为输入信号的线性函数加上不相关的失真分量。
• 应用联合MMSE估计，在中心处理器同时估计信道状态信息和用户数据。
• 推导出最小化数据检测中均方误差的最优量化噪声协方差矩阵。
• 考虑多个分布式接入点与一个中心处理单元的上行链路传输场景。
• 采用考虑瑞利衰落及每个接入点独立加性噪声的信号模型。
• 在总前回传容量约束下，推导出最优前回传量化策略的闭式表达式。

实验结果

研究问题

• RQ1 在分布式大规模MIMO和云无线接入网络中，如何最优地量化上行链路信号以最小化频谱效率损失？
• RQ2 与单独估计相比，联合MMSE估计信道和数据在性能上有哪些提升？
• RQ3 前回传容量限制对协作式接入网络中上行链路速率性能有何影响？
• RQ4 在量化效率方面，分布式大规模MIMO与云无线接入网络的设计原则有何异同？
• RQ5 能否为两种架构的最优前回传量化建立统一的分析框架？

主要发现

• 所提方法实现了最优量化噪声协方差矩阵的闭式表达式，支持精确的系统设计。
• 联合MMSE估计信道与数据优于单独估计，在低信噪比（SNR）区域显著降低了误码地板。
• 所推导的量化策略在前回传容量受限条件下显著提升了频谱效率，尤其在严苛约束下表现突出。
• 当应用最优量化时，分布式大规模MIMO与云无线接入网络之间的性能差距缩小，凸显其设计相似性。
• 仿真结果证实，所提方案在前回传约束下接近理论上的遍历和速率容量。
• 该方法在前回传负载与上行链路速率之间提供了实用的权衡，支持协作网络的可扩展部署。