[论文解读] Deep Learning-Aided Delay-Tolerant Zero-Forcing Precoding in Cell-Free Massive MIMO

Wei Jiang, Hans D. Schotten|arXiv (Cornell University)|Oct 11, 2022

Advanced MIMO Systems Optimization被引用 13

一句话总结

本文提出了一种抗延迟的零 forcing预编码（DT-ZFP）方案，应用于无蜂窝大规模MIMO系统，以缓解回传链路和处理延迟导致的信道老化问题。通过采用多用户深度学习预测器，利用长短期记忆（LSTM）网络预测未来信道状态信息（CSI），DT-ZFP实现了回传链路与空中接口上CSI与预编码数据的并行传输，消除了低效的“停等”机制，在信道估计存在延迟的情况下仍能实现接近完美的频谱效率。

ABSTRACT

In the context of cell-free massive multi-input multi-output (CFmMIMO), zero-forcing precoding (ZFP) is superior in terms of spectral efficiency. However, it suffers from channel aging owing to fronthaul and processing delays. In this paper, we propose a robust scheme coined delay-tolerant zero-forcing precoding (DT-ZFP), which exploits deep learning-aided channel prediction to alleviate the effect of outdated channel state information (CSI). A predictor consisting of a bank of user-specific predictive modules is specifically designed for such a multi-user scenario. Leveraging the degree of freedom brought by the prediction horizon, the delivery of CSI and precoded data through a fronthaul network and the transmission of user data and pilots over an air interface can be parallelized. Therefore, DT-ZFP not only effectively combats channel aging but also avoids the inefficient Stop-and-Wait mechanism of the canonical ZFP in CFmMIMO.

研究动机与目标

• 解决因回传链路和处理延迟导致的信道老化所引起的无蜂窝大规模MIMO系统性能下降问题。
• 克服传统零 forcing预编码（ZFP）中‘停等’机制的低效性。
• 设计一种多用户、用户特定的深度学习预测器，以考虑用户间路径损耗差异导致的大尺度衰落差异。
• 实现回传链路上CSI与预编码数据的并行传输，以及空中接口上用户数据与导频信号的并行传输，利用预测时延窗口。
• 证明在真实延迟与移动性条件下，基于深度学习的CSI预测可显著提升频谱效率。

提出的方法

• 设计一组用户特定的深度学习模块，每个模块均使用长短期记忆（LSTM）网络，基于当前估计的CSI预测未来CSI。
• 利用预测时延窗口实现并行传输：CSI与预编码数据通过回传链路传输，同时用户数据与导频信号在空中接口并行发送。
• 系统模型假设为TDD制式，采用频率平坦块衰落信道，信道系数建模为 $ g_{mk} = \sqrt{\beta_{mk}} h_{mk} $，其中 $ \beta_{mk} $ 表示大尺度衰落，$ h_{mk} $ 表示小尺度衰落。
• 经超参数调优后，选定一个包含两层隐藏层、每层25个神经元、训练长度为5,000的LSTM网络，以实现最佳预测精度。
• 使用从真实信道轨迹构建的数据集进行训练，信噪比（SNR）条件分别为30 dB（理想）和15 dB（含噪），优化器采用Adam。
• 通过缓冲使用预测CSI预编码的符号，该方案避免了‘停等’机制，即使在回传延迟存在的情况下，也能实现连续传输。

实验结果

研究问题

• RQ1 基于深度学习的CSI预测能否有效缓解无蜂窝大规模MIMO系统中因信道老化导致的性能下降？
• RQ2 预测时延窗口对多用户环境中CSI预测精度及最终频谱效率的影响如何？
• RQ3 与传统‘停等’ZFP相比，并行传输回传链路数据与空中接口信号在多用户场景下能多大程度上提升频谱效率？
• RQ4 CSI估计不完善（如导频信号信噪比较低）对深度学习预测器性能及整体系统性能有何影响？
• RQ5 用户特定的预测器架构能否有效应对多用户无蜂窝大规模MIMO系统中用户间大尺度衰落的多样性？

主要发现

• 在1 ms预测时延且CSI完美（30 dB SNR）条件下，DT-ZFP的5%分位频谱效率达到4.78 bps/Hz，中位数为5.73 bps/Hz，接近理想CSI基准值（4.8和5.8 bps/Hz）。
• 在CSI存在1 ms延迟的条件下，传统ZFP的5%分位频谱效率下降70%，从4.8 bps/Hz降至1.49 bps/Hz。
• 在3 ms预测时延且SNR为30 dB条件下，DT-ZFP在5%分位边缘仍达到2.28 bps/Hz，表明尽管预测误差增加，系统仍具备鲁棒性。
• 当导频SNR下降至15 dB时，频谱效率降至3.9 bps/Hz（5%分位）和5.2 bps/Hz（中位数），表明对CSI质量敏感，但仍优于传统ZFP。
• 在相同延迟条件下，与传统ZFP相比，该方案实现了接近最优的性能，且边缘频谱效率提升了90%。
• 性能增益主要归因于‘停等’机制的消除，以及对预测时延窗口的有效利用以实现并行传输。