[论文解读] Fast Analog Transmission for High-Mobility Wireless Data Acquisition in Edge Learning

Yuqing Du, Kaibin Huang|ArXiv.org|Jul 30, 2018

Energy Harvesting in Wireless Networks参考文献 13被引用 5

一句话总结

该论文提出了一种快速模拟传输（FAT）方案，一种用于高速移动边缘学习的低时延、鲁棒无线数据采集方法。FAT利用格拉斯曼模拟编码（GAE）将数据样本映射到格拉斯曼流形上的子空间矩阵，实现无需信道训练的盲MIMO传输，并可直接在格拉斯曼分类算法中使用编码数据，相较于数字和模拟相干MIMO方案，在高速衰落环境下实现了更优的学习准确率。

ABSTRACT

By implementing machine learning at the network edge, edge learning trains models by leveraging rich data distributed at edge devices (e.g., smartphones and sensors) and in return endow on them capabilities of seeing, listening, and reasoning. In edge learning, the need of high-mobility wireless data acquisition arises in scenarios where edge devices (or even servers) are mounted on the ground or aerial vehicles. In this paper, we present a novel solution, called fast analog transmission (FAT), for high- mobility data acquisition in edge-learning systems, which has several key features. First, FAT incurs low-latency. Specifically, FAT requires no source-and-channel coding and no channel training via the proposed technique of Grassmann analog encoding (GAE) that encodes data samples into subspace matrices. Second, FAT supports spatial multiplexing by directly transmitting analog vector data over an antenna array. Third, FAT can be seamlessly integrated with edge learning (i.e., training of a classifier model in this work). In particular, by applying a Grassmannian-classification algorithm from computer vision, the received GAE encoded data can be directly applied to training the model without decoding and conversion. This design is found by simulation to outperform conventional schemes in learning accuracy due to its robustness against data distortion induced by fast fading.

研究动机与目标

• 解决高速移动边缘学习系统中因边缘设备或服务器安装于高速移动车辆上而产生的日益严重的时延瓶颈问题。
• 克服高速移动无线数据采集中的挑战，包括快速衰落、低时延需求以及与学习算法的集成问题。
• 设计一种无需信道训练、支持空间复用并能直接在边缘学习模型中使用传输数据的传输方案。
• 通过利用格拉斯曼流形表示的不变性特性，增强学习对快速衰落引起的信号失真之鲁棒性。

提出的方法

• 实施格拉斯曼模拟编码（GAE），将数据向量投影到格拉斯曼流形上形成子空间矩阵，实现无需信道状态信息的盲传输。
• 使用线性模拟调制通过天线阵列传输GAE编码数据，支持空间复用并降低传输时延。
• 在边缘服务器应用格拉斯曼分类算法，直接对收到的子空间矩阵进行分类，无需解码或转换为实值向量。
• 利用子空间矩阵在块衰落下的信道不变性特性，确保在高速移动场景下对快速衰落的鲁棒性。
• 将传输建模为一种盲MIMO系统，其信号星座由格拉斯曼点构成，实现无需CSI的检测。
• 使用普鲁斯特距离度量GAE编码子空间之间的相似性，确保即使矩阵分解不同，相同子空间之间的距离也为零。

实验结果

研究问题

• RQ1 无信道训练的模拟传输是否能在高速移动边缘学习系统中实现更低时延？
• RQ2 与传统数字或模拟MIMO方案相比，格拉斯曼模拟编码是否能提升对快速衰落的鲁棒性？
• RQ3 GAE编码数据是否可直接用于格拉斯曼分类算法而无需解码，同时保持学习准确率？
• RQ4 在不同多普勒频移下，FAT与相干数字和模拟MIMO方案在分类误码率方面的性能对比如何？
• RQ5 在高速移动条件下，GAE中自由度损失与由此带来的鲁棒性增益之间的权衡关系如何？

主要发现

• 在归一化多普勒频移为0.01时，FAT在实际信噪比范围0–15 dB内实现了最低的分类误码率，优于数字和模拟相干MIMO方案。
• 当目标分类误码率为1×10⁻³时，在高多普勒频移下，数字MIMO的信道训练开销超过12%，模拟MIMO超过6%，而FAT无任何训练开销。
• FAT通过消除信道训练显著降低了传输时延，对于相同训练数据集，仅需数字MIMO四分之一的帧数，因为无需训练符号。
• 当子空间相同时，GAE编码子空间之间的普鲁斯特距离为零，确保即使在失真下GAE也能保持数据的几何结构。
• 尽管子空间编码可能导致自由度损失，但GAE对快速衰落的鲁棒性优势远超此损失，从而在高速移动环境中实现整体性能增益。
• 仿真结果证实，FAT实现了无线传输与边缘学习的无缝集成，直接在分类算法中使用GAE编码数据可在快速衰落条件下实现更高准确率。