[论文解读] Fast mmwave Beam Alignment via Correlated Bandit Learning

Wen Wu, Nan Cheng+5 more|arXiv (Cornell University)|Sep 7, 2019

Millimeter-Wave Propagation and Modeling参考文献 32被引用 4

一句话总结

该论文提出了一种分层波束对齐（HBA）算法，这是一种相关性Bandit学习方法，利用毫米波波束之间的空间相关性以及对信道波动的先验知识，以减少波束对齐延迟。通过将波束选择建模为随机多臂Bandit问题，HBA 加速了对最优波束对的收敛，使多径环境下的对齐时间从数百毫秒减少到仅几毫秒，相比 IEEE 802.11ad 方法在性能上提升了数个数量级。

ABSTRACT

Beam alignment (BA) is to ensure the transmitter and receiver beams are accurately aligned to establish a reliable communication link in millimeter-wave (mmwave) systems. Existing BA methods search the entire beam space to identify the optimal transmit-receive beam pair, which incurs significant BA latency on the order of seconds in the worst case. In this paper, we develop a learning algorithm to reduce BA latency, namely Hierarchical Beam Alignment (HBA) algorithm. We first formulate the BA problem as a stochastic multi-armed bandit problem with the objective to maximize the cumulative received signal strength within a certain period. The proposed algorithm takes advantage of the correlation structure among beams such that the information from nearby beams is extracted to identify the optimal beam, instead of searching the entire beam space. Furthermore, the prior knowledge on the channel fluctuation is incorporated in the proposed algorithm to further accelerate the BA process. Theoretical analysis indicates that the proposed algorithm is asymptotically optimal. Extensive simulation results demonstrate that the proposed algorithm can identify the optimal beam with a high probability and reduce the BA latency from hundreds of milliseconds to a few milliseconds in the multipath channel, as compared to the existing BA method in IEEE 802.11ad.

研究动机与目标

• 为解决毫米波系统中波束对齐延迟过高的问题，该问题在使用穷举搜索方法时可能达到数秒。
• 在移动和动态环境中降低波束对齐延迟，这些环境需要频繁重新对齐。
• 利用波束之间的空间相关性以及对信道波动的先验知识，加速收敛，避免穷举扫描。
• 开发一种基于学习的波束对齐算法，实现有界遗憾下的渐近最优性。
• 在真实多径条件下，性能和可靠性均优于现有标准（如 IEEE 802.11ad）。

提出的方法

• 将波束对齐建模为随机多臂Bandit问题，以在时间上最大化累积接收信号强度。
• 使用多模态函数建模波束相关性，从而在有限测量下推断邻近波束的性能。
• 结合对信道波动的先验知识，减少不必要的探索，提升收敛速度。
• 采用分层树结构将波束候选者划分为三个子树：最优波束、近似最优波束和次优波束。
• 利用子集波束的边界进行遗憾分析，证明渐近最优性，理论遗憾边界为 $ O( ext{polylog}(T) imes T^{( heta+1)/( heta+2)}) $。
• 采用动态波束选择策略，在高相关性区域优先探索，同时最小化冗余测量。

实验结果

研究问题

• RQ1 毫米波信道中的波束相关性是否可有效利用，以减少波束对齐所需的测量次数？
• RQ2 如何将对信道动态特性的先验知识整合进基于学习的波束对齐框架中，以加速收敛？
• RQ3 在相关波束奖励结构下，波束对齐的理论性能极限是什么？
• RQ4 基于Bandit的方法是否能在真实多径环境中实现亚毫秒级波束对齐延迟？
• RQ5 所提出的 HBA 算法在性能和延迟方面与 IEEE 802.11ad 波束对齐标准相比如何？

主要发现

• HBA 算法将多径环境下的波束对齐延迟从数百毫秒降低至仅几毫秒，与 IEEE 802.11ad 相比，延迟降低了一个数量级以上。
• 理论分析证明，HBA 的遗憾是有界的且渐近最优的，遗憾规模为 $ O( ext{polylog}(T) imes T^{( heta+1)/( heta+2)}) $。
• 当信道平滑性已知时，遗憾降低为 $ O( heta imes ext{polylog}(T) imes heta imes heta) $，达到 $ O( heta imes ext{polylog}(T) imes heta) $。
• 该算法以远少于穷举搜索的测量次数，高概率地识别出最优波束对。
• 即使对信道波动的先验知识较粗糙，HBA 仍保持优异性能，表现出对不完美信道模型的鲁棒性。
• 仿真结果证实，HBA 有效利用波束相关性，避免冗余探索，并在动态毫米波环境中加速收敛。