[论文解读] Feedback Prediction for Proactive HARQ in the Context of Industrial Internet of Things

Barış Göktepe, Tatiana Rykova+3 more|arXiv (Cornell University)|Sep 14, 2020

Cooperative Communication and Network Coding参考文献 19被引用 6

一句话总结

该论文提出了一种基于LDPC子码逻辑回归的反馈预测增强型主动HARQ协议，以提升工业物联网（IIoT）系统中的能效。通过提前预测HARQ反馈，该方案减少了处理时延和重传次数，在1 ms时延条件下，能效比经典主动HARQ高出11–15%，并在高反馈时延的功率受限场景中优于无约束的反应式HARQ。

ABSTRACT

In this work, we investigate proactive Hybrid Automatic Repeat reQuest (HARQ) using link-level simulations for multiple packet sizes, modulation orders, BLock Error Rate (BLER) targets and two delay budgets of 1 ms and 2 ms, in the context of Industrial Internet of Things (IIOT) applications. In particular, we propose an enhanced proactive HARQ protocol using a feedback prediction mechanism. We show that the enhanced protocol achieves a significant gain over the classical proactive HARQ in terms of energy efficiency for almost all evaluated BLER targets at least for sufficiently large feedback delays. Furthermore, we demonstrate that the proposed protocol clearly outperforms the classical proactive HARQ in all scenarios when taking a processing delay reduction due to the less complex prediction approach into account, achieving an energy efficiency gain in the range of 11% up to 15% for very stringent latency budgets of 1 ms at $10^{-2}$ BLER and from 4% up to 7.5% for less stringent latency budgets of 2 ms at $10^{-3}$ BLER. Furthermore, we show that power-constrained proactive HARQ with prediction even outperforms unconstrained reactive HARQ for sufficiently large feedback delays.

研究动机与目标

• 解决超可靠低时延IIoT通信中的时延与能效挑战。
• 通过实现主动重传，克服反应式HARQ中的HARQ往返时延（RTT）瓶颈。
• 通过反馈预测减少不必要的重传，提升功率受限IIoT设备的能效。
• 在不同BLER目标、反馈时延和时延预算（1 ms与2 ms）下评估预测HARQ的性能。
• 证明在高反馈时延场景下，基于预测的主动HARQ可优于无约束的反应式HARQ。

提出的方法

• 在LDPC子码上使用逻辑回归，于完整码字解码前预测HARQ反馈。
• 将反馈预测集成到主动HARQ（prHARQ）中，基于预测反馈自主传输多个冗余版本（RVs）。
• 在TDL-C衰落信道上进行链路级仿真，带宽为1.08 MHz，子载波间隔为15 kHz，采用3GPP OFDM波形。
• 在多个传输块大小（360–1000比特）、调制阶数（4-QAM至64-QAM）和BLER目标（10⁻¹至10⁻³）下进行评估。
• 在固定和减少的反馈时延下，对比基于预测的eprHARQ与经典paHARQ及反应式HARQ（reHARQ）的能效（EEG）。
• 采用MMSE均衡和50次迭代的最小和LDPC解码，并使用170万个训练/测试码字进行模型训练。

实验结果

研究问题

• RQ1 在严格时延约束的IIoT系统中，主动HARQ中的反馈预测能否显著提升能效？
• RQ2 基于预测的主动HARQ的能效增益如何随反馈时延、BLER目标和时延预算变化？
• RQ3 早期反馈预测是否足以减少处理时延并带来可测量的能效增益，尤其是在1 ms时延下？
• RQ4 在高反馈时延场景中，具有预测功能的功率受限主动HARQ能否优于无约束的反应式HARQ？
• RQ5 预测准确度如何影响性能，特别是在低BLER场景和紧时延预算下？

主要发现

• 在10⁻² BLER目标下，1 ms时延预算时，所提出的eprHARQ方案能效比经典paHARQ高出11–15%。
• 在10⁻³ BLER目标下，2 ms时延预算时，eprHARQ方案能效比paHARQ高出4–7.5%。
• 通过预测将反馈时延减少一个OFDM符号，在1 ms时延场景下可实现最高14%的能效增益。
• 即使存在功率限制，当反馈时延超过6个OFDM符号（1 ms）或13个OFDM符号（2 ms）时，具有预测功能的主动HARQ仍优于无约束的反应式HARQ。
• 预测带来的能效增益在低BLER场景和严格时延约束下最为显著，表明其在IIoT应用中具有高度适用性。
• 随着反馈时延增加，eprHARQ的平均能效增益呈下降趋势，但在所有评估的BLER目标和时延预算下仍保持显著水平。