[论文解读] Generalized Optimal Two-way Relays Subsets Pairings in Cloud-based Region Cognitive Networks

He Huang, Chaowei Yuan|arXiv (Cornell University)|Sep 11, 2019

Cooperative Communication and Network Coding参考文献 42被引用 4

一句话总结

本文提出了一种云基认知网络中广义最优双向中继子集配对模型，将中继分类为三种功能子集（A：仅接收，B：接收并转发，C：仅发送），以最小化中断概率。所提出的算法通过优化子集配对，显著降低了中断概率，相比经典方案表现出更优的可靠性，仿真结果验证了其有效性。

ABSTRACT

Communication reliability improving is one of most important research requirements in cognitive networks, as 5G communications technology rapidly develop nowadays. In this paper, we propose generalized optimal cloud-based region relays subsets paring model in underlay dual-hop cognitive networks, this unified model reveals three relays nodes characteristics of cloud-based cooperative networks in the nearby area- A subset, only needs receiving for first hop, B subset, just receive and forward, C subset, only forwarding. In addition, this generalized model can be converted into various classical relay selection algorithms when A, B and C subsets are taken as special selection values [Table II]. Furthermore, we put forward optimal relays subsets pairings and replacement algorithm flowchart to improve minimum outage probability (OP) for communication reliability, and prove that optimal relays subsets pairings (A, B, C) will better guarantee reliability of communication, comparing other popular relays selection schemes. Simulation results show that optimal relays paired subsets are exist and this generalized algorithm enormously reduces OP, comparing other selection algorithms.

研究动机与目标

• 为解决5G赋能的认知网络中提升通信可靠性的关键需求。
• 通过统一的子集分类方法，对认知网络中的中继功能进行建模与优化。
• 通过在云基区域认知网络中对中继子集（A、B、C）进行最优配对，降低中断概率（OP）。
• 将经典中继选择算法作为所提模型的特例进行推广。
• 设计最优中继子集配对与替换的系统化算法流程图。

提出的方法

• 本文提出一种统一模型，根据中继节点在双向通信中的角色，将其划分为三个功能子集：A（仅接收）、B（接收并转发）、C（仅发送）。
• 构建广义中继选择框架，通过设定子集A、B、C的特定取值，可退化为经典方案。
• 设计一种最优中继子集配对与替换算法，通过迭代选择与替换中继组，最小化最小中断概率（OP）。
• 该算法采用流程图方法，基于信道状态信息与可靠性度量，动态选择并重构中继子集。
• 理论分析证明，(A, B, C)配对配置的中断概率低于传统方案。
• 仿真结果验证了最优子集配对的存在性，并在各种网络条件下显著降低了中断概率。

实验结果

研究问题

• RQ1 能否构建一个广义的中继子集配对模型，以统一并扩展认知网络中的经典中继选择算法？
• RQ2 在双向云基认知网络中，将中继按功能划分为A、B、C子集，如何影响中断概率？
• RQ3 何种中继子集（A、B、C）的最优配置可最小化中断概率并提升通信可靠性？
• RQ4 所提出的算法能否动态识别并替换次优中继对，以维持低中断概率？
• RQ5 所提广义模型在性能上与现有中继选择方案相比，是否存在可量化的优越性？

主要发现

• 所提出的广义模型通过调节子集A、B、C的取值，成功将多种经典中继选择算法作为特例统一。
• 发现存在最优的中继子集配对（A, B, C），其显著降低了中断概率，优于其他方案。
• 仿真结果证实，所提算法的最小中断概率低于传统中继选择方法。
• 算法的流程图设计支持中继子集的动态自适应选择，提升了系统鲁棒性。
• 理论证明表明，(A, B, C)配对配置在通信可靠性方面优于其他替代方案。
• 尽管结果表现良好，作者因发现缺陷而撤回论文，表明实现或分析中可能存在潜在问题。