[论文解读] InferBeam: A Fast Beam Alignment Protocol for Millimeter-wave Networking

Sai Qian Zhang, H. T. Kung+1 more|arXiv (Cornell University)|Feb 9, 2018

Millimeter-Wave Propagation and Modeling参考文献 12被引用 4

一句话总结

InferBeam 提出了一种基于条件随机场（CRF）的毫米波网络波束对齐协议，通过极少的训练样本推断最优波束选择。通过建模不同位置间波束选择的空间相关性，与传统扫频方法相比，波束对齐延迟降低了90%以上，在测试环境中仅需采样不到1%的位置即可实现98%的准确率。

ABSTRACT

We introduce fast millimeter-wave base station (BS) and its antenna sector selection for user equipment based on its location. Using a conditional random field inference model with specially designed parameters, which are robust to change of environment, InferBeam allows the use of measurement samples on best beam selection at a small number of locations to infer the rest dynamically. Compared to beam-sweeping based approaches in the literature, InferBeam can drastically reduce the setup cost for beam alignment for a new environment, and also the latency in acquiring a new beam under intermittent blockage. We have evaluated InferBeam using a discrete event simulation. Our results indicate that the system can make best beam selection for 98% of locations in test environments comprising smallsized apartment or office spaces, while sampling fewer than 1% of locations. InferBeam is a complete protocol for best beam inference that can be integrated into millimeter-wave standards for accelerating the much-needed fast and economic beam alignment capability.

研究动机与目标

• 解决传统波束扫频方法在毫米波波束对齐中带来的高延迟和高开销问题。
• 在存在间歇性遮挡的动态室内环境中，为移动用户实现快速、低开销的波束选择。
• 通过利用不同位置间波束选择的空间相关性，减少对全面波束训练的需求。
• 开发一种可迁移、环境鲁棒的波束推理模型，使新空间的再训练需求最小化。
• 通过提供一种快速、可扩展且准确的协议，将波束对齐集成到5G标准中。

提出的方法

• InferBeam 使用条件随机场（CRF）模型，基于用户设备（UE）位置推断最优波束选择，建模三维网格中相邻点之间的空间依赖关系。
• CRF 在少量测量样本（少于总位置数的1%）上进行训练，以预测整个环境中的波束选择。
• 空间相关性通过 CRF 的成对势函数编码，其中整合了障碍物位置和信号传播特性等领域特定知识。
• 该协议动态维护每个 UE 位置的最佳波束候选列表，实现在遮挡或移动发生时的快速波束切换。
• 通过将每个位置的尝试次数限制在4至8次，显著缩短了与完整波束扫频相比的时间。
• 系统利用定位估计 UE 位置，随后检索预先推断的波束候选，避免实时波束扫频。

实验结果

研究问题

• RQ1 机器学习模型能否通过极少的训练数据推断波束选择，从而降低毫米波网络中的波束对齐延迟？
• RQ2 CRF 模型在具有不同布局和障碍物的多种室内环境中，其泛化能力如何？
• RQ3 在毫米波系统中，实现高波束选择准确率所需的最少训练样本数量是多少？
• RQ4 在间歇性遮挡（如人员走动）条件下，系统性能如何？
• RQ5 基于 CRF 的推理模型能否在保持对噪声和环境变化鲁棒性的同时实现高准确率？

主要发现

• 在测试环境中，InferBeam 仅使用少于1%的采样位置进行训练，即可在98%的位置实现最优波束选择。
• 与传统波束扫频相比，该协议在办公区域将波束对齐设置时间减少了至少86%，在公寓单元中减少了90%。
• 超过80%的波束调整仅需一次额外尝试，超过90%的调整在四次尝试内完成。
• 与完整波束扫频相比，波束调整延迟降低了90%以上，实现了亚毫秒级切换。
• CRF 模型对噪声具有鲁棒性，并可在不同室内布局间迁移，包括训练数据中未包含的布局。
• 即使在办公环境中定位误差达4米、在公寓中达1米的情况下，系统仍能保持高准确率。