[论文解读] Information-Centric Grant-Free Access for IoT Fog Networks: Edge vs Cloud Detection and Learning

Rahif Kassab, Osvaldo Simeone+1 more|arXiv (Cornell University)|Jul 11, 2019

Advanced Wireless Communication Technologies参考文献 65被引用 14

一句话总结

本文提出一种基于类型联合多址（TBMA）的、面向物联网雾网络的信息中心化免授权接入方案，以在多小区环境中高效估计空间相关的感兴趣量（QoI）。通过利用设备观测数据并优化场估计而非单个消息恢复，该方案在边缘与云处理节点均实现了更优的误码性能；分析与数据驱动检测器表明，在高信噪比（SNR）区域，由于集中式处理增益，云检测具有更高的可靠性。

ABSTRACT

A multi-cell Fog-Radio Access Network (F-RAN) architecture is considered in which Internet of Things (IoT) devices periodically make noisy observations of a Quantity of Interest (QoI) and transmit using grant-free access in the uplink. The devices in each cell are connected to an Edge Node (EN), which may also have a finite-capacity fronthaul link to a central processor. In contrast to conventional information-agnostic protocols, the devices transmit using a Type-Based Multiple Access (TBMA) protocol that is tailored to enable the estimate of the field of correlated QoIs in each cell based on the measurements received from IoT devices. In this paper, this form of information-centric radio access is studied for the first time in a multi-cell F-RAN model with edge or cloud detection. Edge and cloud detection are designed and compared for a multi-cell system. Optimal model-based detectors are introduced and the resulting asymptotic behavior of the probability of error at cloud and edge is derived. Then, for the scenario in which a statistical model is not available, data-driven edge and cloud detectors are discussed and evaluated in numerical results.

研究动机与目标

• 为解决传统免授权接入在物联网网络中效率低下的问题，其将所有传输视为独立消息，未利用观测数据之间的相关性。
• 设计一种信息中心化的无线接入协议，优化目标为估计相关QoI场，而非恢复单个设备的测量值。
• 在回传链路受限的多小区雾无线电接入网络（F-RAN）中，对比边缘与云检测的性能。
• 为边缘与云处理设计最优基于模型的检测器及数据驱动检测器，并评估其渐近误码性能。
• 在不同信噪比与回传链路条件下，建立边缘与云检测在误码指数性能上的理论极限。

提出的方法

• 提出一种基于类型的多址（TBMA）协议，其中具有相同量化观测值的设备发送相同波形，从而减少与设备数量成比例的带宽增长。
• 将系统建模为多小区F-RAN，包含通过有限容量回传链路连接的边缘节点（ENs）与中心云处理器。
• 利用似然比检验与切尔诺夫界推导出边缘与云处理的最优基于模型的检测器，以分析误码概率。
• 应用大偏差理论与含随机项的中心极限定理，刻画两种检测架构的渐近误码指数。
• 当缺乏统计模型时，提出数据驱动检测器，采用经验风险最小化方法并从观测到的设备测量值中学习。
• 分析回传量化噪声与信噪比对误码性能的影响，尤其关注高信噪比区域的表现。

实验结果

研究问题

• RQ1 在物联网雾网络中，通过TBMA实现的信息中心化免授权接入相较于传统免授权协议，在估计效率方面有何提升？
• RQ2 在回传受限的多小区F-RAN中，云检测相较于边缘检测的渐近误码性能增益如何？
• RQ3 回传量化噪声如何影响基于云的检测的误码指数？当信号功率增加时，其极限行为如何？
• RQ4 当QoI分布的底层统计模型未知时，数据驱动检测器能否实现与基于模型检测器相当的性能？
• RQ5 在何种条件下，集中式云处理相较于分布式边缘处理在相关物联网观测的估计可靠性方面更具优势？

主要发现

• 在高信噪比区域，云检测方案的误码指数严格为正，而边缘检测的误码指数趋于零，表明云处理在长期可靠性方面具有显著优势。
• 随着信噪比增加，云检测的误码指数收敛至一个正极限，这是由于协方差矩阵对角元素占主导地位，并且利用了集中式数据。
• 回传量化噪声在误码指数中贡献一个非消失项，当σ²_G → ∞时，该噪声与信号比的极限趋近于λ^(1/(2M²))。
• 通过切尔诺夫信息与KL散度对边缘与云检测的误码指数进行上界估计，该上界依赖于不同QoI状态之间的相对熵。
• 数值评估显示，数据驱动检测器的性能接近基于模型的检测器，证明其在缺乏完整统计知识时仍具备鲁棒性。
• 理论分析证实，云检测在误码指数方面优于边缘检测，尤其在QoI观测具有空间相关性且系统处于高信噪比条件时更为显著。