[论文解读] Joint Retransmission, Compression and Channel Coding for Data Fidelity under Energy Constraints

Chiara Pielli, Čedomir Stefanović+2 more|arXiv (Cornell University)|Jun 28, 2017

Energy Harvesting in Wireless Networks参考文献 29被引用 3

一句话总结

本文提出了一种面向能量采集传感器的联合重传、压缩与信道编码方案，旨在能量约束下最大化数据保真度。通过将有损压缩与混合ARQ结合，并利用MDP和强化学习优化编码/压缩速率，该方案降低了平均失真度——尤其在策略性地使用重传时效果更显著，性能增益取决于重传限制r和系统参数。

ABSTRACT

We consider a monitoring application where sensors periodically report data to a common receiver in a time division multiplex fashion. The sensors are constrained by the limited and unpredictable energy availability provided by Energy Harvesting (EH), and by the channel impairments. To maximize the quality of the reported data, the packets transmitted contain newly generated data blocks together with up to $r - 1$ previously unsuccessfully delivered ones, where $r$ is a design parameter; such blocks are compressed, concatenated and encoded with a channel code. The scheme applies lossy compression, such that the fidelity of the individual blocks is traded with the reliability provided by the channel code. We show that the proposed strategy outperforms the one in which retransmissions are not allowed. We also investigate the tradeoff between the value of $r$, the compression and coding rates, under the constraints of the energy availability, and, once $r$ has been decided, use a Markov Decision Process (MDP) to optimize the compression/coding rates. Finally, we implement a reinforcement learning algorithm, through which devices can learn the optimal transmission policy without knowing a priori the statistics of the EH process, and show that it indeed reaches the performance obtained via MDP.

研究动机与目标

• 为解决在间歇性能量供应条件下，维持能量采集无线传感器网络中高数据保真度的挑战。
• 在随机能量可用性和信道衰落条件下，联合优化压缩与信道编码速率。
• 设计一种混合重传机制，通过重传丢失的数据块与新数据块，提升可靠性。
• 制定一种节能传输策略，在遵守能量约束的前提下最小化失真。
• 使设备能够利用强化学习在不掌握能量或信道统计特性先验知识的情况下，自主学习最优传输策略。

提出的方法

• 提出一种混合ARQ机制，其中每个传输帧包含一个新数据块和最多r−1个先前丢失的块，所有块均压缩至固定时隙大小内。
• 采用有损压缩以减少数据量，从而在错误恢复中实现更高的编码冗余。
• 使用马尔可夫决策过程（MDP）对系统建模，以在能量和信道约束下优化压缩与编码速率。
• 采用强化学习算法（R-learning）实现无需预先知晓能量或信道统计特性的自主策略学习。
• 引入参数化能量动态模型，以捕捉能量采集的随机特性。
• 利用真实率-失真曲线和短包衰落信道的中断概率，分析失真性能。

实验结果

研究问题

• RQ1 允许重传先前丢失的数据块对能量受限传感器网络中的平均失真有何影响？
• RQ2 在随机能量可用性和信道衰落条件下，压缩速率与信道编码速率之间的最优权衡是什么？
• RQ3 最大重传次数r对长期失真性能的影响如何？
• RQ4 强化学习能否在不掌握能量或信道统计特性先验知识的情况下，有效学习最优传输策略？
• RQ5 在何种条件下增加r是有益的？在何种情况下会导致收益递减甚至出现负收益？

主要发现

• 与单次传输方案相比，所提出的重传方案始终能降低平均失真度，尤其当r ≥ 2时效果更显著。
• 当最优压缩速率k⋆_r位于依赖于r和系统参数的临界阈值kV右侧时，失真达到最小。
• 对于较小的r，增加r通常能改善性能；但随着r增大，k⋆_r落在kV以下的可能性增加，导致更高的r反而次优。
• 当r > m（最大压缩级别）时，k⋆_r = k⋆_r−1，继续增加r不再带来收益，表明已达到饱和点。
• 强化学习算法收敛至通过MDP推导出的最优策略，证明其在无先验统计知识条件下学习的有效性。
• 重传带来的性能增益与r并非成比例；其关键取决于压缩级别（m）的离散化程度和能量可用性。