[论文解读] Network Coding Capacity of Random Wireless Networks under a SINR Model

Zhenning Kong, Salah A. Aly+3 more|ArXiv.org|Apr 27, 2008

Cooperative Communication and Network Coding参考文献 20被引用 7

一句话总结

本论文研究在信号干扰加噪声比（SINR）模型下随机无线网络中的网络编码容量，其中链路容量因干扰和噪声而相互依赖。通过耦合与鞅方法，证明了随着网络规模增大，即使在链路容量依赖的情况下，网络编码容量仍会急剧集中在平均最小割值附近，且在较弱条件下成立。

ABSTRACT

Previous work on network coding capacity for random wired and wireless networks have focused on the case where the capacities of links in the network are independent. In this paper, we consider a more realistic model, where wireless networks are modelled by random geometric graphs with interference and noise. In this model, the capacities of links are not independent. By employing coupling and martingale methods, we show that, under mild conditions, the network coding capacity for random wireless networks still exhibits a concentration behavior around the mean value of the minimum cut.

研究动机与目标

• 分析在真实SINR干扰与噪声模型下随机无线网络中的网络编码容量，其中链路容量并非独立。
• 弥补先前研究中假设链路容量独立的空白，通过建模现实无线网络约束（如干扰与路径损耗）来改进。
• 在链路容量存在依赖关系的情况下，建立网络编码容量围绕平均最小割值的集中行为。
• 将理论分析扩展至两种场景：恒定发射功率与随机发射功率，对每种场景使用不同的数学工具。

提出的方法

• 将原始SINR网络模型 $G(\boldsymbol{\rho}, P_0, \rho)$ 与两个辅助模型 $G'(\boldsymbol{\rho}, P_0, \rho)$ 和 $G''(\boldsymbol{\rho}, P_0, \rho)$ 进行耦合，这两个模型具有不同的SINR阈值但节点位置与功率相同，以界定容量范围。
• 证明在辅助模型中，网络编码容量在渐近意义上集中于同一均值，从而为原始模型建立集中性。
• 在随机发射功率传输场景 $G(\boldsymbol{\rho}, \boldsymbol{P}, \rho)$ 中应用鞅集中不等式，以处理链路容量之间的依赖性，此时耦合不可行。
• 采用SINR阈值模型，仅当 $\beta_{ij} \geq \beta$ 时链路才激活，将其视为无噪声链路并赋予固定速率 $R$，从而在更高层进行分析。
• 将网络编码容量 $C_{s,\tau}$ 定义为源与汇之间最小割的大小，并通过集中不等式分析其尾部概率。
• 推导容量偏离其均值的概率上界，表明 $\Pr(C_{s,\tau} \leq (1 + \epsilon_\alpha)\mathbb{E}[C_0]) = 1 - O(1/m^\alpha)$，其中 $\epsilon_\alpha$ 明确定义为网络参数的函数。

实验结果

研究问题

• RQ1 在SINR模型下，尽管受干扰导致链路容量相互依赖，随机无线网络中的网络编码容量是否仍会集中在平均最小割值附近？
• RQ2 如何在数学上建模并分析SINR无线网络中链路容量的依赖结构，以建立容量集中性？
• RQ3 在链路容量相互依赖的恒定功率传输模型中，能否使用耦合技术来界定容量？
• RQ4 当耦合方法失效时（如随机发射功率情形），需要何种替代分析工具？
• RQ5 在SINR模型下，大规模随机无线网络中网络编码容量围绕其均值的集中速率如何？

主要发现

• 在恒定功率模型 $G(\boldsymbol{\rho}, P_0, \rho)$ 中，网络编码容量集中在平均最小割值附近，其尾部概率受 $1 - O(1/m^\alpha)$ 限制。
• 该集中界通过与辅助模型的耦合建立，其容量被证明在渐近意义上集中于同一值。
• 在随机功率模型 $G(\boldsymbol{\rho}, \boldsymbol{P}, \rho)$ 中，尽管无法应用耦合，仍通过鞅方法证明了集中性。
• 偏差界量化为 $\Pr(C_{s,\tau} \leq (1 + \epsilon_\alpha)\mathbb{E}[C_0]) = 1 - O(1/m^\alpha)$，其中 $\epsilon_\alpha = \frac{\eta R}{\mathbb{E}[C_0]} \sqrt{2\alpha m \ln m}$，表明网络规模 $m$ 的反多项式衰减。
• 仿真结果验证了在恒定功率与随机功率两种情形下，干扰水平与割容量的集中行为。
• 结果表明，在真实SINR干扰与噪声模型下，大规模随机无线网络中的网络编码容量仍具有可预测性与稳定性。