[论文解读] Opportunistic Scheduling in Heterogeneous Networks: Distributed Algorithms and System Capacity

Dor-Joseph Kampeas, Asaf Cohen+1 more|arXiv (Cornell University)|Feb 1, 2012

Advanced Wireless Network Optimization参考文献 33被引用 8

一句话总结

本文提出了一种用于多用户MIMO系统的分布式机会调度算法，无需信道状态信息（CSI）交换或用户间信令即可实现接近集中式调度的性能。通过一种新颖的点过程近似技术，推导出在非同分布用户和多样化QoS约束下的系统容量的精确解析表达式，证明了该方法在极低开销下可实现接近最优的性能。

ABSTRACT

In this work, we design and analyze novel distributed scheduling algorithms for multi-user MIMO systems. In particular, we consider algorithms which do not require sending channel state information to a central processing unit, nor do they require communication between the users themselves, yet, we prove their performance closely approximates that of a centrally-controlled system, which is able to schedule the strongest user in each time-slot. Our analysis is based on a novel application of the Point-Process approximation. This novel technique allows us to examine non-homogeneous cases, such as non-identically distributed users, or handling various QoS considerations, and give exact expressions for the capacity of the system under these schemes, solving analytically problems which to date had been open. Possible application include, but are not limited to, modern 4G networks such as 3GPP LTE, or random access protocols.

研究动机与目标

• 设计用于多用户MIMO系统的分布式调度算法，避免集中式CSI收集和用户间信令。
• 分析在非同分布用户信道分布和多样化QoS需求下的系统容量。
• 提出一种基于点过程近似的新型分析框架，以精确建模和计算系统容量。
• 证明分布式方案可实现接近集中式调度系统性能。
• 解决非同质、QoS约束调度场景下长期存在的容量分析开放问题。

提出的方法

• 提出一种新颖的点过程近似技术，用于建模非同分布系统中被调度用户的分布。
• 应用极值理论（EVT）和广义极值（GEV）分布，刻画每个时隙中最强用户统计行为。
• 利用顺序统计量和标准正态分布的尾部近似，推导渐近正则化常数 $ a_n $ 和 $ b_n $。
• 建立经验点过程 $ P_n $ 收敛到泊松过程 $ P $，从而实现系统容量的精确计算。
• 通过将选择最佳用户的概率与累积分布函数及其尾部行为关联，推导出系统容量的解析表达式。
• 通过严格的渐近分析验证该框架，表明当 $ n \to \infty $ 时，$ E[N_n(B)] \to E[N(B)] $ 且 $ \Pr(N_n(B)=0) \to \Pr(N(B)=0) $。

实验结果

研究问题

• RQ1 分布式调度算法能否在无需集中式CSI反馈的情况下实现接近最优的系统容量？
• RQ2 在非同分布用户分布和QoS约束下，系统容量的精确解析表达式是什么？
• RQ3 点过程近似如何用于建模和分析异构网络中机会调度的性能？
• RQ4 所提方法在多大程度上推广了基于极值理论的现有结果？
• RQ5 在现实的非i.i.d.用户条件下，分布式调度与集中控制调度之间的性能差距如何？

主要发现

• 所提出的分布式算法实现的系统容量与集中式调度系统（每时隙调度最强用户）的容量非常接近。
• 点过程近似使在非同分布用户分布和QoS约束下实现系统容量的精确解析计算成为可能，解决了此前未解决的问题。
• 该方法证明：$ n $ 个独立同分布的高斯随机变量的最大值在分布上收敛于位置参数为 $ a_n = (2\log n)^{-1/2} $ 和尺度参数为 $ b_n = (2\log n)^{1/2} - \frac{1}{2}(2\log n)^{-1/2}(\log\log n + \log 4\pi) $ 的Gumbel分布。
• 分析表明，无用户超过阈值 $ v $ 的概率收敛于 $ \exp[-(1 + \xi v)_+^{-1/\xi}] $，证实其收敛于泊松过程。
• 该框架实现的容量与最优容量相差一个 $ O(\sqrt{2\log K}) $ 因子，与极值理论中已知的标度律一致。
• 该方法即使在非同质场景（如异构用户或不同QoS需求）下，也能实现精确容量表达式，而这些情况此前在分析上难以处理。