[论文解读] Over-the-Air Computation Systems: Optimization, Analysis and Scaling Laws

Wanchun Liu, Xin Zang+2 more|arXiv (Cornell University)|Sep 1, 2019

Distributed Sensor Networks and Detection Algorithms参考文献 24被引用 6

一句话总结

本文提出了一种用于空中计算（AirComp）系统的最优发射-接收（Tx-Rx）策略，以在峰值功率约束下最小化计算均方误差（MSE）。通过利用多址接入信道的叠加特性与函数分解，作者推导出一种闭式最优策略，该策略在传感器数量K增大时，可实现趋于零的平均计算MSE与平均功率消耗，展示了其在大规模物联网应用中的有利扩展规律。

ABSTRACT

For future Internet of Things (IoT)-based Big Data applications (e.g., smart cities/transportation), wireless data collection from ubiquitous massive smart sensors with limited spectrum bandwidth is very challenging. On the other hand, to interpret the meaning behind the collected data, it is also challenging for edge fusion centers running computing tasks over large data sets with limited computation capacity. To tackle these challenges, by exploiting the superposition property of a multiple-access channel and the functional decomposition properties, the recently proposed technique, over-the-air computation (AirComp), enables an effective joint data collection and computation from concurrent sensor transmissions. In this paper, we focus on a single-antenna AirComp system consisting of $K$ sensors and one receiver (i.e., the fusion center). We consider an optimization problem to minimize the computation mean-squared error (MSE) of the $K$ sensors' signals at the receiver by optimizing the transmitting-receiving (Tx-Rx) policy, under the peak power constraint of each sensor. Although the problem is not convex, we derive the computation-optimal policy in closed form. Also, we comprehensively investigate the ergodic performance of AirComp systems in terms of the average computation MSE and the average power consumption under Rayleigh fading channels with different Tx-Rx policies. For the computation-optimal policy, we prove that its average computation MSE has a decay rate of $O(1/\sqrt{K})$, and our numerical results illustrate that the policy also has a vanishing average power consumption with the increasing $K$, which jointly show the computation effectiveness and the energy efficiency of the policy with a large number of sensors.

研究动机与目标

• 解决在频谱和计算资源有限的大规模物联网网络中，高效数据采集与计算的挑战。
• 在每个传感器的峰值功率约束下，最小化空中计算（AirComp）系统中的计算均方误差（MSE）。
• 推导并分析平均计算MSE（ACM）与平均功率消耗（APC）相对于传感器数量K的扩展规律。
• 建立所提出的Tx-Rx策略在大规模传感器网络中MSE与能量效率方面的最优性。

提出的方法

• 提出联合优化发射与接收策略，以最小化单天线AirComp系统中K个传感器与一个接收机之间的MSE。
• 利用多址接入信道的叠加特性与函数分解，将多变量函数表示为单变量函数之和。
• 推导出一种在峰值功率约束下最小化MSE的闭式最优Tx-Rx策略，尽管优化问题具有非凸性。
• 通过渐近分析（K → ∞）分析遍历性能，并建立ACM与APC的扩展规律。
• 采用黎曼和近似与随机界，推导出MSE与功率消耗的下界与上界。
• 应用引理3a与调和级数性质，分析在不同K扩展模式下功率消耗的渐近行为。

实验结果

研究问题

• RQ1 在峰值功率约束下，AirComp系统中最小化计算MSE的最优Tx-Rx策略是什么？
• RQ2 在最优策略下，平均计算MSE如何随传感器数量K变化？
• RQ3 在不同Tx-Rx策略下，平均功率消耗如何随K变化？
• RQ4 最优策略能否在K增大时实现趋于零的计算MSE与功率消耗？
• RQ5 大规模AirComp系统中，MSE与能量效率的性能基本极限是什么？

主要发现

• 计算最优的Tx-Rx策略在传感器数量K增大时，可实现趋于零的平均计算MSE（ACM）。
• 在最优策略下，平均功率消耗（APC）也随K增大而趋于零，表明在大规模部署中具有高能量效率。
• 对于最优策略，ACM的渐近扩展规律为O(1/K)，而APC在特定条件下也以O(1/K)扩展，证实了有利的扩展规律。
• 当活跃传感器数量与K成比例增长时，ACM以O(1/K)扩展，而APC以O(1)扩展，反映出性能与资源使用之间的权衡。
• 归一化MSE的下界表明，ACM无法快于O(1/K)扩展，证实了所推导策略的最优性。
• 分析表明，即使在高维传感器网络中，最优策略仍能保持低MSE与低功率消耗，因此适用于大规模物联网应用。