[论文解读] Performance / Complexity Trade-offs of the Sphere Decoder Algorithm for Massive MIMO Systems

Adel Dabah, Hatem Ltaief+4 more|arXiv (Cornell University)|Feb 21, 2020

Advanced Wireless Communication Techniques参考文献 20被引用 5

一句话总结

该论文提出了一种混合 SD-K-best 球形解码算法，并采用并行多核 CPU 实现，以在大规模 MIMO 系统中显著降低复杂度的同时实现近似最优的误比特率（BER）性能。通过结合球形解码（SD）的搜索树探索与 K-best 的剪枝效率，并利用主/工作节点并行机制，该方法实现了超线性加速，支持高达 100×100 MIMO 与 64-QAM 的可扩展解码，解码速度优于当前最先进水平 5 倍以上，且未牺牲 BER 性能。

ABSTRACT

Massive MIMO systems are seen by many researchers as a paramount technology toward next generation networks. This technology consists of hundreds of antennas that are capable of sending and receiving simultaneously a huge amount of data. One of the main challenges when using this technology is the necessity of an efficient decoding framework. The latter must guarantee both a low complexity and a good signal detection accuracy. The Sphere Decoder (SD) algorithm represents one of the promising decoding algorithms in terms of detection accuracy. However, it is inefficient for dealing with large MIMO systems due to its prohibitive complexity. To overcome this drawback, we propose to revisit the sequential SD algorithm and implement several variants that aim at finding appropriate trade-offs between complexity and performance. Then, we propose an efficient high-level parallel SD scheme based on the master/worker paradigm, which permits multiple SD instances to simultaneously explore the search space, while mitigating the overheads from load imbalance. The results of our parallel SD implementation outperform the state-of-the-art by more than 5x using similar MIMO configuration systems, and show a super-linear speedup on multicore platforms. Moreover, this paper presents a new hybrid implementation that combines the strengths of SD and K-best algorithms, i.e., maintaining the detection accuracy of SD, while reducing the complexity using the K-best way of pruning search space. The hybrid approach extends our parallel SD implementation: the master contains the SD search tree, and the workers use the K-best algorithm to accelerate its exploration. The resulting hybrid approach enhances the diversification gain, and therefore, lowers the overall complexity. Our synergistic hybrid approach permits to deal with large MIMO configurations up to 100x100, without sacrificing the accuracy and complexity.

研究动机与目标

• 解决大规模 MIMO 系统中数百根天线的最优最大似然（ML）解码带来的高计算复杂度问题。
• 通过优化其组件并支持并行执行，克服球形解码（SD）算法在大规模 MIMO 中的不可行复杂度。
• 为下一代无线网络中的实时运行，实现解码复杂度与误比特率（BER）性能之间的实用权衡。
• 在不牺牲 BER 性能的前提下，将基于 SD 的解码扩展至高达 100×100 的大规模 MIMO 配置，并支持高阶调制如 64-QAM。
• 开发一种结合 SD 与 K-best 算法的混合方法，以增强多样性并降低复杂度，同时保持近似最优性能。

提出的方法

• 通过优化探索策略与距离评估过程，重新审视顺序球形解码（SD）算法，以降低时间复杂度。
• 采用主/工作节点范式实现高层并行 SD 方案，将搜索树探索分布到多个 CPU 核心上，缓解负载不均衡问题。
• 提出一种新型混合 SD-K-best 算法，其中主进程维护 SD 搜索树，工作进程使用 K-best 算法加速探索并实现高效剪枝。
• 在高信噪比（SNR）区域采用较小的球形半径，以实现有效剪枝，减少需探索的候选解数量，同时保持 BER 性能。
• 由主进程协调多个 K-best 实例，利用并行探索带来的多样性增益，提升搜索效率。
• 在 100×100 MIMO 系统与 64-QAM 调制下验证该方法，证明其可扩展性与实时可行性。

实验结果

研究问题

• RQ1 如何在大规模 MIMO 系统中降低球形解码的复杂度，同时保持近似最优的 BER 性能？
• RQ2 探索策略与距离评估优化对 SD 算法整体解码复杂度有何影响？
• RQ3 混合 SD-K-best 方法是否能在大规模 MIMO 中实现比纯 SD 与 K-best 算法更优的复杂度与 BER 表现？
• RQ4 并行多核 CPU 架构在多大程度上可超越当前最先进水平，加速基于 SD 的大规模 MIMO 解码？
• RQ5 所提出的混合 SD-K-best 算法能否在 100×100 MIMO 系统与 64-QAM 下保持实时解码约束？

主要发现

• 所提出的并行 SD 实现相比当前最先进水平在类似 MIMO 配置下实现了超过 5 倍的加速，且在多核平台上观察到超线性加速。
• 在高信噪比（22–26 dB）区域，混合 SD-K-best 算法的解码复杂度低于 K-best 算法，得益于小球形半径带来的有效剪枝。
• 对于 100×100 MIMO 与 64-QAM，SD-K-best 方法在保持近似最优 BER 性能的同时实现了实时解码，这是此类大规模系统中的首次实现。
• 在 SD-K-best 中增加保留节点数（k）可显著提升 BER 性能，而复杂度仅略有增加，归因于增强的多样性与高效剪枝。
• 在高信噪比区域，解码时间曲线在 10 ms 实时阈值前趋于稳定，表明其具备实时应用的可行性。
• 该混合 SD-K-best 方法首次实现了 100×100 MIMO 系统在 64-QAM 下的近似最优 BER 结果，证明了其可扩展性与实际可行性。