[论文解读] STAR-RIS Enabled Heterogeneous Networks: Ubiquitous NOMA Communication and Pervasive Federated Learning.

Wanli Ni, Yuanwei Liu+3 more|arXiv (Cornell University)|Jun 16, 2021

Advanced Wireless Communication Technologies参考文献 48被引用 15

一句话总结

本文提出了一种STAR-RIS赋能的异构网络，联合支持非正交多址接入（NOMA）与空中联邦学习（AirFL），通过同时传输与反射实现频谱效率和学习收敛性的提升。通过推导出闭式最优性间隙，并采用基于信赖域的算法，该框架在非理想信道和QoS约束条件下实现了更快的收敛速度与更优的性能表现。

ABSTRACT

This paper integrates non-orthogonal multiple access (NOMA) and over-the-air federated learning (AirFL) into a unified framework using one simultaneous transmitting and reflecting reconfigurable intelligent surface (STAR-RIS). The STAR-RIS plays an important role in adjusting the decoding order of hybrid users for efficient interference mitigation and omni-directional coverage extension. To capture the impact of non-ideal wireless channels on AirFL, a closed-form expression for the optimality gap (a.k.a. convergence upper bound) between the actual loss and the optimal loss is derived. This analysis reveals that the learning performance is significantly affected by active and passive beamforming schemes as well as wireless noise. Furthermore, when the learning rate diminishes as the training proceeds, the optimality gap is explicitly characterized to converge with a linear rate. To accelerate convergence while satisfying QoS requirements, a mixed-integer non-linear programming (MINLP) problem is formulated by jointly designing the transmit power at users and the configuration mode of STAR-RIS. Next, a trust region-based successive convex approximation method and a penalty-based semidefinite relaxation approach are proposed to handle the decoupled non-convex subproblems iteratively. An alternating optimization algorithm is then developed to find a suboptimal solution for the original MINLP problem. Extensive simulation results show that i) the proposed framework can efficiently support NOMA and AirFL users via concurrent uplink communications, ii) our algorithms can achieve a faster convergence rate on IID and non-IID settings compared to existing baselines, and iii) both the spectrum efficiency and learning performance can be significantly improved with the aid of the well-tuned STAR-RIS.

研究动机与目标

• 提出一种基于同时传输与反射可重构智能表面（STAR-RIS）的统一框架，集成非正交多址接入（NOMA）与空中联邦学习（AirFL）。
• 分析非理想无线信道对AirFL性能的影响，特别是实际损失与最优损失之间的最优性间隙。
• 联合优化用户发射功率与STAR-RIS配置，以在满足服务质量（QoS）要求的前提下加速学习收敛。
• 设计高效算法以求解由联合优化产生的混合整数非线性规划（MINLP）问题。
• 在独立同分布（IID）与非独立同分布（non-IID）数据分布下，评估频谱效率与学习收敛性的性能增益。

提出的方法

• 推导出AirFL中最优性间隙的闭式表达式，捕捉主动波束成形、被动波束成形及无线噪声对学习收敛性的影响。
• 提出一种基于信赖域的连续凸逼近方法，以处理联合优化功率与STAR-RIS配置时产生的非凸子问题。
• 采用基于惩罚的半定松弛方法，求解优化问题的混合整数非线性规划（MINLP）形式。
• 设计一种交替优化算法，迭代求解解耦的子问题，从而获得原始MINLP问题的次优解。
• 利用STAR-RIS实现全向覆盖，并动态调整混合NOMA与AirFL用户的解码顺序，以实现干扰抑制。
• 建模在学习率递减条件下的最优性间隙收敛行为，表明在所提框架下可实现线性收敛。

实验结果

研究问题

• RQ1 通过STAR-RIS集成NOMA与AirFL，对异构网络中的系统频谱效率与学习收敛性有何影响？
• RQ2 非理想无线信道（包括噪声与波束成形方案）对AirFL中最优性间隙有何影响？
• RQ3 随着学习率减小，最优性间隙如何演化？是否可表征为线性收敛速率？
• RQ4 何种用户发射功率与STAR-RIS配置的联合优化策略可在满足QoS约束的前提下最大化收敛速度？
• RQ5 与现有基线相比，所提算法在提升学习性能与频谱效率方面能达到何种程度？

主要发现

• 所提框架通过单一STAR-RIS实现NOMA与AirFL用户的并发上行通信，达成高效的频谱利用与全向覆盖。
• 推导出的最优性间隙表达式表明，学习性能显著受主动与被动波束成形及无线噪声影响，在学习率递减条件下可实现线性收敛。
• 基于信赖域的连续凸逼近与基于惩罚的半定松弛方法能有效求解非凸MINLP问题，获得次优但实用的解。
• 仿真结果表明，在IID与non-IID数据设置下，收敛速度均快于现有基线，验证了算法效率。
• 通过最优STAR-RIS调谐，频谱效率与学习性能显著提升，尤其在干扰受限与噪声环境中效果更明显。
• 该框架在QoS约束下保持鲁棒性能，证明其在下一代无线网络实际部署中的有效性。