[论文解读] Sustainable Green Networking: Exploiting Degrees of Freedom towards Energy-Efficient 5G Systems

Miao Yao, Munawwar M. Sohul+3 more|arXiv (Cornell University)|Nov 1, 2017

Advanced MIMO Systems Optimization参考文献 24被引用 4

一句话总结

本文提出以功率放大器（PA）为中心的资源管理策略，通过利用多天线和大规模MIMO系统中的自由度，提升5G网络的能效。研究提出了一种针对小型细胞的PAPR感知资源分配方案，以及一种用于大规模MIMO系统中能效预编码的并行循环神经网络，仿真结果表明其能效相比现有最优方案提升10倍以上。

ABSTRACT

The carbon footprint concern in the development and deployment of 5G new radio systems has drawn the attention to several stakeholders. In this article, we analyze the critical power consuming component of all candidate 5G system architectures-the power amplifier (PA)-and propose PA-centric resource management solutions for green 5G communications. We discuss the impact of ongoing trends in cellular communications on sustainable green networking and analyze two communications architectures that allow exploiting the extra degrees-of-freedom (DoF) from multi-antenna and massive antenna deployments: small cells/distributed antenna network and massive MIMO. For small cell systems with a moderate number of antennas, we propose a peak to average power ratio-aware resource allocation scheme for joint orthogonal frequency and space division multiple access. For massive MIMO systems, we develop a highly parallel recurrent neural network for energy-efficient precoding. Simulation results for representative 5G deployment scenarios demonstrate an energy efficiency improvement of one order of magnitude or higher with respect to current state-of-the-art solutions.

研究动机与目标

• 为应对5G系统日益增长的碳足迹，将功率放大器（PA）作为主要能耗组件进行重点优化。
• 探索多天线与大规模MIMO架构如何为绿色网络提供额外的自由度。
• 开发适用于5G系统架构的实际、高效的资源分配与预编码技术。
• 在典型5G部署场景中展示显著的能效提升。

提出的方法

• 提出一种针对小型细胞/分布式天线网络中正交频分多址与空分多址联合复用的峰均功率比（PAPR）感知资源分配方案，适用于中等数量天线的系统。
• 设计一种高度并行的循环神经网络（RNN）架构，用于大规模MIMO系统中的低时延、高能效预编码。
• 利用多天线与大规模MIMO部署带来的自由度，在保持频谱效率的同时优化功耗。
• 将基于神经网络的预编码与系统级约束相结合，确保实时可行性与可扩展性。
• 通过代表性5G部署场景的仿真评估验证性能增益。
• 在峰值功率与频谱效率约束下优化资源分配，以最小化单位比特能量消耗。

实验结果

研究问题

• RQ1 如何利用多天线与大规模MIMO系统中的自由度来降低5G网络的能耗？
• RQ2 PAPR对小型细胞系统能效有何影响？能否通过资源分配策略有效缓解？
• RQ3 基于深度学习的预编码在大规模MIMO系统中是否能在能效方面超越传统方法？
• RQ4 PA为中心的资源管理能在多大程度上降低5G系统的整体能耗？
• RQ5 当结合架构灵活性与智能信号处理时，能效可实现多大程度的提升？

主要发现

• 所提出的针对小型细胞系统的PAPR感知资源分配方案，通过最小化峰值功率，在保持频谱效率的同时实现了显著的能效提升。
• 用于大规模MIMO预编码的高并行循环神经网络架构，实现了低时延、低能耗的实时计算。
• 仿真结果表明，与现有最优方案相比，能效提升达一个数量级以上（10倍或以上）。
• 将神经网络与大规模MIMO系统结合，可在动态信道条件下实现可扩展且自适应的高效能预编码。
• 该方法有效利用大规模阵列天线带来的自由度，降低了单位用户所需的发射功率。
• 结果证实，PA为中心的设计结合智能信号处理，是实现可持续绿色5G网络的可行路径。