Dual-Mapping Sparse Vector Transmission for Short Packet URLLC

Technische Zusammenfassung: Dual-Mapping Sparse Vector Transmission für Kurzpaket-URLLC

Problemstellung
Ultra-zuverlässige Kommunikation mit geringer Latenz (Ultra-Reliable Low Latency Communication, URLLC) ist entscheidend für latenzsensitive Anwendungen wie autonomes Fahren und das Internet der Dinge (IoT). Herkömmliche Paradigmen der Langpaketübertragung sind in diesen Szenarien jedoch problematisch, da sie mit einem hohen Signalisierungs-Overhead verbunden sind und bestehende Kanalkodierungen (wie LDPC- und Polar-Codes) Schwierigkeiten haben, die Zuverlässigkeit bei kurzen Blocklängen aufrechtzuerhalten. Während die Sparse Vector Coding (SVC) als vielversprechende Alternative hervorgetreten ist, indem Informationbits auf die Indizes nicht-nuller Vektoren abgebildet werden, verlassen sich bestehende SVC-Varianten primär auf Single-Element-Sparse-Mapping-Muster. Diese Schemata stehen oft vor einem Zielkonflikt: Sie erfordern entweder erhebliche Zeit-Frequenz-Ressourcen (TF-Ressourcen), um die Zuverlässigkeit zu gewährleisten, oder sie versäumen es, die strukturellen Eigenschaften von Sparse-Vektoren vollständig auszuschöpfen, um die spektrale Effizienz (SE) zu verbessern. Zudem vernachlässigen bestehende Dekodierungsalgorithmen, wie Approximate Message Passing (AMP) und Multipath Matching Pursuit (MMP), häufig die inhärenten blockstrukturierten Prior-Informationen bestimmter Sparse-Vektordistributionen, was die Genauigkeit der Dekodierung einschränkt.

Methodik
Das Paper schlägt ein Dual-Mapping Sparse Vector Coding (DM-SVC)-Schema vor, das darauf ausgelegt ist, die Leistung der Kurzpaketübertragung für URLLC zu verbessern. Die Methodik besteht aus drei Hauptkomponenten:

1. Dual-Sparse-Mapping-Muster:
   Im Gegensatz zum konventionellen SVC, das Bits ausschließlich auf einzelne Nicht-Null-Elemente abbildet, nutzt DM-SVC zwei unterschiedliche Mapping-Muster:

• Block-Sparse-Mapping: Ein Teil der Informationbits ($b_{I,1}$) wird auf die Indizes von $K_b$ Nicht-Null-Blöcken abgebildet, wobei jeder Block eine Länge $L$ besitzt. Dies konzentriert die Sendeleistung auf eine geringe Anzahl von Blöcken.
• Single-Element-Sparse-Mapping: Die verbleibenden Informationbits ($b_{I,2}$) werden auf $K_s$ einzelne Nicht-Null-Element-Indizes abgebildet.
• Merging und Modulation: Diese beiden Sparse-Vektoren werden mit einem Leistungsallokationsverhältnis $\alpha$ zusammengeführt. Die Nicht-Null-Elemente (sowohl Block- als auch Single-Elemente) werden anschließend mittels QAM-Symbolen ($b_S$ Bits) moduliert. Um Index-Überlappungen zu verhindern, werden zwischen den Blöcken Guard-Positionen eingefügt.

2. Random Spreading und Übertragung:
   Der resultierende Sparse-Vektor wird mittels einer Codebuch-Matrix gestreut, die aus pseudo-zufälligen Codewörtern (Bernoulli-verteilt $\pm 1$) besteht. Die gestreute Sequenz wird via IDFT in den Zeitbereich transformiert, ein Cyclic Prefix wird hinzugefügt und das Signal wird über die TF-Domäne übertragen.

3. Zweistufiger Dekodierungsalgorithmus:
   Um die Informationen wiederherzustellen, verwendet der Empfänger einen sequenziellen zweistufigen Dekodierungsprozess, der die blockstrukturierten Prior-Informationen nutzt:

• Stufe I (Block-Identifikation): Der Algorithmus identifiziert sequenziell die Indizes der $K_b$ Nicht-Null-Blöcke. Er nutzt eine zyklische Verschiebungseigenschaft der Messmatrix, um Block-Korrelationswerte zu berechnen, wobei der Block-Index und die spezifische zyklische Verschiebung identifiziert werden, welche die Korrelation mit dem Residuen-Signal maximiert. Diese Stufe schätzt die Nicht-Null-Werte innerhalb der identifizierten Blöcke und führt eine Interferenzunterdrückung durch.
• Stufe II (Element-Identifikation): Nach der Entfernung der Interferenz aus den identifizierten Blöcken verwendet der Algorithmus den bestehenden Multipath Matching Pursuit (MMP)-Algorithmus, um die $K_s$ Single-Element-Nicht-Null-Indizes zu identifizieren und deren Werte zu schätzen.

Wesentliche Beiträge

• Einführung von Dual Mapping: Diese Arbeit führt erstmals zwei Sparse-Mapping-Muster (Block und Single-Element) innerhalb eines SVC-Frameworks ein. Dieser Ansatz zielt darauf ab, die spektrale Effizienz (SE) zu verbessern, indem weniger TF-Ressourcen für die Übertragung benötigt werden als bei Schemata, die nur Single-Element-Mapping verwenden, während gleichzeitig sichergestellt wird, dass die Codelänge nicht drastisch mit den Informationbits ansteigt.
• Block-bewusster zweistufiger Dekodierungsalgorithmus: Das Paper schlägt einen neuartigen Dekodierungsalgorithmus vor, der die blockstrukturierte Sparsity des Signals ausnutzt. Durch die sequentielle Identifizierung von Nicht-Null-Blöcken vor den Single-Elementen erreicht der Algorithmus eine höhere Identifikationsgenauigkeit im Vergleich zu Standard-AMP- oder MMP-Algorithmen, die Sparsity als unstrukturiert behandeln.
• Leistungsanalyse: Theoretische Analysen und Simulationen zeigen, dass das DM-SVC-Schema weniger Unterträger benötigt, um die gleiche Zuverlässigkeit wie traditionelle Schemata zu erreichen, was zu einer höheren SE führt.

Simulationsergebnisse
Umfangreiche Simulationen wurden durchgeführt, um die Blockfehlerrate (BLER) und die spektrale Effizienz des vorgeschlagenen Schemas gegenüber bestehenden Methoden (SVC, ESVC, SSC, GSPARC und BOSS) zu evaluieren:

• Spektrale Effizienz: Das DM-SVC-Schema zeigte eine signifikante SE-Verbesserung gegenüber dem Sparse Superimposed Codes (SSC)-Schema. Konkret wurden Verbesserungen von über 12 % und 14 % für QPSK- bzw. 16-QAM-Modulationen beobachtet. Unter spezifischen Parametern ($K_b=1, L=5, K_s=1$) wurde eine Verdoppelung der SE für 16-QAM erreicht.
• Zuverlässigkeit (BLER): Bei einer Ziel-BLER von $10^{-5}$ erreichte das DM-SVC-Schema einen SNR-Gewinn von etwa 0,5 dB gegenüber dem GSPARC-Schema. Es übertraf konsistent die SVC-, ESVC-, SSC-, GSPARC- und BOSS-Schemata über verschiedene SNR-Niveaus hinweg.
• Dekodierungsleistung: Der vorgeschlagene zweistufige Dekodierungsalgorithmus übertraf bestehende AMP-, MMP- und OMP-Algorithmen. Der Leistungsgewinn ist darauf zurückzuführen, dass die genaue Identifizierung der Nicht-Null-Blockindizes in der ersten Stufe die Interferenz für die anschließende Single-Element-Detektion reduziert.
• Leistungsallokation: Das optimale Leistungsallokationsverhältnis ($\alpha$) für die Block-Sparse-Komponente wurde mit etwa 0,64 ermittelt, was darauf hindeutet, dass die Zuweisung von mehr Leistung zur Block-Identifikation entscheidend für die gesamte Dekodierungsleistung ist.

Bedeutung und Ansprüche
Das Paper behauptet, dass das vorgeschlagene DM-SVC-Schema die Einschränkungen bestehender Kurzpaket-Übertragungsmethoden effektiv adressiert, indem es mehrere Sparse-Mapping-Muster nutzt, um sowohl die spektrale Effizienz als auch die Zuverlässigkeit zu steigen. Durch die Integration blockstrukturierter Prior-Informationen in den Dekodierungsprozess erzielt das Schema eine überlegene BLER-Leistung im Vergleich zu modernsten Sparse-Coding-Techniken. Die Autoren positionieren diese Arbeit als einen kritischen Schritt hin zum Design effizienterer Übertragungsmethoden für URLLC-Szenarien, die einen flexiblen Rahmen bieten, in dem Parameter wie Blocklänge ($L$) und die Anzahl der Single-Elemente ($K_s$) angepasst werden können, um spezifische Zuverlässigkeits- und Durchsatzanforderungen zu erfüllen.