Adaptive Contention-based Random Access for Uplink Reporting in 3GPP Ambient IoT Networks

Technische Zusammenfassung: Adaptive kampfgetriebene Zufallszugriffsverfahren für die Uplink-Berichterstattung in 3GPP Ambient-IoT-Netzen

Problemstellung
Ambient Internet of Things (A-IoT) sieht ultraniedrigleistungsstarke, batterielose Geräte vor, die durch Energy Harvesting (EH) gespeist werden. Eine kritische Herausforderung in diesen Netzen ist die intermittierende Verfügbarkeit von Geräten aufgrund schwankender Energiespeicher. Im Gegensatz zum traditionellen IoT können A-IoT-Geräte Paging-Signale verpassen oder Uplink-Berichtversuche nicht abschließen, weil ihre Kondensatorspannung unter die für die Übertragung erforderliche Mindestschwelle ($V_{min}$) fällt. Darüber hinaus sehen sich Geräte, die über kampfgetriebenen Zufallszugriff (Contention-Based Random Access, CBRA) auf den Zugriff zuzugreifen versuchen, Kollisionen ausgesetzt, insbesondere in dichten Bereitstellungen. Wiederholte Zugriffsversuche während Netzüberlastung erschöpfen den gespeicherten Energievorrat, was zu erhöhter Latenz und verschwendeten Ressourcen führt. Bestehende 3GPP-Standardisierungsbemühungen haben das paging-getriggerte CBRA-Rahmenwerk definiert, jedoch fehlen ihnen Strategien zur Steuerung auf der Leseseite, die diese intermittierende Energieverfügbarkeit explizit berücksichtigen, um den Kampf zu regulieren.

Methodik
Die Autoren schlagen ein Systemmodell vor, bei dem ein Leser eine Menge von $N$ A-IoT-Geräten mittels eines Bernoulli-Prozesses abfragt. Die Kommunikation folgt einer Device-to-Reader (D2R)-Phase, in der Geräte mittels eines slotted-ALOHA-ähnlichen Mechanismus um Zugriffsgelegenheiten (Access Occasions, AOs) konkurrieren. Der Kern der Methodik ist ein EH-bewusster Zugriffskontrollmechanismus, der auf der Leseseite implementiert ist.

1. Systemmodellierung: Der Energiezustand des Geräts wird mittels eines Kondensator-Lade-/Entlademodells basierend auf der geernteten Stromstärke und dem Lastverbrauch modelliert. Der Betriebszustand des Geräts wird als Zwei-Zustands-Markov-Kette (Idle vs. RA) dargestellt, bedingt durch die Energieverfügbarkeit des Geräts ($V \ge V_{min}$).
2. Adaptiver Kontrollalgorithmus: Anstelle einer festen Zugriffswahrscheinlichkeit sendet der Leser in jeder Paging-Nachricht eine Zugriffswahrscheinlichkeit $q_\tau$ aus.
   • Der Leser schätzt die Anzahl der energieverfügbaren Geräte ($\hat{K}_{pe}(\tau)$) in der Zielgruppe unter Verwendung historischer Daten (Spannungsberichte und Versuchsanzahlen aus erfolgreichen Übertragungen) und des bekannten EH-Profils.
   • Die Zugriffswahrscheinlichkeit wird berechnet als $q_\tau = \min(1, R / \hat{K}_{pe}(\tau))$, wobei $R$ die Anzahl der verfügbaren AOs ist.
   • Dies zielt darauf ab, die erwartete Anzahl der Konkurrenten pro AO nahe bei eins zu halten, um die Erfolgswahrscheinlichkeit zu maximieren und gleichzeitig Kollisionen zu minimieren.
3. Auswertung: Die vorgeschlagene Methode wird mittels Monte-Carlo-Simulationen gegen drei Baseline-Verfahren bewertet:
   • Idealer Referenzwert: Kollisionsfreie Zuweisung (theoretische Obergrenze).
   • Naive Baseline: Alle energieverfügbaren Geräte versuchen Zugriff ($q=1$).
   • Statisches Slotted-ALOHA: Feste Wahrscheinlichkeit $q = R/N$.

Hauptbeiträge

• EH-bewusste Zugriffskontrolle: Die Arbeit stellt einen leichten, auf der Leseseite implementierten Mechanismus vor, der die Zugriffswahrscheinlichkeit dynamisch basierend auf vorhergesagten Geräteenergieniveaus anpasst und sich mit dem laufenden 3GPP A-IoT-Rahmenwerk abstimmt.
• Analytische Approximation: Die Autoren liefern eine kompakte Approximation für die CBRA-Erfolgswahrscheinlichkeit pro Runde, die den gemeinsamen Effekt intermittierender Energieverfügbarkeit und leserseitiger Steuerung modelliert.
• Leistungscharakterisierung: Die Studie quantifiziert die Trade-offs zwischen Zuverlässigkeit, Ressourceneffizienz und Zugriffsverzögerung in dichten A-IoT-Bereitstellungen unter variierenden Energiebeschränkungen.

Ergebnisse
Numerische Simulationen zeigen, dass die vorgeschlagene EH-bewusste Steuerung die Baseline-Verfahren signifikant übertrifft, insbesondere mit zunehmender Geräteanzahl ($N$):

• Kollisionswahrscheinlichkeit: Die naive Baseline ($q=1$) leidet unter schnell ansteigenden Kollisionswahrscheinlichkeiten, wenn $N$ wächst, und nähert sich einer Sättigung an. Die statische Slotted-ALOHA-Baseline reduziert Kollisionen, behält jedoch ein relativ hohes, konstantes Kollisionsniveau bei. Im Gegensatz dazu hält die vorgeschlagene EH-bewusste Methode über den gesamten Bereich der Gerätedichten eine nahezu konstante, niedrige Kollisionswahrscheinlichkeit aufrecht.
• Ressourceneffizienz: Die mittlere Anzahl erfolgreicher MSG2-Empfänge pro genutztem AO bleibt unter der vorgeschlagenen Methode stabil. Das naive Schema zeigt einen signifikanten Effizienzrückgang aufgrund des Ressourcenverbrauchs durch kollidierte Versuche.
• Zugriffsverzögerung: Die mittlere Anzahl der für einen erfolgreichen Bericht erforderlichen Paging-Runden wächst für die naive Baseline exponentiell mit steigendem $N$. Die vorgeschlagene Methode hält dieses Wachstum deutlich flacher und erfordert im Vergleich zu beiden festen Baseline-Verfahren wesentlich weniger Paging-Runden für eine erfolgreiche Berichterstattung.

Bedeutung
Die Arbeit kommt zu dem Schluss, dass eine leichte, leserseitige Zugriffskontrolle ein kritischer Mechanismus für eine zuverlässige und ressourceneffiziente Berichterstattung in A-IoT-Umgebungen ist. Durch die explizite Berücksichtigung intermittierender Energieverfügbarkeit verhindert die vorgeschlagene Methode eine Überlastung des Random-Access-Pools. Dieser Ansatz verbessert die Skalierbarkeit in dichten Bereitstellungen, reduziert die mit wiederholten Zugriffsversuchen verbundene Latenz und minimiert Energieverschwendung, wodurch eine wesentliche Lücke in der aktuellen 3GPP A-IoT-Standardisierung bezüglich der Kampfregulierung geschlossen wird.