Technische Zusammenfassung: Bekämpfung von Interferenzen in HAPS-Netzwerken durch winkelbewusstes Clustering und RSMA

Problemstellung

High Altitude Platform Stations (HAPS) bieten eine vielversprechende Lösung für drahtlose Netzwerke der nächsten Generation, indem sie eine allgegenwärtige Konnektivität aus der Stratosphäre bereitstellen. HAPS-Netzwerke stehen jedoch vor einzigartigen Interferenzherausforderungen, die sich von terrestrischen Netzwerken unterscheiden. Aufgrund der großen Höhe von HAPS werden Verbindungen zu bodengebundenen Nutzern von starken Sichtverbindungskonditionen (Line-of-Sight, LoS) mit begrenzter Kanalvariabilität dominiert. Folglich erscheinen Nutzer, die aus terrestrischer Sicht geografisch weit voneinander entfernt sind, aus der Perspektive des HAPS eng beieinander liegend, was zu stark ähnlichen Kanalbedingungen und einer verstärkten Interferenz zwischen den Nutzern führt.

Das spezifische Problem, das in dieser Arbeit behandelt wird, umfasst einen einzelnen HAPS, der mehrere bodengebundene Nutzer über mehrere Strahlen (Beams) über eine begrenzte Anzahl orthogonaler Ressourcenblöcke (Resource Blocks, RBs) bedient. Da die Anzahl der Nutzer ($U$) die verfügbaren RBs ($R$) übersteigt, müssen mehrere Nutzer denselben RB teilen, was zu schwerwiegender Interferenz innerhalb des RBs führt. Traditionelle Ansätze, die nutzerspezifische Strahlen verwenden, sind angesichts der HAPS-Höhe und der Nähe der Nutzer oft unpraktisch. Daher besteht die Herausforderung darin, Interferenzen effektiv zu managen, wenn Nutzer in geografische Cluster gruppiert werden, die von einem einzelnen Strahl bedient werden, während gleichzeitig die begrenzten RBs zugewiesen und Übertragungsstrategien optimiert werden, um die spektrale Effizienz (SE) zu maximieren.

Methodik

Die Autoren schlagen einen dreistufigen Rahmen zur Interferenzbewältigung vor: winkelbewusstes Clustering, interferenzbewusste RB-Zuweisung und Rate-Splitting Multiple Access (RSMA).

1. Winkelbewusstes Clustering und Strahlsteuerung

Das System geht davon aus, dass der HAPS Strahlen zu geografischen Clustern und nicht zu einzelnen Nutzern formt.

• Clustering-Strategie: Nutzer werden basierend auf ihren Winkelpositionen (Elevation $\theta$ und Azimut $\phi$) in $L = \lceil U/R \rceil$ Cluster gruppiert. Die Autoren verwenden einen kapazitätsbeschränkten K-Means-Algorithmus, um sicherzustellen, dass kein Cluster die Größe $R$ überschreitet.
• Strahlsteuerung (WU-Clustering): Im Gegensatz zu zentroidbasierten Ansätzen lenkt die vorgeschlagene „Worst-User" (WU)-Clustering-Strategie jeden Strahl in die Richtung, die den minimalen effektiven Antennengewinn unter allen Nutzern in diesem Cluster maximiert. Dies gewährleistet Fairness und schützt Nutzer mit den schlechtesten Kanalbedingungen innerhalb des Clusters.
• RB-Zuweisung: Innerhalb jedes Clusters werden RBs orthogonal zugewiesen, um Interferenzen innerhalb des Clusters zu vermeiden. Da RBs jedoch über verschiedene Cluster hinweg wiederverwendet werden, bleibt Interferenz zwischen den Clustern bestehen. Der Zuweisungsalgorithmus weist RBs den Nutzern so zu, dass die akkumulierte Interferenzleckage von bereits geplanten Nutzern in anderen Clustern minimiert wird.

2. RSMA-basierte Interferenzmanagement zwischen Clustern

Um die unvermeidliche Interferenz zwischen den Clustern, die durch die RB-Wiederverwendung verursacht wird, zu mildern, setzen die Autoren Rate-Splitting Multiple Access (RSMA) auf RB-Basis ein.

• Nachrichtenaufteilung: Die Nachricht für jeden Nutzer wird in einen gemeinsamen Teil und einen privaten Teil aufgeteilt.
• Übertragungsstruktur:
  • Die gemeinsamen Teile aller Nutzer, die einen bestimmten RB teilen, werden zu einem einzigen gemeinsamen Strom ($s^{(c)}_r$) kombiniert, der mit der Leistung $p^{(c)}_{r,\ell}$ pro Clusterstrahl übertragen wird.
  • Die privaten Teile werden in individuelle private Ströme ($s^{(p)}_u$) codiert, die mit der Leistung $p^{(p)}_u$ übertragen werden.
• Empfang: Nutzer decodieren zunächst den gemeinsamen Strom (unter Behandlung privater Ströme als Rauschen), führen eine sukzessive Interferenzcancellation (SIC) durch und decodieren dann ihren privaten Strom. Dies ermöglicht ein flexibles Interferenzmanagement, indem Interferenz entweder als Rauschen behandelt oder teilweise decodiert wird.

3. Formulierung der Optimierung

Die Autoren formulieren ein Max-Min-Fairness (MMF)-Optimierungsproblem, um gemeinsam die Leistungsverteilung für gemeinsame und private Ströme ($p^{(c)}$ und $p^{(p)}$) sowie die Zuweisung der gemeinsamen Rate ($C_u$) zu entwerfen. Das Ziel ist es, die minimal erreichbare Datenrate über alle Nutzer hinweg zu maximieren, unterliegt den Gesamtsendeleistungsbeschränkungen und Decodierungsbeschränkungen.

• Lösungsansatz: Aufgrund der nicht-konvexen Natur des Problems (die Verhältnisse des Signal-zu-Interferenz-plus-Rausch-Verhältnisses, SINR, beinhaltet), setzen die Autoren eine Successive Convex Approximation (SCA) ein. Sie führen Schlupfvariablen ein und verwenden Taylor-Approximationen erster Ordnung, um das Problem in eine handhabbare konvexe Form zu transformieren, die iterativ gelöst wird.

Hauptbeiträge

1. Neuartiges Clustering-Framework: Die Arbeit stellt einen winkelbewussten Clustering-Algorithmus vor, der Nutzer basierend auf Winkelähnlichkeit gruppiert und eine Worst-User-Strahlsteuerungsstrategie einsetzt. Dies steht im Gegensatz zu früheren Arbeiten, die oft nutzerspezifische Strahlen oder zentroidbasierte Steuerung annehmen, und bietet einen praktikableren Ansatz für die HAPS-Geometrie.
2. Integrierte RSMA-Strategie: Die Arbeit integriert RSMA speziell in HAPS-Netzwerke, um Interferenzen zwischen Clustern zu managen, die durch RB-Wiederverwendung entstehen, ein Szenario, bei dem traditionelle orthogonale Zuweisung versagt.
3. Gemeinsame Optimierung: Die Autoren entwickeln einen iterativen Algorithmus (MMF-RSMA-PA), der Strahlsteuerung, RB-Zuweisung sowie Leistungs-/Raten-Splitting gemeinsam optimiert, um Fairness und spektrale Effizienz zu maximieren.
4. Umfassende Evaluierung: Die Studie bietet eine detaillierte Analyse der Trade-offs zwischen Beamforming-Gewinn und Interferenzminderung, wobei speziell der Einfluss von HAPS-Antennenarray-Konfigurationen (UPA-Größe) untersucht wird.

Numerische Ergebnisse

Simulationen wurden mit einem HAPS in 20 km Höhe durchgeführt, der 60 Nutzer über 10 RBs unter Verwendung eines 8x8 Uniform Planar Array (UPA) bediente.

• Konvergenz: Der vorgeschlagene iterative SCA-Algorithmus (Algorithmus 2) zeigt eine monotone Konvergenz und stabilisiert sich innerhalb weniger als 13 Iterationen.
• Gewinne der spektralen Effizienz:
  • RSMA-Auswirkung: Der Vergleich des vorgeschlagenen Schemas (WU-Clustering + RSMA) mit einer Baseline ohne RSMA (WU-Clustering ohne RSMA) zeigt eine erhebliche Verbesserung. Die mediane spektrale Effizienz (SE) stieg von etwa 0,12 b/s/Hz auf 0,55 b/s/Hz (eine Vervierfachung), was die Wirksamkeit von RSMA beim Management von Interferenzen zwischen Clustern unterstreicht.
  • Auswirkung des Clusterings: Das vorgeschlagene WU-Clustering schnitt bei einer zentroidbasierten Clustering-Methode (C-Clustering + RSMA) konsistent besser ab. Durch die explizite Berücksichtigung der Kanalbedingungen des Worst-Users während der Strahlsteuerung verbesserte die WU-Strategie die Fairness und die minimalen Raten.
• Trade-off der Antennenkonfiguration: Die Erhöhung der Anzahl der Antennenelemente (z. B. von 2x2 auf 8x8) verbesserte die Leistung durch schmalere Strahlen und Unterdrückung von Interferenzen. Eine weitere Erhöhung der Array-Größe (z. B. auf 16x16 oder größer) führte jedoch zu einer Leistungsverschlechterung. Schmalere Strahlen reduzierten den Gewinn für Nutzer, die sich außerhalb des Strahlzentrums befanden, was sich negativ auf die Gesamtsystemleistung auswirkte.

Bedeutung und Behauptungen

Die Arbeit behauptet, dass das vorgeschlagene Framework aus winkelbewusstem Clustering in Kombination mit RSMA Baseline-Schemata in Bezug auf die erreichbare spektrale Effizienz pro Nutzer signifikant übertrifft. Die Autoren betonen, dass ihr Ansatz die spezifischen Ausbreitungseigenschaften von HAPS-Netzwerken (starke LoS, begrenzte Kanalvariabilität) adressiert, die traditionelle Interferenzmanagementstrategien weniger effektiv machen.

Die Bedeutung der Arbeit liegt in der Demonstration, dass:

1. Praktisches Beamforming: Die Steuerung von Strahlen basierend auf dem „Worst-User" innerhalb eines Clusters der zentroidbasierten Steuerung zur Gewährleistung von Fairness in HAPS-Netzwerken überlegen ist.
2. Wirksamkeit von RSMA: RSMA ein leistungsfähiges Werkzeug zur Bewältigung der spezifischen Art von Interferenzen zwischen Clustern ist, die durch RB-Wiederverwendung in HAPS-Szenarien erzeugt wird, und eine Brücke zwischen der Behandlung von Interferenz als Rauschen und der vollständigen Decodierung derselben schlägt.
3. Systemdesign-Balance: Es gibt einen kritischen Trade-off im HAPS-Antennendesign; eine einfache Erhöhung der Anzahl der Antennenelemente garantiert keine bessere Leistung aufgrund der Verengung der Strahlabdeckung, was einen ausgewogenen Designansatz erfordert.

Die Arbeit schließt, dass dieser integrierte Ansatz Interferenzen in HAPS-Netzwerken effektiv managt und die Leistung bodengebundener Nutzer in Bezug auf die spektrale Effizienz verbessert, ohne komplexe hardwareseitige nutzerspezifische Beamforming-Komponenten zu erfordern.