Dynamic Interference Prediction for In-X 6G Sub-networks

Resumen Técnico: Predicción de Interferencia Dinámica para Subredes In-X 6G

Planteamiento del Problema
El artículo aborda el desafío de la Gestión de Interferencias (IM) dentro de las Subredes (SN) In-X 6G, las cuales están diseñadas para soportar comunicaciones de hiper-fiabilidad y baja latencia (HRLLC) con requisitos de latencia de 0.1–1 ms y una fiabilidad de hasta el percentil 99.99999. En entornos de SN ultra densos, la interferencia varía rápidamente debido a las características del canal, la movilidad y las limitaciones de recursos.

Los esquemas tradicionales de Adaptación de Enlace (LA), que dependen de los informes de Indicador de Calidad de Canal (CQI) y la retroalimentación ACK/NACK, enfrentan obstáculos significativos en este contexto:

1. Variación Rápida de la Interferencia: El tráfico HRLLC utiliza paquetes cortos que ocupan solo una fracción de los recursos físicos por Intervalo de Tiempo de Transmisión (TTI), lo que provoca que la interferencia fluctúe más rápido de lo que los métodos de seguimiento tradicionales pueden manejar.
2. Retrasos en la Notificación: El retraso inherente en los mecanismos de reporte de CQI hace que la información de interferencia sea obsoleta para cuando llega al Punto de Acceso (AP).
3. Límites de Retransmisión: Las restricciones extremas de latencia a menudo limitan las retransmisiones a un solo intento, lo que hace que la selección inicial del Esquema de Modulación y Codificación (MCS) sea crítica.

Las soluciones existentes a menudo requieren estimaciones explícitas del canal de los dispositivos que interfieren (lo que aumenta la sobrecarga) o dependen de modelos de aprendizaje supervisado que necesitan etiquetas de interferencia de verdad absoluta (difíciles de obtener en tiempo real). Además, muchos métodos existentes se centran únicamente en las probabilidades de cola de las distribuciones de interferencia, simplificando excesivamente el problema de la LA.

Metodología
Los autores proponen un método de predicción de interferencia en línea, no supervisado y del lado del AP, que depende únicamente de los informes de CQI disponibles sin requerir retroalimentación explícita ni etiquetas de verdad absoluta. La metodología central consta de tres pasos:

1. Modelado del Sistema:

   • Los autores modelan la interferencia entre SN utilizando un modelo de canal 3GPP espacialmente consistente y un modelo de tráfico ON-OFF.
   • Los Valores de Potencia de Interferencia (IPV) se definen como la suma de las contribuciones de las SN que interfieren, incorporando pérdida de trayectoria, desvanecimiento a pequeña escala (Rician para LOS, Rayleigh para NLOS) y sombreado (shadowing).

2. Modelo de Espacio de Estados de Tiempo Discreto (DSSM):

   • Se formula un DSSM Gaussiano donde el IPV se trata como una variable de estado latente (oculta) y el informe de CQI sirve como la observación.
   • Modelo de Proceso: Describe la evolución dinámica del IPV a través de los TTI, incorporando ruido de proceso para contabilizar los errores de modelado y los retrasos de transmisión.
   • Modelo de Medición: Relaciona el CQI observado (mapeado a SINR) con el IPV subyacente, teniendo en cuenta los errores de la compresión de Mapeo de SNR Efectivo (ESM) y la cuantización del CQI.

3. Aproximaciones del Filtro de Kalman Extendido (EKF):

   • Para aplicar eficientemente el EKF a este sistema no lineal, los autores introducen aproximaciones específicas:
     • Dinámicas de Transición: La correlación del desvanecimiento a pequeña escala se aproxima mediante una función de Bessel de orden cero. La función de transición se linealiza utilizando un criterio de concordancia de correlación, creando una combinación convexa de las dos estimaciones de IPV más recientes.
     • Ruido de Medición: El ruido de medición se aproxima como el producto de dos variables Gaussianas marginales que representan el error de ESM y el error de cuantización del CQI.
   • El EKF opera en un proceso estándar de dos pasos (predicción y actualización) para estimar el IPV en cada TTI, el cual se utiliza posteriormente para ajustar la estimación de SINR para una selección óptima de MCS.

Contribuciones Clave

1. Caracterización Formal: El artículo caracteriza formalmente la interferencia entre SN utilizando un modelo de canal 3GPP espacialmente consistente combinado con un modelo de tráfico ON-OFF.
2. Novedosa Formulación de DSSM: Presenta un DSSM Gaussiano de tiempo discreto donde los IPV se modelan como variables latentes y los informes de CQI como observaciones. A diferencia de métodos anteriores, este enfoque modela el rango completo de los IPV en lugar de solo las probabilidades de cola.
3. Predicción Basada en EKF: El trabajo introduce las aproximaciones necesarias al DSSM para permitir el uso eficiente de un Filtro de Kalman Extendido para la predicción de IPV en línea utilizando solo informes de CQI.
4. Validación del Desempeño: Los resultados numéricos demuestran que el método propuesto supera a las líneas base convencionales y logra un desempeño comparable a los métodos de aprendizaje supervisado (LSTM) y a una línea base ideal de tipo "Genie", a pesar de operar sin etiquetas de interferencia explícitas.

Resultados Numéricos
Las simulaciones se realizaron en un área de 20x20 m², utilizando una frecuencia de portadora de 6 GHz y TTIs de 0.1 ms.

• Error de Predicción: El predictor EKF propuesto logró un Error Absoluto Relativo (RAE) aproximadamente 8 dB menor que un predictor de Media Móvil (MA). El desempeño del EKF fue casi comparable al de un predictor LSTM pre-entrenado, a pesar de que el EKF es un enfoque basado en modelos y no supervisado.
• Desempeño de la Adaptación de Enlace: En términos de Tasa de Error de Bloque (BLER), la LA basada en EKF alcanzó el BLK objetivo de $10^{-5}$ en el 95% de los casos.
• Comparación: El enfoque EKF coincidió estrechamente con el desempeño de la LA "Genie" (que asume un conocimiento perfecto de SINR) y la línea base LSTM. Superó significativamente al predictor de Media Móvil, el cual tuvo dificultades para seguir las dinámicas no lineales de la interferencia.

Significancia y Reivindicaciones
El artículo afirma que su enfoque propuesto ofrece una solución de baja complejidad y computacionalmente eficiente, adecuada para dispositivos de SN de factor de forma pequeño. Al aprovechar las interdependencias entre los informes de CQI y los IPV a través de un modelo de espacio de estados, el método logra un desempeño comparable a las bases de aprendizaje automático complejas (LSTM) y a los límites teóricos óptimos (Genie) sin la necesidad de datos de entrenamiento o retroalimentación de interferencia explícita. Los autores concluyen que, con un modelado y aproximaciones apropiados, el modelado de espacio de estados de baja complejidad es una alternativa viable a los métodos de aprendizaje automático para la predicción de interferencia dinámica en escenarios HRLLC de 6G. Señalan que extender esto a DSSM de valores vectoriales para múltiples UE por AP sigue siendo un área abierta para futuras investigaciones.