Master-Assisted Distributed Uplink Operation for Cell-Free Massive MIMO Networks

Resumen Técnico: Operación de Uplink Distribuida Asistida por Maestro para Redes Massive MIMO Libre de Celdas

Planteamiento del Problema
La tecnología Massive Multiple-Input-Multiple-Output Libre de Celdas (CFmMIMO) es reconocida como una tecnología prometedora para las redes 6G, abordando la interferencia intercelular y la calidad de servicio no uniforme encontradas en las redes tradicionales de Massive MIMO celular mediante el despliegue de un gran número de puntos de acceso (APs) para servir cooperativamente a los equipos de usuario (UEs). Sin embargo, las operaciones de uplink existentes enfrentan un compromiso entre el rendimiento y la eficiencia de recursos.

• Operación Centralizada: Los APs reenvían señales de piloto y de datos en bruto a una Unidad de Procesamiento Central (CPU). Si bien esto permite una combinación óptima utilizando la Información de Estado del Canal (CSI) global, incurre en cargas de señalización de fronthaul y una complejidad computacional prohibitivas a medida que aumenta el número de UEs.
• Operación Distribuida: Los APs realizan la estimación de canal y la detección de datos de forma local, enviando estimaciones suaves al CPU para la combinación final. Aunque esto reduce la señalización de fronthaul, los esquemas existentes a menudo luchan por igualar la eficiencia espectral (SE) de las operaciones centralizadas o requieren el intercambio de CSI global, lo que anula los beneficios de escalabilidad.

El artículo identifica una brecha en los esquemas de uplink que equilibren eficazmente la señalización de fronthaul, la complejidad computacional y el rendimiento espectral.

Metodología
Los autores proponen una nueva operación de uplink denominada Operación de Uplink Distribuida Asistida por Maestro (MADUO). La arquitectura central implica una asignación jerárquica de APs para cada UE:

1. AP Maestro (MAP): A cada UE se le asigna un MAP específico ($l_k$) de su conjunto de servicio.
2. APs de Servicio Adicionales (ASAPs): Los APs restantes en el conjunto de servicio del UE actúan como ASAPs.

El flujo operativo es el siguiente:

• Estimación de Canal: Todos los APs en el conjunto de servicio de un UE estiman los canales.
• Procesamiento de ASAPs: Los ASAPs computan estimaciones de datos suaves locales utilizando un combinador de recepción (L-MMSE o LP-MMSE). Crucialmente, no envían señales en bruto. En su lugar, reenvían:
  • Las estimaciones de datos suaves ($\hat{s}_{j,k}$).
  • Estimaciones de canal fusionadas.
  • Un término de producto Hermítico ($\mu_{j,k}$) que refleja la calidad de las estimaciones de canal (derivado de la suma de las matrices de correlación de los errores de estimación).
• Procesamiento del MAP: El MAP recibe la señal local ($y_{l_k}$) y la información procesada de todos los ASAPs. Construye un vector aumentado que contiene la señal local y las estimaciones suaves de los otros APs. El MAP aplica entonces un vector de combinación de recepción a estos datos aumentados para producir la estimación de datos final.

Escalabilidad y Variantes
Reconociendo que la formulación inicial de MADUO requiere que los APs estimen los canales para todos los UEs en la red (no escalable), los autores proponen una variante escalable, MADUO$_{scl}$:

• Los APs estiman los canales solo para sus UEs servidos.
• Los ASAPs utilizan MMSE Parcial Local (LP-MMSE) en lugar de L-MMSE.
• La información reenviada por los ASAPs se restringe a sus UEs servidos.
• El MAP utiliza únicamente la información local y recibida relevante para sus UEs servidos.

Contribuciones Clave

1. Arquitectura Novedosa: Introducción del marco MADUO, que traslada la carga de la detección final de datos a un MAP designado mientras aprovecha la información suave de los APs vecinos, en lugar de depender únicamente de una CPU o de una detección local totalmente distribuida.
2. Derivación del Combinador Óptimo: El artículo deriva el combinador de recepción óptimo para el MAP maximizando la eficiencia espectral alcanzable, formulando el problema como un cociente de Rayleigh generalizado.
3. Implementación Escalable: El desarrollo de MADUO$_{scl}$, que reduce las dependencias de computación y señalización respecto al número total de UEs ($K$) al restringir el intercambio de información a los conjuntos de servicio locales.
4. Análisis de Complejidad: Un análisis detallado de la señalización de fronthaul (escalares complejos intercambiados) y la complejidad computacional (multiplicaciones complejas) tanto para los esquemas propuestos como para los benchmarks existentes (C-MMSE, P-MMSE, L-MMSE, LP-MMSE).

Resultados Numéricos
Las simulaciones se realizaron en una red CFmMIMO con $L=100$ APs, $N=4$ antenas por AP y variando el número de UEs ($K$).

• Eficiencia Espectral: Tanto MADUO como MADUO$_{scl}$ logran un rendimiento de eficiencia espectral comparable a la operación centralizada C-MMSE y superan significativamente las operaciones distribuidas estándar (L-MMSE y LP-MMSE).
• Señalización de Fronthaul: Para $K > 60$, MADUO$_{scl}$ requiere menos señalización de fronthaul que la operación distribuida estándar, mientras que el MADUO no escalable requiere la mayor cantidad de señalización.
• Complejidad Computacional: Ambos esquemas propuestos requieren menos cálculos que la operación centralizada. Notablemente, la carga computacional de MADUO$_{scl}$ disminuye a medida que $K$ aumenta. Esto se atribuye al mecanismo de agrupamiento centrado en el usuario donde el número de APs que sirven a un UE arbitrario ($|A_k|$) disminuye a medida que crece el número total de UEs.

Significancia y Reivindicaciones
El artículo afirma que MADUO y su variante escalable ofrecen una solución equilibrada para el procesamiento de uplink en CFmMIMO. Los autores sostienen que estos esquemas "se comportan de manera comparable a la operación centralizada" mientras logran con éxito "equilibrar la señalización de fronthaul y la complejidad computacional". Específicamente, se destaca a MADUO$_{scl}$ por su capacidad para reducir la señalización de fronthaul en comparación con las operaciones distribuidas y disminuir las cargas computacionales en comparación con las operaciones centralizadas, sin sacrificar la alta eficiencia espectral típicamente asociada con el procesamiento centralizado. El trabajo se presenta como un paso hacia implementaciones prácticas de redes 6G donde se deben gestionar los requisitos de recursos junto con los requisitos de rendimiento.