Energy Efficiency Optimization in Distributed MIMO vRAN via Cross-Layer Link Abstraction

Resumen Técnico: Optimización de la Eficiencia Energética en D-MIMO vRAN mediante la Abstracción de Enlace de Capa Cruzada

Planteamiento del Probleos
Las Redes de Acceso de Radio Virtualizadas (vRAN) trasladan el procesamiento de banda base de Multiple-Input Multiple-Output (MIMO), que requiere un alto uso de cómputo, desde hardware dedicado hacia servidores de propósito general compartidos. Si bien esta arquitectura ofrece flexibilidad y beneficios de costos, introduce un panorama de consumo de energía complejo que los modelos tradicionales de eficiencia energética (EE) no logran capturar. Específicamente, una D-MIMO vRAN consume energía en tres componentes distintos: el procesamiento de banda base de la Unidad Distribuida virtualizada (vDU), los enlaces de transporte de fronthaul y las operaciones de radiofrecuencia (RF) por cada Unidad de Radio (RU). Los modelos existentes suelen centrarse únicamente en los componentes de RF o dependen de formulaciones de capacidad de Shannon idealizadas que ignoran las restricciones discretas de Esquema de Modulación y Codificación (MCS) y los objetivos de Tasa de Error de Bloque (BLER) de los sistemas 3GPP desplegados. En consecuencia, existe una falta de un marco unificado que optimice conjuntamente la modulación, el rango de transmisión y la asignación de potencia, considerando al mismo tiempo la arquitectura de potencia completa de la vRAN y la dinámica de tráfico realista.

Metodología
Los autores proponen un marco de optimización de EE de capa cruzada diseñado para sistemas D-MIMO vRAN. La metodología avanza a través de cuatro etapas principales:

1. Modelado de Potencia Integral: El artículo desarrolla un modelo de potencia que resuelve la potencia total del sistema ($P_{total}$) en tres componentes aditivos:

   • Banda Base de la vDU: Modelada como una línea base estática más una escala de potencia dinámica que aumenta linealmente con el número de Bloques de Recursos Físicos (PRB) asignados y el rango de transmisión.
   • Transporte de Fronthaul: Modelado basado en el número de enlaces ópticos activos requeridos para transportar el tráfico eCPRI, el cual escala con la asignación de PRB y el rango.
   • Operaciones por RU: Incluye la potencia de la cadena de RF estática (que varía entre los modos MIMO y SIMO) y el consumo dinámico del amplificador de potencia (PA).

2. Abstracción de Enlace mediante EESM: Para evitar simulaciones de nivel de enlace por realización que son computacionalmente costosas, el marco utiliza el Mapeo de SNR Efectivo Exponencial (EESM). Esto mapea las SNR de subportadoras selectivas en frecuencia a una SNR escalar equivalente. Crucialmente, la forma exponencial de EESM permite que el problema de maximización de EE se reformule como un problema de minimización de potencia convexo. Los autores realizan una calibración offline del parámetro EESM ($\beta_m$) para cada índice de MCS utilizando canales TDL-C compatibles con 3GPP NR, asegurando que el modelo prediga el BLER con precisión frente a un umbral objetivo sin necesidad de simulación en tiempo de ejecución.

3. Optimización Convexa y Solución de Forma Cerrada: El problema de maximización de EE se transforma en la minimización de la potencia de transmisión sujeta a una restricencia de BLER objetivo. Al aprovechar la convexidad de la restricción EESM, los autores derivan las condiciones de Karush-Kuhn-Tucker (KKT). Para el caso de flujo único (SIMO), esto produce una solución de asignación de potencia de forma cerrada, similar al llenado de agua (waterfilling). Para MIMO de múltiples flujos, se derivan soluciones numéricas a partir de las condiciones KKT.

4. Control Sensible al Tráfico: El marco se extiende a un entorno de tráfico espacio-temporal utilizando trayectorias de usuarios del Simulador de Transporte de Agentes Múltiples (MATSim) y perfiles de demanda empíricos. Una estrategia de control cambia dinámicamente cada RU entre tres modos basados en la demanda de tráfico instantánea:

   • MIMO: Operación de rango completo.
   • SIMO: Operación de rango reducido (flujo único).
   • Sleep (Sueño): Desactivación de la cadena de RF.
     La estrategia determina los umbrales de cruce (por ejemplo, $\Lambda^*$) donde la potencia total del sistema (incluyendo la sobrecarga de la vDU y el fronthaul) se minimiza mediante el cambio de modo.

Contribuciones Clave

• Modelo de Potencia D-MIMO vRAN: Los autores presentan un nuevo modelo de potencia que captura simultáneamente la potencia de la vDU, el transporte de fronthaul y las operaciones de RF por RU, abordando una brecha en trabajos previos que a menudo omitían las sobrecargas de banda base y de fronthaul en contextos de D-MIMO.
• Reformulación Convexa mediante EESM: El artículo reformula la maximización de EE como un problema de minimización de potencia convexo bajo restricciones de Tamaño de Bloque de Transporte (TBS) compatibles con 3GPP. Este enfoque genera condiciones KKT de forma cerrada y soluciones tipo waterfilling, evitando la no convexidad asociada con otros mapeos de información mutua.
• Estrategia Sensible al Tráfico: Se propone una nueva estrategia que optimiza conjuntamente el modo de operación de la RU (MIMO/SIMO/Sleep) y los parámetros de la capa física (MCS, rango, potencia). Esta se evalúa utilizando un modelo de tráfico espacio-temporal realista que combina la movilidad de MATSim con perfiles de demanda empíricos.
• Calibración Offline: El marco valida que un $\beta_m$ calibrado offline por cada MCS predice con precisión el rendimiento del enlace sobre canales TDL-C, eliminando la necesidad de simulación continua de nivel de enlace durante la optimización.

Resultados
Los resultados de la simulación sobre canales de desvanecimiento compatibles con 3GPP NR demuestran lo siguiente:

• Precisión del Modelo: El modelo EESM calibrado offline predice con precisión el BLER a través de varios índices de MCS y realizaciones de canal, coincidiendo con los resultados de la simulación completa de nivel de enlace.
• Rango SIMO Extendido: La inclusión de la potencia de la vDU y del fronthaul en el modelo desplaza el umbral de cruce de potencia MIMO/SIMO ($\Lambda^*$) en un 24% en comparación con los modelos que solo consideran la RF. Esto extiende el rango de tráfico donde la transmisión SIMO es más eficiente energéticamente que la MIMO.
• Ganancias de Eficiencia Energética: El marco propuesto logra una ganancia de EE promedio del 32% sobre una línea base MIMO siempre activa (con $L_{act}=3$ RUs activas) mientras mantiene un rendimiento de datos comparable durante las horas pico. El marco también supera a las líneas base con más RUs activas ($L_{act}=5, 7$), particularmente durante las horas de baja demanda cuando el cambio a modos SIMO o sleep genera ahorros significativos.
• Límites de Rendimiento: El estudio señala que el marco propuesto se aproxima a la envolvente de capacidad teórica de Shannon, pero permanece limitado por la naturaleza discreta de los niveles de MCS de 3GPP, observándose una brecha de rendimiento de 1.4–2.0$\times$ en rangos específicos de alta SNR.

Significancia y Reivindicaciones
El artículo afirma que su principal significancia radica en proporcionar un marco de optimización tratable y de forma cerrada que cierra la brecha entre los límites teóricos de EE y las restricciones prácticas de despliegue de vRAN. Al resolver los componentes de potencia específicos de la D-MIMO vRAN (vDU, fronthaul, RU), los autores demuestran que ignorar estos componentes conduce a una selección de modo suboptimal. El trabajo sostiene que la estrategia propuesta sensible al tráfico, que adapta la operación del hardware a la demanda espacio-temporal, ofrece una vía práctica para reducir significativamente el consumo de energía en redes 5G y futuras redes 6G sin sacrificar la calidad del servicio. Los autores señalan que el marco no está ligado específicamente a 5G NR, sino que se basa en la cardinalidad finita de los conjuntos de MCS y rango, sugiriendo su aplicabilidad a futuros estándares una vez que se definan los parámetros. Reconocen limitaciones, como el supuesto de Información de Estado de Canal (CSI) perfecta y escenarios de un solo usuario, posicionando las ganancias reportadas como un límite superior para despliegues prácticos.