Résumé Technique : Traitement des Interférences dans les Réseaux HAPS par Clustering Conscient de l'Angle et RSMA

Énoncé du Problème

Les Stations Plateformes Stratosphériques (HAPS) offrent une solution prometteuse pour les réseaux sans fil de nouvelle génération en fournissant une connectivité omniprésente depuis la stratosphère. Cependant, les réseaux HAPS font face à des défis d'interférence uniques, distincts de ceux des réseaux terrestres. En raison de l'altitude élevée des HAPS, les liaisons vers les utilisateurs au sol sont dominées par de fortes conditions de visibilité directe (LoS) avec une variabilité de canal limitée. Par conséquent, des utilisateurs qui apparaissent géographiquement éloignés d'un point de vue terrestre semblent proches les uns des autres du point de vue du HAPS, ce qui entraîne des conditions de canal très similaires et une interférence inter-utilisateur intensifiée.

Le problème spécifique abordé dans ce travail implique un HAPS unique desservant plusieurs utilisateurs au sol via plusieurs faisceaux sur un nombre limité de Blocs de Ressources (RB) orthogonaux. Puisque le nombre d'utilisateurs ($U$) dépasse le nombre de RB disponibles ($R$), plusieurs utilisateurs doivent partager le même RB, entraînant une interférence intra-RB sévère. Les approches traditionnelles utilisant des faisceaux spécifiques à l'utilisateur sont souvent peu pratiques compte tenu de l'altitude du HAPS et de la proximité des utilisateurs. Par conséquent, le défi réside dans la gestion efficace des interférences lorsque les utilisateurs sont regroupés en clusters géographiques desservis par un seul faisceau, tout en allouant simultanément des RB limités et en optimisant les stratégies de transmission pour maximiser l'efficacité spectrale (SE).

Méthodologie

Les auteurs proposent un cadre en trois étapes pour gérer les interférences : Clustering Conscient de l'Angle, Allocation de RB Consciente des Interférences et Accès Multiple par Séparation de Débit (RSMA).

1. Clustering Conscient de l'Angle et Pilotage de Faisceau

Le système suppose que le HAPS forme des faisceaux vers des clusters géographiques plutôt que vers des utilisateurs individuels.

• Stratégie de Clustering : Les utilisateurs sont regroupés en $L = \lceil U/R \rceil$ clusters basés sur leurs positions angulaires (élévation $\theta$ et azimut $\phi$). Les auteurs utilisent un algorithme K-means contraint par la capacité pour s'assurer qu'aucun cluster ne dépasse la taille $R$.
• Pilotage de Faisceau (WU-Clustering) : Contrairement aux approches basées sur le centroïde, la stratégie de clustering « Worst-User » (WU) proposée oriente chaque faisceau vers la direction qui maximise le gain d'antenne effectif minimum parmi tous les utilisateurs de ce cluster. Cela garantit l'équité et protège les utilisateurs ayant les pires conditions de canal au sein du cluster.
• Allocation de RB : Au sein de chaque cluster, les RB sont alloués de manière orthogonale pour éviter les interférences intra-cluster. Cependant, puisque les RB sont réutilisés entre différents clusters, les interférences inter-clusters subsistent. L'algorithme d'allocation attribue les RB aux utilisateurs afin de minimiser la fuite d'interférence accumulée provenant des utilisateurs déjà programmés dans d'autres clusters.

2. Gestion des Interférences Inter-Clusters basée sur RSMA

Pour atténuer les interférences inter-clusters inévitables causées par la réutilisation des RB, les auteurs emploient l'Accès Multiple par Séparation de Débit (RSMA) sur une base par RB.

• Séparation des Messages : Le message de chaque utilisateur est divisé en une partie commune et une partie privée.
• Structure de Transmission :
  • Les parties communes de tous les utilisateurs partageant un RB spécifique sont combinées en un seul flux commun ($s^{(c)}_r$), transmis avec une puissance $p^{(c)}_{r,\ell}$ par faisceau de cluster.
  • Les parties privées sont encodées en flux privés individuels ($s^{(p)}_u$), transmis avec une puissance $p^{(p)}_u$.
• Réception : Les utilisateurs décodent d'abord le flux commun (en traitant les flux privés comme du bruit), effectuent une Annulation Successive des Interférences (SIC), puis décodent leur flux privé. Cela permet une gestion flexible des interférences en traitant l'interférence comme du bruit ou en la décodant partiellement.

3. Formulation de l'Optimisation

Les auteurs formulent un problème d'optimisation de Maximisation du Minimum d'Équité (MMF) pour concevoir conjointement l'allocation de puissance pour les flux communs et privés ($p^{(c)}$ et $p^{(p)}$) et l'allocation de débit commun ($C_u$). L'objectif est de maximiser le débit de données réalisable minimum parmi tous les utilisateurs, sous réserve de contraintes de puissance d'émission totale et de contraintes de décodage.

• Approche de Solution : En raison de la nature non convexe du problème (impliquant des rapports de Rapport Signal à Interférence plus Bruit (SINR)), les auteurs emploient une technique d'Approximation Convexe Successive (SCA). Ils introduisent des variables d'écart et utilisent des approximations de Taylor du premier ordre pour transformer le problème en une forme convexe traitable, résolue de manière itérative.

Contributions Clés

1. Cadre de Clustering Novel : L'article introduit un algorithme de clustering conscient de l'angle qui regroupe les utilisateurs en fonction de leur similarité angulaire et emploie une stratégie de pilotage de faisceau basée sur l'utilisateur le plus défavorisé. Cela contraste avec les travaux antérieurs qui supposent souvent des faisceaux spécifiques à l'utilisateur ou un pilotage basé sur le centroïde, offrant une approche plus pratique pour la géométrie HAPS.
2. Stratégie RSMA Intégrée : Le travail intègre le RSMA dans les réseaux HAPS spécifiquement pour gérer les interférences inter-clusters résultant de la réutilisation des RB, un scénario où l'allocation orthogonale traditionnelle échoue.
3. Optimisation Conjointe : Les auteurs développent un algorithme itératif (MMF-RSMA-PA) qui optimise conjointement le pilotage de faisceau, l'allocation de RB et la séparation puissance/débit pour maximiser l'équité et l'efficacité spectrale.
4. Évaluation Complète : L'étude fournit une analyse détaillée des compromis entre le gain de formation de faisceau et l'atténuation des interférences, examinant spécifiquement l'impact des configurations de réseaux d'antennes HAPS (taille UPA).

Résultats Numériques

Des simulations ont été menées avec un HAPS à une altitude de 20 km desservant 60 utilisateurs sur 10 RBs utilisant un Réseau Planaire Uniforme (UPA) de 8x8.

• Convergence : L'algorithme SCA itératif proposé (Algorithme 2) démontre une convergence monotone, se stabilisant en moins de 13 itérations.
• Gains d'Efficacité Spectrale :
  • Impact du RSMA : La comparaison du schéma proposé (WU-Clustering + RSMA) avec une référence sans RSMA (WU-Clustering sans RSMA) révèle une amélioration substantielle. L'Efficacité Spectrale (SE) médiane est passée d'environ 0,12 b/s/Hz à 0,55 b/s/Hz (une augmentation quadruple), soulignant l'efficacité du RSMA dans la gestion des interférences inter-clusters.
  • Impact du Clustering : Le WU-Clustering proposé a constamment surpassé une approche de clustering basée sur le centroïde (C-Clustering + RSMA). En tenant explicitement compte des conditions de canal de l'utilisateur le plus défavorisé lors du pilotage de faisceau, la stratégie WU a amélioré l'équité et les débits minimums.
• Compromis de Configuration d'Antenne : L'augmentation du nombre d'éléments d'antenne (par exemple, de 2x2 à 8x8) a amélioré les performances en rétrécissant les faisceaux et en supprimant les interférences. Cependant, une augmentation supplémentaire de la taille du réseau (par exemple, à 16x16 ou plus) a conduit à une dégradation des performances. Des faisceaux plus étroits ont réduit le gain pour les utilisateurs situés loin du centre du faisceau, impactant négativement les performances globales du système.

Importance et Revendications

L'article revendique que le cadre proposé de clustering conscient de l'angle combiné au RSMA surpasse significativement les schémas de référence en termes d'efficacité spectrale par utilisateur réalisable. Les auteurs soulignent que leur approche traite les caractéristiques de propagation spécifiques des réseaux HAPS (LoS forte, variabilité de canal limitée) qui rendent les stratégies traditionnelles de gestion des interférences moins efficaces.

L'importance du travail réside dans la démonstration que :

1. Formation de Faisceau Pratique : Orienter les faisceaux en fonction de l'« utilisateur le plus défavorisé » au sein d'un cluster est supérieur au pilotage basé sur le centroïde pour garantir l'équité dans les réseaux HAPS.
2. Efficacité du RSMA : Le RSMA est un outil puissant pour gérer le type spécifique d'interférences inter-clusters généré par la réutilisation des RB dans les scénarios HAPS, offrant un pont entre le traitement de l'interférence comme du bruit et son décodage complet.
3. Équilibre de Conception Système : Il existe un compromis critique dans la conception des antennes HAPS ; augmenter simplement le nombre d'éléments d'antenne ne garantit pas de meilleures performances en raison du rétrécissement de la couverture des faisceaux, nécessitant une approche de conception équilibrée.

L'article conclut que cette approche intégrée gère efficacement les interférences dans les réseaux HAPS, améliorant les performances des utilisateurs au sol en termes d'efficacité spectrale sans nécessiter de matériel complexe de formation de faisceau spécifique à l'utilisateur.