A Baseline Mobility-Aware IRS-Assisted Uplink Framework With Energy-Detection-Based Channel Allocation

यहाँ अर्वदान रहिमियन के शोध पत्र "A Baseline Mobility-Aware IRS-Assisted Uplink Framework With Energy-Detection-Based Channel Allocation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र कम-शक्ति वाले वायरलेस नेटवर्क (जैसे IoT) में अपलिंक संचार के प्रबंधन की जटिलता को संबोधित करता है, जहाँ उपयोगकर्ता गतिशील (mobile) होते हैं और चैनल परिवर्तनशील होते हैं। विशेष रूप से, यह एक मल्टी-यूज़र अपलिंक सिस्टम में इंटेलिजेंट रिफ्लेक्टिंग सरफेस (IRS) को एकीकृत करने की चुनौती से निपटता है। मुख्य कठिनाइयाँ निम्नलिखित हैं:

• गतिशीलता (Mobility): बदलते उपयोगकर्ता ज्यामिति (geometry) और समय-परिवर्तित फेडिंग (fading) को ट्रैक करना।
• संसाधन आवंटन (Resource Allocation): थ्रूपुट को अधिकतम करने और हस्तक्षेप (interference) को कम करने के लिए उपयोगकर्ताओं को ऑर्थोगोनल चैनल कुशलतापूर्वक आवंटित करना।
• IRS नियंत्रण: यह निर्धारित करना कि IRS को किस उपयोगकर्ता पर "फोकस" करना है और सीमित हार्डवेयर परिशुद्धता (finite-bit quantization) के साथ फेज शिफ्ट को कैसे कॉन्फ़िगर किया जाए।
• व्यावहारिकता (Practicality): मौजूदा मॉडल अक्सर अत्यधिक जटिल धारणाओं पर निर्भर करते हैं या उनमें एक एकीकृत, स्व-निहित ढांचा (framework) की कमी होती है जो सैद्धांतिक भौतिकी-आधारित मॉडलिंग को कार्यान्वयन योग्य एल्गोरिदम के साथ जोड़ सके।

इसका लक्ष्य एक व्यावहारिक, सुसंगत बेसलाइन फ्रेमवर्क स्थापित करना है जो भौतिकी-आधारित प्रसार मॉडलिंग (propagation modeling) को अनुकूली शेड्यूलिंग और ऊर्जा-डिटेक्शन-आधारित चैनल आवंटन के साथ संयोजित करता है।

2. कार्यप्रणाली (Methodology)

यह फ्रेमवर्क एक सरल लेकिन स्पष्ट गणितीय मॉडल पर निर्मित है और इसे MATLAB सिम्युलेटर के माध्यम से लागू किया गया है।

A. सिस्टम मॉडल और प्रसार (System Model & Propagation)

• नेटवर्क टोपोलॉजी: $K$ सिंगल-एंटीना मोबाइल नोड्स, एक सिंगल-एंटीना बेस स्टेशन (BS), और $N$ तत्वों वाला एक IRS।
• चैनल संरचना: कुल चैनल $h_k(t)$ एक डायरेक्ट लिंक और एक IRS-असिस्टेड लिंक का योग है।
• पाथ-लॉस मॉडलिंग:
  • एक फिजिक्स-बेस्ड टू-हॉप कैस्केडेड पाथ-लॉस मॉडल का उपयोग किया गया है।
  • कैस्केडेड गेन $L_0^2$ (जहाँ $L_0 = (4\pi/\lambda)^2$) के अनुपात में स्केल होता है, जो कठोर विद्युत चुम्बकीय सिद्धांत (electromagnetic theory) के अनुरूप है, न कि सरलीकृत अनुभवजन्य मॉडलों के।
  • बड़े पैमाने के गेन दूरी पर निर्भर हैं; छोटे पैमाने के फेडिंग को स्वतंत्र जटिल गाऊसी चर (complex Gaussian variables) के रूप में मॉडल किया गया है।
• गतिशीलता और फेडिंग:
  • नोड्स एक सीमित क्षेत्र के भीतर निरंतर वेग (constant velocity) के साथ चलते हैं जिसमें परावर्तक सीमाएँ (reflective boundaries) होती हैं।
  • फेडिंग विकास (Fading Evolution): एक हाइब्रिड दृष्टिकोण का उपयोग किया जाता है। अधिकतम डॉप्लर शिफ्ट से प्राप्त कोहेरेंस-टाइम प्रॉक्सी के आधार पर स्मॉल-स्केल गुणांकों को फिर से खींचा जाता है। पुन: ड्राइंग के बीच, फेज विकास को डॉप्लर शिफ्ट फैक्टर के माध्यम से अनुमानित किया जाता है।

B. IRS फेज नियंत्रण (IRS Phase Control)

• फोकस चयन: IRS प्रत्येक टाइम स्लॉट में एक एकल "लक्ष्य" उपयोगकर्ता पर ध्यान केंद्रित करता है।
• फेज अलाइनमेंट: सिम्युलेटर ज्यामितीय फेज अलाइनमेंट (पथ लंबाई की भरपाई) का उपयोग करता है, न कि पूर्ण चैनल स्टेट इंफॉर्मेशन (CSI) का।
• क्वांटाइजेशन: फेज शिफ्ट को $b$ बिट्स (जैसे, $b=3$, जिससे 8 स्तर मिलते हैं) तक क्वांटाइज किया जाता है।
• पावर स्केलिंग: शोध पत्र सिद्ध करता है (प्रपोजिशन 1) कि स्वतंत्रता की धारणाओं के तहत, औसत परावर्तित शक्ति $N$ के साथ रैखिक रूप से स्केल होती है ($O(N)$), जो स्पष्ट रूप से $O(N^2)$ स्केलिंग के दावों से बचती है जिसके लिए मजबूत कोहेरेंस धारणाओं की आवश्यकता होती है।

C. अनुकूली शेड्यूलिंग और चैनल आवंटन (Adaptive Scheduling & Channel Allocation)

• फोकस यूजर चयन:
  • एक इनवर्स-रेट प्रायोरिटी वेट का उपयोग करता है: जिन उपयोगकर्ताओं की हालिया औसत दर कम होती है, उन्हें IRS फोकस टारगेट के रूप में चुने जाने की उच्च संभावना मिलती है।
  • नीति: वार्म-अप अवधि के दौरान राउंड-रॉबिन, उसके बाद पिछले दरों के स्लाइडिंग विंडो के आधार पर संभावabilistic चयन।
• चैनल आवंटन (ऊर्जा डिटेक्शन):
  • ऊर्जा डिटेक्शन द्वारा निर्देशित अनुक्रमिक चैनल आवंटन का उपयोग करता है।
  • थ्रेशोल्डिंग: एक लक्षित फॉल्स-अलार्म प्रोबेबिलिटी ($P_{fa}$) बनाए रखने के लिए ऊर्जा डिटेक्टर के लिए एक सटीक ची-स्क्वायर ($\chi^2$) थ्रेशोल्ड निकाला गया है। बड़े सैंपल साइज के लिए, एक गाऊसी सन्निकटन (Gaussian approximation) भी प्रदान किया गया है।
  • एल्गोरिदम: उपयोगकर्ताओं को क्रमिक रूप से चैनल आवंटित किए जाते हैं। यदि अनुमानित ऊर्जा (शोर + मौजूदा हस्तक्षेप) थ्रेशोल्ड से नीचे है, तो एक चैनल चुना जाता है; अन्यथा, न्यूनतम ऊर्जा वाला चैनल चुना जाता है।

3. मुख्य योगदान (Key Contributions)

1. एकीकृत फ्रेमवर्क: गतिशीलता, IRS नियंत्रण और चैनल आवंटन को संयोजित करने वाला एक स्व-निहित, कार्यान्वयन-संरेखित फ्रेमवर्क।
2. कठोर पाथ-लॉस फॉर्मूलेशन: दो-हॉप IRS लिंक्स के लिए सही $L_0^2$ कैस्केडेड स्केलिंग फैक्टर को अपनाना, जो भौतिक स्थिरता सुनिश्चित करता है।
3. सटीक डिटेक्शन थ्रेशोल्ड: ऊर्जा डिटेक्शन के लिए सटीक ची-स्क्वायर थ्रेशोल्ड का व्युत्पत्ति और अनुप्रयोग, जो ह्यूरिस्टिक सन्निकटन से आगे बढ़ता है।
4. अनुकूली नीति औपचारिकीकरण: एक औपचारिक "इनवर्स-रेट" अनुकूली फोकस नीति जो संरचनात्मक रूप से फेयरनेस-अवेयर (fairness-aware) है, हालांकि इसे वैश्विक रूप से इष्टतम होने का दावा नहीं किया गया है।
5. बेसलाइन संख्यात्मक उदाहरण: एक सीडेड संख्यात्मक सिमुलेशन (MATLAB) जो फ्रेमवर्क के व्यवहार को प्रदर्शित करता है, जो सैद्धांतिक दावों को विशिष्ट संख्यात्मक आउटपुट से अलग करता है।

4. परिणाम (संख्यात्मक उदाहरण) [Results (Numerical Example)]

शोध पत्र 200 टाइम स्लॉट में $K=10$ उपयोगकर्ताओं, $N=64$ IRS तत्वों और $C=4$ चैनलों के साथ एक सिमुलेशन प्रस्तुत करता है।

• प्रदर्शन विषमता (Performance Heterogeneity): सिस्टम महत्वपूर्ण प्रदर्शन असमानता प्रदर्शित करता है।
  • मजबूत उपयोगकर्ता (Strong Users): अनुकूल ज्यामिति वाले नोड्स (जैसे, नोड 10) उच्च SINR (43 dB) और उच्च दर (19.7 Mbps) प्राप्त करते हैं, लेकिन न्यूनतम IRS फोकस समय (~1%) प्राप्त करते हैं।
  • कमजोर उपयोगकर्ता (Weak Users): खराब ज्यामिति वाले नोड्स (जैसे, नोड 4) के औसत SINR अक्सर डिकोड थ्रेशोल्ड (-10 dB) से नीचे गिर जाते हैं, बावजूद इसके कि उन्हें उच्च IRS फोकस समय (12.5%) प्राप्त होता है।
• फेयरनेस बनाम थ्रूपुट:
  • जैन का फेयरनेस इंडेक्स कम (0.366) है, जो यह दर्शाता है कि जबकि शेड्यूलर कमजोर उपयोगकर्ताओं को प्राथमिकता देने का प्रयास करता है, भौतिक चैनल स्थितियाँ परिणाम पर हावी रहती हैं।
  • अनुकूली नियम सफलतापूर्वक फोकस समय को कम-दर वाले उपयोगकर्ताओं की ओर स्थानांतरित करता है, लेकिन यह गारंटी नहीं देता कि वे डेटा डिकोड कर पाएंगे यदि चैनल बहुत खराब है।
• SINR वितरण: औसत SINR -10.79 dB से 43.43 dB तक भिन्न होता है, जो मोबिलिटी-अवेयर IRS नेटवर्क में अत्यधिक परिवर्तनशीलता को उजागर करता है।

5. महत्व और भविष्य की दिशाएं (Significance and Future Directions)

• महत्व: यह कार्य एक पारदर्शी, गणितीय रूप से सुसंगत बेसलाइन प्रदान करता है। यह स्पष्ट धारणाओं (जैसे, फेडिंग की स्वतंत्रता, ज्यामितीय फेज कंट्रोल) को स्पष्ट रूप से बताते हुए और सैद्धांतिक व्युत्पत्तियों को सिमुलेशन परिणामों से अलग करते हुए "ब्लैक बॉक्स" सिमुलेशन से बचता है। यह अधिक जटिल मोबिलिटी मॉडल या उन्नत शेड्यूलिंग नीतियों के मूल्यांकन के लिए एक संदर्भ के रूप में कार्य करता है।
• सीमाएं और भविष्य का कार्य:
  • वर्तमान मोबिलिटी मॉडल सरलीकृत है (कोई पूर्ण जेक्स-टाइप कोरिलेशन नहीं)।
  • अध्ययन एक एकल रैंडम सीड पर निर्भर करता है; भविष्य के कार्य के लिए मल्टी-सीड एवरेजिंग और कॉन्फिडेंस इंटरवल की आवश्यकता है।
  • भविष्य के विस्तार में लर्निंग-आधारित शेड्यूलिंग, अधिक यथार्थवादी CSI अधिग्रहण, और गतिशील रूप से पुनर्गठित होने वाले IRS में कंट्रोल-डिले प्रभाव का अन्वेषण किया जाना चाहिए।

निष्कर्षतः, यह शोध पत्र सफलतापूर्वक प्रदर्शित करता है कि जबकि अनुकूली IRS फोकस कमजोर उपयोगकर्ताओं को प्राथमिकता दे सकता है, भौतिक चैनल सीमाएं (पाथ लॉस और फेडिंग) अभी भी महत्वपूर्ण प्रदर्शन असमानता का कारण बन सकती हैं, जिसके लिए आगे के अनुकूलन हेतु एक मजबूत बेसलाइन की आवश्यकता है।