Context-Enhanced CSI Tracking Using Koopman-Inspired Dual Autoencoders in Dynamic Wireless Environments

1. Enunciato del Problema

Il documento affronta sfide critiche nelle reti wireless di prossima generazione (5G/6G), in particolare riguardo alla stima e al tracciamento delle Informazioni sullo Stato del Canale (CSI) in ambienti altamente dinamici.

• Fluttuazioni Dinamiche: I canali wireless cambiano rapidamente a causa della mobilità degli utenti, di fattori ambientali (temperatura, pioggia, ostacoli) e delle condizioni atmosferiche. Le tradizionali Mappe della Conoscenza del Canale (CKM) faticano ad aggiornarsi efficientemente in tempo reale senza riaddestrare l'intero modello.
• Scarsità di Dati e Lacune: In scenari reali, si verificano spesso "intervalli di silenzio" in cui mancano misurazioni CSI (ad esempio, a causa dell'overhead dei piloti o del blocco del segnale). I modelli esistenti spesso falliscono nel prevedere con accuratezza durante queste lacune.
• Preoccupazioni sulla Privacy: L'utilizzo della posizione dell'utente e dei dati ambientali per gli aggiornamenti delle CKM solleva rischi significativi per la privacy, poiché dati personali sensibili (abitudini, spostamenti) potrebbero essere esposti se non gestiti correttamente.
• Non Linearità: La dinamica del canale è intrinsecamente non lineare e influenzata da fattori esogeni, rendendo i modelli di previsione lineari (come i filtri di Kalman standard) insufficienti senza modifiche sostanziali.

2. Metodologia

Gli autori propongono un nuovo framework che combina la Teoria dell'Operatore di Koopman con Autoencoder Informati dalla Fisica (PIAE) per modellare la CSI come un sistema dinamico non lineare.

A. Architettura Principale: Autoencoder Duali Informati dalla Fisica

Il framework utilizza due autoencoder accoppiati che condividono uno spazio latente:

1. Autoencoder CSI: Codifica lo stato del canale ($h_t$) in una rappresentazione latente ($z_t$).
2. Autoencoder Contesto: Codifica input contestuali esogeni ($u_t$), come posizione, temperatura, pressione e intensità della pioggia, in una rappresentazione latente ($\zeta_t$).

B. Dinamiche di Koopman nello Spazio Latente

Invece di modellare direttamente le dinamiche non lineari, il metodo solleva il sistema in uno spazio a dimensionalità superiore dove l'evoluzione è lineare.

• Evoluzione Lineare: Lo stato latente evolve secondo $z_{t+1} = K z_t + B \zeta_t$, dove:
  • $K$ è l'operatore di Koopman appreso (che governa le dinamiche intrinseche del canale).
  • $B$ è una matrice di effetto ingresso (che modella l'influenza del contesto).
• Funzione di Perdita Informata dalla Fisica: L'addestramento minimizza una funzione di perdita composita:
  • Perdita di Ricostruzione: Garantisce che gli autoencoder possano ricostruire accuratamente la CSI e il contesto dalle variabili latenti.
  • Perdita di Coerenza di Koopman: Impone che lo stato latente successivo previsto corrisponda allo stato successivo effettivamente codificato tramite l'operatore lineare ($K$ e $B$).

C. Varianti Avanzate

• Autoencoder Variazionale di Koopman (VKAE): Introduce rappresentazioni latenti probabilistiche per gestire il rumore stocastico e quantificare l'incertezza (aleatoria ed epistemica). Utilizza una struttura di Autoencoder Variazionale (VAE) con regolarizzazione della divergenza KL.
• Lisciamento di Kalman: Per affinare la coerenza temporale, gli autori applicano il lisciamento Rauch-Tung-Striebel (RTS) sulla sequenza latente inferita, integrando osservazioni passate e future per migliorare la stima dello stato.

D. Meccanismo di Preservazione della Privacy

Per affrontare le preoccupazioni sulla privacy, il modello impiega una strategia a finestra mobile. L'operatore di Koopman viene aggiornato utilizzando i dati all'interno di una specifica finestra temporale, dopo di che i dati di input grezzi vengono immediatamente eliminati dal sistema. Ciò garantisce che i dati sensibili sulla posizione e sull'ambiente non vengano conservati oltre la necessità operativa.

3. Contributi Chiave

1. CKM Potenziata dal Contesto: Estende il concetto di Mappa della Conoscenza del Canale agli ambienti dinamici integrando esplicitamente fattori contestuali granulari (meteo, posizione) nel modello di evoluzione del canale.
2. Framework Koopman-PIAE: Propone un'architettura a doppio autoencoder che linearizza le dinamiche CSI non lineari in uno spazio latente, mantenendo l'interpretabilità attraverso vincoli coerenti con la fisica.
3. Robustezza ai Dati Mancanti: Dimostra la capacità di eseguire previsioni CSI ad alta fedeltà durante gli "intervalli di silenzio" (misure mancanti) sfruttando le dinamiche lineari apprese e i dati contestuali disponibili.
4. Apprendimento Consapevole della Privacy: Introduce un meccanismo di eliminazione dei dati all'interno del ciclo di apprendimento online per mitigare i rischi per la privacy associati al tracciamento della posizione degli utenti.
5. Scalabilità: L'approccio è progettato per essere scalabile per osservazioni ad alta dimensionalità (ad esempio, mmWave 6G) e adattabile a vari scenari wireless.

4. Risultati Sperimentali

Il modello è stato valutato utilizzando un simulatore MATLAB personalizzato per uno scenario di comunicazione assistita da UAV urbano (Jubilee Park, Londra), coprendo le frequenze 5G e 6G (da 3,5 GHz a 100 GHz).

• Accuratezza della Previsione (RMSE):

  • Il modello consapevole del contesto ha raggiunto un Errore Quadratico Medio (RMSE) significativamente inferiore rispetto a una linea di base senza contesto.
  • Scenari 5G: L'RMSE consapevole del contesto è stato < 0,1 dB, mentre la linea di base ha superato 2,4 dB.
  • Scenari 6G: A 95 GHz e 100 GHz, il modello consapevole del contesto ha raggiunto RMSE di 0,055 dB e 0,324 dB, rispettivamente, rispetto a >2,6 dB per la linea di base.
  • L'inclusione del contesto ha ridotto gli errori di previsione di un ordine di grandezza.

• Gestione degli Intervalli di Silenzio:

  • Il modello ha previsto con successo la CSI durante intervalli di silenzio simulati di 200 campioni utilizzando solo dati contestuali e le dinamiche di Koopman apprese, mantenendo un'alta fedeltà laddove i metodi tradizionali fallirebbero.

• Efficienza Computazionale:

  • Si è registrato un aumento marginale del tempo di previsione (da ~1,24s a ~1,44s per previsione) a causa della complessità aggiuntiva del vettore di contesto.
  • Gli autori sostengono che questo compromesso è giustificato data il massiccio miglioramento nell'accuratezza, rendendolo fattibile per la pianificazione di rete in tempo reale e il beamforming.

5. Significato e Impatto

• Ottimizzazione delle Reti di Nuova Generazione: Questo framework fornisce una soluzione scalabile per la Gestione delle Risorse Radio (RRM), il beamforming e la progettazione di sistemi adattivi nelle reti 5G/6G dove le condizioni del canale sono volatili.
• Collegamento tra Fisica e Dati: Unificando la teoria di Koopman (linearizzazione basata sulla fisica) con l'apprendimento profondo, il modello offre un'interpretabilità "scatola bianca" che manca alle reti neurali puramente "scatola nera", pur mantenendo la flessibilità di apprendere non linearità complesse.
• IA Conformità alla Privacy: Il lavoro dimostra che sistemi wireless ad alta precisione e consapevoli del contesto possono essere costruiti senza compromettere la privacy degli utenti, un requisito critico per il dispiegamento dell'infrastruttura 6G.
• Resilienza: La capacità di tracciare e prevedere i canali durante le lacune di dati rende i sistemi di comunicazione più affidabili in ambienti urbani ostacolati o ad alta mobilità.