Dynamic Interference Prediction for In-X 6G Sub-networks

Riepilogo Tecnico: Predizione Dinamica dell'Interferenza per Sottoreti In-X 6G

Enunciato del Problema
Il documento affronta la sfida della gestione delle interferenze (Interference Management - IM) all'interno delle sottoreti (Sub-networks - SN) In-X 6G, progettate per supportare comunicazioni iper-affidabili a bassa latenza (HRLLC) con requisiti di latenza compresi tra 0,1 e 1 ms e affidabilità fino al 99,99999 percentile. In ambienti di SN ultra-densi, l'interferenza varia rapidamente a causa delle caratteristiche del canale, della mobilità e dei limiti delle risorse.

Gli schemi tradizionali di adattamento del link (Link Adaptation - LA), che si basano su rapporti dell'indicatore di qualità del canale (CQI) e feedback ACK/NACK, affrontano ostacoli significativi in questo contesto:

1. Variazione Rapida dell'Interferenza: Il traffico HRLLC utilizza pacchetti brevi che occupano solo una frazione delle risorse fisiche per ogni intervallo di tempo di trasmissione (Transmission Time Interval - TTI), causando fluttuazioni dell'interferenza più rapide di quanto i metodi di tracciamento tradizionali possano gestire.
2. Ritardi di Reporting: L'inerente ritardo nei meccanismi di reporting del CQI rende l'informazione sull'interferenza obsoleta nel momento in cui raggiunge il punto di accesso (Access Point - AP).
3. Limiti di Ritrasmissione: Gli estremi vincoli di latenza spesso limitano le ritrasmissioni a un singolo tentativo, rendendo critica la selezione iniziale del schema di modulazione e codifica (Modulation and Coding Scheme - MCS).

Le soluzioni esistenti spesso richiedono stime esplicite del canale dagli dispositivi interferenti (aumentando l'overhead) o si affidano a modelli di apprendimento supervisionato che necessitano di etichette di interferenza "ground-truth" (difficili da ottenere in tempo reale). Inoltre, molti metodi esistenti si concentrano solo sulle probabilità di coda delle distribuzioni di interferenza, semplificando eccessivamente il problema del LA.

Metodologia
Gli autori propongono un metodo di predizione dell'interferenza lato AP, online e non supervisionato, che si basa esclusivamente sui rapporti CQI disponibili senza richiedere feedback espliciti o etichette ground-truth. La metodologia principale prevede tre fasi:

1. Modellazione del Sistema:

   • Gli autori modellano l'interferenza inter-SN utilizzando un modello di canale spazialmente coerente 3GPP e un modello di traffico ON-OFF.
   • I valori di potenza dell'interferenza (Interference Power Values - IPV) sono definiti come la somma dei contributi delle SN interferenti, incorporando perdita di percorso (path loss), fading su piccola scala (Rician per LOS, Rayleigh per NLOS) e shadowing.

2. Modello di Spazio di Stato a Tempo Discreto (Discrete-Time State Space Model - DSSM):

   • Viene formulato un DSSM Gaussiano in cui l'IPV è trattato come una variabile di stato latente (nascosta) e il rapporto CQI funge da osservazione.
   • Modello di Processo: Descrive l'evoluzione dinamica dell'IPV nel tempo attraverso i TTI, incorporando il rumore di processo per tenere conto degli errori di modellazione e dei ritardi di trasmissione.
   • Modello di Misura: Relaziona il CQI osservato (mappato in SINR) all'IPV sottostante, tenendo conto degli errori derivanti dalla compressione dell'Effective SNR Mapping (ESM) e dalla quantizzazione del CQI.

3. Approssimazioni tramite Filtro di Kalman Esteso (Extended Kalman Filter - EKF):

   • Per applicare efficientemente l'EKF a questo sistema non lineare, gli autori introducono specifiche approssimazioni:
     • Dinamiche di Transizione: La correlazione del fading su piccola scala è approssimata utilizzando una funzione di Bessel di ordine zero. La funzione di transizione viene linearizzata tramite un criterio di corrispondenza della correlazione, creando una combinazione convessa delle due stime IPV più recenti.
     • Rumore di Misura: Il rumore di misura è approssimato come il prodotto di due variabili gaussiane marginali che rappresentano l'errore ESM e l'errore di quantizzazione del CQI.
   • L'EKF opera in un processo standard a due fasi (predizione e aggiornamento) per stimare l'IPV ad ogni TTI, il quale viene poi utilizzato per regolare la stima del SINR per una selezione ottimale dell'MCS.

Contributi Chiave

1. Caratterizzazione Formale: Il documento caratterizza formalmente l'interferenza inter-SN utilizzando un modello di canale spazialmente coerente 3gpp combinato con un modello di traffico ON-OFF.
2. Nuova Formulazione DSSM: Presenta un DSSM Gaussiano a tempo discreto in cui gli IPV sono modellati come variabili latenti e i rapporti CQI come osservazioni. A differenza dei metodi precedenti, questo approccio modella l'intero intervallo di IPV anziché solo le probabilità di coda.
3. Predizione basata su EKF: Il lavoro introduce le approssimazioni necessarie al DSSM per consentire l'uso efficiente di un Filtro di Kalman Esteso per la predizione online dell'IPV utilizzando solo i rapporti CQI.
4. Validazione delle Prestazioni: I risultati numerici dimostrano che il metodo proposto supera i baseline convenzionali e raggiunge prestazioni comparabili ai metodi di apprendimento supervisionato (LSTM) e a un baseline ideale "Genie".

Risultati Numerici
Le simulazioni sono state condotte in un'area di 20x20 m², utilizzando una frequenza portante di 6 GHz e TTI di 0,1 ms.

• Errore di Predizione: Il predittore EKF proposto ha ottenuto un Errore Assoluto Relativo (Relative Absolute Error - RAE) circa 8 dB inferiore rispetto a un predittore a Media Mobile (Moving-Average - MA). Le prestazioni dell'EKF sono state quasi comparabili a quelle di un predittore LSTM pre-addestrato, nonostante l'EKF sia un approccio basato su modello e non supervisionato.
• Prestazioni di Adattamento del Link: In termini di Block Error Rate (BLER), il LA basato su EKF ha raggiunto l'obiettivo di BLERR di $10^{-5}$ nel 95% dei casi.
• Confronto: L'approccio EKF si è avvicinato molto alle prestazioni del LA "Genie" (che assume una conoscenza perfetta del SINR) e al baseline LSTM. Ha superato significativamente il predittore a Media Mobile, che ha faticato a tracciare le dinamiche non lineari dell'interferenza.

Significatività e Rivendicazioni
Il documento sostiene che il metodo proposto offra una soluzione a bassa complessità e computazionalmente efficiente, adatta per dispositivi SN di piccole dimensioni. Sfruttando le interdipendenze tra i rapporti CQI e gli IPV attraverso un modello di spazio di stato, il metodo raggiunge prestazioni comparabili a complessi baseline di machine learning (LSTM) e ai limiti teorici ottimali (Genie) senza la necessità di dati di addestramento o feedback espliciti sull'interferenza. Gli autori concludono che, con un'opportuna modellazione e approssimazioni, la modellazione dello spazio di stato a bassa complessità è un'alterna valida ai metodi di machine learning per la predizione dinamica dell'interferenza in scenari 6G HRLLC. Notano inoltre che l'estensione di ciò a DSSM a valori vettoriali per più UE per ogni AP rimane un'area aperta per indagini future.