CQI-Based Interference Prediction for Link Adaptation in Industrial Sub-networks

Sintesi Tecnica: Predizione dell'Interferenza Basata su CQI per l'Adattamento del Link in Sottoreti Industriali

Definizione del Problema
Nelle sottoreti (SN) industriali che supportano comunicazioni ad alta affidabilità e bassa latenza (HRLLC), l'adattamento del link (LA) tradizionale affronta sfide significative. Questi ambienti presentano implementazioni dense e sub-band limitate, che portano a un'interferenza inter-SN sostanziale con funzioni di densità di probabilità (PDF) a coda pesante. Inoltre, i vincoli di latenza rigorosi (0,1–1 ms) e i ritardi di protocollo rendono impraticabili i meccanismi di feedback standard, come la procedura di Hybrid Automatic Repeat Request (HARQ) e i segnali di Acknowledgement (ACK). Di conseguenza, i report del Channel Quality Indicator (CQI) disponibili presso il Sub-network Controller (SNC) sono spesso obsoleti, quantizzati e compressi. Le soluzioni di LA esistenti faticano a gestire queste condizioni: le assunzioni basate sulla distribuzione Gaussiana falliscono nel modellare la natura a coda pesante dell'interferenza, mentre gli approcci basati sui dati come la Gaussian Process Regression (GPR) soffrono di una complessità computazionale proibitiva ($O(L^3)$) e mancano di robustezza rispetto agli outlier. Inoltre, molti metodi attuali richiedono un ulteriore overhead di segnalazione o si affidano a una conoscenza perfetta dell'interferenza lato User Equipment (UE), il che non è fattibile in questo contesto.

Metodologia
Gli autori propongono un nuovo framework di LA predittivo che opera interamente presso lo SNC utilizzando solo i report CQI disponibili. Il nucleo della metodologia prevede tre componenti integrate:

1. Modello di Stato Spazio Discreto Vettoriale (vDSSM): Il vettore della potenza dell'interferenza (IPV) è trattato come una variabile latente. Il sistema modella l'evoluzione dell'IPV e la sua relazione con il CQI osservato attraverso funzioni di processo e di misura sconosciute. Questo modello tiene conto degli errori di quantizzazione, degli errori di stima del SINR e dei ritardi indotti dal protocollo.
2. Regressione Sparse Student-t Process (SPTPR): Per affrontare la natura a coda pesante dell'interferenza e i vincoli computazionali, gli autori sostituiscono la standard GPR con la SPTPR. Questo approccio bayesiano non parametrico utilizza una distribuzione Student-t, che è robusta agli outlier e cattura meglio gli eventi di traffico sporadici rispetto alle assunzioni Gaussiane. Impiegando dei "punti di induzione" (inducing points), il metodo riduce la complessità computazionale da $O(L^3)$ a $O(L_E^2 \cdot L)$, dove $L_E \ll L$.
3. Modified Unscented Kalman Filter (MUKF): Per gestire la dinamica non lineare dei modelli SPTPR e compensare i ritardi di protocollo, viene impiegato un MUKF. A differenza delle approssimazioni lineari, il MUKF utilizza una trasformata unscented modificata con sigma-point derivati dalla distribuzione Student-t per propagare accuratamente media e covarianza. L'algoritmo perfeziona ricorsivamente le predizioni dell'interferenza allineando le osservazioni CQI ritardate con lo stato predetto, compensando efficacementmente il ritardo temporale senza richiedere segnalazione aggiuntiva.

Contributi Chiave

• Nuovo Framework vDSSM: Questo lavoro presenta il primo modello di stato spazio dinamico vettoriale per il LA nelle SN industriali che va oltre le assunzioni Gaussiane per modellare esplicitamente l'interferenza a coda pesante.
• Inferenza Robusta e Scalabile: L'integrazione della SPTPR consente la stima robusta della potenza dell'interferenza in condizioni di scarsità e coda pesante, riducendo significativamente la complessità computazionale rispetto ai baseline non parametrici.
• Compensazione del Ritardo senza Overhead: Lo schema proposto compensa i ritardi di protocollo e il CQI obsoleto interamente presso lo SNC. Elimina la necessità di dequantizzatori o di ulteriore overhead di segnalazione dai coppie Sensore-Attuatore (SA), rispettando i vincoli di segnalazione 3GPP.
• Approccio Data-Driven: Il metodo apprende i modelli di processo e di misura direttamente dai dati CQI osservati, evitando la necessità di complessi modelli di canale analitici che potrebbero mancare di generalizzabilità in contesti industriali dinamici.

Risultati Numerici
Le simulazioni sono state condotte in un capannone industriale di 25 × 25 m² con 20 SN, operanti a 6 GHz con modelli di canale 3GPP InF-DL. La proposta SPTPR-MUKF è stata confrontata con un LA "Genie" (limite superiore), un predittore LSTM supervisionato, un predittore di Media Mobile (MA) convenzionale e un approccio basato su GPR.

• Prestazioni: Il metodo proposto raggiunge un Block Error Rate (BLER) al di sotto del target del 90° percentile di $10^{-6}$, anche con ritardi di protocollo fino a 10 ms. Le sue prestazioni sono comparabili al baseline LSTM supervisionato e al LA "Genie", superando significativamente i metodi MA e di stima ritardata.
• Complessità: La SPTPR-Mukf ottiene una complessità computazionale oltre 10 volte inferiore rispetto a simili baseline non parametriche.
• Scalabilità: Il metodo mantiene un'elevata efficienza spettrale e un basso BLER all'aumentare del numero di interferenti e in scenari multi-SA (fino a 4 SA per SN).
• Robustezza: Il sistema mitiga efficacementamente l'impatto dei ritardi di protocollo e degli outlier, mantenendo le prestazioni laddove altri metodi degradano.

Significatività e Rivendicazioni
Il documento sostiene di essere il primo lavoro a utilizzare un approccio basato su vDSSM per il LA nelle SN industriali che incorpora la predizione dell'interferenza a coda pesante oltre le assunzioni Gaussiane. Evidenzia che, sfruttando i report CQI direttamente attraverso un processo Student-t sparso e un filtro di Kalman modificato, il sistema può raggiungere prestazioni di adattamento del link quasi ottimali senza incorrere nell'overhead di segnalazione o nei costi energetici associati alla trasmissione di stime dell'interferenza dai dispositivi edge. Gli autori pongono questo lavoro come un passo critico verso l'abilitazione della affidabilità a singola trasmissione in ambienti industriali densi e soggetti a interferenze dove le ritrasmissioni non sono fattibili. Il lavoro futuro si concentrerà sul dispiegamento in tempo reale e sulla generalizzazione attraverso diversi scenari.