Low-Complexity Sparse Superimposed Coding for Ultra Reliable Low Latency Communications

Sintesi Tecnica: Codifica Superimpressa Sparsa a Bassa Complessità per Comunicazioni Ultra-Affidabili a Bassa Latenza

Problematica
Le comunicazioni ultra-affidabili a bassa latenza (URLLC) rappresentano un requisito critico per le reti wireless di prossima generazione, supportando applicazioni critiche per il tempo come i veicoli autonomi e l'IoT industriale. Tuttavia, le strategie di trasmissione tradizionali basate su pacchetti di dati lunghi sono inadatte per l'URLLC a causa dell'elevata latenza e dell'inefficienza spettrale causate dalle estese procedure di segnalazione del controllo e di correzione degli errori. Sebbene la Codifica di Vettore Sparso (SVC) e le sue varianti, come la Codifica Superimpressa Sparsa (SSC), siano emerse come soluzioni promettenti per la trasmissione di pacchetti brevi, esse affrontano sfide computazionali significative. Gli schemi SSC convenzionali impiegano tipicamente matrici di codebook dense (ad esempio, Gaussiane o di Bernoulli) per garantire un'elevata accuratezza di decodifica. Questo approccio porta a un aumento esponenziale della dimensione del codebook con il numero di bit trasmessi, risultando in una complessità di codifica e decodifica proibitiva e in un overhead di archiviazione sostanziale. Questa complessità è particolarmente dannosa negli scenari IoT con risorse limitate, creando la necessità di schemi che riducano il carico computazionale senza sacrificare l'affidabilità.

Metodologia
Il documento propone uno schema SSC a bassa complessità progettato specificamente per scenari URLLC a pacchetti brevi. L'innovazione principale risiede nella progettazione di una struttura del codebook sparsa in cui ogni codeword contiene solo un piccolo numero di elementi non nulli.

• Processo di Codifica: I bit informativi sono partizionati in due segmenti. Il primo segmento ($b_I$ bit) viene codificato nel blocco di indice non nullo di un vettore sparso tramite mappatura sparsa. Il secondo segmento ($b_S$ bit) viene mappato sui valori di $K$ elementi non nulli utilizzando la modulazione QAM.
• Costruzione del Codebook Sparso: Inve alternativa all'uso di una matrice di diffusione densa, gli autori introducono una matrice di codebook di Bernoulli sparsa. Ciò viene ottenuto costruendo una matrice di campionamento $G$ in cui ogni colonna contiene solo $D$ elementi non nulli (con $D \ll M$). Il codebook denso originale viene campionato utilizzando questa matrice per generare un codebook sparso $\bar{A}$. Il fattore di sparsità $R = D/M$ controlla la proporzione di elementi non nulli.
• Algoritmo di Decodifica: Il ricevitore impiega l'algoritmo tradizionale di Multipath Matching Pursuit (MMP) per recuperare il vettore sparso. La chiave della riduzione della complessità risiede nello sfruttamento della sparsità della matrice di misurazione $\Phi$ (derivata dal codebook sparso e dal canale). Gli autori dimostrano che operazioni come il calcolo della matrice di Gram e gli aggiornamenti dei residui, che tipicamente sono $O(NM)$o$O(K^3 + MK^2)$ nei sistemi densi, possono essere eseguiti elemento per elemento sugli indici non nulli. Ciò riduce la complessità dell'aggiornamento del residuo a $O(RNM)$ e la stima dei minimi quadrati a $O(K^3 + RMK^2)$.

Contributi Chiave

1. Progettazione del Codebook Sparso: Il documento introduce una matrice di codebook di Bernoulli sparsa che riduce sostanzialmente la complessità di codifica e decodifica degli schemi SSC.
2. Trade-off Complessità-Prestazioni: Il sistema proposto utilizza un fattore di sparsità $R$ per controllare il compromesso tra complessità computazionale e prestazioni di decodifica. L'analisi mostra una riduzione della complessità di decodifica di circa un fattore $R$.
3. Adattamento Algoritmico: Il processo di decodifica è adattato per sfruttare la struttura sparsa della matrice di misurazione, riducendo significativamente il costo computazionale dell'algoritmo MMP rispetto alle implementazioni con matrici dense.

Risultati della Simulazione
Sono state condotte estese simulazioni per valutare le prestazioni del Tasso di Errore di Blocco (BLER) rispetto al Rapporto Segnale-Rumore (SNR) in canali con fading di Rayleigh, confrontando lo schema proposto con gli schemi SVC e SSC densi convenzionali.

• Prestazioni vs. Sparsità: I risultati indicano che le prestazioni BLER degradano gradualmente man mano che il fattore di sparsità $R$ diminuisce. Tuttavia, per $R \leq 0,25$, il degrado è minimo rispetto allo schema SSC denso convenzionale. Quando $R$ scende al di sotto di questa soglia, le prestazioni peggiorano rapidamente.
• Trade-off Ottimale: Con $R = 0,5$, lo schema proposto raggiunge una prestazione BLER molto vicina allo schema SSC convenzionale, con un gap di SNR di circa 0,2 dB a un BLER di $10^{-5}$. Questa configurazione offre una riduzione sostanziale della complessità (circa il 50%) con un sacrificio di prestazioni solo marginale.
• Robustezza: Lo schema proposto dimostra una forte robustezza attraverso diverse lunghezze di blocco di trasmissione ($M$). Sebbene i gap di prestazione si allarghino a valori di $R$ molto bassi (ad esempio, 0,25) al diminuire delle lunghezze di blocco, lo schema con $R = 0,5$ mantiene prestazioni comparabili ai sistemi convenzionali attraverso varie lunghezze di blocco.
• Confronto con SVC: Il sistema proposto supera lo schema SVC convenzionale quando $R > 0,375$, dimostrando un'affidabilità superiore attraverso una vasta gamma di configurazioni di sparsità.

Significatività e Rivendicazioni
Il documento afferma che il proposto schema SSC a bassa complessità affronta efficacementmente il collo di bottiglia computazionale degli esistenti metodi SVC/SSC negli scenari URLLC. Introducendo una struttura di codebook sparsa, gli autori ottengono un favorevole trade-off tra prestazioni BLER e complessità computazionale. Il lavoro suggerisce che lo schema sia un candidato promettente per le applicazioni IoT con risorse limitate, offrendo una forte robustezza attraverso diverse lunghezze di blocco di trasmissione pur mantenendo un'affidabilità comparabile alle implementazioni con codebook denso. Gli autori concludono che lo schema riesce a bilanciare le richieste contrastanti di ultra-affidabilità e bassa latenza di elaborazione senza incorrere nell'eccessivo overhead associato alle operazioni con matrici dense.