Energy Efficiency Optimization in Distributed MIMO vRAN via Cross-Layer Link Abstraction

Sintesi Tecnica: Ottimizzazione dell'Efficienza Energetica in D-MIMO vRAN tramite Astrazione del Link Cross-Layer

Definizione del Problema
Le reti di accesso radio virtualizzate (vRAN) spostano l'elaborazione del segnale Multiple-Input Multiple-Output (MIMO), intensiva dal punto di vista computazionale, dall'hardware dedicato a server general-purpose condivisi. Sebbene questa architettura offra flessibilità e vantaggi in termini di costi, introduce un panorama complesso del consumo energetico che i modelli tradizionali di efficienza energetica (EE) non riescono a catturare. Nello specifico, una D-MIMO vRAN consuma energia attraverso tre componenti distinte: l'elaborazione del segnale della Unità Distribuita virtualizzata (vDU), i link di trasporto fronthaul e le operazioni a radiofrequenza (RF) per ogni Unità Radio (RU). I modelli esistenti si concentrano spesso esclusivamente sulle componenti RF o si affidano a formulazioni di capacità di Shannon idealizzate che ignorano i vincoli discreti del Modulation and Coding Scheme (MCS) e gli obiettivi di Block Error Rate (BLRE) dei sistemi 3GPP implementati. Di conseguenza, manca un quadro unificato che ottimizzi congiuntamente la modulazione, il rank di trasmissione e l'allocazione della potenza, tenendo conto dell'intera architettura di potenza vRAN e della dinamica realistica del traffico.

Metodologia
Gli autori propongono un framework di ottimizzazione dell'EE cross-layer progettato per sistemi D-MIMO vRAN. La metodologia si articola in quattro fasi principali:

1. Modellazione della Potenza Comprensiva: Il documento sviluppa un modello di potenza che risolve la potenza totale del sistema ($P_{total}$) in tre componenti additive:

   • Baseband vDU: Modellata come una linea di base statica più una potenza dinamica che scala linearmente con il numero di Physical Resource Blocks (PRB) allocati e il rank di trasmissione.
   • Trasporto Fronthaul: Modellato in base al numero di link ottici attivi richiesti per trasportare il traffico eCPRI, che scala con l'allocazione dei PRB e il rank.
   • Operazioni Per-RU: Include la potenza statica della catena RF (variabile tra le modalità MIMO e SIMO) e il consumo dinamico dell'amplificatore di potenza (PA).

2. Astrazione del Link tramite EESM: Per evitare simulazioni del livello di link computazionalmente costose per ogni realizzazione, il framework utilizza l'Exponential Effective SNR Mapping (EESM). Questo mappa gli SNR dei sottoportanti frequenza-selettivi in uno scalare equivalente di SNR. Crucialmente, la forma esponenziale dell'EESM consente di riformulare il problema di massimizzazione dell'EE come un problema di minimizzazione della potenza convesso. Gli autori eseguono una calibrazione offline del parametro EESM ($\beta_m$) per ogni indice MCS utilizzando canali TDL-C conformi allo standard 3GPP NR, garantendo che il modello predica accuratamente il BLER rispetto a una soglia target senza simulazioni a runtime.

3. Ottimizzazione Convessa e Soluzione in Forma Chiusa: Il problema di massimizzazione dell'EE viene trasformato nella minimizzazione della potenza di trasmissione soggetta a un vincolo di BLER target. Sfruttando la convessità del vincolo EESM, gli autori derivano le condizioni di Karush-Kuhn-Tucker (KKT). Per il caso a singolo stream (SIMO), ciò produce una soluzione di allocazione della potenza in forma chiusa, simile al waterfilling. Per il MIMO multi-stream, vengono derivate soluzioni numeriche dalle condizioni KKT.

4. Controllo della Modalità Sensibile al Traffico: Il framework è esteso a un contesto di traffico spazio-temporale utilizzando le traiettorie degli utenti dal Multi-Agent Transport Simulator (MATSim) e profili di domanda empirici. Una strategia di controllo commuta dinamicamente ogni RU tra tre modalità basate sulla domanda di traffico istantanea:

   • MIMO: Operazione a rank completo.
   • SIMO: Operazione a rank ridotto (singolo stream).
   • Sleep (Sospensione): Disattivazione della catena RF.
     La strategia determina le soglie di incrocio (ad esempio, $\Lambda^*$) dove la potenza totale del sistema (inclusi l'overhead vDU e fronthaul) è minimizzata effettuando il passaggio tra le modalità.

Contributi Chiave

• Modello di Potenza D-MIMO vRAN: Gli autori presentano un nuovo modello di potenza che cattura simultaneamente l'elaborazione vDU, il trasporto fronthaul e le operazioni RF per-RU, colmando una lacuna nei lavori precedenti che spesso trascuravano le componenti di baseband e fronthaul nel contesto D-MIMO.
• Riformulazione Convessa tramite EESM: Il documento riformula la massimizzazione dell'EE come un problema di minimizzazione della potenza convessa sotto i vincoli di Transport Block Size (TBS) conformi allo standard 3GPP. Questo approccio fornisce condizioni KKT in forma chiusa e soluzioni simili al waterfilling, evitando la non-convessità associata ad altre mappature di informazione mutua.
• Strategia Sensibile al Traffico: Viene proposto un nuovo approccio che ottimizza congiuntamente la modalità operativa dell'RU (MIMO/SIMO/Sleep) e i parametri del livello fisico (MCS, rank, potenza). Questo è valutato utilizzando un modello di traffico spazio-temporale realistico che combina la mobilità MATSim con profili di domanda empirici.
• Calibrazione Offline: Il framework valida che un singolo parametro $\beta_m$ calibrato offline per ogni MCS predice accuratamente le prestazioni del link su canali TDL-C, eliminando la necessità di simulazioni continue del livello di link durante l'ottimizzazione.

Risultati
I risultati delle simulazioni su canali fading conformi allo standard 3GPP NR dimostrano quanto segue:

• Accuratezza del Modello: Il modello EESM calibrato offline predice accuratamente il BLER attraverso vari indici MCS e realizzazioni del canale, corrispondendo ai risultati delle simulazioni complete del livello di link.
• Estensione del Range SIMO: L'inclusione della potenza vDU e del fronthaul nel modello sposta la soglia di incrocio della potenza MIMO/SIMO ($\Lambda^*$) del 24% rispetto ai modelli basati solo sulla RF. Ciò estende l'intervallo di traffico in cui la trasmissione SIMO è più efficiente dal punto di vista energetico rispetto alla MIMO.
• Guadagni di Efficienza Energetica: Il framework proposto ottiene un guadagno medio di EE del 32% rispetto a una baseline MIMO sempre attiva e agnostica rispetto al traffico (con $L_{act}=3$ RU attive), mantenendo un throughput comparabile durante le ore di punta. Il framework supera anche le baseline con un numero maggiore di RU attive ($L_{act}=5, 7$), in particolare durante le ore di morbida quando il passaggio alle modalità SIMO o sleep produce risparmi significativi.
• Limiti di Prestazione: Lo studio osserva che il framework proposto si avvicina all'inviluppo teorico della capacità di Shannon ma rimane limitato dalla natura discreta dei livelli MCS 3GPP, con un gap di prestazione di 1,4–2,0× osservato in specifici intervalli di alto SNR.

Significatività e Rivendicazioni
Il documento afferma che la sua principale significatività risiede nel fornire un framework di ottimizzazione trattabile e in forma chiusa che colma il divario tra i limiti teorici di EE e i vincoli pratici di implementazione vRAN. Risolvendo le specifiche componenti di potenza della D-MIMO vRAN (vDU, fronthaul, RU), gli autori dimostrano che ignorare queste componenti porta a una selezione della modalità subottimale. Il lavoro asserisce che la strategia proposta, che adatta l'operazione hardware alla domanda spazio-temporale, offre una via pratica per ridurre significativamente il consumo energetico nelle reti 5G e nelle future reti 6G senza sacrificare la qualità del servizio. Gli autori notano che il framework non è strettamente legato al 5G NR ma si basa sulla cardinalità finita degli insiemi MCS e rank, suggerendo la sua applicabilità agli standard futuri una volta definiti i parametri. Essi riconoscono i limiti, come l'assunzione di una CSI perfetta e scenari a utente singolo, posizionando i guadagni riportati come un limite superiore per le implementazioni pratiche.