Energy-Efficient Resource Allocation for PA Distortion-Aware M-MIMO OFDM System

기술 요약: PA 왜곡 인식 M-MIMO OFDM 시스템을 위한 에너지 효율적 자원 할당

문제 제기
본 논문은 직교 주파수 분할 다중화 (OFDM) 를 사용하는 다운링크 다중 사용자 (MU) 대용량 다중 입력 다중 출력 (M-MIMO) 시스템에서 에너지 효율 (EE) 을 극대화하는 과제를 다룬다. M-MIMO 는 5G 및 그 이후 세대의 핵심 기술이지만, 그 에너지 소비는 특히 기지국 (BS) 의 총 에너지 소비 중 최대 65% 를 차지할 수 있는 전력 증폭기 (PA) 와 같은 하드웨어 구성 요소에 크게 좌우된다.

기존 자원 할당 전략들은 실제 PA 가 도입하는 비선형 왜곡을 정확하게 모델링하지 못하는 경우가 많다. 대부분의 선행 연구들은 이상적인 선형 PA 를 가정하거나, 일정한 신호 - 왜곡 비율 (SDR) 을 갖는 가산 가우시안 왜곡으로 하드웨어 결함을 모델링한다. 이러한 단순화는 제한된 전력 범위에서만 유효하며, 특히 PA 포화 영역 근처에서 전송 전력, 비선형 왜곡, 그리고 전력 소비 간의 복잡한 상호작용을 포착하지 못한다. 결과적으로 이러한 모델들은 종종 외부에서 부과된 전송 전력 제약을 필요로 하며, 최적이지 않은 EE 설계를 초래한다. 본 논문은 광대역 M-MIMO OFDM 시스템에 대한 현실적이고 광범위한 비선형 PA 모델을 기반으로 전송 전력, 사용자별 전력 할당, 그리고 활성 안테나 수를 공동으로 최적화하는 데 있어 존재하는 간극을 규명한다.

방법론
저자들은 독립적인 레일리 페이딩 채널에서 제로 포싱 (ZF) 프리코딩을 사용하는 다운링크 MU M-MIMO OFDM 시스템에 대한 시스템 모델을 제안한다. 주요 모델링 선택 사항은 다음과 같다:

• PA 모델: PA 를 표현하기 위해 소프트 리미터 (soft-limiter) 모델이 채택되었다. 이 모델은 포화 전력 ($P_{max}$) 이하의 신호를 선형적으로 증폭하고 그 이상인 경우 클리핑 (clipping) 한다. 이 모델은 신호 왜곡과 전력 소비가 모두 입력 백오프 (IBO) 에 의존함을 포착한다.
• 전력 소비: 총 BS 전력 소비 ($P_{tot}$) 는 정적 전력, 안테나당 RF 체인 전력, 그리고 PA 전력을 포함한다. PA 전력은 "Class B"(실제적) 와 "Perfect"(이상화) 아키텍처 모두에 대해 모델링되어 IBO 에 따라 소비가 어떻게 변화하는지를 보여준다.
• 성능 지표: 비선형 왜곡을 잡음과 유사한 간섭으로 취급하여 버스강 (Bussgang) 분해를 사용하여 신호 - 잡음 - 왜곡 비율 (SNDR) 이 유도되었다. EE 는 달성 가능한 합률과 총 소비 전력의 비율로 정의된다.

최적화 프레임워크
저자들은 총 전송 전력 ($P$), 사용자별 전력 할당 비율 ($\omega$), 그리고 활성 안테나 수 ($M$) 를 공동으로 최적화하는 EE 극대화 문제를 수립한다. 이는 비볼록 혼합 정수 분수 최적화 문제를 초래한다. 이를 해결하기 위해 저자들은 DEEP-DEAL(왜곡 인식 에너지 효율 전력 할당 및 안테나 할당) 이라는 교대 최적화 (AO) 프레임워크를 개발한다:

1. DEEP(전력 할당): 고정된 안테나 수에 대해, 문제는 다음과 같이 분해된다:
   • 총 전력 최적화: 비볼록 단일 변수 문제이다. 저자들은 EE 도함수의 점근적 거동을 분석하여 정상점의 존재를 증명한다. 함수별 시작점 탐색을 포함한 이분법 기반 루트 찾기 알고리즘을 사용하여 최적의 총 전력을 찾는다.
   • 사용자별 전력 분배: 다중 변수 문제이며 오목함수 (concave) 임이 입증되었다. 최적 해는 라그랑주 쌍대 변수에 대한 표준 이분법으로 풀 수 있는 워터필링 (water-filling) 구조를 따른다.
2. DEAL(안테나 할당): 고정된 전력과 사용자 비율에 대해 활성 안테나 수 ($M$) 를 최적화한다. $M$ 은 정수이지만, 저자들은 이를 연속 변수로 완화한다. $M$ 에 대한 EE 도함수의 유일한 근 (root) 이 존재함을 증명하고, 이분법 탐색을 사용하여 연속 최적값을 찾는다. 그런 다음 바닥 (floor) 과 천장 (ceiling) 값을 평가하여 최적의 정수 해를 선택한다.
3. 수렴: 알고리즘은 이러한 블록 간에 반복한다. 저자들은 EE 값의 수열이 단조 비감소하며 정상점으로 수렴함을 증명한다. 계산 복잡도는 사용자 수에 선형적으로, 그리고 수치 정밀도에 로그적으로 비례한다.

주요 기여

• 현실적 모델링: 본 논문은 전송 전력, 왜곡, 그리고 전력 소비 간의 비선형 관계를 전체 작동 범위에서 포착하는 소프트 리미터 PA 모델을 활용한 EE 극대화 공식을 도입하여 임의의 외부 전력 제약의 필요성을 제거한다.
• 공동 최적화: 이는 비선형 PA 왜곡 하에서 광대역 M-MIMO OFDM 시스템에 대해 총 전송 전력, 사용자별 전력 비율, 그리고 활성 안테나 수를 공동으로 최적화한 최초의 연구이다.
• 알고리즘적 해결책: 저자들은 복잡한 혼합 정수 비볼록 문제를 효율적인 이분법과 워터필링 기법으로 해결 가능한 처리 가능한 하위 문제로 분해하는 DEEP-DEAL 프레임워크를 제안한다. 이는 Dinkelbach 방법과 successive convex approximation (SCA) 을 결합한 중첩 반복 절차의 높은 복잡성을 피한다.
• 이론적 보장: 본 논문은 전력 및 안테나 하위 문제에 대한 정상점의 존재에 대한 엄밀한 증명을 제공하며, 전체 AO 알고리즘의 수렴 특성을 확립한다.

시뮬레이션 결과
수치 시뮬레이션은 제안된 DEEP-DEAL 프레임워크를 고정 IBO(REF-E), 고정 SDR 모델 (FixedSDR), 그리고 전력만 최적화 (DEEP) 하는 기준선과 비교한다.

• EE 개선: 대규모 다중 사용자 시나리오 (예: 60 명의 사용자) 에서 DEEP-DEAL 은 고정 전력 및 안테나 할당 기준선에 비해 최대 3 배의 중앙값 EE 개선을 달성한다.
• 작동 지점: 결과는 EE 최적 작동 지점이 종종 유한한 전송 전력과 유한한 수의 활성 안테나에서 발생함을 보여준다. 안테나 스케일링과 결합된 포화 근처 (낮은 IBO) 의 PA 작동은 특히 높은 경로 손실 조건에서 EE 최적임이 입증되었다.
• 이질적 채널: 이질적인 경로 손실이 있는 시나리오에서 프레임워크는 채널이 더 강한 사용자에게 더 많은 전력을 동적으로 할당하고 이에 따라 안테나 수와 IBO 를 조정하여, 극단적인 비대칭 사례에서 고정 SDR 근사치보다 최대 2 배 더 우수한 성능을 보인다.
• 수렴: 알고리즘은 빠른 경험적 수렴을 보이며, 일반적으로 5 회 외부 반복 이내에 안정화된다.

의의
본 논문은 M-MIMO 시스템에서 EE 를 극대화하기 위해 왜곡 인식 전력 제어와 안테나 스케일링 간의 균형이 필요함을 강조한다. 단순화된 선형 또는 일정 SDR 모델을 넘어선 이 연구는 미래의 지속 가능한 무선 네트워크를 위한 더 정확하고 효율적인 설계 방법론을 제공한다. 저자들은 최적 전략이 종종 PA 를 포화에 더 가깝게 작동시키면서 활성 안테나 수를 동적으로 조정하는 것을 수반하며, 이는 전통적인 모델이 포착하지 못하는 트레이드오프라고 지적한다. 이 연구는 PA 의 비선형 특성을 무시하는 것이 에너지 제약 네트워크 설계에서 상당한 최적성 손실로 이어진다고 시사한다.