Master-Assisted Distributed Uplink Operation for Cell-Free Massive MIMO Networks

기술 요약: 셀-프리 대규모 MIMO 네트워크를 위한 마스터 보조 분산 업링크 동작

문제 정의
셀-프리 대규모 다중 입출력(Cell-free massive MIMO, CFmMIMO)은 다수의 액세스 포인트(AP)를 배치하여 협력적으로 사용자 단말(UE)을 서비스함으로써, 기존 셀룰러 대규모 MIMO에서 나타나는 셀 간 간섭과 불균일한 서비스 품질 문제를 해결하는 유망한 6G 네트워크 기술로 주목받고 있다. 그러나 기존의 업링크 동작은 성능과 자원 효율성 사이에서 트레이드오프(trade-off) 문제에 직면해 있다.

• 중앙 집중형 동작 (Centralized Operation): AP들이 가공되지 않은 파일럿 및 데이터 신호를 중앙 처리 장치(CPU)로 전달한다. 이는 전역 채널 상태 정보(CSI)를 이용한 최적의 결합을 가능하게 하지만, UE의 수가 증가함에 따라 과도한 프런트홀 시그널링 부하와 계산 복잡도를 초축한다.
• 분산형 동작 (Distributed Operation): AP들이 로컬 채널 추정과 데이터 검출을 수행한 후, CPU로 소프트 추정치(soft estimates)를 전송한다. 이는 프런트홀 시그널링을 줄여주지만, 기존 방식들은 스펙트럼 효율(SE) 측면에서 중앙 집중형 동작을 따라잡기 어렵거나, 확장성의 이점을 상쇄하는 전역 CSI 공유를 요구하는 경우가 많다.

본 논문은 프런트홀 시그널링, 계산 복잡도, 그리고 스펙트럼 성능을 효과적으로 균형 있게 조절할 수 있는 업링크 방식의 공백을 식별하였다.

방법론
저자들은 **마스터 보조 분산 업링크 동작(Master-Assisted Distributed Uplink Operation, MADUO)**이라 명명된 새로운 업링크 동작을 제안한다. 핵심 아키텍처는 각 UE에 대한 AP의 계층적 할당을 포함한다:

1. 마스터 AP (Master AP, MAP): 각 UE는 자신의 서빙 세트 중에서 특정 MAP($l_k$)를 할당받는다.
2. 추가 서빙 AP (Additional Serving APs, ASAPs): UE의 서빙 세트에 속한 나머지 AP들은 ASAPs 역할을 수행한다.

운영 흐름은 다음과 같다:

• 채널 추정 (Channel Estimation): UE의 서빙 세트에 속한 모든 AP가 채널을 추정한다.
• ASAP 처리: ASAPs는 수신 결합기(L-MMSE 또는 LP-MMSE)를 사용하여 로컬 소프트 데이터 추정치를 계산한다. 결정적으로, 이들은 가공되지 않은 신호를 보내지 않는다. 대신 다음을 전달한다:
  • 소프트 데이터 추정치($\hat{s}_{j,k}$).
  • 융합된 채널 추정치.
  • 채널 추정 오차의 상관 행렬 합으로부터 유도된, 채널 추정 품질을 반영하는 헤르미션 곱 항($\mu_{j,k}$).
• MAP 처리: MAP는 로컬 신호($y_{l_k}$)와 모든 ASAPs로부터 처리된 정보를 수신한다. MAP는 로컬 신호와 다른 AP들로부터 받은 소프트 추정치를 포함하는 증강 벡터(augmented vector)를 구성한다. 그 후, MAP는 이 증강된 데이터에 수신 결합 벡터를 적용하여 최종 데이터 추정치를 생성한다.

확장성 및 변형 (Scalability and Variants)
초기 MADUO 공식은 모든 AP가 네트워크 내의 모든 UE에 대해 채널을 추정해야 하므로 확장성이 부족하다는 점을 인지하여, 저자들은 확장 가능한 변형 모델인 MADUO$_{scl}$을 제안한다:

• AP는 자신이 서빙하는 UE에 대해서만 채널을 추정한다.
• ASAPs는 L-MMSE 대신 로컬 부분 MMSE(Local Partial MMSE, LP-MMSE)를 사용한다.
• ASAPs에 의해 전달되는 정보는 자신이 서빙하는 UE로 제한된다.
• MAP는 자신이 서빙하는 UE와 관련된 로컬 및 수신 정보만을 활용한다.

주요 기여 (Key Contributions)

1. 새로운 아키텍처: CPU나 완전 분산형 로컬 검출에만 의존하는 대신, 지정된 MAP에게 최종 데이터 검출 부담을 넘기면서 인접 AP들의 소프트 정보를 활용하는 MADUO 프레임워크를 도입하였다.
2. 최적 결합 유도: 스펙트럼 효율 극대화를 통해 MAP를 위한 최적의 수신 결합기를 유도하였으며, 이를 일반화된 레이리 몫(generalized Rayleigh quotient) 문제로 정식화하였다.
3. 확장 가능한 구현: 정보를 로컬 서빙 세트로 제한함으로써 전체 UE 수($K$)에 대한 계산 및 시그널링 의존성을 줄인 MADUO$_{scl}$을 개발하였다.
4. 복잡도 분석: 제안된 방식과 기존 벤치마크(C-MMSE, P-MMSE, L-MMSE, LP-MMSE) 간의 프런트홀 시그널링(교환되는 복소 스칼라) 및 계산 복잡도(복소 곱셈)에 대한 상세한 분석을 수행하였다.

수치 결과 (Numerical Results)
시뮬레이션은 $L=100$개의 AP, AP당 $N=4$개의 안테나, 그리고 다양한 수의 UE($K$)를 갖는 CFmMIMO 네트워크에서 수행되었다.

• 스펙트럼 효율 (Spectral Efficiency): MADUO와 MADUO$_{scl}$ 모두 중앙 집중형 C-MMSE 동작과 유사한 스펙트럼 효율을 달-성하였으며, 표준 분산형 동작(L-MMSE 및 LP-MMSE)보다 크게 우수한 성능을 보였다.
• 프런트홀 시그널링: $K > 60$일 때, MADUO$_{scl}$은 표준 분산형 동작보다 적은 프런트홀 시그널링을 필요로 하는 반면, 비확장형 MADUO는 가장 많은 시그널링을 필요로 한다.
• 계산 복잡도: 두 제안 방식 모두 중앙 집중형 동작보다 적은 계산량을 요구한다. 특히, MADUO$_{scl}$의 계산 부하는 $K$가 증가함에 따라 감소한다. 이는 임의의 UE를 서빙하는 AP의 수($|A_k|$)가 전체 UE 수가 증가함에 따라 감소하는 사용자 중심 클러스터링 메커니즘 덕분이다.

의의 및 주장 (Significance and Claims)
본 논문은 MADUO와 그 확장 가능한 변형 모델이 CFmMIMO 업링크 처리를 위한 균형 잡힌 솔루션을 제공한다고 주장한다. 저자들은 이 방식들이 "중앙 집중형 동작과 대등한 성능을 보이면서도", "프런트홀 시그널링과 계산 복잡도의 균형을 성공적으로 맞춘다"고 명시하였다. 특히, MADUO$_{scl}$은 높은 스펙트럼 효율을 희생하지 않으면서도 분산형 동작보다 적은 프런트홀 시그널링과 중앙 집중형 동작보다 낮은 계산 부하를 실현할 수 있다는 점이 강조되었다. 본 연구는 자원 제약 조건이 성능 요구 사항과 함께 관리되어야 하는 실질적인 6G 네트워크 구현을 향한 단계로 제시된다.