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

Technische Samenvatting: CQI-gebaseerde Interferentievoorspelling voor Link Adaptatie in Industriële Subnetwerken

Probleemstelling
In industriële subnetwerken (SN's) die ondersteuning bieden aan High-Reliability en Low-Latency Communicatie (HRLLC), staat traditionele Link Adaptatie (LA) voor aanzienlijke uitdagingen. Deze omgevingen kenmerken zich door dichte implementaties en beperkte subbanden, wat leidt tot substantiële inter-SN interferentie met zware staarten in de waarschijnlijkheidsdichtheidsfunctie (PDF). Bovendien maken strikte latentiebeperkingen (0,1–1 ms) en protocolvertragingen standaard feedbackmechanismen, zoals Hybrid Automatic Repeat Request (HARQ) en Acknowledgement (ACK) signalen, onpraktisch. Bijgevolg zijn de Channel Quality Indicator (CQI) rapportages die beschikbaar zijn bij de Sub-network Controller (SNC) vaak verouderd, gekwantiseerd en gecomprimeerd. Bestaande LA-oplossingen worstelen met deze condities: op Gaussische aannames gebaseerde modellen falen bij het modelleren van de heavy-tailed aard van interferentie, terwijl datagedreven benaderingen zoals Gaussian Process Regression (GPR) lijden onder een prohibitieve computationele complexiteit ($O(L^3)$) en een gebrek aan robuustheid tegen uitschieters. Daarnaast vereisen veel huidige methoden extra signaleringsoverhead of vertrouwen ze op perfecte kennis van de interferentie aan de zijde van de User Equipment (UE), wat in deze context niet haalbaar is.

Methodologie
De auteurs stellen een nieuw voorspellend LA-framework voor dat volledig opereert bij de SNC met behulp van enkel beschikbare CQI-rapportages. De kern van de methodologie bestaat uit drie geïntegreerde componenten:

1. Vector Discrete-Time State-Space Model (vDSSM): De interferentiekrachtvector (IPV) wordt behandeld als een latente variabele. Het systeem modelleert de evolutie van de IPV en de relatie tot de geobserveerde CQI via onbekende proces- en meetfuncties. Dit model houdt rekening met kwantiseringsfouten, SINR-schattingsfouten en protocol-geïnduceerde vertragingen.
2. Sparse Student-t Process Regression (SPTPR): Om de heavy-tailed aard van interferentie en de computationele beperkingen aan te pakken, vervangen de auteurs de standaard GPR door SPTPR. Deze Bayesiaanse non-parametrische benadering maakt gebruik van een Student-t distributie, die robuuster is tegen uitschieters en sporadische verkeersevenementen beter kan vangen dan Gaussische aannames. Door gebruik te maken van "inducing points", reduceert deze methode de computationele complexiteit van $O(L^3)$ naar $O(L_E^2 \cdot L)$, waarbij $L_E \ll L$.
3. Modified Unscented Kalman Filter (MUKF): Om de niet-lineaire dynamiek van de SPTPR-modellen te verwerken en protocolvertragingen te compenseren, wordt een MUKF ingezet. In tegenstelling tot lineaire benaderingen gebruikt de MUKF een gemodificeerde unscented transform met sigma-punten afgeleid van de Student-t distributie om het gemiddelde en de covariantie nauwkeurig te propageren. Het algoritme verfijnt de interferentievoorspellingen recursief door vertraagde CQI-observaties af te stemmen op de voorspelde staat, waardoor de tijdsvertraging effectief wordt gecompenseerd zonder extra signalering te vereisen.

Belangrijkste Bijdragen

• Nieuw vDSSM Framework: Dit werk presenteert het eerste vector dynamische state-space model voor LA in industriële SN's dat verder gaat dan Gaussische aannames om expliciet heavy-tailed interferentie te modelleren.
• Robuuste en Schaalbare Inferentie: De integratie van SPTPR maakt een robuuste schatting van de interferentiekracht mogelijk onder ijle, heavy-tailed condities, terwijl de computationele complexiteit aanzienlijk wordt verminderd vergeleken met non-parametrische baselines.
• Delay Compensatie zonder Overhead: Het voorgestelde schema compenseert voor protocolvertragingen en verouderde CQI volledig bij de SNC. Het elimineert de noodzaak voor de-kwantiseerders of extra signaleringsoverhead van de Sensor-Actuator (SA) paren, in overeenstemming met 3GPP-signaleringsrestricties.
• Datagedreven Benadering: De methode leert proces- en meetmodellen direct van geobserveerde CQI-data, waardoor de noodzaak voor complexe analytische kanaalmodellen die mogelijk een gebrek aan generaliseerbaarheid hebben in dynamische industriële settings, wordt vermeden.

Numerieke Resultaten
Simulaties werden uitgevoerd in een 25 × 25 m² fabriekshal met 20 SN's, opererend op 6 GHz met 3GPP InF-DL kanaalmodellen. De voorgestelde SPTPR-MUKF werd vergeleken met een "Genie" LA (bovengrens), een gesuperviseerde LSTM-predictor, een conventionele Moving-Average (MA) predictor en een GPR-gebaseerde benadering.

• Prestaties: De voorgestelde methode bereikt een Block Error Rate (BLER) onder de 90e percentiel doelstelling van $10^{-6}$, zelfs met protocolvertragingen tot 10 ms. De prestaties zijn vergelijkbaar met de gesuperviseerde LSTM-baseline en de "Genie" LA, en presteren aanzienlijk beter dan de MA- en vertraagde schattingsmethoden.
• Complexiteit: De SPTPR-MUKF bereikt een meer dan 10× lagere computationele complexiteit vergeleken met vergelijkbare non-parametrische baselines.
• Schaalbaarheid: De methode behoudt een hoge spectrale efficiëntie en lage BLER naarmate het aantal interferenten toeneemt en in multi-SA scenario's (tot 4 SA's per SN).
• Robuustheid: Het systeem mitigeert effectief de impact van protocolvertragingen en uitschieters, waarbij de prestaties hoog blijven waar andere methoden degraderen.

Betekenis en Claims
Het artikel claimt het eerste werk te zijn dat een vDSSM-gebaseerde benadering voor LA in industriële SN's gebruikt die heavy-tailed interferentievoorspelling incorporeert buiten Gaussische aannames. Het benadrukt dat door direct gebruik te maken van CQI-rapportages via een sparse Student-t proces en een gemodificeerde Kalman filter, het systeem een bijna optimale link adaptatie prestatie kan bereiken zonder de signaleringsoverhead of energiekosten die gepaard gaan met het verzenden van interferentieschattingen vanaf de edge-apparaten. De auteurs positioneren dit werk als een cruciale stap naar het mogelijk maken van single-transmission betrouwbaarheid in dichte, interferentiegevoelige industriële omgevingen waar hertransmissies niet haalbaar zijn. Er wordt opgemerkt dat toekomstig werk zich zal richten op real-time implementatie en generalisatie over diverse scenario's.