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

Technische Samenvatting: Master-Assisted Distributed Uplink Operation voor Cell-Free Massive MIMO-netwerken

Probleemstelling
Cell-free massive multiple-input-multiple-output (CFmMIMO) wordt erkend als een veelbelovende technologie voor 6G-netwerken, omdat het de intercellulaire interferentie en de niet-uniforme kwaliteit van dienstverlening (quality of service) die in traditionele cellulaire massive MIMO voorkomen, aanpakt door een groot aantal access points (AP's) in te zetten om gebruikersapparaten (UE's) gezamenlijk te bedienen. De huidige uplink-operaties kampen echter met een afweging tussen prestaties en efficiëntie van middelen.

• Gecentraliseerde operatie: AP's sturen ruwe pilot- en datasignalen door naar een Central Processing Unit (CPU). Hoewel dit optimale combinatie mogelijk maakt met behulp van globale kanaalinformatie (CSI), brengt dit een prohibitieve fronthaul-signaleringslast en computationele complexiteit met zich mee naarmal het aantal UE's groeit.
• Gedistribueerde operatie: AP's voeren lokale kanaalschatting en datadetectie uit en sturen zachte schattingen naar de CPU voor uiteindelijke combinatie. Hoewel dit de fronthaul-signaleringsbelasting vermindert, hebben bestaande schema's vaak moeite om de spectrale efficiëntie (SE) van gecentraliseerde operaties te evenaren of vereisen ze het delen van globale CSI, wat de voordelen van schaalbaarheid tenietdoet.

Het artikel identificeert een gat in uplink-schema's die fronthaul-signaleringsbelasting, computationele complexiteit en spectrale prestaties effectief in balans brengen.

Methodologie
De auteurs stellen een nieuwe uplink-operatie voor, getiteld Master-Assisted Distributed Uplink Operation (MADUO). De kernarchitectuur omvat een hiërarchische toewijzing van AP's voor elke UE:

1. Master AP (MAP): Elke UE krijgt een specifieke MAP ($l_k$) toegewezen uit zijn bedieningsset.
2. Additional Serving APs (ASAPs): De overige AP's in de bedieningsset van de UE fungeren als ASAPs.

De operationele workflow is als volgt:

• Kanaalschatting: Alle AP's in de bedieningsset van een UE schatten de kanalen.
• ASAP-verwerking: ASAPs berekenen lokale zachte dataschattingen met behulp van een ontvangstcombiner (L-MMSE of LP-MMSE). Cruciaal is dat zij geen ruwe signalen doorsturen. In plaats daarvan sturen zij het volgende door:
  • De zachte dataschattingen ($\hat{s}_{j,k}$).
  • Gefuseerde kanaalschattingen.
  • Een Hermitische productterm ($\mu_{j,k}$) die de kwaliteit van de kanaalschattingen reflecteert (afgeleid van de som van de correlatiematrices van de schattingsfouten).
• MAP-verwerking: De MAP ontvangt het lokale signaal ($y_{l_k}$) en de verwerkte informatie van alle ASAPs. De MAP construeert een uitgebreide vector die het lokale signaal en de zachte schattingen van andere AP's bevat. De MAP past vervolgens een ontvangstcombinatievector toe op deze uitgebreide data om de uiteindelijke dataschatting te produceren.

Schaalbaarheid en Varianten
In het besef dat de initiële MADUO-formulering vereist dat AP's kanalen schatten voor alle UE's in het netwerk (niet-schaalbaar), stellen de auteurs een schaalbare variant voor, MADUO$_{scl}$:

• AP's schatten alleen de kanalen voor de UE's die zij bedienen.
• ASAPs gebruiken Local Partial MMSE (LP-MMSE) in plaats van L-MMSE.
• De door ASAPs doorgegeven informatie is beperkt tot de door hen bediende UE's.
• De MAP maakt alleen gebruik van lokale en ontvangen informatie die relevant is voor de door hem bediende UE's.

Belangrijkste Bijdragen

1. Nieuwe Architectuur: Introductie van het MADUO-framework, dat de last van de uiteindelijke datadetectie verschuift naar een aangewezen MAP, terwijl gebruik wordt gemaakt van zachte informatie van naburige AP's, in plaats van uitsluitend te vertrouwen op een CPU of volledig gedistribueerde lokale detectie.
2. Optimale Combinatieafleiding: Het artikel leidt de optimale ontvangstcombiner voor de MAP af door de haalbare spectrale efficiëntie te maximaliseren, waarbij het probleem wordt geformuleerd als een gegeneraliseerde Rayleigh-quotiënt.
3. Schaalbare Implementatie: De ontwikkeling van MADUO$_{scl}$, die de computationele en signaleringsafhankelijkheden op het totaal aantal UE's ($K$) vermindert door de informatie-uitwisseling te beperken tot lokale bedieningssets.
4. Complexiteitsanalyse: Een gedetailleerde analyse van de fronthaul-signaleringsbelasting (uitgewexelde complexe scalairen) en de computationele complexiteit (complexe vermenigvuldigingen) voor zowel de voorgestelde schema's als de bestaande benchmarks (C-MMSE, P-MMSE, L-MMSE, LP-MMSE).

Numerieke Resultaten
Simulaties werden uitgevoerd in een CFmMIMO-netwerk met $L=100$ AP's, $N=4$ antennes per AP, en variërende aantallen UE's ($K$).

• Spectrale Efficiëntie: Zowel MADUO als MADUO$_{scl}$ bereiken een spectrale efficiëntie die vergelijkbaar is met de gecentraliseerde C-MMSE-operatie en presteren aanzienlijk beter dan standaard gedistribueerde operaties (L-MMSE en LP-MMSE).
• Fronthaul-signaleringsbelasting: Voor $K > 60$ vereist MADUO$_{scl}$ minder fronthaul-signaleringsbelasting dan de standaard gedistribueerde operatie, terwijl de niet-schaalbare MADUO de meeste signalering vereist.
• Computationele Complexiteit: Beide voorgestelde schema's vereisen minder berekeningen dan de gecentraliseerde operatie. Opvallend genoeg neemt de computationele last van MADUO$_{scl}$ af naarmate $K$ toeneemt. Dit wordt toegeschreven aan het user-centric clusteringmechanisme, waarbij het aantal AP's dat een willekeurige UE bedient ($|A_k|$), afneemt naarmate het totaal aantal UE's groter wordt.

Betekenis en Claims
Het artikel beweert dat MADUO en de schaalbare variant een gebalanceerde oplossing bieden voor uplink-verwerking in CFmMIMO. De auteurs stellen dat deze schema's "vergelijkbaar presteren met de gecentraliseerde operatie" en tegelijkertijd succesvol "de fronthaul-signaleringsbelasting en de computationele complexiteit in balans brengen". Specifiek wordt MADUO$_{scl}$ benadrukt vanwege het vermogen om de fronthaul-signaleringsbelasting te verminderen ten opzichte van gedistribueerde operaties en lagere computationele lasten te bieden vergeleken met gecentraliseerde operaties, zonder de hoge spectrale efficiëntie op te offeren die gewoonlijk met gecentraliseerde verwerking gepaard gaat. Het werk wordt gepresenteerd als een stap naar praktische 6G-netwerkimplementaties waarbij middelenbeperkingen beheerd moeten worden naast de prestatie-eisen.