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

Technische Samenvatting: Optimalisatie van Energie-efficiëntie in Distributed MIMO vRAN via Cross-Layer Link Abstractie

Probleemstelling
Virtualized Radio Access Networks (vRAN) verplaatsen rekenintensieve Multiple-Input Multiple-Output (MIMO) basebandverwerking van dedicated hardware naar gedeelde general-purpose servers. Hoewel deze architectuur flexibiliteit en kostenvoordelen biedt, introduceert het een complex energieverbruiklandschap dat traditionele energie-efficiëntie (EE) modellen niet volledig kunnen vatten. Specifiek verbruikt Distributed MIMO (D-MIMO) vRAN energie over drie afzonderlijke componenten: de virtualized Distributed Unit (vDU) basebandverwerking, de fronthaul transportverbindingen en de per-Radio Unit (RU) radiofrequentie (RF) operaties. Bestaande modellen richten zich vaak uitsluitend op RF-componenten of vertrouwen op geïdealiseerde Shannon-capaciteitsformuleringen die de discrete Modulatie- en Codingsschema (MCS) beperkingen en Block Error Rate (BLER) doelstellingen van uitgerolde 3GPP-systemen negeren. Bijgevolg is er een gebrek aan een verenigd framework dat modulatie, transmissierank en vermogensallocatie gezamenlijk optimaliseert, terwijl rekening wordt gehouden met de volledige vRAN-energiearchitectuur en realistische verkeersdynamiek.

Methodologie
De auteurs stellen een cross-layer EE-optimalisatieframework voor, ontworpen voor D-MIMO vRAN-systemen. De methodologie verloopt via vier hoofdfasen:

1. Uitgebreide Vermodellering: Het artikel ontwikkelt een vermodellering die het totale systeemvermogen ($P_{total}$) ontleedt in drie additieve componenten:

   • vDU Baseband: Gemodelleerd als een statische baseline plus dynamische vermogensschaling die lineair schaalt met het aantal toegewezen Physical Resource Blocks (PRB's) en de transmissierank.
   • Fronthaul Transport: Gemodelleerd op basis van het aantal actieve optische verbindingen die nodig zijn om eCPRI-verkeer te vervoeren, wat schaalt met de PRB-allocatie en rank.
   • Per-RU Operaties: Omvat statische RF-ketenverwerking (variërend tussen MIMO en SIMO modi) en dynamisch vermogensversterker (PA) verbruik.

2. Link Abstractie via EESM: Om rekenintensieve link-level simulaties per realisatie te vermijden, maakt het framework gebruik van Exponential Effective SNR Mapping (EESM). Dit brengt frequentie-selectieve subcarrier SNR's in kaart naar een scalaire equivalente SNR. Cruciaal is dat de exponentiële vorm van EESM het EE-maximalisatieprobleem mogelijk maakt om te herformuleren als een convex vermijningsprobleem. De auteurs voeren een offline kalibratie van de EESM-parameter ($\beta_m$) uit voor elke MCS-index met behulp van 3GPP NR-conforme TDL-C kanalen, waardoor het model de BLER nauwkeurig voorspelt tegen een doelwaarde zonder runtime-simulatie.

3. Convex Optimalisatie en Closed-Form Oplossing: Het EE-maximalisatieprobleem wordt getransformeerd naar het minimaliseren van het totale transmissievermogen onder een doel-BLER-beperking. Door gebruik te maken van de convexiteit van de EESM-beperking, leiden de auteurs de Karush-Kuhn-Tucker (KKT) condities af. Voor het single-stream geval (SIMO) levert dit een closed-form, waterfilling-achtige vermogensallocatieoplossing op. Voor multi-stream MIMO worden numerieke oplossingen afgeleid uit de KKT-condities.

4. Verkeersbewuste Moduscontrole: Het framework wordt uitgebreid naar een spatio-temporele verkeerssetting met behulp van gebruikerstrajecten uit de Multi-Agent Transport Simulator (MATSim) en empirische vraagprofielen. Een controlestrategie schakelt elke RU dynamisch tussen drie modi op basis van de instantane verkeersvraag:

   • MIMO: Full rank operatie.
   • SIMO: Gereduceerde rank (single stream) operatie.
   • Sleep: RF-keten deactivatie.
     De strategie bepaalt de crossover-drempels (bijv. $\Lambda^*$) waar het totale systeemvermogen (inclusclusief vDU en fronthaul overhead) wordt geminimaliseerd door van modus te wisselen.

Belangrijkste Bijdragen

• D-MIMO vRAN Vermodellering: De auteurs presenteren een nieuw vermodellering die gelijktijdig vDU-verwerking, fronthaul transport en per-RU RF-operaties vastlegt, waarmee een gat in eerder werk wordt gedicht dat vaak de baseband- en fronthaul-overheads in D-MIMO-contexten negeerde.
• Convex Herformulering via EESM: Het artikel herformuleert EE-maximalisatie als een convex vermijningsprobleem onder 3GPP-conforme Transport Block Size (TBS) beperkingen. Deze aanpak levert closed-form KKT-condities en waterfilling-achtige oplossingen op, waarbij de niet-convexiteit die geassocieerd wordt met andere mutual-information mappings wordt vermeden.
• Verkeersbewuste Strategie: Een nieuwe strategie wordt voorgesteld die de RU-operatiemodus (MIMO/SIMO/Sleep) en PHY-laag parameters (MCS, rank, vermogen) gezamenlijk optimaliseert. Dit wordt geëvalueerd met een realistisch spatio-temporeel verkeersmodel dat MATSim-mobiliteit combineert met empirische vraagprofielen.
• Offline Kalibratie: Het framework valideert dat een enkele offline-gekalibreerde $\beta_m$ per MCS de linkprestaties accuraat voorspelt over TDL-C kanalen, waardoor continue link-level simulatie wordt geëlimineerd.

Resultaten
Simulatieresultaten over 3GPP NR-conforme fadingkanalen tonen het volgende aan:

• Model Nauwkeurigheid: Het offline-gekalibreerde EESM-model voorspelt de BLER accuraat over diverse MCS-indices en kanaalrealisaties, waarbij het overeenkomt met volledige link-level simulatie-resultaten.
• Verlengde SIMO Range: De inclusie van vDU en fronthaul vermogen in het model verschuift de MIMO/SIMO vermogens-crossover drempel ($\Lambda^*$) met 24% vergeleken met RF-only modellen. Dit breidt het verkeersbereik uit waar SIMO-transmissie energie-efficiënter is dan MIMO.
• Energie-efficiëntie Winsten: Het voorgestelde verkeersbewuste framework bereikt een gemiddelde EE-winst van 32% ten opzichte van een verkeers-agnostische, altijd-aan MIMO baseline (met $L_{act}=3$ actieve RU's), terwijl vergelijkbare doorvoer tijdens piekuren wordt behouden. Het framework presteert ook beter dan baselines met meer actieve RU's ($L_{act}=5, 7$), met name tijdens daluren wanneer het schakelen naar SIMO- of sleep-modi significante besparingen oplevert.
• Prestatiegrenzen: De studie merkt op dat het voorgestelde framework de theoretische Shannon-capaciteit envelop benadert, maar begrensd blijft door de discrete aard van 3GPP MCS-niveaus, met een geobserveerde prestatiekloof van 1.4–2.0$\times$ in specifieke hoog-SNR werkbereiken.

Betekenis en Claims
Het artikel claimt dat de primaire betekenis ligt in het bieden van een hanteerbaar, closed-form optimalisatieframework dat de kloof overbrugt tussen theoretische EE-limieten en praktische vRAN-implementatiebeperkingen. Door de specifieke vermogenscomponenten van D-MIMO vRAN (vDU, fronthaul, RU) op te lossen, demonstreren de auteurs dat het negeren van deze componenten leidt tot suboptimale modusselectie. Het werk stelt dat de voorgestelde verkeersbewuste strategie, die hardware-operatie aanpast aan de spatio-temporele vraag, een praktisch pad biedt om het energieverbruik in 5G en toekomstige 6G-netwerken aanzienlijk te verminderen zonder de kwaliteit van de dienstverlening op te offeren. De auteurs merken op dat het framework niet specifell gebonden is aan 5G NR, maar steunt op de eindige cardinaliteit van MCS en rank-sets, wat wijst op de toepasbaarheid op toekomstige standaarden zodra parameters zijn gedefinieerd. Zij erkennen beperkingen, zoals de aanname van perfecte Channel State Information (CSI) en single-user scenario's, waarbij de gerapporteerde winsten worden gepositioneerd als een bovengrens voor praktische implementaties.