Technische Samenvatting: GNN-RSMA voor grootschalige HAPS-netwerken

1. Probleemstelling

Het artikel behandelt de uitdaging van interferentiebeheer in grootschalige High Altitude Platform Station (HAPS) netwerken die zijn geïntegreerd met terrestrische infrastructuur om verticale heterogene netwerken (vHetNets) te vormen. Hoewel HAPS brede dekking en lage latentie biedt, creëert de inzet op grote hoogte specifieke propagatiekenmerken:

• Sterke Line-of-Sight (LoS) verbindingen: Dit leidt tot sterk gecorreleerde kanalen tussen User Equipments (UE's), wat het moeilijk maakt om gebruikers te onderscheiden via ruimtelijke beamforming alleen.
• Schaarsheid van middelen: Een enkele HAPS bedient een groot aantal UE's met beperkte radiomiddelen (Resource Blocks, RBs). Hierdoor moeten meerdere UE's hetzelfde RB delen, wat ernstige intra-RB interferentie veroorzaakt.
• Computationele complexiteit: Traditionele optimalisatiemethoden, zoals Successive Convex Approximation (SCA), kunnen het Max-Min Fairness (MMF) vermogensallocatieprobleem oplossen maar lijden onder een prohibitieve computationele complexiteit naarmossen het netwerk schaalt. Ze vereisen het oplossen van de optimalisatie vanaf nul voor elke nieuwe netwerkrealisatie, wat ze ongeschikt maakt voor real-time, grootschalige implementatie.

Het kernprobleem is het ontwerpen van een schaalbaar, laag-complexiteit interferentiebeheerschema dat de minimale spectrale efficiëntie (SE) voor alle UE's in een multi-cluster HAPS-netwerk maximaliseert met behulp van Rate-Splitting Multiple Access (RSMA).

2. Methodologie

De voorgestelde oplossing, GNN-RSMA, integreert UE-clustering met RSMA en maakt gebruik van Graph Neural Networks (GNN's) voor vermogensallocatie.

A. Systeemmodel en Clustering

• Clustering: Het netwerk maakt gebruik van een "Worst-UE" (WU) clustering-algoritme. UE's worden gegroepeerd in clusters op basis van hoeknabijheid. De beam voor elk cluster wordt gestuurd naar de UE met de slechtste kanaalconditie binnen dat cluster om de minimale beam-gain te maximalen.
• RSMA-raamwerk: Binnen elk cluster delen UE's orthogonale RBs. Echter, verschillende clusters delen dezelfde RBs, wat inter-cluster interferentie veroorzaakt. RSMA wordt gebruikt om dit te beheren door elk bericht van een UE te splitsen in een common stream (gedecodeerd door alle UE's op de RB) en een private stream (gedecodeerd alleen door de beoogde UE).
• Optimalisatiedoel: Het gezamenlijk optimaliseren van de zendvermogens voor common en private streams ($p^{(c)}_{r,\ell}$ en $p^{(p)}_u$) en de common rate allocatie ($C_u$) om de minimale bereikbare snelheid ($\min_u R_u$) te maximaliseren, onderhevig aan totale vermogens- en decodeerbaarheidscriteria.

B. Graafrepresentatie

Het HAPS-netwerk wordt gemodelleerd als een heterogene graaf $\mathcal{G} = (\mathcal{V}, \mathcal{E})$ om de complexe interacties vast te leggen:

• Type knopen: Drie verschillende typen knopen zijn gedefinieerd: UE's, Clusters, en RBs.
• Knoopkenmerken:
  • UE's: Omvatten positie, serving beam gain, max/gemiddelde interferentie-gains.
  • Clusters: Omvatten centroid positie, serving gain statistieken en lekkagekenmerken.
  • RBs: Omvatten statistieken van UE's die de RB delen (min/max/gemiddelde gains) en cross-cluster interferentiepotentieel.
• Type randen: Vier relatietypes leggen fysieke interacties vast: UE-naar-UE (interferentie), UE-naar-Cluster (serving/interfererende), UE-naar-RB (toewijzing), en Cluster-naar-RB (gebruik).

C. GNN-architectuur

De voorgestelde GNN-policy mapt de graafrepresentatie direct naar RSMA-vermogensallocatiebeslissingen zonder iteratieve optimalisatie.

• Heterogene Message Passing: Het netwerk gebruikt Edge-Conditioned Graph Attention Networks (GAT) met multi-head attention. Verschillende edge-types (relaties) hebben onafhankelijke attention-mechanismen om buren te wegen op basis van fysieke linkcondities (bijv. kanaalgain).
• Globale Context: Om de globale aard van het MMF-doel (dat afhankelijk is van de slechtst presterende UE) aan te pakken, wordt een contextvector geëxtraheerd via pooling (gemiddelde, max, min) van UE-embeddings en teruggeïnjecteerd in de UE-representaties.
• Constraint-Feasible Decoding: In plaats van straftermen in de verliesfunctie te gebruiken, dwingt een differentieerbare decoder restricties af door constructie:
  • Een Softmax-laag schaalt de output logits om ervoor te zorgen dat de som van alle common en private vermogens gelijk is aan het totale zendvermogen budget ($P_T$).
  • Een per-RB Softmax verdeelt de common rate onder de UE's die de RB delen, waardoor aan de decodeerbaarheidsrestricties wordt voldaan.
• Iteratieve Verfijning: Om de iteratieve aard van SCA te emuleren, is de GNN uitgerold over $N_p$ verfijningsrondes. De snelheid die in één ronde wordt bereikt, wordt als een "rate hint" in de volgende ronde gevoed, waardoor de policy de allocatie progressief kan verfijnen en bottleneck UE's kan identificeren.
• Ongesuperviseerd Trainen: Het model wordt getraind zonder gelabelde data (geen SCA-oplossingen vereist). Het maximaliseert een gladde surrogaat van het MMF-doel (log-sum-exp lower bound) over mini-batches van willekeurig gegenereerde netwerkrealisaties.

3. Belangrijkste Bijdragen

1. Heterogene GNN-policy: Het artikel stelt het eerste GNN-gebaseerde raamwerk voor dat is afgestemd op MMF-RSMA vermogensallocatie in multi-cluster HAPS-netwerken. Het representeert het netwerk als een heterogene graaf (UE, Cluster, RB knopen), waardoor de policy de onderliggende communicatietopologie kan vastleggen en kan generaliseren over verschillende netwerkgroottes.
2. Constraint-Feasible Architectuur: Het ontwerp bevat een decoder die netwerkoutputs mapt naar vermogensallocaties die voldoen aan de totale vermogens- en common-rate decodeerbaarheidsrestricties door constructie, waardoor de noodzaak voor constraint penalties tijdens het trainen vervalt.
3. Schaalbaarheid en Generalisatie: Vanwege de permutatie-invariante aard van GNN's past een enkele getrainde policy zich aan aan netwerken met variërende aantallen UE's, clusters en RBs zonder hertraining.
4. Iteratief Verfijningsmechanisme: Een uitgerold inferentieproces emuleert de interne iteraties van SCA-algoritmen, wat de identificatie van bottleneck UE's verbetert en de vermogensallocatie verfijnt met minimale computationele overhead.

4. Simulatie-resultaten

De voorgestelde GNN-RSMA werd geëvalueerd tegen een SCA-gebaseerde RSMA-benchmark, NOMA en SDMA-schema's in een HAPS-netwerk met 60 UE's en 10 RBs.

• Prestaties: GNN-RSMA bereikt ongeveer 92% van de Max-Min Fairness prestaties van de SCA-benchmark (0.493 b/s/Hz vs. 0.536 b/s/Hz median SE). Het presteert significant beter dan NOMA en SDMA.
• Fairness: Het algoritme bereikt een mediane Jain's fairness index van 0.995, wat wijst op een zeer rechtvaardige verdeling van middelen onder de UE's.
• Computationele Efficiëntie: De inferentietijd van GNN-RSMA is ordes van grootte sneller dan SCA. Voor 60 UE's duurt GNN-RSMA ~0,3 seconden, terwijl SCA ongeveer 10,8–27,9 seconden duurt (het bereik waargenomen voor 40 tot 100 UE's). Deze kloof wordt groter naarmate het aantal UE's toeneemt (bijv. >60x versnelling bij 100 UE's).
• Generalisatie: Een enkel model dat getraind is op variabel-omvang netwerken behoudt stabiele prestaties over verschillende UE-aantallen (40 tot 100), terwijl de SCA-prestaties licht degraderen naarmate de interferentie toeneemt.
• Impact van Clustering: Het WU-Clustering algoritme blijkt cruciaal; het vervangen van WU-Clustering door centroid-gebaseerde clustering veroorzaakt een 63% daling in SEmin wanneer het aantal UE's toeneemt, terwijl WU-Clustering een bijna constante prestatie behoudt.

5. Betekenis en Claims

Het artikel claimt dat GNN-RSMA een schaalbaar, praktisch alternatief biedt voor convex-optimalisatie gebaseerd interferentiebeheer voor real-time RSMA-implementatie in HAPS-netwerken.

• Real-time Leefbaarheid: Door iteratieve optimalisatie te vervangen door enkele laag-complexe forward passes, maakt de methode real-time resource allocatie mogelijk in dynamische, grootschalige netwerken waar SCA te traag is.
• Robuustheid: De aanpak toont aan dat AI-gestuurde methoden de complexe mapping van netwerktoestanden naar optimale resource allocaties kunnen leren, en effectief kunnen generaliseren naar ongeziene netwerkgroottes en topologieën zonder hertraining.
• Interferentiebeheer: De studie valideert dat het combineren van RSMA met GNN-gebaseerde vermogensallocatie effectief de ernstige intra-RB interferentie beheert die inherent is aan hooggelegen, breed-dekkende HAPS-implementaties, waarbij een fairness wordt bereikt die vergelijkbaar is met de theoretische optimalisatie-benchmark.