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

Resumo Técnico: Predição de Interferência Baseada em CQI para Adaptação de Link em Subredes Industriais

Definição do Problema
Em subredes (SNs) industriais que suportam Comunicação de Alta Confiabilidade e Baixa Latência (HRLLC), a Adaptação de Link (LA) tradicional enfrenta desafios significativos. Esses ambientes apresentam implantações densas e subbandas limitadas, levando a uma interferência inter-SN substancial com funções de densidade de probabilidade (PDF) de cauda pesada. Além disso, as rigorosas restrições de latência (0,1–1 ms) e os atrasos de protocolo tornam os mecanismos de feedback padrão, como o Hybrid Automatic Repeat Request (HARQ) e os sinais de Confirmação (Acknowledgement - ACK), impraticáveis. Consequentemente, os relatórios de Indicador de Qualidade de Canal (CQI) disponíveis no Controlador da Subrede (SNC) são frequentemente desatualizados, quantizados e comprimidos. As soluções de LA existentes lutam contra essas condições: suposições baseadas em Gaussianas falham em modelar a natureza de cauda pesada da interferência, enquanto abordagens baseadas em dados, como a Regressão de Processo Gaussiano (GPR), sofrem de complexidade computacional proibitiva ($O(L^3)$) e carecem de robustez a outliers. Adicionalmente, muitos métodos atuais exigem sinalização adicional ou dependem de conhecimento perfeito da interferência no lado do Equipamento do Usuário (UE), o que não é viável neste contexto.

Metodologia
Os autores propõem um novo framework de LA preditivo que opera inteiramente no SNC utilizando apenas os relatórios de CQI disponíveis. O núcleo da metodologia envolve três componentes integrados:

1. Modelo de Espaço de Estados de Tempo Discreto Vetorial (vDSSM): O vetor de potência de interferência (IPV) é tratado como uma variável latente. O sistema modela a evolução do IPV e sua relação com o CQI observado através de funções de processo e medição desconhecidas. Este modelo leva em conta erros de quantização, erros de estimativa de SINR e atrasos induzidos pelo protocolo.
2. Regressão de Processo Student-t Esparsa (SPTPR): Para lidar com a natureza de cauda pesada da interferência e com as restrições computacionais, os autores substituem a GPR padrão pela SPTPR. Esta abordagem bayesiana não paramétrica utiliza uma distribuição Student-t, que é robusta a outliers e captura melhor eventos de tráfego esporádicos do que as suposições Gaussianas. Ao empregar "pontos de indução", o método reduz a complexidade computacional de $O(L^3)$ para $O(L_E^2 \cdot L)$, onde $L_E \ll L$.
3. Filtro de Kalman Não Linearizado Modificado (MUKF): Para lidar com a dinâmica não linear dos modelos SPTPR e compensar os atrasos de protocolo, um MUKF é empregado. Diferente das aproximações lineares, o MUKF utiliza uma transformada unscented modificada com pontos sigma derivados da distribuição Student-t para propagar a média e a covariância de forma precisa. O algoritmo refina recursivamente as predições de interferência ao alinhar as observações de CQI atrasadas com o estado predito, efetivamente compensando o atraso temporal sem a necessidade de sinalização adicional.

Principais Contribuições

• Novo Framework vDSSM: Este trabalho apresenta o primeiro modelo de espaço de estados dinâmico vetorial para LA em SNs industriais que vai além das suposições Gaussianas para modelar explicitamente a interferência de cauda pesada.
• Inferência Robusta e Escalável: A integração da SPTPR permite a estimativa robusta da potência de interferência sob condições esparsas e de cauda pesada, enquanto reduz significativamente a complexidade computacional em comparação com os baselines não paramétricos.
• Compensação de Atraso sem Sobrecarga: O esquema proposto compensa os atrasos de protocolo e o CQI desatualizado inteiramente no SNC. Ele elimina a necessidade de desquantizadores ou sinalização adicional dos pares Sensor-Atuador (SA), aderindo às restrições de sinalização do 3GPP.
• Abordagem Baseada em Dados: O método aprende modelos de processo e medição diretamente dos dados de CQI observados, evitando a necessidade de modelos de canal analíticos complexos que podem carecer de generalização em ambientes industriais dinâmicos.

Resultados Numéricos
Simulações foram conduzidas em um pavilhão de fábrica de 25 × 25 m² com 20 SNs, operando a 6 GHz com modelos de canal 3GPP InF-DL. O SPTPR-MUKF proposto foi comparado contra um LA "Genie" (limite superior), um preditor LSTM supervisionado, um preditor de Média Móvel (MA) convencional e uma abordagem baseada em GPR.

• Desempenho: O método proposto alcança uma Taxa de Erro de Bloco (BLER) abaixo do alvo do percentil 90 de $10^{-6}$, mesmo com atrasos de protocolo de até 10 ms. Seu desempenho é comparável ao baseline LSTM supervisionado e ao LA "Genie", superando significativamente os métodos MA e de estimativa atrasada.
• Complexidade: O SPTPR-MUKF alcança uma complexidade computacional mais de 10 vezes menor em comparação com baselines não paramétricos similares.
• Escalabilidade: O método mantém alta eficiência espectral e baixa BLER conforme o número de interferidores aumenta e em cenários de múltiplos SA (até 4 SAs por SN).
• Robustez: O sistema mitiga efetivamente o impacto de atrasos de protocolo e outliers, mantendo o desempenho onde outros métodos degradam.

Significância e Alegações
O artigo afirma ser o primeiro trabalho a utilizar uma abordagem baseada em vDSSM para LA em SNs industriais que incorpora a predição de interferência de cauda pesada além das suposições Gaussianas. Destaca que, ao aproveitar os relatórios de CQI diretamente através de um processo Student-t esparso e um filtro de Kalman modificado, o sistema pode alcançar um desempenho de adaptação de link próximo ao ótimo sem incorrer na sobrecarga de sinalização ou nos custos de energia associados à transmissão de estimativas de interferência dos dispositivos de borda. Os autores posicionam este trabalho como um passo crítico para permitir a confiabilidade de transmissão única em ambientes industriais densos e propensos a interferências, onde retransmissões não são viáveis. O trabalho futuro foca no foco no implantação em tempo real e na generalização entre diversos cenários.