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

Resumo Técnico: Operação de Uplink Distribuída Assistida por Mestre para Redes Cell-Free Massive MIMO

Definição do Problema
O cell-free massive multiple-input-multiple-output (CFmMIMO) é reconhecido como uma tecnologia promissora para redes 6G, abordando a interferência intercelular e a qualidade de serviço não uniforme encontradas no tradicional massive MIMO celular ao implantar um grande número de pontos de acesso (APs) para servir cooperativamente usuários de equipamentos (UEs). No entanto, as operações de uplink existentes enfrentam um compromisso entre desempenho e eficiência de recursos.

• Operação Centralizada: Os APs encaminham sinais brutos de piloto e de dados para uma Unidade de Processamento Central (CPU). Embora isso permita a combinação ótima utilizando o Conhecimento de Estado do Canal (CSI) global, acarreta cargas de sinalização de fronthaul e complexidade computacional proibitivas à medida que o número de UEs cresce.
• Operação Distribuída: Os APs realizam estimativa de canal local e detecção de dados, enviando estimativas suaves (soft estimates) para a CPU para a combinação final. Embora isso reduza a sinalização de fronthaul, os esquemas existentes muitas vezes lutam para igualar a eficiência espectral (SE) das operações centralizadas ou exigem o compartilhamento de CSI global, o que anula os benefícios de escalabilidade.

O artigo identifica uma lacuna em esquemas de uplink que equilibrem efetivamente a sinalização de fronthaul, a complexidade computacional e o desempenho espectral.

Metodologia
Os autores propõem uma nova operação de uplink denominada Operação de Uplink Distribuída Assistida por Mestre (MADUO). A arquitetura central envolve uma atribuição hierárquica de APs para cada UE:

1. AP Mestre (MAP): Cada UE é atribuído a um MAP específico ($l_k$) de seu conjunto de serviço.
2. APs de Serviço Adicionais (ASAPs): Os APs restantes no conjunto de serviço do UE atuam como ASAPs.

O fluxo operacional é o seguinte:

• Estimativa de Canal: Todos os APs no conjunto de serviço de um UE estimam os canais.
• Processamento ASAP: Os ASAPs computam estimativas suaves de dados locais usando um combinador de recepção (L-MMSE ou LP-MMSE). Crucialmente, eles não enviam sinais brutos. Em vez disso, eles encaminham:
  • As estimativas suaves de dados ($\hat{s}_{j,k}$).
  • Estimativas de canal fundidas.
  • Um termo de produto Hermitiano ($\mu_{j,k}$) que reflete a qualidade das estimativas de canal (derivado da soma das matrizes de correlação dos erros de estimativa).
• Processamento MAP: O MAP recebe o sinal local ($y_{l_k}$) e a informação processada de todos os ASAPs. Ele constrói um vetor aumentado contendo o sinal local e as estimativas suaves dos outros APs. O MAP então aplica um vetor de combinação de recepção a esses dados aumentados para produzir a estimativa de dados final.

Escalabilidade e Variantes
Reconhecendo que a formulação inicial da MADUO exige que os APs estimem canais para todos os UEs na rede (não escalável), os autores propõem uma variante escalável, MADUO$_{scl}$:

• Os APs estimam canais apenas para os UEs que servem.
• Os ASAPs utilizam MMSE Parcial Local (LP-MMSE) em vez de L-MMSE.
• A informação encaminhada pelos ASAPs é restrita aos UEs que eles servem.
• O MAP utiliza apenas informações locais e recebidas relevantes para os UEs que serve.

Principais Contribuições

1. Nova Arquitetura: Introdução da estrutura MADUO, que desloca o fardo da detecção final de dados para um MAP designado, enquanto aproveita a informação suave de APs vizinhos, em vez de depender exclusivamente de uma CPU ou de uma detecção local totalmente distribuída.
2. Derivação de Combinação Ótima: O artigo deriva o combinador de recepção ótimo para o MAP ao maximizar a eficiência espectral alcançável, formulando o problema como um quociente de Rayleigh generalizado.
3. Implementação Escalável: O desenvolvimento da MADUO$_{scl}$, que reduz as dependências de computação e sinalização em relação ao número total de UEs ($K$) ao restringir a troca de informações aos conjuntos de serviço locais.
4. Análise de Complexidade: Uma análise detalhada da sinalização de fronthaul (escalares complexos trocados) e da complexidade computacional (multiplicações complexas) para ambos os esquemas propostos e para os parâmetros de referência (benchmarks): C-MMSE, P-MMSE, L-MMSE e LP-MMSE.

Resultados Numéricos
As simulações foram conduzidas em uma rede CFmMIMO com $L=100$ APs, $N=4$ antenas por AP e números variáveis de UEs ($K$).

• Eficiência Espectral: Tanto a MADUO quanto a MADUO$_{scl}$ alcançam um desempenho de eficiência espectral comparável à operação centralizada C-MMSE e superam significativamente as operações distribuídas padrão (L-MMSE e LP-MMSE).
• Sinalização de Fronthaul: Para $K > 60$, a MADUO$_{scl}$ requer menos sinalização de fronthaul do que a operação distribuída padrão, enquanto a MADUO não escalável requer a maior sinalização.
• Complexidade Computacional: Ambos os esquemas propostos exigem menos computações do que a operação centralizada. Notavelmente, a carga computacional da MADUO$_{scl}$ diminui à medida que $K$ aumenta. Isso é atribuído ao mecanismo de agrupamento centrado no usuário (user-centric clustering), onde o número de APs que servem um determinado UE ($|A_k|$) diminui conforme o número total de UEs cresce.

Significância e Alegações
O artigo afirma que a MADUO e sua variante escalável oferecem uma solução equilibrada para o processamento de uplink em CFmMIMO. Os autores declaram que esses esquemas "desempenham de forma comparável à operação centralizada" enquanto conseguem "equilibrar a sinalização de fronthaul e a complexidade computacional". Especificamente, a MADUO$_{scl}$ é destacada por sua capacidade de reduzir a sinalização de fronthaul em comparação com as operações distribuídas e reduzir as cargas computacionais em comparação com as operações centralizadas, sem sacrificar a alta eficiência espectral tipicamente associada ao processamento centralizado. O trabalho é apresentado como um passo em direção às implementações práticas de redes 6G, onde as restrições de recursos devem ser gerenciadas juntamente com os requisitos de desempenho.