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

Resumo Técnico: Otimização da Eficiência Energética em D-MIMO vRAN via Abstração de Link Cross-Layer

Definição do Problema
As Redes de Acesso de Rádio Virtualizadas (vRAN) deslocam o processamento de banda base de MIMO (Multiple-Input Multiple-Output) intensivo em computação de hardwares dedicados para servidores de uso geral compartilhados. Embora esta arquitetura ofereça flexibilidade e benefícios de custo, ela introduz um cenário complexo de consumo de energia que os modelos tradicionais de eficiência energética (EE) não conseguem capturar. Especificamente, a D-MIMO vRAN consome energia em três componentes distintos: o processamento de banda base da Unidade Distribuída virtualizada (vDU), os links de transporte de fronthaul e as operações de radiofrequência (RF) por Unidade de Rádio (RU). Os modelos existentes frequentemente focam apenas em componentes de RF ou dependem de formulações idealizadas de capacidade de Shannon que ignoram as restrições discretas de Esquema de Modulação e Codificação (MCS) e as metas de Taxa de Erro de Bloco (BLER) de sistemas implantados 3GPP. Consequentemente, há uma falta de um framework unificado que otimize conjuntamente modulação, rank de transmissão e alocação de potência, enquanto considera a arquitetura completa de potência da vRAN e a dinâmica realista de tráfego.

Metodologia
Os autores propõem um framework de otimização de EE cross-layer projetado para sistemas D-MIMO vRAN. A metodologia procede através de quatro estáções principais:

1. Modelagem de Potência Abrangente: O artigo desenvolve um modelo de potência que resolve a potência total do sistema ($P_{total}$) em três componentes aditivos:

   • Banda Base vDU: Modelada como uma linha de base estática mais o escalonamento dinâmico de potência linearmente com o número de Blocos de Recursos Físicos (PRBs) alocados e o rank de transmissão.
   • Transporte de Fronthaul: Modelado com base no número de links ópticos ativos necessários para carregar o tráfego eCPRI, que escala com a alocação de PRB e rank.
   • Operações por RU: Inclui potência de cadeia de RF estática (variando entre modos MIMO e SIMO) e consumo dinâmico do amplificador de potência (PA).

2. Abstração de Link via EESM: Para evitar simulações de nível de link computacionalmente caras por realização, o framework utiliza o Mapeamento de SNR Eficaz Exponencial (EESM). Isso mapeia SNRs de subportadoras seletivas em frequência para um SNR escalar equivalente. Crucialmente, a forma exponencial do EESM permite que o problema de maximização de EE seja reformulado como um problema de minimização de potência convexo. Os autores realizam uma calibração offline do parâmetro EESM ($\beta_m$) para cada índice de MCS usando canais TDL-C compatíveis com 3GPP NR, garantindo que o modelo preveja o BLER com precisão contra um limiar alvo sem simulação em tempo de execução.

3. Otimização Convexa e Solução de Forma Fechada: O problema de maximização de EE é transformado em minimizar a potência de transmissão total sujeita a uma restrição de BLER alvo. Ao aproveitar a convexidade da restrição EESM, os autores derivam as condições de Karush-Kuhn-Tucker (KKT). Para o caso de fluxo único (SIMO), isso resulta em uma solução de alocação de potência do tipo waterfilling de forma fechada. Para MIMO de múltiplos fluxos, soluções numéricas são derivadas das condições KKT.

4. Controle de Modo Consciente de Tráfego: O framework é estendido para um cenário de tráfego espaço-temporal usando trajetórias de usuários do Multi-Agent Transport Simulator (MATSim) e perfis de demanda empíricos. Uma estratégia de controle alterna dinamicamente cada RU entre três modos baseando-se na demanda de tráfego instantânea:

   • MIMO: Operação de rank total.
   • SIMO: Operação de rank reduzido (fluxo único).
   • Sleep (Sono): Desativação da cadeia de RF.
     A estratégia determina limiares de cruzamento (ex: $\Lambda^*$) onde a potência total do sistema (incluindo overhead de vDU e fronthaul) é minimizada ao alternar modos.

Principais Contribuições

• Modelo de Potência D-MIMO vRAN: Os autores apresentam um novo modelo de potência que captura simultaneamente o processamento de vDU, transporte de fronthaul e operações de RF por RU, abordando uma lacuna em trabalhos anteriores que frequentemente negligenciavam os overheads de banda base e de fronthaul em contextos de D-MIMO.
• Reformulação Convexa via EESM: O artigo reformula a maximização de EE como um problema de minimização de potência convexo sob restrições de Tamanho de Bloco de Transporte (TBS) compatíveis com 3GPP. Esta abordagem produz condições KKT de forma fechada e soluções do tipo waterfilling, evitando a não-convexidade associada a outros mapeamentos de informação mútua.
• Estratégia Consciente de Tráfego: Um novo framework é proposto que otimiza conjuntamente o modo de operação da RU (MIMO/SIMO/Sleep) e parâmetros da camada física (MCS, rank, potência). Isso é avaliado usando um modelo de tráfego espaço-temporal realista combinando mobilidade MATSim com perfis de demanda empíricos.
• Calibração Offline: O framework valida que um $\beta_m$ único calibrado offline por MCS prevê com precisão o desempenho do link sobre canais TDL-C, eliminando a necessidade de simulação contínua de nível de link durante a otimização.

Resultados
Resultados de simulação sobre canais de desvanecimento compatíveis com 3GPP NR demonstram o seguinte:

• Precisão do Modelo: O modelo EESM calibrado offline prevê o BLER com precisão através de vários índices de MCS e realizações de canal, correspondendo aos resultados de simulação de nível de link completo.
• Extensão do Alcance SIMO: A inclusão da potência de vDU e de fronthaul no modelo desloca o limiar de cruzamento de potência MIMO/SIMO ($\Lambda^*$) em 24% comparado a modelos de apenas RF. Isso estende o alcance de tráfego onde a transmissão SIMO é mais eficiente energeticamente do que a MIMO.
• Ganhos de Eficiência Energética: O framework proposto alcança um ganho médio de EE de 32% sobre uma linha de base MIMO sempre ativa e agnóstica ao tráfego (com $L_{act}=3$ RUs ativas) enquanto mantém throughput comparável durante as horas de pico. O framework também supera as linhas de base com mais RUs ativas ($L_{act}=5, 7$), particularmente durante as horas de baixa demanda, quando a mudança para modos SIMO ou sleep gera economias significativas.
• Limites de Desempenho: O estudo observa que o framework proposto aproxima-se do envelope de capacidade de Shannon, mas permanece limitado pela natureza discreta dos níveis de MCS do 3GPP, com um gap de desempenho de 1.4–2.0$\times$ observado em intervalos específicos de alta SNR.

Significância e Alegações
O artigo alega que sua principal significância reside em fornecer um framework de otimização tratável e de forma fechada que preenche a lacuna entre os limites teóricos de EE e as restrições de implantação prática de vRAN. Ao resolver os componentes específicos de potência da D-MIMO vRAN (vDU, fronthaul, RU), os autores demonstram que ignorar esses componentes leva à seleção de modo subótima. O trabalho afirma que a estratégia proposta, que adapta a operação de hardware à demanda espaço-temporal, oferece um caminho prático para reduzir significativamente o consumo de energia em redes 5G e futuras redes 6G sem sacrificar a qualidade de serviço. Os autores observam que o framework não está preso especificamente ao 5G NR, mas depende da cardinalidade finita dos conjuntos de MCS e rank, sugerindo sua aplicabilidade a futuros padrões uma vez que os parâmetros sejam definidos. Eles reconhecem limitações, como a suposição de CSI perfeito e cenários de usuário único, posicionando os ganhos relatados como um limite superior para implementações práticas.