Supporting Massive Machine Type Communication in Beyond 5G Networks: Fundamental Limits and Heuristics
Support des communications massives de type machine dans les réseaux au-delà de la 5G : Limites fondamentales et heuristique
Résumé
In this work, we explore several techniques for supporting massive access beyond 5G networks. First, we propose a bi-partite graph matching-based heuristic for efficient resource allocation for NB-IoT where devices have frequency diversity. Under different relevant constraints, we evaluate the proposed algorithms for both the uplink and the downlink through simulations and show significant gain over prior works. Most importantly, we show that with NOMA these heuristic algorithms can connect a much greater number of devices than with OMA. Next, we extend the prior work on spatial continuum models with several important considerations including the characterization of outage and derive the EE-SE trade-off considering multiple independent fading states for each device. We present analytical and numerical results for the achievable EE-SE upper bounds. The most important result of this chapter is that unlike Gaussian SCBC, perfect reliability is not achievable in the Rayleigh SCBC. We use this framework to evaluate the fundamental EE-SE limits for the SCMAC under Rayleigh fading as well. Furthermore, we compare the heuristic algorithms against the fundamental bounds and show that the heuristic is quite close to the achievable limit especially when the requested rate is low. Finally, to support real-time massive access in distributed multi-antenna systems we develop approximate algorithms for efficient power allocation. We use a graph neural network to predict the user power from each access point with the objective of maximizing the minimum SINR in the system under MRT pre-coding. This node-level prediction task uses the optimal solution of an SOCP solver for training but is up to 100 times faster than the SOCP solver while finding a solution which is close to optimal for a wide range of deployment scenarios.
Dans ce travail, nous explorons plusieurs techniques pour soutenir l'accès massif au-delà des réseaux 5G. Tout d'abord, nous proposons une heuristique basée sur l'appariement de graphes bipartites pour une allocation efficace des ressources pour NB-IoT où les appareils ont une diversité de fréquence. Sous différentes contraintes pertinentes, nous évaluons les algorithmes proposés pour la liaison uplink et la liaison downlink à l'aide de simulations et nous montrons un gain significatif par rapport aux travaux antérieurs. Plus important encore, nous montrons qu'avec NOMA, ces algorithmes heuristiques peuvent connecter un nombre beaucoup plus important d'appareils qu'avec OMA. Ensuite, nous étendons les travaux antérieurs sur les modèles de continuum spatial à plusieurs considérations importantes, notamment la caractérisation des interruptions, et nous dérivons le compromis EE-SE en tenant compte de plusieurs états d'évanouissement indépendants pour chaque dispositif. Nous présentons des résultats analytiques et numériques pour les limites supérieures d'EE-SE réalisables. Le résultat le plus important de ce chapitre est que, contrairement au SCBC gaussien, la fiabilité parfaite n'est pas réalisable dans le SCBC de Rayleigh. Nous utilisons ce cadre pour évaluer les limites fondamentales de l'EE-SE pour le SCMAC en cas d'évanouissement de Rayleigh. En outre, nous comparons les algorithmes heuristiques aux limites fondamentales et montrons que l'heuristique est assez proche de la limite réalisable, en particulier lorsque le taux demandé est faible. Enfin, pour soutenir l'accès massif en temps réel dans les systèmes multi-antennes distribués, nous développons des algorithmes approximatifs pour une allocation efficace de la puissance. Nous utilisons un réseau neuronal graphique pour prédire la puissance de l'utilisateur à partir de chaque point d'accès, l'objectif étant de maximiser le SINR minimum dans le système sous pré-codage MRT. Cette tâche de prédiction au niveau du nœud utilise la solution optimale d'un solveur SOCP pour l'entraînement, mais est jusqu'à 100 fois plus rapide que le solveur SOCP tout en trouvant une solution qui est proche de l'optimal pour une large gamme de scénarios de déploiement.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |