Massive MIMO中通信高效的分布式预编码设计

doi:10.11959/j.issn.1000-436x.2023147

通信学报 ›› 2023, Vol. 44 ›› Issue (8): 37-48.doi: 10.11959/j.issn.1000-436x.2023147

• 学术论文 • 上一篇

Massive MIMO中通信高效的分布式预编码设计

李勉¹^,²^,³, 李洋²^,³^,⁴, 张纵辉¹^,², 史清江²^,⁵

¹ 香港中文大学（深圳）理工学院，广东深圳 518172
² 深圳市大数据研究院，广东深圳 518172
³ 鹏城国家实验室，广东深圳 518055
⁴ 琶洲实验室（黄埔），广东广州 510555
⁵ 同济大学软件学院，上海 200092

修回日期:2023-04-21 出版日期:2023-08-01 发布日期:2023-08-01
作者简介:李勉（1999- ），男，江西萍乡人，香港中文大学（深圳）博士生，主要研究方向为信号处理和机器学习优化方法
李洋（1989- ），男，吉林长春人，博士，深圳市大数据研究院副研究员，主要研究方向为无线资源管理、AI 辅助优化、大规模优化等
张纵辉（1981- ），男，台湾桃园人，博士，香港中文大学（深圳）副教授，主要研究方向为面向无线通信、机器学习的关键信号处理和优化方法等
史清江（1980- ），男，浙江绍兴人，博士，同济大学教授，主要研究方向为网络系统优化设计、网络/信号大数据、分布式机器学习等
基金资助:
国家重点研发计划基金资助项目(2022YFA1003900);国家自然科学基金资助项目(62071409);国家自然科学基金资助项目(62231019);国家自然科学基金资助项目(62101349);深圳市科技基金资助项目(RCJC20210609104448114);鹏城实验室重点基金资助项目(PCL2023AS1-2)

Communication-efficient distributed precoding design for Massive MIMO

Mian LI¹^,²^,³, Yang LI²^,³^,⁴, Zonghui ZHANG¹^,², Qingjiang SHI²^,⁵

¹ School of Science and Engineering, The Chinese University of Hong Kong (Shenzhen), Shenzhen 518172, China
² Shenzhen Research Institute of Big Data, Shenzhen 518172, China
³ Pengcheng Laboratory, Shenzhen 518055, China
⁴ Pazhou Laboratory (Huangpu), Guangzhou 510555, China
⁵ School of Software Engineering, Tongji University, Shanghai 200092, China

Revised:2023-04-21 Online:2023-08-01 Published:2023-08-01
Supported by:
The National Key Research and Development Program of China(2022YFA1003900);The National Natural Science Foundation of China(62071409);The National Natural Science Foundation of China(62231019);The National Natural Science Foundation of China(62101349);Shenzhen Science and Technology Program(RCJC20210609104448114);Major Key Project of Pengcheng Laboratory(PCL2023AS1-2)

摘要/Abstract

摘要：

针对多BBU基带处理架构，提出一种通信高效的分布式预编码方案，旨在降低BBU间前传交互和计算复杂度。首先，提出基于 R-WMMSE 算法的分布式框架，利用最优解的子空间特性无损压缩交互数据，降低数据交互量。然后设计了2种基于矩阵乘法的可学习压缩模块，通过优化的计算结构和矩阵参数减少参数和计算量，并保持函数表达能力。最后，以可达速率为优化目标，将可学习模块和分布式预编码算法框架联合优化得到最终模型。所提方案可以在更低的数据交互和计算复杂度要求下，实现预编码性能的保障。

关键词: 分布式预编码, 数据压缩, 深度学习, 联合优化

Abstract:

A communication-efficient distributed precoding scheme was proposed for multi-baseband processing unit (BBU) baseband processing architecture, aiming to reduce fronthaul data exchange and computational complexity between BBUs.Firstly, a distributed framework based on R-WMMSE algorithm was proposed, which utilized the subspace property of the optimal solution to compress the interactive data losslessly, thereby reducing data exchange.Furthermore, two learnable compression modules based on matrix multiplication were designed, using optimized computing structures and matrix parameters to reduce the parameters and computations while maintaining function expressiveness.Finally, the learnable modules and the distributed precoding framework were jointly optimized with achievable rate as the optimization objective to obtain the final model.The proposed scheme can achieve guaranteed precoding performance under lower requirements on data interaction and computational complexity

Key words: distributed precoding, data compression, deep learning, joint optimization

中图分类号:

TN929.53

李勉, 李洋, 张纵辉, 史清江. Massive MIMO中通信高效的分布式预编码设计[J]. 通信学报, 2023, 44(8): 37-48.

Mian LI, Yang LI, Zonghui ZHANG, Qingjiang SHI. Communication-efficient distributed precoding design for Massive MIMO[J]. Journal on Communications, 2023, 44(8): 37-48.

图/表 6

图1

表1

图2

图3

表2

各算法的前传流量大小"

算法	数据交互量/个
R-WMMSE	$\frac{1}{2} C N^{2} + C D N = 8 192$
DSC 16×16	$\frac{1}{2} C N^{2} + \frac{1}{2} C D N = 6 144 (- 25.0 %)$
SSC 16×16
FC 256×1
DSC 12×16	$\frac{1}{2} C N^{2} + \frac{3}{8} C D N = 5 632 (- 31.2 %)$
SSC 12×16
FC 192×1

表2

表3

参考文献 19

[1]	CHATAUT R , AKL R . Massive MIMO systems for 5G and beyond networks-overview,recent trends,challenges,and future research direction[J]. Sensors (Basel,Switzerland), 2020,20(10): 2753.
[2]	ZTE Corporation. 5G massive MIMO network application[R]. 2020.
[3]	BJ?RNSON E , HOYDIS J , SANGUINETTI L . Massive MIMO networks:spectral,energy,and hardware efficiency[J]. Foundations and Trends in Signal Processing, 2017,11(3/4): 154-655.
[4]	Samsung Electronics Co.,Ltd. Massive MIMO for new radio[R]. 2020.
[5]	LI K P , CASTA?EDA O , JEON C ,et al. Decentralized coordinate-descent data detection and precoding for massive MU-MIMO[C]// Proceedings of 2019 IEEE International Symposium on Circuits and Systems (ISCAS). Piscataway:IEEE Press, 2019: 1-5.
[6]	RODRíGUEZ S J , RUSEK F , EDFORS O ,et al. Decentralized massive MIMO processing exploring daisy-chain architecture and recursive algorithms[J]. IEEE Transactions on Signal Processing, 2020,68: 687-700.
[7]	GUSTAVSSON U , FRENGER P , FAGER C ,et al. Implementation challenges and opportunities in beyond-5G and 6G communication[J]. IEEE Journal of Microwaves, 2021,1(1): 86-100.
[8]	LEE W , SIMEONE O , KANG J ,et al. Multivariate fronthaul quantization for downlink C-RAN[J]. IEEE Transactions on Signal Processing, 2016,64(19): 5025-5037.
[9]	LI K P , SKARAN R , CHEN Y J ,et al. Decentralized beamforming for massive MU-MIMO on a GPU cluster[C]// Proceedings of 2016 IEEE Global Conference on Signal and Information Processing (GlobalSIP). Piscataway:IEEE Press, 2017: 590-594.
[10]	LI K P , SHARAN R R , CHEN Y J ,et al. Decentralized baseband processing for massive MU-MIMO systems[J]. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 2017,7(4): 491-507.
[11]	SPENCER Q H , SWINDLEHURST A L , HAARDT M . Zero-forcing methods for downlink spatial multiplexing in multiuser MIMO channels[J]. IEEE Transactions on Signal Processing, 2004,52(2): 461-471.
[12]	CASTA?EDA O , JACOBSSON S , DURISI G ,et al. Finite-alphabet Wiener filter precoding for mmWave massive MU-MIMO systems[C]// Proceedings of 2019 53rd Asilomar Conference on Signals,Systems,and Computers. Piscataway:IEEE Press, 2020: 178-183.
[13]	SARAJLI? M , RUSEK F , RODRíGUEZ S J ,et al. Fully decentralized approximate zero-forcing precoding for massive MIMO systems[J]. IEEE Wireless Communications Letters, 2019,8(3): 773-776.
[14]	SHI Q J , RAZAVIYAYN M , LUO Z Q ,et al. An iteratively weighted MMSE approach to distributed sum-utility maximization for a MIMO interfering broadcast channel[J]. IEEE Transactions on Signal Processing, 2011,59(9): 4331-4340.
[15]	ZHAO X T , LU S Y , SHI Q J ,et al. Rethinking WMMSE:can its complexity scale linearly with the number of BS antennas?[J]. IEEE Transactions on Signal Processing, 2023,71: 433-446.
[16]	CHRISTENSEN S S , AGARWAL R , CARVALHO E D ,et al. Weighted sum-rate maximization using weighted MMSE for MIMO-BC beamforming design[J]. IEEE Transactions on Wireless Communications, 2008,7(12): 4792-4799.
[17]	BJ?RNSON E , LARSSON E G , MARZETTA T L . Massive MIMO:ten myths and one critical question[J]. IEEE Communications Magazine, 2016,54(2): 114-123.
[18]	JAECKEL S , RASCHKOWSKI L , B?RNER K , ,et al. QuaDRiGa:a 3-D multi-cell channel model with time evolution for enabling virtual field trials[J]. IEEE Transactions on Antennas and Propagation, 2014,62(6): 3242-3256.
[19]	JAECKEL S , RASCHKOWSKI L , WU S B ,et al. An explicit ground reflection model for mm-wave channels[C]// Proceedings of 2017 IEEE Wireless Communications and Networking Conference Workshops (WCNCW). Piscataway:IEEE Press, 2017: 1-5.

参数名称	参数取值	代码取值	含义
中央频率	qd_simulation_parameters.center_frequency	4.9×10⁹	频谱中心频率为4.9 GHz
3GPP基线	qd_simulation_parameters.use_3GPP_baseline	1	使用3GPP规定的信道特性，不使用额外特性
随机相位	qd_simulation_parameters.use_random_initial_phase	1	使用随机相位
自相关函数	qd_simulation_parameters.autocorrelation_function	‘Comb300’	使用梳状自相关函数，包含300个正弦信号，用于产生与空间位置相关的随机信号
阵列类型	tx_array.qd_arrayant[1]	‘3GPP-mmw’	3GPP毫米波阵列
通道垂直振子数	tx_array.qd_arrayant[2]	4	每通道4垂直振子
通道水平振子数	tx_array.qd_arrayant[3]	1	每通道1水平振子
极化类型	tx_array.qd_arrayant[5]	6	±45°极化
天线下倾角	tx_array.qd_arrayant[6]	15	下倾角15°
振子间距	tx_array.qd_arrayant[7]	0.5	振子间距半波长
每列通道数	tx_array.qd_arrayant[8]	4	每列4通道
每行通道数	tx_array.qd_arrayant[9]	4	每行4通道
通道垂直间距	tx_array.qd_arrayant[10]	0.5	垂直间距半波长
通道水平间距	tx_array.qd_arrayant[11]	0.5	水平间距半波长
接收天线类型	rx_array.qd_arrayant[1]	‘xpol4’	4极化天线
基站抬高	—	25	基站抬高25 m
用户随机分布区域	—	—	天线阵列指向方向，以基站为圆心、半径为 120 m、角度为120°的扇形区域
用户随机分布类型	—	—	均匀分布

Massive MIMO中通信高效的分布式预编码设计

Communication-efficient distributed precoding design for Massive MIMO

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 19

相关文章 15

Metrics

推荐阅读 0

方法	复杂度/次
R-WMMSE	400 320
FC 256×1	426 112 (+6.4%)
FC 192×1	360 576 (-9.9%)
DSC 16×16	188 544 (-52.9%)
SSC 16×16	180 352 (-55.0%)
DSC 12×16	182 400 (-54.4%)
SSC 12×16	176 256 (-56.0%)

[1]	张学军, 张奉鹤, 盖继扬, 杜晓刚, 周文杰, 蔡特立, 赵博. mVulSniffer：一种多类型源代码漏洞检测方法[J]. 通信学报, 2023, 44(9): 149-160.
[2]	王慧娇, 张鑫, 韦永壮, 李灵琛. 基于深度学习的SM4密码算法新型区分器[J]. 通信学报, 2023, 44(7): 171-184.
[3]	李荣鹏, 汪丙炎, 张宏纲, 赵志峰. 知识增强的语义通信接收端设计[J]. 通信学报, 2023, 44(6): 70-76.
[4]	陈东昱, 陈华, 范丽敏, 付一方, 王舰. 基于深度学习的随机性检验策略研究[J]. 通信学报, 2023, 44(6): 23-33.
[5]	马帅, 裴科, 祁华艳, 李航, 曹雯, 王洪梅, 熊海良, 李世银. 基于生成模型的地磁室内高精度定位算法研究[J]. 通信学报, 2023, 44(6): 211-222.
[6]	谢刚, 王荃毅, 谢新林, 王健安. 融合多尺度深度卷积的轻量级Transformer交通场景语义分割算法[J]. 通信学报, 2023, 44(10): 213-225.
[7]	杨洁, 董标, 付雪, 王禹, 桂冠. 基于轻量化分布式学习的自动调制分类方法[J]. 通信学报, 2022, 43(7): 134-142.
[8]	杨秀璋, 彭国军, 李子川, 吕杨琦, 刘思德, 李晨光. 基于Bert和BiLSTM-CRF的APT攻击实体识别及对齐研究[J]. 通信学报, 2022, 43(6): 58-70.
[9]	廖育荣, 王海宁, 林存宝, 李阳, 方宇强, 倪淑燕. 基于深度学习的光学遥感图像目标检测研究进展[J]. 通信学报, 2022, 43(5): 190-203.
[10]	廖勇, 王世义. 高速移动环境下基于RM-Net的大规模MIMO CSI反馈算法[J]. 通信学报, 2022, 43(5): 166-176.
[11]	赵增华, 童跃凡, 崔佳洋. 基于域自适应的Wi-Fi指纹设备无关室内定位模型[J]. 通信学报, 2022, 43(4): 143-153.
[12]	廖勇, 程港, 李玉杰. 基于深度展开的大规模MIMO系统CSI反馈算法[J]. 通信学报, 2022, 43(12): 77-88.
[13]	霍俊彦, 邱瑞鹏, 马彦卓, 杨付正. 基于最邻近帧质量增强的视频编码参考帧列表优化算法[J]. 通信学报, 2022, 43(11): 136-147.
[14]	段雪源, 付钰, 王坤, 李彬. 基于简单统计特征的LDoS攻击检测方法[J]. 通信学报, 2022, 43(11): 53-64.
[15]	康海燕, 冀源蕊. 基于本地化差分隐私的联邦学习方法研究[J]. 通信学报, 2022, 43(10): 94-105.