کاهش آلودگی دنباله‌ها‌ی راهنما با کمک رنگ‌آمیزی گراف‌ سنگین و استفاده مجدد از آنها به‌صورت نرم

چکیده مقاله :

شبکه‌های سلولی مبتنی بر فناوری MIMO انبوه، علی‌رغم توانایی سرویس‌دهی همزمان به چندین کاربر، با چالش جدی ناشی از آلودگی دنباله‌های راهنما مواجه هستند. مقاله حاضر، الگوریتمی نوآورانه و دومرحله‌ای برای کاهش این آلودگی و افزایش نرخ داده کاربران در لینک‌های فراسو و فروسو ارائه می‌کند. نوآوری کلیدی روش پیشنهادی در تلفیق هوشمندانه مزایای سه تکنیک نهفته است: استفاده مجدد از دنباله راهنما به‌صورت نرم (SPR)، الگوریتم انتخاب دنباله راهنمای بهینه و الگوریتم رنگ‌آمیزی گراف وزن‌دار (WGC). این ترکیب به طور همزمان سه مشکل اساسی را حل می‌کند: آلودگی در طرح SPR ناشی از آستانه ثابت، افزایش سربار دنباله راهنما در طرح WGC و مشکل بیشینه‌کردن نرخ داده کاربر با کمترین نرخ. الگوریتم پیشنهادی در دو مرحله عمل می‌کند: در مرحله اول، کاربران به دو گروه مرکزی و لبه‌ای تقسیم شده و دنباله‌های راهنمای بهینه بر اساس نرخ داده آنها تعیین می‌شوند. سپس در مرحله دوم با استفاده از الگوریتم WGC و ایجاد گراف تداخلی با لبه وزن‌دار (EWIG)، آلودگی دنباله راهنمای کاربران بر اساس شدت آلودگی‌شان کاهش می‌یابد. نتایج شبیه‌سازی‌ نشان می‌دهد که این روش در مقایسه با بهترین روش موجود (WGC)، بهبود چشمگیری در عملکرد سیستم ایجاد می‌کند. در لینک فروسو، بهبود dB 11 در نسبت سیگنال به تداخل و نویز (SINR) و افزایش bps/Hz 16_/0 در میانگین نرخ قابل دستیابی مشاهده شده است. در لینک فراسو نیز بهبود dB 4_/2 در SINR و افزایش bps/Hz 46_/0 در میانگین نرخ قابل دستیابی به دست آمده است. از نظر پیچیدگی محاسباتی، روش پیشنهادی نسبت به طرح WGC، پیچیدگی کمتری دارد. همچنین تحلیل کارایی انرژی نیز برتری روش پیشنهادی را در هر دو سناریوی لینک فراسو و فروسو تأیید می‌کند.

چکیده انگلیسی :

Massive MIMO cellular networks, despite their ability to serve multiple users simultaneously, face a significant challenge due to pilot contamination. This paper presents an innovative two-stage algorithm to reduce this contamination and increase user data rates in both uplink and downlink. The key innovation of the proposed method lies in the intelligent integration of three techniques: Soft Pilot Reuse (SPR), optimal pilot sequence selection algorithm, and Weighted Graph Coloring (WGC). This combination simultaneously addresses three fundamental issues: contamination in SPR due to fixed thresholds, increased pilot overhead in WGC, and the problem of maximizing the data rate of the user with the lowest rate. The proposed algorithm operates in two stages. In the first stage, users are divided into center and edge groups, and optimal pilot sequences are determined based on their data rates. In the second stage, using the WGC algorithm and creating an Edge-Weighted Interference Graph (EWIG), pilot contamination is reduced based on the intensity of user interference. Simulation results show that this method significantly improves system performance compared to the best existing method (WGC). In the downlink, an 11 dB improvement in Signal-to-Interference-plus-Noise Ratio (SINR) and a 0.16 bps/Hz increase in average achievable rate are observed. In the uplink, a 2.4 dB improvement in SINR and a 0.46 bps/Hz increase in average achievable rate are achieved. In terms of computational complexity, the proposed method has lower complexity compared to the WGC scheme. Moreover, energy efficiency analysis confirms the superiority of the proposed method in both uplink and downlink scenarios.

منابع و مأخذ:

[1] Y. Han, S. Jin, M. Matthaiou, T. Q. S. Quek, and C. K. Wen, "Toward extra large-scale MIMO: new channel properties and low-cost designs," IEEE Internet of Things J., vol. 10, no. 16, pp. 14569-14594, Aug. 2023.
[2] O. Elijah, et al., "Intelligent massive MIMO systems for beyond 5G networks: an overview and future trends," IEEE Access, vol. 10, pp. 102532-102563, 2022.
[3] H. Taleb, K. Khawam, S. Lahoud, M. E. Helou, and S. Martin, "Pilot contamination mitigation in massive MIMO cloud radio access networks," IEEE Access, vol. 10, pp. 58212-58224, 2022.
[4] T. L. Marzetta, "Noncooperative cellular wireless with unlimited numbers of base station antennas," IEEE Trans. on Wireless Communications, vol. 9, no. 11, pp. 3590-3600, Nov. 2010.
[5] A. Ashikhmin and T. L. Marzetta, "Pilot contamination precoding in multi-cell large scale antenna systems," in Proc. IEEE Int. Sym. Inf. Theory, pp. 1137-1141, Cambridge, MA, USA, 1-6 Jul. 2012.
[6] J. Zuo, J. Zhang, C. Yuen, W. Jiang, and W. Luo, "Multicell multiuser massive MIMO transmission with downlink training and pilot contamination precoding," IEEE Trans. on Vehicular Technology, vol. 65, no. 8, pp. 6301-6314, Aug. 2016.
[7] F. Fernandes, A. Ashikhmin, and T. L. Marzetta, "Inter-cell interference in noncooperative TDD large scale antenna systems," IEEE J. on Selected Areas in Communications, vol. 31, no. 2, pp. 192-201, Feb. 2013.
[8] B. Sun, Y. Zhou, J. Yuan, and J. Shi, "Interference cancellation based channel estimation for massive MIMO systems with time shifted pilots," IEEE Trans. on Wireless Communications, vol. 19, no. 10, pp. 6826-6843, Oct. 2020.
[9] H. Yin, D. Gesbert, M. Filippou, and Y. Liu, "A coordinated approach to channel estimation in large-scale multiple-antenna systems," IEEE J. on Selected Areas in Communications, vol. 31, no. 2, pp. 264-273, Feb. 2013.
[10] Y. Omid, S. M. Hosseini, S. M. Shahabi, M. Shikh-Bahaei, and A. Nallanathan, "AoA-based pilot assignment in massive MIMO systems using deep reinforcement learning," IEEE Communications Letters, vol. 25, no. 9, pp. 2948-2952, Sep. 2021.
[11] A. Mishra, Y. Mao, C. K. Thomas, L. Sanguinetti, and B. Clerckx, "Mitigating intra-cell pilot contamination in M-MIMO: a rate splitting approach," IEEE Trans. on Wireless Communications, vol. 22, no. 5, pp. 3472-3487, May 2023.
[12] A. Mishra, Y. Mao, L. Sanguinetti, and B. Clerckx, "Rate-splitting assisted massive machine-type communications in cell-free M-MIMO," IEEE Communications Letters, vol. 26, no. 6, pp. 1358-1362, Jun. 2022.
[13] B. Lim, W. J. Yun, J. Kim, and Y. C. Ko, "Joint pilot design and channel estimation using deep residual learning for multi-cell massive MIMO under hardware impairments," IEEE Trans. on Vehicular Technology, vol. 71, no. 7, pp. 7599-7612, Jul. 2022.
[14] J. Xu, P. Zhu, J. Li, and X. You, "Deep learning-based pilot design for multi-user distributed M-MIMO systems," IEEE Wireless Communications Letters, vol. 8, no. 4, pp. 1016-1019, Aug. 2019.
[15] X. Zhu, et al., "Soft pilot reuse and multicell block diagonalization precoding for massive MIMO systems," IEEE Trans. on Vehicular Technology, vol. 65, no. 5, pp. 3285-3298, May 2016.
[16] X. Zhu, L. Dai, Z. Wang, and X. Wang, "Weighted-graph-coloring-based pilot decontamination for multicell massive MIMO systems," IEEE Trans. on Vehicular Technology, vol. 66, no. 3, pp. 2829-2834, Mar. 2017.
[17] M. Manini, C. Gueguen, R. Legouable, and X. Lagrange, "Efficient system capacity user selection algorithm in MU-MIMO," in Proc. IEEE 93rd Int. Vehicular Technology Conf., 6 pp., Helsinki, Finland, 25-28 Apr. 2021.
[18] ح. خالقی بیزکی، سیستم های مخابرات بی سیم، دانشگاه صنعتی مالک اشتر، 1399.
[19] S. M. Sanaie and H. Khaleghi Bizaki, "Performance analysis of multicell massive MIMO THP with pilot contamination," Wiley Trans. on Emerging Telecommunications Technologies, vol. 30, no. 5, Article ID:. e3574, May 2019.
[20] A. S. Al-hubaishi, N. K. Noordin, A. Sali, S. Subramaniam, and A. Mohammed Mansoor, "An efficient pilot assignment scheme for addressing pilot contamination in multicell massive MIMO systems," Electronics, vol. 8, no. 4, Article ID: 372, Mar. 2019.
[21] V. Doshi, D. Shah, M. Médard, and M. Effros, "Functional compression through graph coloring," IEEE Trans. on Information Theory, vol. 56, no. 8, pp. 3901-3917, Aug. 2010.