Lightweight Learning for Grant-Free Activity Detection in Cell-Free Massive MIMO Networks

要約

グラントフリーランダムアクセス（GF-RA）は、将来の無線ネットワーク、特に5G以降（6G）のシステムにおける大規模マシン型通信（mMTC）のための有望なアクセス技術である。GF-RAのコンテキストにおいて、本研究では、デバイスのアクティビティ検出（AD）に関する課題に取り組むために教師あり機械学習技術を採用することの効率性を調査する。GF-RAは、非直交パイロットシーケンスを採用することでスケーラビリティに対応し、直交プリアンブルリソースの不足に制約される従来のグラントベースランダムアクセス（GB-RA）技術と比較して効率的な代替手段を提供する。本論文では、CF-mMIMO（cell-free massive multiple-input multiple-output）ネットワークにおけるmMTCのGF-RAにおけるアクティビティ検出のために特別に設計された、新しい軽量データ駆動アルゴリズムフレームワークを提案する。我々は、集中型と分散型の2つの異なるフレームワーク展開戦略を提案し、どちらもネットワークインフラ全体で提案されたアプローチの実装を合理化するように調整されている。さらに、全体的な検出性能を向上させるために、クラスタリングステージによって補完される最適化されたポスト検出手法を導入する。3GPPに準拠したシミュレーションにより、提案アルゴリズムは複雑さを大幅に低減しながら、最先端のモデルベースのアクティビティ検出精度を達成することが検証されました。99％の精度を達成し、実世界での実行可能性と有効性を実証している。

要約(オリジナル)

Grant-free random access (GF-RA) is a promising access technique for massive machine-type communications (mMTC) in future wireless networks, particularly in the context of 5G and beyond (6G) systems. Within the context of GF-RA, this study investigates the efficiency of employing supervised machine learning techniques to tackle the challenges on the device activity detection (AD). GF-RA addresses scalability by employing non-orthogonal pilot sequences, which provides an efficient alternative comparing to conventional grant-based random access (GB-RA) technique that are constrained by the scarcity of orthogonal preamble resources. In this paper, we propose a novel lightweight data-driven algorithmic framework specifically designed for activity detection in GF-RA for mMTC in cell-free massive multiple-input multiple-output (CF-mMIMO) networks. We propose two distinct framework deployment strategies, centralized and decentralized, both tailored to streamline the proposed approach implementation across network infrastructures. Moreover, we introduce optimized post-detection methodologies complemented by a clustering stage to enhance overall detection performances. Our 3GPP-compliant simulations have validated that the proposed algorithm achieves state-of-the-art model-based activity detection accuracy while significantly reducing complexity. Achieving 99% accuracy, it demonstrates real-world viability and effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL