클라우드 무선 접속망을 위한 메타 학습 기반의 프론트홀 압축

이 논문은 단일 안테나 사용자가 원격 전파 헤드(RRH) 클러스터를 통해 중앙 프로세서(CP)에 의해 협력적으로 서비스되는 사용자 중심의 클라우드 무선 접속망에서의 프론트홀 압축 문제를 조사합니다. 프론트홀 용량 제약을 충족하기 위해, 이 논문은 잘 설계된 변환 행렬과 균일 양자화기로 구성된 변환-압축-전송 스킴을 제안합니다. 변환 행렬은 업링크에서 차원 축소를 수행하고 다운링크에서 차원 확장을 수행합니다. 변환 행렬 설계에 대한 통신 오버헤드를 줄이기 위해, 이 논문은 지역 채널 상태 정보(CSI)를 기반으로 각 RRH에서 비최적 변환 행렬을 먼저 학습한 후 이를 반복적으로 세분화하는 딥러닝 프레임워크를 추가로 제안합니다. 세분화 프로세스를 용이하게 하기 위해, 우리는 CP와 RRH 간에 저차원 유효 CSI와 그 기울기만 전송하는 효율적인 신호화 방안을 제안하며, 또한 신호 전송 라운드를 줄이기 위한 메타 학습 기반 게이트 순환 유닛 네트워크를 제안합니다. 합계 최대화 문제에 대해, 시뮬레이션 결과는 제안된 2단계 신경망이 업링크 및 다운링크 모두에 대해 통신 오버헤드를 상당히 줄이면서 완전 협력적인 글로벌 CSI 기반 벤치마크에 근접하게 수행할 수 있음을 보여줍니다. 게다가 첫 번째 단계만 사용해도 기존의 지역 CSI 기반 벤치마크를 이미 초월할 수 있습니다.