Published January 1, 2021
| Version v1
Publication
Open
A Framework for Radio Resource Allocation and SDMA Grouping in Massive MIMO Systems
- 1. Universidade Federal do Ceará
- 2. State University of Vale do Acaraú
Description
This work proposes a framework for multiuser massive Multiple Input Multiple Output (MIMO) systems which is composed of three parts – clustering , grouping , and scheduling – and aims at maximizing the total system data rate considering Quality of Service (QoS) constraints. We firstly use a clustering algorithm to create clusters of spatially correlated Mobile Stations (MSs). Secondly, in the grouping part, we select a set of Space-Division Multiple Access (SDMA) groups from each cluster. These groups are used as candidate groups to receive Scheduling Unit (SU) in the scheduling part. In order to compose a group, we employ a metric that takes into account the trade-off between the spatial channel correlation and channel gain of MSs. In this context, it is proposed a suboptimal solution to avoid the high complexity required by the optimal solution. Thirdly and finally, we use the candidate SDMA groups from the grouping part to solve the data rate maximization problem considering QoS requirements. The scheduling part can be solved by our proposed optimal solution based on Branch and Bound (BB). However, since it has high computational complexity, we propose a suboptimal scheduling algorithm that presents a reduced complexity. In the simulation results, we evaluate the performance of both optimal and suboptimal solutions, as well as an adaptation of the Joint Satisfaction Maximization (JSM) scheduler to a massive MIMO scenario. Although the suboptimal solution presents a performance loss compared to the optimal one, it is more suitable for practical settings as it is able to obtain a good performance-complexity trade-off. Furthermore, we show that the choice of a suitable trade-off between the spatial channel correlation and channel gain improves the system performance. Finally, for a low number of available SDMA groups, the suboptimal solution presents near optimal outage and a throughput loss of only 10% in comparison to the high-complexity optimal solution while it outperforms the JSM solution in terms of outage and system throughput.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يقترح هذا العمل إطارًا لأنظمة متعددة المستخدمين متعددة المدخلات متعددة المخرجات (MIMO) التي تتكون من ثلاثة أجزاء – التجميع والتجميع والجدولة – وتهدف إلى تعظيم إجمالي معدل بيانات النظام مع مراعاة قيود جودة الخدمة (QoS). نستخدم أولاً خوارزمية التجميع لإنشاء مجموعات من المحطات المتنقلة المرتبطة مكانيًا (MSs). ثانيًا، في جزء التجميع، نختار مجموعة من مجموعات الوصول المتعدد بتقسيم المساحة (SDMA) من كل مجموعة. تُستخدم هذه المجموعات كمجموعات مرشحة لتلقي وحدة الجدولة في جزء الجدولة. من أجل تكوين مجموعة، نستخدم مقياسًا يأخذ في الاعتبار المفاضلة بين ارتباط القناة المكانية وكسب القناة لـ MS. في هذا السياق، يُقترح حل دون المستوى الأمثل لتجنب التعقيد العالي الذي يتطلبه الحل الأمثل. ثالثًا وأخيرًا، نستخدم مجموعات SDMA المرشحة من جزء التجميع لحل مشكلة تعظيم معدل البيانات مع مراعاة متطلبات جودة الخدمة. يمكن حل جزء الجدولة من خلال الحل الأمثل المقترح لدينا بناءً على الفرع والالتزام (BB). ومع ذلك، نظرًا لأن لها تعقيدًا حسابيًا كبيرًا، فإننا نقترح خوارزمية جدولة دون المستوى الأمثل تقدم تعقيدًا أقل. في نتائج المحاكاة، نقوم بتقييم أداء كل من الحلول المثلى ودون المثلى، بالإضافة إلى تكييف جدولة تعظيم الرضا المشترك (JSM) مع سيناريو MIMO الضخم. على الرغم من أن الحل دون الأمثل يمثل خسارة في الأداء مقارنة بالحل الأمثل، إلا أنه أكثر ملاءمة للإعدادات العملية لأنه قادر على الحصول على مقايضة جيدة بين الأداء والتعقيد. علاوة على ذلك، نظهر أن اختيار المفاضلة المناسبة بين ارتباط القناة المكانية وكسب القناة يحسن أداء النظام. أخيرًا، بالنسبة لعدد قليل من مجموعات SDMA المتاحة، يقدم الحل دون الأمثل انقطاعًا شبه أمثل وخسارة في الإنتاجية بنسبة 10 ٪ فقط مقارنة بالحل الأمثل عالي التعقيد بينما يتفوق على حل JSM من حيث الانقطاع وإنتاجية النظام.Translated Description (French)
Ce travail propose un cadre pour les systèmes MIMO (Multiple Input Multiple Output) massifs multi-utilisateurs qui est composé de trois parties – le regroupement, le regroupement et l' ordonnancement – et vise à maximiser le débit total des données du système en tenant compte des contraintes de qualité de service (QoS). Nous utilisons d'abord un algorithme de clustering pour créer des grappes de stations mobiles (MS) corrélées spatialement. Deuxièmement, dans la partie regroupement, nous sélectionnons un ensemble de groupes à accès multiple par répartition dans l'espace (SDMA) de chaque cluster. Ces groupes sont utilisés comme groupes candidats pour recevoir l'unité de planification (SU) dans la partie de planification. Afin de composer un groupe, nous utilisons une métrique qui prend en compte le compromis entre la corrélation spatiale des canaux et le gain de canal des États membres. Dans ce contexte, il est proposé une solution sous-optimale pour éviter la complexité élevée requise par la solution optimale. Troisièmement et enfin, nous utilisons les groupes SDMA candidats de la partie regroupement pour résoudre le problème de maximisation du débit de données en tenant compte des exigences de QoS. La partie planification peut être résolue par notre solution optimale proposée basée sur Branch and Bound (BB). Cependant, comme il a une grande complexité de calcul, nous proposons un algorithme d'ordonnancement sous-optimal qui présente une complexité réduite. Dans les résultats de simulation, nous évaluons la performance des solutions optimales et sous-optimales, ainsi qu'une adaptation du planificateur Joint Satisfaction Maximization (JSM) à un scénario MIMO massif. Bien que la solution sous-optimale présente une perte de performance par rapport à la solution optimale, elle est plus adaptée aux paramètres pratiques car elle est capable d'obtenir un bon compromis performance-complexité. En outre, nous montrons que le choix d'un compromis approprié entre la corrélation de canal spatial et le gain de canal améliore les performances du système. Enfin, pour un faible nombre de groupes SDMA disponibles, la solution sous-optimale présente une panne presque optimale et une perte de débit de seulement 10% par rapport à la solution optimale à haute complexité tout en surperformant la solution JSM en termes de panne et de débit du système.Translated Description (Spanish)
Este trabajo propone un marco para sistemas multiusuario masivos de múltiples entradas y múltiples salidas (mimo) que se compone de tres partes: agrupación, agrupación y programación , y tiene como objetivo maximizar la velocidad total de datos del sistema teniendo en cuenta las restricciones de calidad de servicio (QoS). En primer lugar, utilizamos un algoritmo de agrupamiento para crear grupos de estaciones móviles (MS) correlacionadas espacialmente. En segundo lugar, en la parte de agrupación, seleccionamos un conjunto de grupos de Acceso Múltiple por División de Espacio (SDMA) de cada clúster. Estos grupos se utilizan como grupos candidatos para recibir la unidad de programación (SU) en la parte de programación. Para componer un grupo, empleamos una métrica que tiene en cuenta el equilibrio entre la correlación espacial del canal y la ganancia del canal de los MS. En este contexto, se propone una solución subóptima para evitar la alta complejidad requerida por la solución óptima. En tercer y último lugar, utilizamos los grupos SDMA candidatos de la parte de agrupación para resolver el problema de maximización de la velocidad de datos teniendo en cuenta los requisitos de QoS. La parte de programación se puede resolver mediante nuestra solución óptima propuesta basada en Branch and Bound (BB). Sin embargo, dado que tiene una alta complejidad computacional, proponemos un algoritmo de programación subóptimo que presenta una complejidad reducida. En los resultados de la simulación, evaluamos el rendimiento de las soluciones óptimas y subóptimas, así como una adaptación del programador de Maximización de la Satisfacción Conjunta (JSM) a un escenario mimo masivo. Aunque la solución subóptima presenta una pérdida de rendimiento en comparación con la óptima, es más adecuada para entornos prácticos, ya que es capaz de obtener una buena compensación entre el rendimiento y la complejidad. Además, mostramos que la elección de una compensación adecuada entre la correlación espacial del canal y la ganancia del canal mejora el rendimiento del sistema. Finalmente, para un bajo número de grupos SDMA disponibles, la solución subóptima presenta una interrupción casi óptima y una pérdida de rendimiento de solo el 10% en comparación con la solución óptima de alta complejidad, mientras que supera a la solución JSM en términos de interrupción y rendimiento del sistema.Files
09409076.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:b5d85553732021bcc9a5bf81fe1edc7b
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- إطار لتخصيص الموارد الراديوية وتجميع SDMA في أنظمة MIMO الضخمة
- Translated title (French)
- Un cadre pour l'allocation des ressources radio et le regroupement SDMA dans les systèmes MIMO massifs
- Translated title (Spanish)
- Un marco para la asignación de recursos de radio y la agrupación de SDMA en sistemas mimo masivos
Identifiers
- Other
- https://openalex.org/W3155619711
- DOI
- 10.1109/access.2021.3074360
References
- https://openalex.org/W1493454437
- https://openalex.org/W1975152892
- https://openalex.org/W2027350700
- https://openalex.org/W2035750833
- https://openalex.org/W2094655360
- https://openalex.org/W2104074482
- https://openalex.org/W2128719882
- https://openalex.org/W2343448572
- https://openalex.org/W2515274964
- https://openalex.org/W2520766356
- https://openalex.org/W2537515126
- https://openalex.org/W2554187790
- https://openalex.org/W2671933846
- https://openalex.org/W2744262485
- https://openalex.org/W2754052974
- https://openalex.org/W2761904027
- https://openalex.org/W2767179702
- https://openalex.org/W2774957731
- https://openalex.org/W2891171329
- https://openalex.org/W2898035473
- https://openalex.org/W2909011855
- https://openalex.org/W2952222755
- https://openalex.org/W2955329636
- https://openalex.org/W2978045476
- https://openalex.org/W3026623928
- https://openalex.org/W3045214434
- https://openalex.org/W3048925973
- https://openalex.org/W4255329848
- https://openalex.org/W4312258136