A learning framework for optimized control of wireless links

Hussien, Mostafa (2023). A learning framework for optimized control of wireless links. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (8MB) | Prévisualisation

Résumé

The proliferation of wireless communication systems has garnered significant attention, driven by the exponential growth of interconnected nodes and the emergence of applications with diverse Quality-of-Service (QoS) requirements. These supported use cases exhibit a wide spectrum of demanding QoS requirements. In particular, fifth-generation (5G) communication systems have been architected to concurrently support three different use cases: Ultra-Reliable Low-Latency Communications (URLLC), massive Machine-Type Communications (mMTC), and enhanced Mobile BroadBand (eMBB), each with its unique application-specific requirements, all operating within shared network resources. Satisfying these requirements mandates operating the network in an optimized fashion, a formidable challenge given the inherent dynamism of channel conditions.

At the heart of enhancing the operational efficiency of modern communication systems lies the optimization of transmission parameters (e.g., modulation and coding schemes, guard intervals, and more). However, the dynamic adaptation of transmission parameters is contingent upon channel knowledge, which is acquired through a feedback process. This feedback mechanism is sensitive to the estimation and compensation of carrier frequency offsets. Hence, this thesis focuses on three pivotal components within the communication pipeline: Carrier Frequency Offset (CFO) estimation, Channel State Information (CSI) feedback compression, and link adaptation.

The intrinsic complexities associated with analytically modeling these challenges, coupled with the accessibility of abundant datasets and the extraordinary efficacy demonstrated by artificial intelligence (AI) and machine learning (ML) algorithms, have catalyzed the integration of AI and ML methodologies in addressing these issues. Moreover, the incorporation of AI and ML techniques holds the promise of significantly reducing execution times by circumventing the conventional iterative algorithms traditionally employed in such endeavors.

This dissertation proposes several novel ML-based solutions for the aforementioned three challenging problems within a comprehensive framework. The proposed solutions improve the accuracy, reliability, and efficiency of communication systems. This dissertation is structured into three parts, each dedicated to addressing one of the three core problems investigated. Precisely, PART 1 is focused on tackling the CFO estimation problem, PART 2 delves into the CSI feedback compression problem, and PART 3 is devoted to the Link Adaptation problem.

Our contributions to PART 1 (the CFO estimation) can be summarized as follows:

- Introducing ensemble learning, specifically the Gradient Boosting Machine (GBM) algorithm, within the CFO estimation problem. Adopting the GBM enhances the generalization capabilities of our proposed solution while aligning it with the inherent resource constraints encountered at the User Equipment (UE).

- Presenting the BiModule CFO Estimation (BMCE) technique, which represents an innovative approach to combining the predictions generated by the estimation module with the outcomes derived from an auxiliary module designed to model the temporal correlation among CFO values. Combining the direct CFO estimation derived from synchronization preambles with CFO forecasting results in a notable enhancement of prediction accuracy, yielding a 16% improvement over sole reliance on direct estimation methods.

Our contributions to PART 2 (the CSI feedback compression) can be summarized as follows:

- Introducing the Variational Autoencoders (VAE) to tackle the problem of noisy feedback channels. It has been empirically demonstrated that VAEs outperform conventional point estimation autoencoders in terms of reconstruction accuracy, providing a more effective means of managing the impact of noisy channels.

- Proposing a customized version of the VAE loss in order to further optimize the performance of VAE in the context of feedback problems. This customized loss function is precisely designed to align with the specific requirements and characteristics of feedbackrelated challenges (noisy feedback channels), thereby contributing to more accurate and meaningful reconstructions.

- Proposing an alternative solution rooted in learning theory to address the recognized limitations of autoencoder-based approaches. This novel approach not only addresses the limitations of conventional autoencoders but also outperforms both traditional and learning-based solutions by a substantial margin in terms of reconstruction accuracy.

Finally, in PART 3 (link adaptation), our contributions can be summarized as follows:

- Proposing a novel modeling for the link adaptation problem as a multilabel multiclass classification that provides a new framework for tackling this intricate issue.

- Proposing a customized loss function to train the classification models while increasing the system reliability (by minimizing the false positive errors).

- Proposing a comprehensive subsampling criterion for training link adaptation models instead of the random sampling adopted in the literature. The utilization of this novel subsampling criterion for training models on limited datasets yields significant improvements, with performance enhancements of up to 50% observed in specific scenarios.

- Developing a sophisticated neural architecture for solving the joint compression-adaptation problem. This architecture is accompanied by a customized loss function and training procedure, collectively representing a comprehensive solution framework for efficiently managing the complexities of joint compression and adaptation tasks.

Titre traduit

Un cadre d’apprentissage pour un contrôle optimisé des liaisons sans fil

Résumé traduit

La prolifération des systèmes de communication sans fil a suscité une attention considérable, en raison de la croissance exponentielle des noeuds interconnectés et de l’émergence d’applications ayant des exigences diverses en matière de qualité de service (QoS). Ces cas d’utilisation pris en charge présentent un large éventail d’exigences exigeantes en matière de qualité de service. En particulier, les systèmes de communication de cinquième génération (5G) ont été conçus pour prendre en charge simultanément trois cas d’utilisation différents: les communications ultra-fiables à faible latence (URLLC), les communications massives de type machine (mMTC) et le haut débit mobile amélioré (eMBB). chacun avec ses exigences spécifiques à l’application, tous fonctionnant au sein de ressources réseau partagées. Satisfaire ces exigences nécessite d’exploiter le réseau de manière optimisée, un formidable défi compte tenu du dynamisme inhérent aux conditions des canaux.

L’optimisation des paramètres de transmission (par exemple, schémas de modulation et de codage, intervalles de garde, etc.) est au coeur de l’amélioration de l’efficacité opérationnelle des systèmes de communication modernes. Cependant, l’adaptation dynamique des paramètres de transmission dépend de la connaissance du canal, acquise via un processus de rétroaction. Ce mécanisme de rétroaction est sensible à l’estimation et à la compensation des décalages de fréquence porteuse. Par conséquent, cette thèse se concentre sur trois composants essentiels au sein du pipeline de communication : l’estimation du décalage de fréquence porteuse (CFO), la compression du retour d’information sur l’état du canal (CSI) et l’adaptation de la liaison.

Les complexités intrinsèques associées à la modélisation analytique de ces défis, associées à l’accessibilité d’ensembles de données abondants et à l’extraordinaire efficacité démontrée par les algorithmes d’intelligence artificielle (IA) et d’apprentissage automatique (ML), ont catalysé l’intégration des méthodologies d’IA et de ML pour résoudre ces problèmes. De plus, l’intégration des techniques d’IA et de ML promet de réduire considérablement les temps d’exécution en contournant les algorithmes itératifs conventionnels traditionnellement utilisés dans de tels projets.

Cette thèse propose plusieurs nouvelles solutions basées sur le ML pour les trois problèmes difficiles susmentionnés dans un cadre complet. Les solutions proposées améliorent la précision, la fiabilité et l’efficacité des systèmes de communication. Cette thèse est structurée en trois parties, chacune dédiée à l’examen de l’un des trois problèmes fondamentaux étudiés. Plus précisément, la PARTIE 1 se concentre sur la résolution du problème de l’estimation CFO, la PARTIE 2 se penche sur le problème de la compression de rétroaction CSI et la PARTIE 3 est consacrée au problème de l’Adaptation des liens.

Nos contributions à la PARTIE 1 (l’estimation du CFO) peuvent être résumées comme suit :

- Présentation de l’apprentissage d’ensemble, en particulier de l’algorithme Gradient Boosting Machine (GBM), dans le problème d’estimation CFO. L’adoption du GBM améliore les capacités de généralisation de notre solution proposée tout en l’alignant sur les contraintes de ressources inhérentes rencontrées au niveau de l’équipement utilisateur (UE).

- Présentation de la technique BiModule CFO Estimation (BMCE), qui représente une approche innovante pour combiner les prédictions générées par le module d’estimation avec les résultats dérivés d’un module auxiliaire conçu pour modéliser la corrélation temporelle entre les valeurs CFO. La combinaison de l’estimation directe du CFO dérivée des préambules de synchronisation avec les prévisions du CFO entraîne une amélioration notable de la précision des prévisions, produisant une amélioration de 16% par rapport au seul recours aux méthodes d’estimation directe.

Nos contributions à la PARTIE 2 (la compression de rétroaction CSI) peuvent être résumées comme suit:

- Présentation des auto-encodeurs variationnels (VAE) pour résoudre le problème des canaux de rétroaction bruyants. Il a été démontré empiriquement que les VAE surpassent les auto-encodeurs classiques à estimation ponctuelle en termes de précision de reconstruction, offrant ainsi un moyen plus efficace de gérer l’impact des canaux bruyants.

- Proposer une version personnalisée de la perte de VAE afin d’optimiser davantage les performances de la VAE dans le cadre de problèmes de feedback. Cette fonction de perte personnalisée est précisément conçue pour s’aligner sur les exigences et caractéristiques spécifiques des défis liés au feedback (canaux de feedback bruyants), contribuant ainsi à des reconstructions plus précises et plus significatives.

- Proposer une solution alternative ancrée dans la théorie de l’apprentissage pour répondre aux limites reconnues des approches basées sur l’auto-encodeur. Cette nouvelle approche répond non seulement aux limites des auto-encodeurs conventionnels, mais surpasse également les solutions traditionnelles et basées sur l’apprentissage par une marge substantielle en termes de précision de reconstruction.

Enfin, dans la PARTIE 3 (lien adaptation), nos contributions peuvent être résumées comme suit :

- Proposer une nouvelle modélisation du problème d’adaptation de lien sous la forme d’une classification multiclasse multiétiquette qui fournit un nouveau cadre pour aborder ce problème complexe.

- Proposer une fonction de perte personnalisée pour entraîner les modèles de classification tout en augmentant la fiabilité du système (en minimisant les erreurs faussement positives).

- Proposer un critère de sous-échantillonnage complet pour la formation des modèles d’adaptation de lien au lieu de l’échantillonnage aléatoire adopté dans la littérature. L’utilisation de ce nouveau critère de sous-échantillonnage pour former des modèles sur des ensembles de données limités entraîne des améliorations significatives, avec des améliorations de performances allant jusqu’à 50% observées dans des scénarios spécifiques.

- Développer une architecture neuronale sophistiquée pour résoudre le problème d’adaptation-compression articulaire. Cette architecture est accompagnée d’une fonction de perte et d’une procédure de formation personnalisées, représentant collectivement un cadre de solution complet pour gérer efficacement les complexités des tâches de compression et d’adaptation des articulations.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript-based thesis presented to École de technologie supérieure in partial fulfillment for the degree of doctor of philosophy". Comprend des références bibliographiques (pages 199-213).
Mots-clés libres:	optimisation des canaux, intelligence artificielle, apprentissage automatique, auto-encodeurs variationnels, systèmes de communication de nouvelle génération, 5G, informations sur l’état des canaux, modulation et codage adaptatifs, compression CSI, estimation du décalage de fréquence porteuse, systèmes MIMO-FDD
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Cheriet, Mohamed
Codirecteur:	Codirecteur Nguyen, Kim Khoa
Programme:	Doctorat en génie > Génie
Date de dépôt:	01 févr. 2024 18:24
Dernière modification:	01 févr. 2024 18:24
URI:	https://espace.etsmtl.ca/id/eprint/3353

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt