arXiv 1809.034142018-09-07eess.SP

用于非相干联合传输的集中式和分布式解调器

Centralized and distributed schedulers for non-coherent joint transmission

Shangbin Wu, Yinan Qi

摘要：

本文研究了三种典型的网络协调方案的性能，动态点选择、完全重叠非相干联合传输（F-NCJT）和非完全重叠NCJT（NF-NCJT）。这些方案中的每一个都需要根据集中式或分布式调度器在协调的传输接收点（TRP）之间交换不同级别的用户数据和信道状态信息（CSI）报告。简要讨论了这些网络协调方案的调度策略。已经证明分布式网络协调方案（例如，NFNCJT）仍然可以相当好地执行;这一结果对第五代（5G）蜂窝网络架构的设计具有重要意义。

英文摘要：

This paper studies the performance of three typical network coordination schemes, i.e., dynamic point selection, fully overlapped non-coherent joint transmission (F-NCJT), and nonfully overlapped NCJT (NF-NCJT), in 3GPP new radio (NR) in indoor scenarios via system level simulation. Each of these schemes requires a different level of user data and channel state information (CSI) report exchange among coordinated transmission reception points (TRPs) depending on centralized or distributed schedulers. Scheduling strategies of these network coordination schemes are briefly discussed. It has been demonstrated that distributed network coordination schemes (e.g., NFNCJT) can still perform reasonably well; a result which has important implications to the design of the fifth generation (5G) cellular network architecture.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

基于深度学习的多卫星大规模MIMO传输：集中式还是分布式？

Deep Learning-Based Multi-Satellite Massive MIMO Transmission: Centralized or Decentralized?

National Mobile Communications Research Laboratory, Southeast University（东南大学移动通信国家重点实验室）；Purple Mountain Laboratories（紫金山实验室）；Shanghai Satellite Network Research Institute Co., Ltd.（上海卫星网络研究院有限公司）；University of Luxembourg（卢森堡大学）

本文研究多卫星大规模MIMO传输架构，通过优化加权和速率最大化问题，提出基于学习的WMMSE设计和分布式传输方案，提升吞吐量并降低复杂度和通信开销。

2026-03-21eess.SP

存在幂约束附着体时幂约束附着体的信息年龄

Age of Information of a Power Constrained Scheduler in the Presence of a Power Constrained Adversary

我们考虑一个时隙通信网络，由一个基站（BS），一个对手，$N$用户和$N_s$通信信道。BS和对手都具有平均功率约束，并且更新分组的成功传输的概率取决于BS的传输功率和对手的阻塞功率。我们提供了一个普遍的下限为这个通信网络的平均年龄。证明了在任意可行的发射功率选择策略下，统一调度算法是$4$最优的，最大年龄用户选择策略是$2$最优的.在本文的第二部分中，我们考虑的设置，BS选择的传输策略和对手选择一个阻塞的政策，从一组随机平稳的政策。我们表明，该通信网络的纳什均衡点可能存在，也可能不存在。我们发现特殊的情况下，纳什均衡总是存在的。

2023-01-03cs.GTcs.ITcs.NI

多小区MIMO O-RAN中的分布式用户调度与QoS约束

Distributed User Scheduling in Multi-Cell MIMO O-RAN with QoS Constraints

The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Shenzhen Research Institute of Big Data（深圳大数据研究院）；School of Artificial Intelligence, CUHK-Shenzhen（香港中文大学（深圳）人工智能学院）

本文针对多小区MIMO O-RAN中JT与非JT用户的多组件载波资源块调度问题，提出基于特征的零 forcing 转发器设计与大规模MIMO渐近性质，开发分布式调度器，实现高可扩展性与QoS满意度。

2026-03-30eess.SP

基于图神经网络的链路调度

Link Scheduling using Graph Neural Networks

Rice University（莱斯大学）；US Army’s DEVCOM Army Research Laboratory（美国陆军DEVCOM陆军研究实验室）

针对无线网络中最优链路调度需解NP难的最大加权独立集问题，提出基于图卷积网络的集中式与分布式快速启发式调度算法，采用强化学习训练，性能优于传统贪心方法且泛化性好。

2022-11-15cs.LGeess.SP

5G网络中联合URLLC和eMBB业务的基于空间的抢占式调度

Null Space Based Preemptive Scheduling For Joint URLLC and eMBB Traffic in 5G Networks

在本文中，我们提出了一个基于零空间的抢占式调度框架，用于跨目标优化，以始终保证鲁棒的URLLC性能，同时提取最大可能的eMBB容量。所提出的调度器永久授予传入的URLLC流量更高的优先级即时调度。在无线电资源不是立即可调度的情况下，所提出的调度器强制实施人工空间用户分离，以使URLLC业务在具有正在进行的eMBB传输的共享资源上被立即调度。构建预定义的参考空间子空间，调度器立即为其选择预编码器最接近的活动eMBB用户。然后，它将eMBB预编码器持续地投影到参考子空间上，以便其配对的URLLC用户将其解码器矩阵定向到参考子空间的一个可能的零空间中。因此，在URLLC用户处始终保持鲁棒的解码能力，同时交叉最大化遍历容量。与工业界和学术界的最先进的建议相比，所提出的调度器显示出极端的URLLC延迟鲁棒性，显著提高了整体频谱效率。分析和广泛的系统级仿真支持论文的结论。

2018-06-10eess.SP

一种基于流量预测的面向eMBB与随机到达URLLC共存的动态资源调度算法

A Dynamic Resource Scheduling Algorithm Based on Traffic Prediction for Coexistence of eMBB and Random Arrival URLLC

本文针对eMBB与随机到达URLLC共存场景，提出基于URLLC流量预测的eMBB码块配置与微时隙抢占联合调度算法，在保障URLLC可靠性的同时提升eMBB吞吐量。

2024-09-04cs.NIeess.SP

更多相关论文收起更多论文

Fog-RAN中的Cache放置：从集中式到分布式算法

Cache Placement in Fog-RANs: From Centralized to Distributed Algorithms

为了应对大规模移动用户的高速和/或超低延迟数据业务的快速增长，雾无线电接入网络（Fog-RAN）已经成为下一代无线网络的有前途的架构。在Fog-RAN中，边缘节点和用户终端具有不同程度的存储、计算和通信功能，这为网络操作提供了高度灵活性，即，从完全集中到完全分散。在本文中，我们研究的缓存放置在Fog-RAN的问题，考虑到灵活的物理层传输方案和不同的内容偏好的不同用户。我们开发了集中式和分布式传输感知缓存放置策略，以最大限度地减少用户的平均下载延迟的存储容量的限制。在集中式模式下，将缓存放置问题转化为拟阵约束的子模最大化问题，并提出了一种在常数因子内找到最优解的近似算法.在分布式模式下，提出了一种基于置信传播的分布式算法，以提供次优解，在每个BS上基于本地收集的信息进行迭代更新。仿真结果表明，通过利用缓存和合作增益，所提出的传输感知缓存算法可以大大降低用户的平均下载延迟。

2017-08-10cs.ITeess.SPmath.IT

一种用于联邦式和集中式学习的混合体系结构

A Hybrid Architecture for Federated and Centralized Learning

Duzce University（杜兹大学）；University of Luxembourg（卢森堡大学）；Koc University（科奇大学）；University of Hertfordshire（赫特福德大学）

许多机器学习任务依赖于集中式学习（CL），这需要将本地数据集从客户端传输到参数服务器（PS），从而带来巨大的通信开销。为了克服这一点，联邦学习（FL）被认为是一种有前途的工具，其中客户端只向PS发送模型更新，而不是整个数据集。然而，FL要求客户端提供强大的计算资源。在实践中，并非所有客户端都具有足够的计算资源来参与训练。为了解决这种常见的情况，我们提出了一种更有效的方法，称为混合联邦和集中式学习（HFCL），其中只有具有足够资源的客户端使用FL，而其余的客户端将其数据集发送到PS，PS代表它们计算模型。然后，在PS处聚合模型参数。为了提高数据集传输的效率，我们提出了两种不同的技术：i）增加每个客户端的计算量和ii）顺序数据传输。值得注意的是，HFCL框架优于FL，当只有一半的客户端执行FL时，学习准确性提高了20%，同时通信开销比CL少50%，因为所有客户端都在学习过程中与他们的数据集合作。

2022-06-01cs.ITcs.LGeess.SP

5G网络中关键低时延通信的多用户抢占式调度

Multi-User Preemptive Scheduling for Critical Low Latency Communications in 5G Networks

5G新无线电预计将支持三种主要服务类别：增强型移动宽带（eMBB）、超可靠低延迟通信（URLLC）和大规模机器类型通信。新兴的URLLC服务需要高达1毫秒的通信延迟，成功概率为99.999%。然而，在系统频谱效率（SE）和可实现的延迟之间存在基本的权衡。这就要求新的调度协议，交叉优化系统性能的用户为中心，而不是以网络为中心的基础。在本文中，我们开发了一个联合多用户抢占式调度策略，同时交叉优化系统SE和URLLC延迟。在每个调度机会处，可用URLLC业务总是被给予更高的优先级。当在传输时间间隔（TTI）期间出现零星URLLC业务时，所提出的调度器寻求在多用户传输中适配URLLC-eMBB业务。如果可用的空间自由度在TTI内受限，则URLLC业务立即覆盖正在进行的eMBB传输的一部分以满足URLLC延迟要求，代价是最小的eMBB吞吐量损失。广泛的动态系统级仿真表明，所提出的调度器提供了显着的性能增益的eMBB SE和URLLC延迟。

2018-06-10cs.NIeess.SP

通过确定性等价实现相干联合传输预编码的分散化

Decentralizing Coherent Joint Transmission Precoding via Deterministic Equivalents

针对多小区多用户MIMO网络，提出基于确定性等价的分散式相干联合传输预编码方案，以最小化功率并避免集中式信息交换，仿真显示仅需多2%~7%发射功率。

2024-03-15cs.ITeess.SPmath.IT

以用户为中心的无小区大规模多输入多输出预编码和功率的分布式联合优化

Distributed and Joint Optimization of Precoding and Power for User-Centric Cell-Free Massive MIMO

在无小区的大规模多输入多输出（CF mMIMO）系统中，广泛采用集中式传输方案来管理用户间干扰。不幸的是，它的实现受到中央处理单元（CPU）和接入点（AP）之间的大量信令开销的限制。为了解决这个问题，我们在这封信中提出了一种分布式下行链路传输方案。首先，使用基于零空间的预编码来消除对部分用户的干扰，其中仅部分信道状态信息（CSI）需要在AP簇之间共享。在此基础上，采用对偶分解方法对预编码器和功率控制进行联合优化，每个AP簇可以独立进行计算，并具有闭合表达式。通过很少的迭代，我们的分布式方案实现了与集中式方案相同的性能。此外，它还大大减少了与CPU的信息交换。

2022-07-30eess.SP

无小区大规模MIMO网络的主辅助信道估计

Master-Assisted Channel Estimation for Cell-Free Massive MIMO Networks

KU Leuven（荷语鲁汶大学）

针对无小区大规模MIMO网络，提出一种主辅助信道估计（MACE）方案，通过部分集中处理利用接入点间信号相关性，提升信道估计性能。

2026-06-02eess.SP

在分布式环境中测试具有减少传输的高斯图模型的结构

Testing the Structure of a Gaussian Graphical Model with Reduced Transmissions in a Distributed Setting

本文基于一组分布传感器的观测值，考虑高斯图模型（GGM）下协方差矩阵的检验。提出了有序传输以实现与最优集中式能量无约束方法相同的贝叶斯风险，但具有更少的传输和完全分布式的方法。在这种方法中，我们将贝叶斯最优检验统计量表示为局部检验统计量的总和，该统计量可以通过仅利用一个聚类中可用的观测值来计算。我们选择一个传感器作为簇头（CH）收集和总结的观察数据在每个集群和集群间的通信被假定为是廉价的。具有更多信息观测的CH首先将其数据传输到融合中心（FC）。通过在所有传输发生之前停止，可以在不损失性能的情况下保存传输。结果表明，这种排序方法可以保证一个下界的平均传输次数节省任何给定的GGM和下界可以接近约一半的集群数量时，在每个集群的备择假设下的协方差矩阵的最小特征值变得足够大。

2019-05-03eess.SP

混合联邦和集中式学习

Hybrid Federated and Centralized Learning

Koc University（科克大学）；United States CCDC Army Research Laboratory（美国CCDC陆军研究实验室）

许多机器学习（ML）任务都集中在集中式学习（CL）上，这需要将本地数据集从客户端传输到参数服务器（PS），从而导致巨大的通信开销。联邦学习（FL）通过允许客户端仅将模型更新而不是整个数据集发送到PS来克服这个问题。通过这种方式，FL将学习带到边缘级别，其中客户端需要强大的计算资源。由于边缘设备的计算能力不同，这一要求可能并不总是得到满足。我们通过一种新的混合联邦和集中式学习（HFCL）框架来解决这个问题，通过利用客户端的计算能力来有效地训练学习模型。在HFCL中，只有拥有足够资源的客户端使用FL;其余客户端通过将其本地数据集传输到PS来诉诸CL。这允许所有客户端在学习过程中进行协作，而不管其计算资源如何。我们还提出了一个顺序的数据传输方法与HFCL（HFCL-SDT），以减少训练时间。所提出的HFCL框架在学习精度（通信开销）方面优于先前提出的基于非混合FL（CL）的方案，因为所有客户端都在学习过程中与其数据集合作，而不管其计算资源如何。

2021-02-15cs.DCcs.ITcs.LG

基于集中式和分布式机器学习的可切片光网络QoT估计

Centralized and Distributed Machine Learning-Based QoT Estimation for Sliceable Optical Networks

University of Cyprus（塞浦路斯大学）；KIOS Research and Innovation Center of Excellence（KIOS卓越研究与创新中心）；Athens Information Technology（雅典信息技术学院）

动态网络切片已经成为满足5G各种用例的有前途的基本框架。由于机器学习（ML）预计将在这些网络的有效控制和管理中发挥关键作用，在这项工作中，我们研究了基于ML的传输质量（QoT）估计问题下的动态网络切片上下文，其中每个切片必须满足不同的QoT要求。我们研究基于ML的QoT框架，目的是找到根据不同的QoT要求进行微调的QoT模型。集中式和分布式框架的检查和比较，根据其准确性和训练时间。我们发现，分布式的QoT模型优于集中式的QoT模型，特别是随着不同的QoT要求的数量增加。

2019-09-27cs.LGcs.NIeess.SP

利用确定性等价与快速ADMM实现相干联合传输预编码的去中心化

Decentralizing Coherent Joint Transmission Precoding via Fast ADMM with Deterministic Equivalents

本文针对多小区多用户网络中的ICI抑制问题，提出一种基于确定性等价估计ICI边界并结合快速ADMM与CCCP的去中心化相干联合传输预编码方案，在接近集中式最优性能的同时显著降低计算复杂度和基站间信息交换需求。

2024-03-28cs.ITeess.SPmath.IT

无小区大规模MIMO中最大最小公平的集中式和分布式功率分配

Centralized and Distributed Power Allocation for Max-Min Fairness in Cell-Free Massive MIMO

无小区大规模MIMO系统由大量地理上分布的接入点（AP）组成，这些接入点通过相干联合传输为用户提供服务。下行链路功率分配在这些系统中是重要的，以确定哪些AP应该向哪些用户以及以什么功率进行传输。如果该系统正确实现，它可以提供比传统蜂窝网络更均匀的用户性能。为此，以前的作品已经示出了如何执行系统范围的最大-最小公平功率分配时，使用最大比预编码。在本文中，我们首先将此方法推广到任意的预编码，然后训练神经网络执行近似相同的功率分配，但降低了计算复杂性。最后，我们训练每个AP一个神经网络来模拟系统范围的最大-最小公平功率分配，但只使用本地信息。通过学习本地传播环境的结构，该方法优于来自无小区大规模MIMO文献的最先进的分布式功率分配方法。

2021-12-31cs.ITeess.SPmath.IT