KR20150135781A

KR20150135781A - 스파스 빔포밍 설계를 위한 시스템 및 방법

Info

Publication number: KR20150135781A
Application number: KR1020157030597A
Authority: KR
Inventors: 빈빈 다이; 웨이 유; 모하매드하디 발릭
Original assignee: 후아웨이 테크놀러지 컴퍼니 리미티드
Priority date: 2013-03-28
Filing date: 2014-03-28
Publication date: 2015-12-03
Also published as: EP2965446A1; CN105191163A; US20140293904A1; JP2016521482A; WO2014160919A1; EP2965446A4

Abstract

시스템 및 방법 실시예가 스파스 빔포밍 설계를 위해 제공된다. 일 실시예에서, 네트워크 MIMO 시스템을 위한 스파스 빔포밍 설계를 위한 방법이, 클라우드 중앙 프로세서에 의해, 네트워크 효용 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE) 각각에 대해 전송 빔포밍에서 사용할 전송 지점(TP)의 클러스터를 동적으로 형성하는 단계; 상기 클라우드 중앙 프로세서에 의해, 상기 최적화에 따라 각 UE에 대한 스파스 빔포밍 벡터를 결정하는 단계; 및 상기 클라우드 중앙 프로세서에 의해, 복수의 UE 중 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP에 메시지 및 제1 빔포밍 계수를 전송하는 단계를 포함하고, 상기 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP는 상기 제1 UE에 대응하는 제1 빔포밍 벡터의 논제로 엔트리에 대응한다.

Description

스파스 빔포밍 설계를 위한 시스템 및 방법{SYSTEMS AND METHODS FOR SPARSE BEAMFORMING DESIGN}

본 출원은 "Systems and Methods for Sparse Beamforming Design"으로 2014년 3월 27일에 출원된 미국 출원 번호 제14/227,724호, "Systems and Methods for Sparse Beamforming Design"으로 2013년 3월 28일에 출원된 미국 가출원 번호 제61/806,144호, 및 "System and Method for Sparse Beam Forming Design for Networked MIMO Systems with Limited Backhaul"로 2014년 1월 15일에 출원된 미국 가출원 번호 제61/927,913호의 우선권을 주장하며, 이들 출원은 여기에 참조로서 통합된다.

본 발명은 무선 통신용 시스템 및 방법에 관한 것으로, 보다 구체적으로는 스파스 빔포밍 설계를 위한 시스템 및 방법에 관한 것이다.

무선 셀룰러 네트워크는 고속 데이터에 대한 요구에 부합하기 위해 점진적으로 더 작은 셀 크기를 가지도록 급격하게 발전되고 있다. 그 결과, 셀간 간섭은 셀룰러 네트워크에서 주요한 물리 계층 과제 중 하나가 되었다. 이웃하는 기지국(BS: Base Station)이 사용자 데이터의 공동 프리코딩(precoding) 및 공동 처리를 위해 서로 협동할 수 있도록 하는 멀티셀 협동이 셀간 간섭의 완화를 위한 유망한 기술이 되었다. 네트워크 MIMO(Multiple-input multiple-output)으로도 알려져 있는, 이 새로운 아키텍처는, 셀룰러 네트워크의 전체적인 쓰루풋을 현저하게 향상시키는 능력을 가지고 있다.

전체 네트워크 내의 모든 BS가 협동하고 모든 사용자의 데이터를 공유하는 멀티셀 협동의 이상적인 구현은 비현실적이다. 현실적으로 멀티셀 협동을 구현하는 한가지 방법은, 속도-제한된 백홀 링크(rate-limited backhaul link)를 통해 모든 BS를 중앙 프로세서(CP: Central Processor)와 연결하는 것이다. 다운링크 전송을 위해, CP는 사용자 데이터를 그의 서빙 기지국으로 배포하기만 하면 된다. 대략적으로 말하면, 각 사용자에 대해 서빙 기지국 세트를 정하는 2가지의 종래 방식이 있는데, 즉, 고정 클러스터링(fixed clustering) 및 사용자-중심 클러스터링(user-centric clustering)이다. 고정 클러스터링 방식에서는, 고정된 세트의 이웃 기지국이 함께 더 큰 클러스터로 그룹화되어 커버리지 내에 있는 사용자를 협동하여 서브한다. 고정 클러스터링 방식이 이미 적절한 퍼포먼스 게인을 보여주고 있지만, 이 방식에서는 클러스터 에지에 있는 사용자는 여전히 상당한 클러스터간 간섭을 겪게 되고 이것은 네트워크 MIMO의 혜택을 제한한다. BS 클러스터가 고정되어 있지 않고 각 사용자에 대해 개별적으로 정해지는 사용자-중심 클러스터링에서는, 각 사용자는 선호하는 BS로 된 세트를 유동적으로 선택한다. 그러면 이들 BS는 공동 프리코딩 기술을 이용하여 사용자를 협동하여 서브한다. 사용자-중심 클러스터링의 잇점은 명확한 클러스터 에지가 없다는 것이다.

각 사용자에게 가장 좋은 서빙 BS 세트를 결정하는 것은 간단한 일이 아니다. 사용자의 관점으로부터 보면, 각 사용자는 가능한 많은 협동하는 BS에 의해 서브되기를 원하는 한편, BS의 관점으로부터 보면, 더 많은 사용자를 서브하면 더 많은 파워와 백홀 용량(backhaul capacity)을 소비한다. 따라서, 사용자 레이트, 전송 파워, 및 백홀 용량 간의 트레이드오프가 존재한다. 또한, 사용자-중신 클러스터링으로의 네트워크 MIMO 시스템을 위한 빔포밍 설계 문제 또한 간단하지 않다. 왜냐하면, 상이한 사용자를 서브하는 BS 세트가 중첩될 수 있기 때문이다. 특히 단일 셀을 위해 개발된 종래의 제로-포싱(ZF: Zero-Forcing) 빔포밍 및 최소 평균 제곱 오차(MMSE: Minimum Mean Square Error) 빔포밍 설계를 간단히 다시 사용할 수는 없다.

일 실시예에서, 네트워크 다중 입력 다중 출력(MIMO: Multiple-Input Multiple-Output) 시스템을 위한 스파스 전송 빔포밍(sparse transmit beamforming)을 설계하는 방법은, 클라우드 중앙 프로세서에 의해, 네트워크 효용(utility) 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE: User Equipment) 각각에 대해 전송 빔포밍에서 사용할 전송 지점(TP: Transmission Point)의 클러스터를 동적으로 형성하는 단계; 상기 클라우드 중앙 프로세서에 의해, 상기 최적화에 따라 각 UE에 대한 스파스 빔포밍 벡터를 결정하는 단계; 및 상기 클라우드 중앙 프로세서에 의해, 복수의 UE 중 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP에 메시지 및 제1 빔포밍 계수를 전송하는 단계를 포함하고, 상기 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP는 상기 제1 UE에 대응하는 제1 빔포밍 벡터의 논제로 엔트리에 대응한다.

일 실시예에서, 네트워크 다중 입력 다중 출력(MIMO) 시스템을 위한 스파스 전송 빔포밍을 설계하도록 구성된 클라우드 중앙 프로세서는, 프로세서; 및 상기 프로세서에 의해 실행되는 프로그램을 저장하는 컴퓨터에 의해 판독 가능한 저장 매체를 포함하고, 상기 프로그램은, 네트워크 효용(utility) 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE: User Equipment) 각각에 대해 전송 빔포밍에서 사용할 전송 지점(TP: Transmission Point)의 클러스터를 동적으로 형성하고; 상기 클라우드 중앙 프로세서에 의해, 상기 최적화에 따라 각 UE에 대한 스파스 빔포밍 벡터를 결정하고; 상기 클라우드 중앙 프로세서에 의해, 복수의 UE 중 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP에 메시지 및 제1 빔포밍 계수를 전송하는 명령어를 포함하고, 상기 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP는 상기 제1 UE에 대응하는 제1 빔포밍 벡터의 논제로 엔트리에 대응한다.

일 실시예에서, 제한된 백홀을 가진 네트워크 다중 입력 다중 출력(MIMO) 시스템을 위한 스파스 전송 빔포밍을 설계하는 시스템은, 클라우드 중앙 프로세서; 및 상기 클라우드 중앙 프로세서에 백홀 링크에 의해 연결되고 복수의 사용자 장비를 서브하도록 구성된 복수의 전송 지점을 포함하고, 상기 클라우드 중앙 프로세서는, 네트워크 효용(utility) 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE: User Equipment) 각각에 대해 전송 빔포밍에서 사용할 전송 지점(TP: Transmission Point)의 클러스터를 동적으로 형성하고; 상기 클라우드 중앙 프로세서에 의해, 상기 최적화에 따라 각 UE에 대한 스파스 빔포밍 벡터를 결정하고; 상기 클라우드 중앙 프로세서에 의해, 복수의 UE 중 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP에 메시지 및 제1 빔포밍 계수를 전송하도록 구성되고, 상기 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP는 상기 제1 UE에 대응하는 제1 빔포밍 벡터의 논제로 엔트리에 대응한다.

본 발명 및 본 발명의 장점에 대한 보다 완전한 이해를 위해, 첨부 도면과 함께 이하의 설명을 참고할 수 있다.
도 1은 각 BWS 마다의 백홀 제약(constraint)을 가진 네트워크 MIMO 시스템의 실시예의 개략 구성도이다.
도 2는 무선 자원이 한정되어 있는 상태에서 가변 레이트 애플리케이션을 위한 네트워크 효용을 최대화하기 위한 스파스 빔포밍 방법의 실시예에 관한 흐름도이다.
도 3은 제한된 백홀을 통해 중앙 클라우드 프로세서에 연결된 BS의 시스템의 실시예를 도시한 도면이다.
도 4는 재가중화된 파워를 통해 제한된 백홀을 가지고 스파스 빔포밍을 하기 위한 방법의 실시예에 관한 흐름도이다.
도 5는 본 명세서에 개시된 장치 및 방법을 구현하기 위해 사용될 수 있는 처리 시스템의 블록도이다.

바람직한 실시예를 만들고 사용하는 것이 상세하게 개시된다. 그러나 본 발명은 폭넓게 다양한 특정 구성으로 구현될 수 있는 많은 적용 가능한 기술적 사상을 제공한다는 것을 알아야 한다. 여기에서 논의되는 특정 실시예는 단지 본 발명을 만들고 사용하기 위한 특정 방법을 보여주기 위한 것일 뿐 본 발명의 보호 범위를 한정하려는 것은 아니다.

고정된 사용자 레이트 제약(constraint) 하에서 스파스 빔포밍 설계는 다양한 기법을 이용하여 고려될 수 있다. 이 분야에서의 몇몇 저자들은 일련의 스무드 지수 함수(smooth exponential function)를 통해 불연속(discrete) ℓ ₀ -norm을 근사화하는 것을 제안한다. 다른 방법으로서, 다른 이들은 클러스터 크기를 근사화하기 위해 빔포밍 벡터의 ℓ ₁ -norm을 이용하는데, 이것은 재가중화(reweight)에 의해 추가로 개선될 수 있다. 클러스터 크기는 각 BS에서 빔포머의 ℓ ₂ -norm으로부터 결정될 수 있고, 그 결과로서의 최적화 문제는 2차 콘 프로그래밍(SOCP: Second-Order Cone Programming) 문제로 되고, 이 문제는 내점 방법(interior point method)에 의해 수치적으로 풀어질 수 있다. 내점 방법의 연산 복잡도를 줄이기 위해, 일부 종래의 해법은 제2 알고리즘을 채용하는데, 이것은 먼저 합산 파워 최소화 문제(sum power minimization problem)을 푼 다음 반복적으로(iteratively) 최소 링크 전송 파워(least link transmit power)에 대응하는 링크를 제거한다.

네트워크 MIMO 시스템에 대한 네트워크 효용 최적화 문제 또한 이전 문헌에서 고려되어 왔던 것이다. 예컨대, 애초에 MIMO 브로드캐스트 채널을 위해 설계된 블록 대각화 프리코딩(block diagonalization precoding) 방법과 같은, 고정된 클러스터링 방식을 위한 합산 레이트 최대화가 클러스터간 간접 완화를 수용하기 위해 일반화되어 있다. 효용 최대화 또한 소정의 사용자-중심 클러스터링을 위해 또 다이내믹 사용자-중심 클러스터링을 위해 고려되었다. 다른 이들은, 로컬 최적 해법을 찾기 위해 일반화된 버전의 WMMSE 접근법에 의존하면서, 이 문제를 컨벡스 최적화(convex optimization) 문제로 변환하기 위해 1차 테일러 전개식(first order Taylor expansion)을 이용하여 논컨베스 레이트 수식(nonconvex rate expression)을 근사화하는 것을 제안했다. 공동 빔포밍 및 사용자-중심 클러스터링 설계는 벌칙 항목으로서 클러스터 크기의 ℓ ₂ -norm 근사화를 기존의 가중화된 합산 레이트(WSR: Weighted Sum Rate) 최대화 문제에 부과하는 것에 의해 연구되었다. 클러스터 크기 제약(constraint)을 목적 함수에 부과하는 것으로 BS 간에 분리 가능한 파워 제약(constraint)을 낳게 되고, 이것은 기존 BCD(Block Coordinate Descent) 알고리즘을 적용할 수 있게 한다. 그러나 시스템 설계 관점에서 볼 때, 최종 빔포밍 벡터가 원하는 희박성(sparsity)을 가지도록 하기 위해 비용 조건(price terms)을 신중하게 선택해야 하기 때문에 각 BS에서 백홀 소비를 제어하는 것이 어렵게 되기도 한다. 게다가, 이들 방법의 일부는 각 사용자를 서브하는 후보 BS를 각 셀 내로 제한한다. 이 제한은, 클러스터 에지에 있는 사용자가 여전히 상당한 셀간 간섭을 겪게 되는, 고정된 클러스터링으로서의 공통의 단점을 공유한다.

제한된 협동을 가진 네트워크 MIMO 시스템을 위한 실질적인 설계가 집중적으로 연구되었다. 공동 사용자 스케줄링 및 다이내믹 클러스터링 설계가 고려되는 한편, 공동 클러스터링 및 빔포밍 설계는 벌칙 항목으로서 각 사용자에 대한 클러스터 크기의 ℓ ₂ -norm 근사화를 가중화된 합산 레이트 최대화 문제에 부가하는 것에 의해 연구되었다. 다른 이들은 클러스터 선택, 사용자 스케줄링, 빔포밍 설계 및 파워 할당의 문제를 분리하여 해소하는 것을 제안했다. ZF(Zore-Forcing) 빔포밍이 채용되는 것들과 다른 방법에서, 여전히 다른 이들은, 일련의 컨벡스 최적화 문제를 해결하는 것에 의해 고정된 클러스터링을 위해 소위 SIN(Soft Interference Nulling) 프리코딩 기법을 제안하였는데, 이것은 적어도 ZF 빔포밍만큼 잘 기능한다.

여러 다른 알고리즘이 최적화 문제를 해결하기 위해 제안되었다. 하나의 알고리즘에서, 클러스터 크기는 가중화된 ℓ ₂ -norm에 의해 근사화되고 이 문제를 내점 방법을 이용하여 수치적으로 풀어지는 SOCP(Second-Order Cone Programming) 문제로 수식화하였다. 이 내점 방법의 높은 연산 복잡도를 줄이기 위해, 먼저 합산 파워 최소화 문제를 풀고 그런 다음 반복적으로 최소 링크 전송 파워에 대응하는 링크를 제거하는 제2 알고리즘이 제안되었다.

종래 기술에서, 압축 센싱의 개념이 통신 시스템 설계의 여러 시나리오에 적용되었다. 예컨대, 몇몇은 ℓ ₁ -norm 근사화를 이용하여 업링크 멀티셀 협동 모델을 위한 스파스 MMSE 수신기를 설계했고, 다른 몇몇은 간섭 채널에서 공동 파워 및 링크 허가 제어를 위해 유사한 개념을 이용하였다. 게다가, 어떤 이들은 이 개념을 그린 클라우드 무선 액세스 네트워크(green cloud raio access network(Cloud-RAN))에 적용하여 BS로부터의 전송 파워 및 백홀 링크로부터의 전송 파워를 함께 최소화하였다. 그러나 이들 방법 모두는 연산 복잡도를 겪게 되고 이것은 이들을 구현하기에는 비현실적인 것으로 만들었다.

여기 개시된 것은, 네트워크 MIMO 시스템에서 클러스터 공식화(cluster formulation) 문제를 다루는 압축 센싱 방법 및 시스템이고, 여기서는 불연속 ℓ ₀ -norm이 빔포머의 재가중화된 ℓ ₂ -norm 제곱에 의해 근사화된다. 이 근사화 접근법을 이용하면, 제한된 백홀을 가진 네트워크 MIMO 시스템 설계가 간소화된다.

일 실시예에서, 기지국(BS)이 중앙 프로세서(CP)에 레이트가 제한된 백홀 링크(rate-limited backhaul link)를 통해 연결되어 있는 다운링크 멀티셀 협동 모델이 제시되고, 이것은 각각의 스케줄링되는 사용자가 BS 클러스터에 의해 협동하여 서브되고 상이한 사용자에 대한 서빙 BS가 중첩되는 사용자 중심 클러스터링 모델을 이용한다. 2개의 상이한 문제 공식화가 각각 고려되는데, 즉 고정된 사용자 레이트 제약(constraint) 하에서의 총 전송 파워 및 합산 백홀 용량 간 최적 트레이드오프 및 주어진 BS별 파워 및 BS별 백홀 제약에 대한 효용 최대화이다. 빔포머의 가중화된 ℓ ₂ -norm 제곱의 함수로서 백홀 레이트의 근사화가 이용된다. 이것은 트레이드오프 문제가 가중화된 파워 최소화 문제로 전환되도록 해 주고, 이 가중화된 파워 최소화 문제는 주지의 업링크-다운링크 쌍대성(duality) 접근법을 이용하여 효과적으로 풀어질 수 있고, 그것은 또한 효용 최대화 문제(utility maximization problem)를 일반화된 가중화된 최소 평균 제곱 오차(WMMSE: Weighted Minimum Mean Square Error) 접근법을 통해 풀 수 있게 만든다.

일 실시예에서, 다운링크 네트워크 MIMO 셋업에서의 공동 빔포밍 및 클러스터링을 해결하는 방법 및 시스템이 개시된다. 여기서, 기지국은 레이트가 제한된 백홀 링크를 가지고 중앙 프로세서에 연결된다. 일 실시예에서, 이 문제는 각 사용자에 대해 BS들간에 걸친 스파스 빔포밍 벡터를 창립하는 것으로서 공식화되고, 여기서 넌제로 빔포밍 엔트리는 사용자의 서빙 BS에 대응한다. 일 실시예에서, 효용 함수(utility function)는 사용자의 가중화된 합산 레이트이다.

다른 솔루션과 다르게, BS별 백홀 제약(per-BS backhaul constraint)dl 네트워크 효용 최대화 프레임워크에서 공식화되는 방법이 여기에 개시된다. 전송 파워 제약만을 가진 종래의 효용 최대화 문제와 다르게, 추가된 백홀 제약은 불연속 ℓ ₀ -norm 공식화라는 결과는 낳고 이것은 이 문제를 더욱 도전적으로 만든다. 일 실시예에서, 가중화된 ℓ ₁ -norm 기법을 이용하여 반복적으로 BS별 백홀 제약을 근사화하고 백홀 제약을 가중화된 BS별 파워 제약으로서 재공식화하는 방법 및 시스템이 여기에 개시된다. 이 근사화는, 가중화된 합산 레이트 최대화 문제를 일반화된 WMMSE 접근법을 통해 반복적으로 풀 수 있도록 한다. 각 반복 연산에서 제안된 방법의 연산 복잡도를 줄이기 위해, 2가지 추가적인 기법이 개시된다: 즉, 반복적인 링크 제거 및 반복적인 사용자 풀 수축(user pool shrinking)이며, 이들은 잠재적인 BS 클러스터 크기 및 사용자 스케줄링 풀을 동적으로 감소시킨다. 수치적 결과는, 이 개시된 방법 및 시스템이 채널 강도(channel strength)에 기초한 경험 없는 BS 클러스터링 전략에 비해 시스템 쓰루풋을 현저하게 향상시킨다는 것을 보여준다.

갱신된 가중치를 가진 하나 이상의 사용자 경험 제약을 조건으로 하는, 시스템 내에서 시스템 자원을 반복적으로 최소화하는 클라우드 중앙 프로세서를 포함하는 네트워크 MIMO 시스템을 위한 스파스 전송 빔포밍(sparse trasmit beamforming)을 설계하는 방법의 일례가 개시된다. 추가적인 실시예에서, 이 시스템 자원은 전송 파워 및 백홀 레이트의 가중화된 합이다. 추가적인 실시예에서, 이 하나 이상의 사용자 경험 제약은 SINR(signal plus interference to noise ratio), 데이터 레이트, 및 이들의 조합 중에서 선택된 것이다.

네트워크 MIMO 시스템을 위한 스파스 전송 빔포밍을 설계하는 방법 및 시스템이 개시된다. 일 실시예에서, 클라우드 중앙 프로세서에 의해, 네트워크 효용 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE: User Equipment) 각각에 대해 전송 빔포밍에서의 사용을 위한 전송 지점(TP: transmission point)의 클러스터를 다이내믹하게 그리고 적응적으로 형성하는 단계, 클라우드 중앙 프로세서에 의해, 클러스터를 형성하는 단계에 따라 각 사용자 장비에 대한 스파스 빔포밍 벡터를 결정하는 단계, 및 클라우드 중앙 프로세서에 의해, 제1 사용자 장비를 위한 TP의 클러스터를 형성하는 전송 지점에게 메시지 및 제1 빔포밍 계수를 전송하는 단계를 포함하고, 제1 사용자 장비를 위한 TP의 클러스터를 형성하는 전송 지점은 제1 사용자 장비에 대응하는 제1 빔포밍 벡터에서 논제로 엔트리에 대응한다. 일 실시예에서, TP의 클러스터를 다이내믹하게 그리고 적응적으로 형성하는 단계는, 고정된 시스템 자원을 가지고 효용 함수를 최대화하는 단계 및 주어진 사용자 경험 제약을 가지고 시스템 자원을 최소화하는 단계 중 하나를 포함한다. 일 실시예에서, 효용 함수는 가중화된 합산 레이트를 포함하고, 시스템 자원은 전송 파워 및 백홀 레이트를 포함한다. 일 실시예에서, 클러스터를 형성하는 단계는 클라우드 중앙 프로세서에 의해 제1 함수 및 제2 함수 중 하나를 반복적으로 최적화는 단계를 포함하고, 여기서 제1 함수를 반복적으로 최적화하는 단계는 적어도 하나의 원하는 사용자 경험 제약을 지원하기 위해 요구되는 시스템 자원을 반복적으로 최소화하는 단계를 포함하며, 제2 함수를 반복적으로 최적화하는 단계는 미리 특정된 시스템 자원 제약을 가지고 사용자 전송 레이트의 효용 함수를 반복적으로 최대화하는 단계를 포함하고, 이 시스템은 복수의 전송 지점(TP) 및 복수의 사용자 장비를 포함한다. 일 실시예에서, 효용 함수는 사용자 레이트의 가중화된 레이트 합산이고, 미리 특정된 시스템 자원 제약은 전송 파워 제약 및 백홀 레이트 제약을 포함한다.

일 실시예에서, 이 방법은, 일단 제1 TP로부터 사용자에의 전송 파워가 임계치 미만이면 사용자의 후보 클러스터로부터 제1 TP를 반복적으로 제거하는 단계를 포함한다. 일 실시예에서, 이 방법은 또한, 사용자 장비 중 제1 사용자 장비를 위한 달성 가능한 사용자 전송 레이트가 임계치 미만인 때 제1 사용자 장비를 무시하는 단계를 포함한다. 일 실시예에서, 요구되는 시스템 자원을 반복적으로 최소화하는 단계는 전송 파워 및 백홀 레이트의 가중화된 합산을 최소화하는 단계를 포함하고, 적어도 하나의 요구되는 사용자 경험 제약은 사용자 전송 데이터 레이트를 포함한다.

일 실시예에서, 미리 특정된 시스템 자원 제약을 가진 사용자 전송 레이트의 효용 함수를 반복적으로 최대화하는 단계는, 최소 평균 제곱 오차(MMSE) 수신기 및 대응하는 MSE를 반복적으로 계산하는 단계, MSE 가중치를 갱신하는 단계, 고정된 효용 함수 및 MSE 가중치 하에서 최적 전송 빔포머를 구하는 단계, 사용자 장비에 대한 달성 가능한 전송 레이트 k를 연산하는 단계, 및 고정된 전송 레이트 및 고정된 가중치를 달성 가능한 전송 레이트와 같게 되도록 갱신하는 단계를 포함한다. 일 실시예에서, MMSE 수신기 및 대응하는 MSE를 연산하는 단계는 다음 식:

(여기서,

는 MMSE 수신기,

는 모든 TP로부터 사용자 k에의 채널 상태 정보,

는 j번째 사용자 장비에 대한 빔포밍 벡터이고, 위첨자

는 행렬 연산에서의 에르미트 트랜스포스(Hermitian Transpose)를 나타내고, 는 수신된 노이즈 파워, 그리고

는 항등 행렬(identity matrix)임)

을 연산하는 단계; 및 다음 식:

(여기서,

는 대응하는 MSE, E는 기대 연산자(expectation operator),

는 사용자 k에 대한 수신 빔포머의 에르미트 트랜스포스,

는 사용자 k에서의 수신 신호,

는 사용자 k에 대해 의도된 데이터임)

을 연산하는 단계를 포함한다. 일 실시예에서,

는 MSE 가중치이고, MSE 가중치를 갱신하는 단계는

에 따라

를 연산하는 단계를 포함한다. 일 실시예에서, 달성 가능한 레이트는

이고, 이 달성 가능한 레이트를 연산하는 단계는, 다음 식:

에 따라 R를 연산하는 단계를 포함한다.

일 실시예에서,

는 고정된 전송 레이트이고 이 고정된 전송 레이트 및 고정된 가중치를 갱신하는 단계는,

로 설정하는 단계 및 다음 식에 따라

를 연산하는 단계를 포함한다:

(여기서,

는

에 대한 고정된 가중치이고,

는 TP l로부터 사용자 k까지의 전송 파워이고,

는 정규화 상수임)

일 실시예에서, 최적화하는 단계는, 이하의 수식에 따라 전송 파워 및 백홀 레이트의 함수를 반복적으로 최소화하는 단계:

(여기서,

,

는 각 전송 지점-사용자 장비 쌍과 연관된 가중치,

는 사용자 k의 실효 전송 레이트,

는 스칼라이다), 부동점 방법(fixed-point method)을 이용하여 최적 듀얼 변수(optimal dual variable)를 구하는 단계; 최적 듀얼 업링크 수신기 빔포밍 벡터를 연산하는 단계, 상기 빔포밍 벡터 및

를 갱신하는 단계 - 여기서,

는 업링크 최적 수신기 빔포밍 및 다운링크 최적 전송 빔포밍에 관한 스케일 인자임 -, 및 하기 수식에 따라 각각의 전송 지점-사용자 장비 쌍에 연관된 가중치

를 갱신하는 단계

를 포함하고, 여기서

는 임의의 양의 지수이고,

는

로 되도록 적응적으로 선택되며,

는 임의의 작은 양의 값이고, 여기서

는

에 따라 갱신되고,

는 백홀 레이트와 전송 파워 간의 트레이드오프 인자를 나타낸다. 일 실시예에서, 최적 듀얼 변수는 k번째 사용자에 대해

이고, 최적 듀얼 변수를 구하는 단계는, 다음 식

에 따라

를 결정하는 단계를 포함하고, 여기서,

는 사용자 k에 대한 SINR 목표치이고,

는 사용자 k에의 채널 상태 정보 벡터의 에르미트 트랜스포스(Hermitian Transpose)이고,

는 사용자 j에 대한 채널 상태 정보이고,

는 사용자 j에 대한 채널 상태 정보의 에르미트 트랜스포스이며,

는 듀얼 업링크 노이즈 공분산 행렬(dual uplink noise covariance matrix)이다. 일 실시예에서, 최적 듀얼 업링크 수신기 빔포밍 벡터는

이고, 최적 듀얼 업링크 수신기 빔포밍 벡터를 연산하는 단계는 다음 수식

에 따라

를 결정하는 단계를 포함한다.

일 실시에에서, 빔포밍 벡터는

이고, 빔포밍 벡터 및

를 갱신하는 단계는,

에 따라

를 결정하는 단계 및

에 따라

를 결정하는 단계를 포함하고,

는 듀얼 업링크 수신기 빔포밍이고,

는

를 풀기위한 선형 시스템 행렬이고, 1은 전부 1인 벡터이고,

는 노이즈 파워이고,

는

의 행렬이다.

일 실시예에서, BS가 레이트가 제한된 백홀 링크를 통해 중앙 프로세서(CP) 또는 중앙 클라우드 프로세서(CCP)에 연결되는 다운링크 멀티셀 협동 모델이 개시된다. 이 링크는 유선 및/또는 무선 링크일 수 있다. 사용자-중심 클러스터링 모델이 개시되며, 여기서 각각의 스케줄링된 사용자는 BS의 클러스터에 의해 협동적으로 서브되고, 상이한 사용자를 서브하는 BS는 중첩될 수도 있다. 각 사용자가 다이내믹하게, 논제로 엔트리가 서빙 BSdp 대응하는 스파스 네트워크-와이드 빔포밍 벡터(sparse network-wide beamforming vector)를 형성하는 빔포밍 설계 문제와 최적 공동 클러스터링의 공식화(formulation)이 개시된다. 구체적으로, 각 사용자에 대한 고정된 SINR 제약이 가정되고, 협동하는 클러스터를 형성하기 위해 필요한 합산 전송 파워 및 합산 백홀 용량 간의 최적 트레이드오프 방법이 개시된다. 직관적으로, 더 큰 협동 크기는 더 낮은 전송 파워로 이어진다. 왜냐하면, 간섭은 협동을 통해 완화되기 때문이다. 하지만, 이것은 또한 더 높은 합산 백홀을 가져오는데, 그 이유는 사용자 데이터가 보다 많은 BS에 사용 가능하게 될 필요가 있기 때문이다. 일 실시예에서, 스파스 빔포밍 문제는 ℓ ₀ -norm 최적화 문제로서 공식화되고, 그런 다음 반복적인 재가중화된 ℓ ₁ 휴리스틱(iterative reweighted ℓ ₁ heuristic)이 솔루션을 찾기 위해 사용된다. 본 개시의 실시예의 핵심은 재가중화(reweighting)가 BS에서 빔포머(즉, 파워)의 ℓ ₂ -norm 제곱에 가해질 수 있다는 것이다. 이것은 전체 네트워크에 대한 가중화된 파워 최소화 문제를 일으키고, 이것은 낮은 연산 복잡도를 가지고 업링크-다운링크 품질 기법을 이용하여 풀 수 있다. 실시예에 따른 방법 및 시스템은 높은 SINR 체제에서 종래의 솔루션보다 합산 파워 및 합산 백홀 용량 간의 더 나은 트레이드오프를 제공한다.

고정된 사용자 데이터 레이트에 대해, 하나의 이슈는 모든 BS에 대해 총 전송 파워 및 합산 백홀 용량 간의 최적 트레이드오프를 결정하는 것이다. 백홀 용량을 더 많이 가질수록, 더 많은 BS가 특정 사용자를 위해 더 큰 클러스터를 형성하기 위해 협력할 수 있고, 따라서 하나가 고정된 데이터 레이트를 위해 사용자를 서브하기 위해 더 적은 전송 파워를 필요로 하게 될 것인데, 그 이유는 셀간 간섭은 클러스터 내에서 BS 간 협동에 의해 효과적으로 완화될 수 있기 때문이다. 그러나, 전송 파워 및 백홀 용량 간의 최적 트레이드오프를 수학적으로 구하는 것은 백홀 연결의 불연속한 특성으로 인해 간단하지 않다.

압축 센싱과 연결하여, 일 실시예는 백홀 레이트를 가중화된 ℓ ₂ -norm 제곱 형태로 근사화하는데, 이것으로 이 문제가 SINR 제약을 가진 가중화된 최소화 문제로 공식화될 수 있다. 가중치를 반복적으로 적절하게 갱신하는 것에 의해, 스파스 빔포밍 벡터가 시스템 내의 각 사용자마다에 대해 구해질 수 있고, 여기서 그 사용자를 서브하지 않는 BS에 대응하는 엔트리는 제한 내에서 제로가 될 것이다.

일 실시예의 일 측면은, 백홀 레이트를 가중화된 ℓ ₂ -norm 제곱 항으로 푸는 것에 의한다는 것이다. 그 결과로서 얻어진 알고리즘은 세미-폐쇄형 솔루션(semi-closed form solution)을 허용하지만, 높은 SINR 체계에서 다른 알고리즘에 비해 더 우수하게 기능한다. 일 실시예는, 백홀 레이트의 재가중화된 ℓ ₂ -norm 제곱 근사화를 채용하은 것에 의해 고정된 사용자 레이트에 대해 BS 클러스터링과 빔포밍을 함께 설계한다. 일 실시예는, 고정된 사용자 레이트에 대해 합산 파워 및 합산 백홀 간 트레이드오프를 구하고 백홀 용량을 최적화한다. 일 실시예는 트레이드오프를 최적화하기 위해 재가중화된 최적화에서의 가중치를 선택한다. 또한, 일 실시예는 빔포머를 설계하고, BS 클러스터를 선택하며, 고정된 사용자 스케줄링 및 사용자 레이트 하에서 공동으로 파워를 할당한다.

이 실시예들은 이하에서 주로 기지국을 포함하는 네트워크를 참조하여 주로 설명된다. 그러나, 여기 개시된 시스템 및 방법은 기지국에 한정되지 않는다. 여러 실시예에서, 각 실시예에서의 하나 또는 여러 기지국이 전송 지점의 임의의 형태로 교체될 수 있는데, 예컨대, 무선 액세스 포인트(AP), 마이크로 기지국, 피코 기지국, 트랜지버 스테이션(BTS), 인핸스드 기지국(eNB), 펨토셀(femtocell) 및 그외 유사한 장치이다.

I. 효용을 최대화하기 위한, 기지국별 파워 제약(per-base-station power constraint) 및 기지국별 백홀 제약(per-base-station backhaul constraint)을 가진 네트워크 MIMO 시스템을 위한 스파스 빔포밍 설계

도 1은 BWS별 백홀 제약을 가진 예시적인 네트워크 MIMO 시스템(100)의 개략 다이어그램이다. 시스템(100)은 총 L개의 BS(102) 및 K개의 사용자(104)를 가진 멀티셀 협동 시스템이고, 각 BS(102)는 M개의 전송 안테나를 가지며 각 사용자(104)는 단일 수신 안테나를 가지고 잠재적으로 중첩되는 서브세트의 BS(102)에 의해 협동하여 서브된다. BS(102)는 총 용량 제약(Cl)(여기서, l=1,2,...,L)을 가진 제한된 백홀 링크를 통해 CP(106)에 연결되고, CP(106)는 모든 채널 상태 정보(CSI) 및 사용자 데이터에 액세스할 수 있다.

CP(106) 또는 중앙 클라우드에 제한된 백홀을 통해 연결된 BS(102)를 가진, 다운링크(DL) 다중-입력 단일-출력(MISO: Multiple-input single-output) 시스템을 고려하자. 여기서, CP(106) 또는 클라우드는 시스템 내의 모든 사용자에 대한 모든 CSI 및 데이터에 접근할 수 있다. 각 사용자(104)는 협동하여 데이터를 그 사용자(104)에게 전송하는 다수의 BS(102)의 클러스터를 선택한다.

다르게는, 제한된 백홀을 통해 중앙 클라우드에 연결된 L개의 BS를 가진 다운링크 네트워크 MIMO 시스템을 고려하자. 여기서, 클라우드는 시스템 내의 모든 사용자에 대한 모든 CSI 및 신호에 접근할 수 있다. 각 BS는 M개의 안테나를 가지고 각 사용자는 단일 안테나를 가진다. 각 사용자는 협동하여 데이터를 그 사용자에게 전송하는 다수의 BS의 클러스터를 가진다.

선형 전송 빔포밍 기법을 가지고, 사용자 k에서의 수신 신호는 다음 식

으로서 나타내어지고, 여기서,

및

는 사용자 k에 모든

전송 안테니로부터의 CSI 행렬 및 빔포밍 벡터를 각각 나타낸다. 일 실시예에서, 이들 표식을 간소화하기 위해, 모든 L개의 BS(102)가 잠재적으로 각각의 스케줄링된 사용자(104)를 서브할 수 있다고 가정된다. 그러나, 일 실시예에서, 연산 복잡도를 줄이기 위해, 각 사용자(104) 주위의 오직 가장 강한 일부 BS(102)만이 후보 서빙 BS(102)로 고려된다. BS l은 사용자 k의 서빙 클러스터의 일부가 아니라고 가정하면, 대응하는 빔포밍 엔트리

는 0으로 설정된다. 설명을 용이하게 하기 위해, 간단하게 각 사용자가 오직 하나의 데이터 스트림을 가지는 경우를 고려하면, 사용자 k의 메시지

는 독립적이고

에 따라 동일하게 배포된다. 여기서,

는 사용자 k에서의 수신된 노이즈이고

로서 모델링된다.

일 실시예에서, CP(106)는 모든 사용자(104)의 데이터에 접근할 수 있고 각 사용자 k에 대한 최적 스파스 빔포밍 벡터

를 설계하기 위한 글로벌 CSI를 가진다. 일단

가 결정되면, CP(106)는 사용자 k(104)의 메시지를 빔포밍 계수에 따라 백홀 링크를 통해

내의 논제로 엔트리에 대응하는 BS(102)에 전송한다. 일 실시예에서, 사용자 데이터 공유로 인한 백홀 소비만이 고려되고, 빔포밍 계수를 전달하기 위해 요구되는 백홀은 무시된다. 이러한 조건 하에서, BS별 백홀 제약은

로서 묘사될 수 있고, 여기서

는 사용자 k에 대한 달성 가능한 레이트이고, 다음 식

으로서 정의되고, 여기서, 위첨자 H는 행렬 연산 분야에서 에르미트 트랜스포스 연산을 나타내고,

및

는 동일 인수(argument)에 대해 작용한다. 다시 말해,

는

와

의 적(product)이고,

는

와

의 에르미트 트랜스포스의 적이다. 직관적으로, l번째 BS(102)에서 백홀 소비는 BS ㅣ(102)에 의해 서브되는 사용자(104)의 누적 데이터 레이트이다. 따라서,

는 BS ㅣ(102)가 사용자 k(104)를 서브하는지 여부를 특성화하는데, 즉, 아래와 같다:

일 실시예에서, 네트워크 최대화 시스템 및 방법이 개시된다. 추가로 개시되는 것은 WSR 효용(utility)를 활용하는 네트워크 최대화 시스템 및 방법이다. 그러나, 개시된 방법 및 시스템은 WMMSE 최소화 문제와 균등한 관계를 가진 것이라면 어떤 효용 함수에라도 적용될 수 있다.

BS별 파워 제약 및 BS별 백홀 제약을 가지고, WSR 최대화 문제는 다음과 같이:

공식화될 수 있고,

는 사용자 k와 연관된 우선 가중치(priority weight)를 나타내고,

및

는 각각 BS ㅣ을 위한 전송 파워 예상 및 백홀 용량 제한을 나타낸다.

종래의 WSR 최대화 문제는 공지의 논컨벡스(nonconvex) 문제인데, 이를 위해 글로벌 최적(global optimality)를 구하는 것은 추가적인 백홀 제약 없이도 이미 꽤나 도전적이다. 일 실시예에서, 이 문제(1-5)만의 로컬 최적 솔루션을 위한 해결에 집중하는 방법 및 시스템이 개시된다. 본 실시예에 따른 방법 및 시스템의 일 측면은 불연속 ℓ ₀ -norm 제약 (1-5c)을 다루는 방법이다.

압축 센싱 분야에서, 논컨벡스 ℓ ₂ -norm 오브젝티브는 종종 컨벡스 재가중화된 ℓ ₁ -norm에 의해 근사화된다. 여기에서는 그 제약에서의 ℓ ₀ -norm에 이 개념을 확장하고 (1-5c)를 다음 식:

으로서 근사화하는 방법이 개시된다. 여기서,

는 BS l 및 사용자 k와 연관된 상수 가중치이고, 이전 반복으로부터 일부 작은 상수 정규화 인자

및

를 가진 다음 식:

에 따라 반복적으로 갱신된다.

상술한 근사화를 가지고도, (1-6)에 의해 치환된 백홀 제약(1-5c)을 가진 최적화 문제(105)는 제약 내의 레이트

를 알지 못한다는 사실로 인해 여전히 처리하기가 어렵다. 이 어려움을 해결하기 위해, 문제 (1-5)를 (1-6)에서의 고정된 레이트

를 가지고 반복적으로 풀고,

는 이전 반복으로부터의 달성 가능한 레이트

에 의해 갱신한다. 이 고정된 레이트

는 사용자 k에 대해 BS로부터 UE로의 전송 레이트이다. 고정된

및

하에서, 문제 (1-5)는 이제 아래 식:

으로 줄여진고, 여기서 근사화된 백홀 제약(1-8c)은 종래의 BS별 파워 제약(1-8b)와 유사함을 품고 있는 가중화된 BS별 파워 제약으로서 해석될 수 있다. 근사화된 문제(1-8)가 여전히 논컨벡스하지만, 로컬 최적 솔루션에 도달하기 위해 균등의 WMMSE 최소화 문제로서 재공식화될 수 있다. WSR 최대화 및 WMMSE 최소화 간의 등가성은 이미 보여주었다. 일반화된 WMMSE 등가는 가중화된 BS별 파워 제약(1-8c)을 가진 문제(1-8)로 확장될 수 있다. 이 등가는 명백하게 아래와 같이 기술될 수 있다.

WSR 최대화 문제(1-8)는 다음의 WMMS 최소화 문제와 동일한 최적 솔루션을 가진다:

여기서,

는 사용자 k에 대한 평균 제곱 오차(MSE)를 나타내고,

는 다음 식: 수신기

하에서,

에 의해 정의되는 대응하는 MSE이이다.

WSR 최소화 문제(1-8)을 그 등가의 WMMSE 최소화 문제(1-9)를 통해 푸는 한가지 장점은, (1-9)가 개별 최적화 변수의 각각에 대해 컨벡스(convex)하다는 것이다. 이 방법은, 이 문제 (1-9)를

,

및

간에 반복에 의해 BCD(Block Coordinate Descent) 방법을 통해 효과적으로 풀 수 있게 한다:

* 고정된

및

하에서 최적 MSE 가중치

는 다음 식으로 주어진다:

* 고정된

및

하에서 최적 수신기

는 MMSE 수신기이다:

* 고정된

및

하에서 최적 전송 빔포머

를 구하기 위한 최적화 문제는 QCQP(Quadratically Constrained Quadratic Programming) 문제이고, 이것은 CVX와 같은 표준 컨벡스 최적화 솔버(standard convex optimization solver)를 이용하여 풀 수 있다.

는 사용자 k측에서 수신기 빔포머이다.

오리지널 문제(1-5)를 풀기 위해 상술한 WMMSE 방법을 적용하는 간단하지만 연산적으로 집중적인 방법은 두 개의 루프를 포함한다: 즉 고정된 가중치

및 레이트

를 가진 근사화된 WSR 최대화 문제(1-8)을 풀기 위한 내부 루프, 및

및

를 갱신하기 위한 외부 루프. 그러나 일 실시예에서, 이 두 개의 루프는 단일 루프로 결합되고, 가중치

및 레이트 는 WMMSE 접근법의 내측에서 갱신되고, 아래에서 방법 1로서 요약된다.

방법 1은 종래의 WMMSE 접근법와 동일한 복잡도 레벨을 가지는데, 그 이유는 그것이 단지 2개의 추가 단계 4 및 5를

및

를 갱신하는 각 반본에 도입하기 때문이며, 이것은 둘 다 전송 빔포머의 폐쇄형(closed form) 함수이다. 방법 1의 추가적인 연산 복잡도는 주로 단계 3에서의 최적 전송 빔포머 설계로부터 오는데, 이것은 상술한 QCQP 문제이지만 또한 SOCP(Second Order Cone Programming) 문제로 등가로 재공식화될 수 있다. 내점 방법을 이용하여 SOCP를 푸는 복잡도는 대략

이다.

--------------------------------------------------------------------

방법 1 명백한 BS별 백홀 제약을 가진 스파스 빔포밍 설계

--------------------------------------------------------------------

초기화:

반복:

1)

,

를 고정, MMSE 수신기

및 대응하는 MSE

를 (1-12) 및 (1-10)에 따라 연산하고;

2) MSE 가중치

를 (1-11)

에 따라 갱신하고;

3) 고정된

및

하에서 최적 전송 빔포머

를 구하고;

4) 달성 가능한 레이트

를 (1-3),

에 따라 연산하고;

5) (1-7),

에 따라

및

를 갱신한다.

수렴할 때까지

-------------------------------------------------------------------

여기서는 주로 효용 최대화를 위해 WMMSE 알고리즘의 사용을 가지고 설명하였지만, 통상의 기술자라면 WMMSE 알고리즘은 가중화된 합산 레이트 최대화 문제를 풀기 위한 하나의 방법에 불과하며, 다른 실시예에서 가중화된 합산 레이트를 최대화하기 위한 빔포밍 설계를 위한 다른 방법이 사용될 수 있다는 것을 알 것이다.

각 반복에서 상기 개시된 방법 1의 효율을 향상시키기 위해, 이하에서는, 2개의 기법이 개시되는데, 반복적인 링크 제거(iterative link removal) 및 반복적인 사용자 풀 수축(iterative user pool shinking)이다. 전자는 각 사용자를 서브하는 포텐셜 전송 안테나 LM의 수를 감소시키는 것을 목적으로 하고, 후자는 각 반복에서 고려되어야 하는 사용자의 총 수 K를 감소시키는 것을 목적으로 한다.

A. 반복적인 링크 제거

실시예에서, 후보 서빙 BS의 일부로부터의 전송 파워가 반복이 진행됨에 따라 제로에 가깝게 급격하게 강하한다. 이것을 이용하기 위해, BS l로부터 사용자 k로의 전송 파워, 즉

가 예컨대 -100dBM/Hz의 소정 임계치를 하회하면 k번째 사용자의 후보 클러스터로부터 l번째 BS를 반복적으로 제거하는 방법이 개시된다. 이것은 각 사용자에 대한 잠재적인 전송 빔포머의 디멘션(dimension)을 줄이고 방법 1의 단계 3에서의 SOCP를 푸는 복잡도를 감소시킨다.

B. 반복적인 사용자 풀 수축

WMMSE 방법은 사용자 스케줄링을 내재적으로 행한다. 방법 1에 있어서 반복적인 처리에서 사용자의 큰 풀을 고려하는 것은 이익이 될 수 있다. 그러나, 항상 전제 네트워크에서의 모든 사용자를 고려하는 것은 상당한 연산 부담을 야기할 것이다. 대신에, 일 실시예에서, 방법 1의 단계 4에서 달성 가능한 사용자 레이트

가 반복적으로 체크되고 무시할 수 있는 레이트(예컨대, 0.01bps/Hz와 같은 소정의 임계치 미만)를 가진 사용자가 다음 반복에서 무시된다. 일 실시예에서, 약 10회 반복 후, 전체 사용자의 절반 이상이 전체 방법에서 무시할 수 있는 정도의 손실을 가지고 고려 대상에서 제외될 수 있다. 이것은 후속하는 반복에서 최적화할 변수의 총 개수를 현저하게 감소시킨다.

도 2는 무선 자원 제한 하에서 가변 레이트 애플리케이션을 위한 네트워크 효영을 최대화하는 스파스 빔포밍 방법의 일례(200)에 관한 흐름도이다. 방법(200)은 블록 202에서 개시하며, 여기서는 중앙 프로세서가 수신 빔포머 및 MSE를 고정된 전송 빔포머 하에서 연산한다. 블록 204에서, 중앙 프로세서는 MSE 가중치를 갱신한다. 블록 206에서, 중앙 프로세서는 고정된

와 MSE 가중치 하에서 최적 전송 빔포머를 구하는다. 블록 208에서, 중앙 프로세서는 달성 가능한 레이트를 연산한다. 블록 209에서, 중앙 프로세서는 그 달성 가능한 전송 레이트

를

로 되도록 갱신하고

를 (1-7)에 따라 갱신한다. 블록 210에서, 중앙 프로세서는, BS l로부터 사용자 k까지의 전송 파워가 임계치 미만인 경우 l번째 BS를 k번째 사용자의 후보 클러스터로부터 제거한다. 블록 212에서, 중앙 프로세서는 수신 빔포머가 수렴하는지 여부를 결정한다. 여기서 사용된 바와 같이, 일부 실시예에서, '수렴한다'는 용어는 연속하는 반복이 동일한 결과를 낳거나 또는 이전 반복으로부터 어느 정도의 미리 정해진 양 또는 퍼센티지보다 더 많이 달라지지 않는다는 것을 의미한다. 블록 212에서, 수신 빔포머가 수렴하면, 방법(200)은 종료한다. 블록 212에서 중앙 프로세서가 수신 빔포머가 수렴하지 않는다고 결정하면, 방법(200)은 블록 214로 진행하고, 여기서는 중앙 프로세서가 어느 사용자가 무시 가능한 수신기 레이트를 가지는지 판별하고 그 사용자를 다음 반복에서 무시하며 이것은 블록 202에서 시작한다.

II. 재가중화된 파워 최소화를 통해 제한된 백홀 네트워크 MIMO 시스템을 위한 스파스 빔포밍

도 3은 다운링크 멀티셀 협동 시스템을 위한 예시적인 네트워크(300)의 개략 다이어그램이다. 네트워크(300)는 제한된 백홀을 통해 중앙 클라우드 프로세서(CCP(306)에 연결된 BS(302)의 예시적인 시스템이다. 일 실시예에서, 네트워크(300)는 MIMO 시스템이다. 네트워크(300)는 복수의 BS(302), 복수의 사용자(304), 그리고 CCP(306)를 포함한다. 모든 BS(302)는 총 용량 제한 C 하에서 제한된 백홀 링크를 통해 CCP(306)에 연결되어 있고, 각 스케줄링된 사용자(304)는 잠재적으로 중첩하는 서브세트의 BS(302)에 의해 협동하여 서브된다. 일 실시예에서, 네트워크(300) MIMO 시스템이 제한된 백홀 링크를 통해 CCP(306)에 연결된 L개의 BS(302)를 포함하고 있다고 하고, 또 K개의 단일 안테나 사용자(304)가 있다고 가정한다. 일 실시예에서, CCP(306)는 시스템 내의 모든 사용자(304) 데이터 및 CS에 접근할 수 있다. 모든 각 사용자(304)가 모든 L개의 BS(302)에 의해 서브되는 완전 협동 네트워크 MIMO 시스템(fully cooperative network MIMO system)이 셀간 간섭을 동적으로 감소시킬 수 있지만, 그것은 또한 매우 높은 백홀 용량을 요구한다. 왜냐하면, CCP(306)가 모든 사용자의 데이터를 모든 BS(302)가 사용할 수 있도록 해야 하기 때문이다. 각 사용자(304)가 서빙 BS(302)의 서브세트(잠재적으로 중첩될 수 있음)만을 선택하고, CCP(306)는 그 사용자의 데이터를 그 사용자의 서빙 BS(302)에 배포하기만 하는 보다 실용적인 아키텍처가 여기에 개시된다.

각 사용자가 고정된 데이터 레이트에서 동작한다고 가정하고, 일 실시예는 모든 BS에 걸친 총 전송 파워 및 합산 백홀 요구 간의 최적 트레이드오프를 착기 위한 복잡도가 낮은 알고리즘을 제공한다. 예시적인 시스템 및 방법은 재가중화된 파워를 통해 스파스 빔포밍 설계를 제공한다.

사용자 k를 위한 모든 BS(302)에 대한 전송 빔포머를

로 한다. 여기서,

는 BS l(l=1,2,...,L)로부터 사용자 k(k=1,2,...,K)로의 전송 빔포머이다. BS l이 사용자 k의 서빙 클러스터의 일부가 아닌 경우

이다. 사용자 k에서의 수신된 신호

는 다음과 같이 표시할 수 있다:

여기서,

는 모든 BS로부터 사용자 k로의 CSI 벡터를 나타내고,

및

는 각각 사용자 k에 대해 의도된 신호 및 수신기 노이즈이다.

사용자 k에 대한 SINR은 다음과 같이 표시될 수 있다:

사용자 k에 대한 달성 가능한 레이트는 다음과 같다:

각 사용자의 데이터는 단지 그의 서빙 BS가 사용할 수 있도록 될 필요가 있기 때문에, 사용자 k를 서브하기 위해 필요한 합산 백홀 용량 소비

는 다음과 같이 나타내어질 수 있다:

여기서,

는 벡터의 ℓ ₀ -norm을 나타내는데, 즉, 벡터 내에서 논제로 엔트리의 수이다.

여러 네트워크 자원 및 시스템 쓰루풋과 관련한 최적화 문제가 이제 공식화되었다. 본 개시에서 고려되는 네트워크 자원은 BS(302)에서의 전송 파워와 백홀 용량이다. 분명한 것은, 더 많은 자원은 더 높은 쓰루풋으로 이어진다는 것이다. 그러나 고정된 사용자 쓰루풋에서는, 백홀 용량과 전송 파워 간에 트레이드오프가 있다. 직관적으로, 더 높은 백홀 용량은 더 많은 BS(302)가 협동할 수 있게 하고, 이것은 더 적은 간섭으로 이어진다. 그러므로 타깃 사용자 레이트를 달성하기 위해 더 적은 전송 파워가 필요하다.

일 실시예에서, 고정된 사용자 데이터 레이트 하에서 모든 BS에 걸쳐 총 전송 파워 및 합산 백홀 용량 간의 트레이드오프를 아래의 최적화 문제로서 공식화하는 방법이 여기 개시된다:

여기서,

는 합산 백홀 용량과 합산 파워 간의 트레이드오프를 나타내는 상수이고,

는 사용자 k에 대한 SNIR 목표치이고

이다. 본 개시의 본 섹션은 이 문제에 대한 수치적 솔루션에 집중하고 있다.

상술한 문제 공식화가 유일학 가능한 것은 아니라는 것에 주목해야 한다. 예컨대, 다른 공식화가 고정된 파워 제약 하에서 가중화된 합산 레이트 최대화 문제에서의 사용자 레이트와 클러스터 크기 간의 트레이드오프를 고려한다. 추가적으로, 일 실시예에서, 본 개시의 본 섹션은 합산 파워 및 합산 백홀 용량만을 고려하고 있지만, 실제로는 BS별 전송 파워 및 BS별 백홀 용량에 또한 관심을 둘 수도 있다.

스파스 빔포밍 설계 방법(Sparse Beamforming Design Methods)

먼저, (2-4)에서의 ℓ ₂ -norm이 ℓ ₀ -norm 제곱으로 치환되면, 전체 ℓ ₀ -norm은 동일하게 유지된다는 것에 주목하자. 그래서, 백홀 소비

또한 다음과 같이 기술될 수 있다:

압축 센싱에서의 ℓ ₁ -heuristics의 기본 개념은 최적화 문제에서

를

로 치환하는 것이다. 이 개념을 (2-6)에 적용하고 또한 적절한 가주치를 도입하면,

는 이제 빔포머의 가중화된 ℓ ₂ -norm 제곱으로서 근사화될 수 있고, 문제(5)는 이제 다음과 같이 풀어질 수 있다:

는 BS l 및 사용자 k와 연관된 가중치이고,

는 백홀 레이트와 전송 파워 간의 트레이드오프 인자를 나타낸다.

문제 (2-7)이 다시 다음 형태로 재배열될 수 있다는 점에 주목하자:

여기서,

이다. 빔포밍 벡터의 ℓ ₂ -norm 제곱이 단지 BS(302)에서의 전송 파워이기 때문에, 상기 최적화 문제는 단지 가중화된 파워 최소화 문제이다.

가중화된 파워 최소화 문제(2-8)는, 잘 알려진 업링크-다운링크 품질 접근법을 이용하여 효과적으로 풀 수 있다. 하나의 주요한 점은, 가중화된 ℓ ₂ -norm 제곱으로서

를 이렇게 특정하게 푸는 것에 의해 그 구조가 수치적 방법에 의해 효과적으로 전개될 수 있는 문제 공식화가 가능하게 된다.

가중화된 파워 최소화를 위한 업링크-다운링크 품질이 단일 셀인 경우에 대해 연구되었고 멀티셀 설정에 일반화되었다. 각 BS-사용자 쌍과 연관된 가중치가 상이한 경우에 쌍대성(duality)를 적용하는 방법이 개시된다.

고정된 가중치

에 대한 (2-8)의 솔루션은 항상 충분한 스파시티(sparsity)를 제공하는 것은 아니라는 점에 주목하자. 그러나, 반복적으로 가중치

를 갱신하고 갱신된

를 가지고 반복하여 문제 (2-8)을 푸는 것에 의해, 각 사용자를 위한 스파스 네트워크-와이드 빔포밍 벡터(sparse network-wide beamforming vector)가 결국 획득되고, 여기서 최적 서빙 클러스터 밖의 BS에 대응하는 엔트리는 그 극한(limit)에서 제로로 간다. 일 실시예에서, 다음의 재가중화 함수가

를 갱신하기 위해 채용된다:

여기서,

는 임의의 양의 지수이고,

는

이 되도록 적응적으로 선택된 것이고,

는 임의의 작은 양의 값이고,

는 이전 반복으로부터의 빔포밍 백터이다. 적절하게 선택된

를 가지고 재가중화 함수 (2-9)가 이전 방법의 성능을 향상시킨다는 것이 수치적으로 보여질 수 있다. 여기서는 주로 시스템 자원 최소화 문제가

를 선택하기 위한 상술한 방법을 참조하여 기술되었지만, 통상의 기술자라면 다른 실시예에서 스파시티(sparsity)를 유도하기 위해 가중치

를 선택하기 위한 다른 방법이 사용될 수 있다는 것을 알 것이다.

일 실시예에서, 본 개시된 방법을 완전하게 특징짓기 위해, (2-8)에 대한 솔루션이 업링크-다운링크 쌍대성(duality)의 이하의 일반화에 기초하여 주어진다.

명제: 다운링크 가중화된 파워 최소화 문제(2-8)는 스칼라 인자까지 동일한 최적 솔루션을 가진다는 개념, 즉

에서 이하의 업링크 합산 파워 최소화 문제와 등가이다:

여기서,

는 듀얼 업링크 채널의 수신기 빔포밍으로서 해석될 수 있고,

는 듀얼 입링크 파워의 해석을 가지며 이것은 또한 (2-8)에서의 SINR 제약와 연관된 라그랑주(Lagrangian) 듀얼 변수이며,

는

로서 정의되는 듀얼 업링크 노이즈 공분산 행렬이다.

(2-10)에 대한 최적 솔루션은 MMSE 수신기이고, 이것은 다음과 같이 용이하게 기술될 수 있다:

여기서, 듀얼 변수

가 결정되어야 한다. 일 실시예에서, 추가로, 문제 (2-8)에 대한 최적 솔루션

를 구하기 위해,

및

에 관련된 스칼라

를 구하는 것이 필요한다. (2-8) 및 (2-10) 모두에서의 SINR 제약이 최적 포인트(optimal point)에서 균등성을 가지고 달성되어야 한다는 것을 쉽게 이해할 수 있다. 이러한 이해는

및

를 구하는 방법을 제공한다.

(2-11)을 균등성을 가지고 문제 (2-10)에서의 SINR 제약에 대입하면, 다음이 얻어진다:

여기서, 우리는 (2-11)에서

가 벡터

와 공선적(collinear)이라는 사실을 이용하고, 이것은 역행렬 정리(matrix inversion lemma)에 의해 쉽게 입증할 수 있다. (2-12)에서의 수식은

가, (2-12)에서의 함수가 표준 함수라는 사실에 의해 그 수렴이 보장되는 부동점 방법(fixed-point method)에 의해 수치적으로 구해질 수 있다는 것을 의미한다.

이제,

를 균등성을 가지고 (2-8)에서의 SINR 제약에 대입하는 것에 의해, K개의 미지수

(k=1,2,...K)를 가진 K개의 선형 방정식이 아래와 같이 얻어진다:

그러므로,

는 선행 방정식의 체계를 푸는 것에 의해 획득될 수 있다.

여기서,

이고,

는

로 ㅈ정의되고,

에 대해

이고,

은 전체가 1인 벡터(all-one vector)를 나타낸다.

본 개시된 방법의 일 실시예는 다음과 같다:

-------------------------------------------------------------

방법 2 스파스 빔포밍 설계

-------------------------------------------------------------

트레이드오프 스칼라

를 고정한다.

초기화:

;

반복:

1) 부동점 방법을 이용하여 (2-12)에 따라 최적 듀얼 변수

를 구한다;

2) (2-11)에 따라 최적 듀얼 업링크 수신기 빔포밍

ㄹ 연산한다;

3) (2-14)에 의해 구해진

를 가지고

를 갱신한다;

4) (2-9)에 따라

를 갱신한다.

수렴할 때까지

총 전송 파워 및 합산 백홀 간 상이한 트레이드오프 지점을 찾기 위해,

를 변경하고 상기 과정을 반복한다.

-------------------------------------------------------------

도 4는 재가중화된 파워를 통해 제한된 백홀을 가진 스파스 빔포밍을 위한 예시적인 방법(400)에 관한 흐름도이다. 이 방법(400)는 블록 402에서 개시하며, 여기서는 합산 파워 및 합산 백홀 용량 간의 고정된 트레이드오프 상수에 대해, 중앙 클라우드가 먼저 BS-사용자 쌍마다와 연관된 가중치

를 최기화한다. 일 실시예에서,

이다. 블록 404에서, 가중치가 주어지면, 중앙 클라우드는 부동점 방법을 이용하여 최적 듀얼 변수

를 연산한다. 일 실시예에서,

는 (2-12)에 따라 연산된다. 블록 406에서, 중앙 클라우드 프로세서는 최적 듀얼 업링크 수신기 빔포밍 벡터

를 연산한다. 일 실시예에서,

는 (2-11)에 따라 연산된다. 블록 408에서, 중앙 클라우드 프로세서는

에 따라서 빔포밍 벡터를 갱신하고, 여기서, 일 실시예로서,

는 (2-14)에 의해 구해진다. 블록 408에서, 가중 인자

가 갱신된다. 일 실ㅅ예에서, 가중 인자

는 (2-9)에 따라 갱신된다. 블록 412에서, 중앙 클라우드 프로세서는 이 솔루션이 수렴하는지 판정한다. 블록 412에서, 이 솔루션이 수렴하지 않으면, 이 방법(400)은 블록 404로 진행한다. 블록 412에서 이 솔루션이 수렴하면, 이 방법(400)은 종료한다.

본 실시예에 따른 방법은, 그 산출법이 세미-폐쇄형 솔루션(semi-closed form solution)을 가지고 파워 갱신을 위해 부동점 방법과 함께 업링크-다운링크 쌍대성을 이용하여 효율적으로 풀 수 있는 가중화된 합산 파워 최소화 문제이기 때문에 연산상 효율적이다. 일 실시예는, 네트워크 MIMO 시스템을 위해 필요한 백홀(고정 데이터 레이트 하에서) 및 총 전송 파워 간의 트레이드로프를 효과적으로 구하기 위해 사용될 수 있다. 시스템 자원 최소화 문제가 여기서는 주로 빔포머를 구하기 위한 업링크-다운링크 쌍대성 기반의 방법을 참조하여 기술되었지만, 통상의 기술자라면 다른 실시예에서 빔포밍 설계를 위한 다른 방법이 사용될 수 있다는 것을 알 것이다.

일 실시예에 따른 솔루션은 어느 링크가 유지되어야 하는지 다이내믹하게 결정한다. 일 실시예에 따른 솔루션은 일반화된 재가중화된 파워 최소화를 이용한다. 일 실시예에 따른 솔루션은 연산상 효율적이고 종래의 방법에 비해 총 전송 파워와 합산 백홀 용량 간의 더 나은 트레이드오프를 달성한다. 실시예들은 공동 전송(JP: Joint Transmission)을 사용하는 무선 액세스 시스템과 중앙집중화된 클라우드에서 구현될 수 있다. 실시예들은 5G/LTE-B 표준을 포함할 수도 있는, 공동 전송을 이용하는 임의의 클라우드 무선 액세스 네트워크(CRAN: Cloud Radio Access Network) 액세스 시스템에 구현될 수도 있다.

도 5는 본 개시의 장치 및 방법을 구현하기 위해 사용될 수 있는 처리 시스템(500)의 블록도이다. 구체적인 장치는 여기 개시된 모든 구성요소를 사용할 수도 있고 또는 그 그 구성요소의 일부 세트만을 사용할 수도 있으며, 통합의 정도는 장치에 따라 다를 수 있다. 게다가, 장치는 다수의 처리 유닛, 프로세서, 메모리, 수신기 등과 같은 한 구성요소의 다수의 형태를 포함할 수 있다. 처리 시스템(500)은 스피커, 마이크로폰, 마우스, 터치스크린, 키패드, 키보드, 프린터, 디스플레이 등과 같은 하나 이상의 입출력 장치를 갖춘 처리 유닛(501)을 포함한다. 처리 유닛(501)은 중앙 처리 유닛(CPU)(510), 메모리520), 대용량 저장 장치(530), 네트워크 인터페이스(550), I/O 인터페이스(560) 및, 버스(540)에 연결된 안테나 회로(570)를 포함한다. 처리 유닛(501)은 또한 안테나 회로에 연결된 안테나 요소(575)를 포함한다.

버스(540)는 메모리 버스나 메모리 제어기, 주변 버스, 비디오 버스 등을 포함하는 여러 버스 아키텍처 중 하나 이상의 임의의 타입일 수 있다. CPU(510)는 어떤 형태의 전자 데이터 프로세서라도 포함할 수 있다. 메모리(520)는 SRAM, DRAM, SDRAM, ROM 및 이들의 조합과 같은 임의의 형태의 시스템 메로리를 포함할 수 있다. 일 실시예에서, 메모리(520)는 시동시에 사용자기 위한 ROM과 프로그램을 실행하는 중에 사용하기 위한 프로그램 및 데이터 저장을 위한 DRAM을 포함할 수 있다.

대용량 저장 장치(530)는, 데이터, 프로그램 및 기타 정보를 저장하고 데이터, 프로그램 및 기타 정보를 버스(540)를 통해 액세스할 수 있도록 하는 임의의 형태의 저장 장치를 포함할 수 있다. 대용량 저장 장치(530)는, 예컨대 하나 이상의 SSD(Solid State Drive), HDD(Hard Disk Drive), 자기 디스크 드라이브, 광학 디스크 드라이브 등을 포함할 수 있다.

I/O 인터페이스(560)는 처리 유닛(501)에 외부 입출력 장치를 연결하기 위한 인터페이스를 제공한다. I/O 인터페이스(560)는 비디오 어댑터를 포함할 수 있다. 입출력 장치의 예로서는, 비디오 어댑터에 연결된 디스플레이 및 I/O 인터페이스에 연결된 마우스/키보드/프린터가 있을 수 있다. 다른 장치도 처리 유닛(501)에 연결될 수 있고, 추가적인 또는 더 많은 인터페이스 카드가 이용될 수도 있다. 예컨대, USB(도시되지 않음)와 같은 시리얼 인터페이스가 프린터를 위한 인터페이스로서 사용될 수 있다.

안테나 회로(570) 및 안테나 요소(575)는 처리 유닛(501)이 네트워크를 통해 원격 유닛과 통신할 수 있도록 한다. 일 실시예에서, 안테나 회로(570) 및 안테나 요소(575)는 WAN 및/또는 LTE, CDMA, WCDMA 및 GSM 네트워크와 같은 셀룰러 네트워크에의 액세스를 제공한다. 어떤 실시에에서는, 안테나 회로(570) 및 안테나 요소(575)는 또한 다른 장치에의 블루투스 및/또는 와이파이 연결을 제공한다.

처리 유닛(501)은 또한 이더넷 케이블 등 유선 링크 및/또는 노드 또는 다른 네트워크에 액세스하기 위한 무선 링크를 포함하는 하나 이상의 네트워크 인터페이스(550)을 포함할 수 있다. 네트워크 인터페이스(501)는 처리 유닛(501)이 네트워크(580)를 통해 원격 유닛과 통신할 수 있도록 한다. 예컨대, 네트워크 인터페이스(550)는 하나 이상의 전송기/전송 안테나 및 하나 이상의 수신기/수신 안테나를 통해 무선 통신을 제공한다. 일 실시예에서, 처리 유닛(501)은 데이터 처리 및 원격 장치, 예컨대 다른 처리 유닛, 인터넷, 원격 저장 시설 등과의 통신을 위해 LAN 또는 WAN에 연결된다.

이하의 참조 문헌은 본 출원의 발명과 관련되어 있다. 각각의 참조 문헌은 참조로서 그 전체가 여기에 통합된다.

[1] D. Gesbert, S. Hanly, H. Huang, S. Shamai Shitz, O. Simeone, and W. Yu, "Multi-cell MIMO cooperative networks: A new look at interference," IEEE Journal on Selected Areas in Communications, vol. 28, no. 9, pp. 1380 -1408, Dec. 2010.

[2] S. Venkatesan, A. Lozano, and R. Valenzuela, "Network MIMO: Overcoming intercell interference in indoor wireless systems," in Conference Record of the Forty-First Asilomar Conference on Signals, Systems and Computers, Nov. 2007, pp. 83-87.

[3] P. Marsch and G. Fettweis, "On base station cooperation schemes for downlink network MIMO under a constrained backhaul," in IEEE Global Telecommunications Conference ( Globecom ), 2008, pp. 1-6.

[4] O. Simeone, O. Somekh, S. Shamai et al., "Downlink multicell processing with limited-backhaul capacity," EURASIP Journal on Advances in Signal Processing, 2009.

[5] S. Shamai and M. Wigger, "Rate-limited transmitter-cooperation in Wyners asymmetric interference network," in Proc . IEEE International Symposium on Information Theory ( ISIT ), 2011.

[6] E. Candes, M. Wakin, and S. Boyd, "Enhancing sparsity by reweighted l1 minimization," Journal of Fourier Analysis and Applications, vol. 14, no. 5, pp. 877-905, 2008.

[7] J. Gong, S. Zhou, Z. Niu, L. Geng, and M. Zheng, "Joint scheduling and dynamic clustering in downlink cellular networks," in IEEE Global Telecommunications Conference ( Globecom ). IEEE, 2011, pp. 1-5.

[8] S. A. Ramprashad, G. Caire, and H. C. Papadopoulos, "A joint scheduling and cell clustering scheme for MU-MIMO downlink with limited coordination," in 2010 IEEE International Conference on Communications (ICC), 2010, pp. 1-6.

[9] M. Hong, R.-Y. Sun, H. Baligh, and Z.-Q. Luo, "Joint base station clustering and beamformer design for partial coordinated transmission in heterogeneous networks," IEEE Journal on Selected Areas in Communications, vol. 31, no. 2, pp. 226-240, Feb. 2013.

[10] S. Mehryar, A. Chowdhery, and W. Yu, "Dynamic cooperation link selection for network MIMO systems with limited backhaul capacity," in IEEE International Conference on Communications (ICC), 2012.

[11] C. T. Ng and H. Huang, "Linear precoding in cooperative MIMO cellular networks with limited coordination clusters," IEEE Journal on Selected Areas in Communications, vol. 28, no. 9, pp. 1446-1454, 2010.

[12] J. Zhao, T. Q. S. Quek, and Z. Lei, "Coordinated multipoint transmission with limited backhaul data transfer," submitted to IEEE Transactions on Wireless Communications, 2012.

[13] S. Boyd and L. Vandenberghe, Convex optimization. Cambridge University Press, 2004.

[14] H. Dahrouj and W. Yu, "Coordinated beamforming for the multicell multi-antenna wireless system," IEEE Transactions on Wireless Communications, vol. 9, no. 5, pp. 1748-1759, 2010.

[15] W. Yu and T. Lan, "Transmitter optimization for the multi-antenna downlink with per-antenna power constraints," IEEE Transactions on Signal Processing, vol. 55, no. 6, pp. 2646-2660, 2007.

[16] T. Kailath, A. H. Sayed, and B. Hassibi, Linear estimation. Prentice Hall NJ, 2000, vol.1.

본 발명이 예시적인 실시예를 참조하여 설명되었지만, 이 설명이 한정적인 의미로 해석되어서는 안된다. 예시된 실시예의 다양한 변형과 조합 그리고 본 발명의 다른 실시예가 본 설명을 참조하면 통상의 기술자에게 자명하게 될 것이다. 따라서 첨무된 청구 범위는 그러한 변형예 또는 실시예를 포함한다.

Claims

네트워크 다중 입력 다중 출력(MIMO: Multiple-Input Multiple-Output) 시스템을 위한 스파스 전송 빔포밍(sparse transmit beamforming)을 설계하는 방법으로서,
클라우드 중앙 프로세서에 의해, 네트워크 효용(utility) 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE: User Equipment) 각각에 대해 전송 빔포밍에서 사용할 전송 지점(TP: Transmission Point)의 클러스터를 동적으로 형성하는 단계;
상기 클라우드 중앙 프로세서에 의해, 상기 최적화에 따라 각 UE에 대한 스파스 빔포밍 벡터를 결정하는 단계; 및
상기 클라우드 중앙 프로세서에 의해, 복수의 UE 중 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP에 메시지 및 제1 빔포밍 계수를 전송하는 단계
를 포함하고,
상기 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP는 상기 제1 UE에 대응하는 제1 빔포밍 벡터의 논제로 엔트리에 대응하는,
방법.
제1항에 있어서,
상기 TP의 클러스터를 동적으로 그리고 적응적으로 형성하는 단계는, 고정된 시스템 자원을 가지고 효용 함수(utility function_를 최대화하는 단계 및 주어진 사용자 경험 제약(user experience constraint)를 가지고 시스템 자원을 최소화하는 단계 중 하나를 포함하는, 방법.
제2항에 있어서,
상기 효용 함수는 가중화된 합산 레이트를 포함하고, 상기 시스템 자원은 전송 파워 및 백홀 레이트를 포함하는, 방법.
제1항에 있어서,
상기 클러스터를 형성하는 단계는, 상기 클라우드 중앙 프로세서에 의해 제1 함수 및 제2 함수 중 하나를 반복적으로(iteratively) 최적화하는 단계를 포함하고,
상기 제1 함수를 반복적으로 최적화하는 것은 적어도 하나의 요구되는 사용자 경험 제약을 지원하기 위해 요구되는 시스템 자원을 반복적으로 최소화하는 것을 포함하고,
상기 제2 함수를 반복적으로 최적화하는 것은 미리 특정된 시스템 자원 제약을 가지고 사용자 전송 레이트의 효용 함수를 반복적으로 최대화하는 것을 포함하는,
방법.
제4항에 있어서,
상기 시스템 자원은 전송 파워 및 백홀 레이트를 포함하는, 방법.
제4항에 있어서,
상기 효용 함수는 사용자 레이트의 가중화된 레이트 합이고, 상기 미리 특정된 시스템 자원 제약(constraint)은 전송 파워 제약 및 백홀 레이트 제약을 포함하는, 방법.
제4항에 있어서,
상기 미리 특정된 시스템 자원 제약을 가지고 사용자 전송 레이트의 효용 함수를 반복적으로 최대화하는 것은,
최소 평균 제곱 오차(MMSE: Minimum Mean Square Error) 수신기 및 대응하는 MSE를 연산하는 단계;
MSE 가중치를 갱신하는 단계;
고정된 효용 함수 및 MSE 가중치 하에서 최적 전송 빔포머를 구하는 단계;
사용자 장비 k에 대한 달성 가능한 전송 레이트를 연산하는 단계; 및
고정된 전송 레이트 및 고정된 가중치를 상기 달성 가능한 전송 레이트와 같게 되도록 갱신하는 단계
를 반복적으로 수행하는 것을 포함하는,
방법.
제7항에 있어서,
상기 MMSE 수신기 및 상기 대응하는 MSE를 연산하는 단계는,

를 연산하는 단계; 및

는 상기 MMSE 수신기이고,
는 모든 TP로부터 사용자 k에의 채널 상태 정보이고,
는 j번째 사용자 장비에 대한 빔포밍 벡터이고, 위첨자
는 행렬 연산에서의 에르미트 트랜스포스(Hermitian Transpose)를 나타내고, 는 수신된 노이즈 파워이고,
는 항등 행렬(identity matrix)이며,

는 상기 대응하는 MSE이고
는 기대 연산자(expectation operator)이고,
는 사용자 k에 대한 수신 빔포머의 에르미트 트랜스포스이고,
는 사용자 k에서의 수신 신호이고,
는 사용자 k에 대해 의도된 데이터인,
방법.
제8항에 있어서,

는 상기 MSE 가중치이고, 상기 MSE 가중치를 갱신하는 단계는
에 따라
를 연산하는 단계를 포함하는, 방법.
제9항에 있어서,
상기 달성 가능한 레이트는 R이고,
상기 달성 가능한 레이트를 연산하는 단계는,

에 따라 R를 연산하는 단계를 포함하는,
방법.
제10항에 있어서,

는 고정된 전송 레이트이고,
상기 고정된 전송 레이트 및 상기 고정된 가중치를 갱신하는 단계는,

로 설정하는 단계, 및

에 따라
를 연산하는 단계
를 포함하고,

는
에 대한 상기 고정된 가중치이고,
는 TP l로부터 사용자 k에의 전송 파워이고,
는 정규화 상수인,
방법.
제4항에 있어서,
상기 제1 TP로부터 상기 연관된 UE로의 전송 파워가 일단 임계치 미만으로 되면, 상기 형성된 클러스터로부터 TP를 반복적으로 제거하는 단계를 더 포함하는 방법.
제4항에 있어서,
사용자 장치 중 제1 사용자 장치에 대한 달성 가능한 사용자 전송 레이트가 임계치 미만인 경우, 상기 제1 사용자 장치를 무시하는 단계를 더 포함하는 방법.
제4항에 있어서,
상기 요구되는 시스템 자원을 반복적으로 최소화하는 것은, 전송 파워 및 백홀 레이트의 가중화된 합을 최소화하는 단계를 포함하고, 상기 적어도 하나의 요구되는 사용자 경험 제약은 사용자 전송 데이터 레이트를 포함하는 방법.
제4항에 있어서,
상기 최적화는 단계는,

에 따라 전송 파워 및 백홀 레이트의 함수를 최소화하는 단계;
부동점 방법(fixed-point method)을 이용하여 최적 듀얼 변수(optimal dual variable)를 구하는 단계;
최적 듀얼 업링크 수신기 빔포밍 벡터(optimal dual uplink receiver beamforming vector)를 연산하는 단계;
상기 빔포밍 벡터 및
를 갱신하는 단계; 및

에 따라 각각의 전송 지점-사용자 장비 쌍에 연관된 가중치
를 갱신하는 단계
를 반복적으로 실행하는 것을 포함하고,
여기서,
이고,
는 각 전송 지점-사용자 장비 쌍과 연관된 가중치,
는 사용자 k의 실효 전송 레이트,
는 스칼라이며,

는 업링크 최적 수신기 빔포밍 및 다운링크 최적 전송 빔포밍에 관한 스케일 인자(scaling factor)이며,

는 임의의 양의 지수이고,
는
로 되도록 적응적으로 선택되며,
는 임의의 작은 양의 값이고,
는
에 따라 갱신되고,
는 백홀 레이트와 전송 파워 간의 트레이드오프 인자를 나타내는,
방법.
제15항에 있어서,
상기 최적 듀얼 변수는 k번째 사용자에 대해
이고,
상기 최적 듀얼 변수를 구하는 단계는,

에 따라
를 결정하는 단계를 포함하고,
여기서,
는 사용자 k에 대한 SINR 목표치이고,
는 사용자 k에의 채널 상태 정보 벡터의 에르미트 트랜스포스(Hermitian Transpose)이고,
는 사용자 j에 대한 채널 상태 정보이고,
는 사용자 j에 대한 채널 상태 정보의 에르미트 트랜스포스이며,
는 듀얼 업링크 노이즈 공분산 행렬(dual uplink noise covariance matrix)인,
방법.
제16항에 있어서,
상기 최적 듀얼 업링크 수신기 빔포밍 벡터는
이고,
상기 최적 듀얼 업링크 수신기 빔포밍 벡터를 연산하는 단계는,

에 따라
를 결정하는 단계를 포함하는, 방법.
제17항에
상기 빔포밍 벡터는
이고,
상기 빔포밍 벡터 및
를 갱신하는 단계는,

에 따라
를 결정하는 단계; 및

에 따라
를 결정하는 단계
를 포함하고,

는 듀얼 업링크 수신기 빔포밍이고,
는
를 풀기 위한 선형 시스템 행렬이고, 1은 전부 1인 벡터이고,
는 노이즈 파워이고,
는
의 행렬인,
방법.
네트워크 다중 입력 다중 출력(MIMO) 시스템을 위한 스파스 전송 빔포밍을 설계하도록 구성된 클라우드 중앙 프로세서에 있어서,
상기 클라우드 중앙 프로세서는,
프로세서; 및
상기 프로세서에 의해 실행되는 프로그램을 저장하는 컴퓨터에 의해 판독 가능한 저장 매체
를 포함하고,
상기 프로그램은,
네트워크 효용(utility) 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE: User Equipment) 각각에 대해 전송 빔포밍에서 사용할 전송 지점(TP: Transmission Point)의 클러스터를 동적으로 형성하고;
상기 클라우드 중앙 프로세서에 의해, 상기 최적화에 따라 각 UE에 대한 스파스 빔포밍 벡터를 결정하고;
상기 클라우드 중앙 프로세서에 의해, 복수의 UE 중 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP에 메시지 및 제1 빔포밍 계수를 전송하는
명령어를 포함하고,
상기 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP는 상기 제1 UE에 대응하는 제1 빔포밍 벡터의 논제로 엔트리에 대응하는,
클라우드 중앙 프로세서.
제19항에 있어서,
상기 TP의 클러스터를 동적으로 그리고 적응적으로 형성하는 명령어는, 고정된 시스템 자원을 가지고 효용 함수(utility function_를 최대화하는 명령어 및 주어진 사용자 경험 제약(user experience constraint)를 가지고 시스템 자원을 최소화하는 명령어 중 하나를 포함하는, 클라우드 중앙 프로세서.
제20항에 있어서,
상기 효용 함수는 가중화된 합산 레이트를 포함하고, 상기 시스템 자원은 전송 파워 및 백홀 레이트를 포함하는, 클라우드 중앙 프로세서.
제19항에 있어서,
상기 시스템 자원은 전송 파워 및 백홀 레이트를 포함하는, 클라우드 중앙 프로세서.
제19항에 있어서,
상기 효용 함수는 사용자 레이트의 가중화된 레이트 합이고, 상기 미리 특정된 시스템 자원 제약(constraint)은 전송 파워 제약 및 백홀 레이트 제약을 포함하는, 클라우드 중앙 프로세서.
제19항에 있어서,
상기 효용 함수를 반복적으로 최적화는 명령어는,
최소 평균 제곱 오차(MMSE: Minimum Mean Square Error) 수신기 및 대응하는 MSE를 연산하는 단계;
MSE 가중치를 갱신하는 단계;
고정된 효용 함수 및 MSE 가중치 하에서 최적 전송 빔포머를 구하는 단계;
사용자 장비 k에 대한 달성 가능한 전송 레이트를 연산하는 단계;
고정된 전송 레이트 및 고정된 가중치를 상기 달성 가능한 전송 레이트와 같게 되도록 갱신하는 단계
를 반복적으로 수행하는 명령어를 포함한,
클라우드 중앙 프로세서.
제19항에 있어서,
상기 제1 BS로부터 상기 사용자에의 전송 파워가 일단 임계치 미만으로 되면, 사용자의 후보 클러스터로부터 상기 전송 지점 중 제1 전송 지점을 반복적으로 제거하는 단계를 더 포함하는 클라우드 중앙 프로세서.
제19항에 있어서,
사용자 장치 중 제1 사용자 장치에 대한 달성 가능한 사용자 전송 레이트가 임계치 미만인 경우, 상기 제1 사용자 장치를 무시하는 단계를 더 포함하는 클라우드 중앙 프로세서.
제19항에 있어서,
요구되는 시스템 자원을 반복적으로 최소화하는 것은, 전송 파워 및 백홀 레이트의 가중화된 합을 최소화하는 것을 포함하고, 적어도 하나의 요구되는 사용자 경험 제약은 사용자 전송 데이터 레이트를 포함하는, 클라우드 중앙 프로세서.
제19항에 있어서,
상기 최적화하는 명령어는, 반복적으로,

에 따라 전송 파워 및 백홀 레이트의 함수를 최소화하고;
부동점 방법(fixed-point method)을 이용하여 최적 듀얼 변수(optimal dual variable)를 구하고;
최적 듀얼 업링크 수신기 빔포밍 벡터(optimal dual uplink receiver beamforming vector)를 연산하고;
상기 빔포밍 벡터 및
를 갱신하며;

에 따라 각각의 전송 지점-사용자 장비 쌍에 연관된 가중치
를 갱신하는
명령어를 포함하고,
여기서,
이고,
는 각 전송 지점-사용자 장비 쌍과 연관된 가중치,
는 사용자 k의 실효 전송 레이트,
는 스칼라이며,

는 업링크 최적 수신기 빔포밍 및 다운링크 최적 전송 빔포밍에 관한 스케일 인자(scaling factor)이며,

는 임의의 양의 지수이고,
는
로 되도록 적응적으로 선택되며,
는 임의의 작은 양의 값이고,
는
에 따라 갱신되고,
는 백홀 레이트와 전송 파워 간의 트레이드오프 인자를 나타내는,
클라우드 중앙 프로세서.
제한된 백홀을 가진 네트워크 다중 입력 다중 출력(MIMO) 시스템을 위한 스파스 전송 빔포밍을 설계하는 시스템으로서,
클라우드 중앙 프로세서; 및
상기 클라우드 중앙 프로세서에 백홀 링크에 의해 연결되고 복수의 사용자 장비를 서브하도록 구성된 복수의 전송 지점
을 포함하고,
상기 클라우드 중앙 프로세서는,
네트워크 효용(utility) 함수 및 시스템 자원을 최적화하는 것에 의해 시스템 내의 복수의 사용자 장비(UE: User Equipment) 각각에 대해 전송 빔포밍에서 사용할 전송 지점(TP: Transmission Point)의 클러스터를 동적으로 형성하고;
상기 클라우드 중앙 프로세서에 의해, 상기 최적화에 따라 각 UE에 대한 스파스 빔포밍 벡터를 결정하고;
상기 클라우드 중앙 프로세서에 의해, 복수의 UE 중 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP에 메시지 및 제1 빔포밍 계수를 전송하도록 구성되고,
상기 제1 UE와 연관된 상기 형성된 클러스터 내의 각 TP는 상기 제1 UE에 대응하는 제1 빔포밍 벡터의 논제로 엔트리에 대응하는,
시스템.
제29항에 있어서,
상기 TP의 클러스터를 동적으로 그리고 적응적으로 형성하는 것은, 고정된 시스템 자원을 가지고 효용 함수(utility function_를 최대화하는 것 및 주어진 사용자 경험 제약(user experience constraint)를 가지고 시스템 자원을 최소화하는 것 중 하나를 포함하는, 시스템.
제30항에 있어서,
상기 효용 함수는 가중화된 합산 레이트를 포함하고, 상기 시스템 자원은 전송 파워 및 백홀 레이트를 포함하는, 시스템.
제29항에 있어서,
상기 시스템 자원은 전송 파워 및 백홀 레이트를 포함하는, 시스템.
제29항에 있어서,
요구되는 시스템 자원을 반복적으로 최소화하는 것은, 전송 파워 및 백홀 레이트의 가중화된 합을 최소화하는 것을 포함하고, 적어도 하나의 요구되는 사용자 경험 제약은 사용자 전송 데이터 레이트를 포함하는, 시스템.
제29항에 있어서,
상기 클라우드 중앙 프로세서는 반복적으로,
최소 평균 제곱 오차(MMSE: Minimum Mean Square Error) 수신기 및 대응하는 MSE를 연산하고;
MSE 가중치를 갱신하고;
고정된 효용 함수 및 MSE 가중치 하에서 최적 전송 빔포머를 구하고;
사용자 장비 k에 대한 달성 가능한 전송 레이트를 연산하며;
고정된 전송 레이트 및 고정된 가중치를 상기 달성 가능한 전송 레이트와 같게 되도록 갱신하도록 추가로 구성된,
시스템.
제29항에 있어서,
상기 클라우드 중앙 프로세서는, 상기 제1 BS로부터 상기 사용자에의 전송 파워가 일단 임계치 미만으로 되면, 사용자의 후보 클러스터로부터 상기 전송 지점 중 제1 전송 지점을 반복적으로 제거하도록 추가로 구성된, 시스템.
제29항에 있어서,
상기 클라우드 중앙 프로세서는, 사용자 장치 중 제1 사용자 장치에 대한 달성 가능한 사용자 전송 레이트가 임계치 미만인 경우, 상기 제1 사용자 장치를 무시하도록 추가로 구성된, 시스템.
제29항에 있어서,
상기 효용 함수는 사용자 레이트의 가중화된 레이트 합이고, 상기 미리 특정된 시스템 자원 제약(constraint)은 전송 파워 제약 및 백홀 레이트 제약을 포함하는, 시스템.
제29항에 있어서,
상기 클라우드 중앙 프로세서는, 반복적으로,

에 따라 전송 파워 및 백홀 레이트의 함수를 최소화하고;
부동점 방법(fixed-point method)을 이용하여 최적 듀얼 변수(optimal dual variable)를 구하고;
최적 듀얼 업링크 수신기 빔포밍 벡터(optimal dual uplink receiver beamforming vector)를 연산하고;
상기 빔포밍 벡터 및
를 갱신하며;

에 따라 각각의 전송 지점-사용자 장비 쌍에 연관된 가중치
를 갱신하도록 추가로 구성되고,
여기서,
이고,
는 각 전송 지점-사용자 장비 쌍과 연관된 가중치,
는 사용자 k의 실효 전송 레이트,
는 스칼라이며,

는 업링크 최적 수신기 빔포밍 및 다운링크 최적 전송 빔포밍에 관한 스케일 인자(scaling factor)이며,

는 임의의 양의 지수이고,
는
로 되도록 적응적으로 선택되며,
는 임의의 작은 양의 값이고,
는
에 따라 갱신되고,
는 백홀 레이트와 전송 파워 간의 트레이드오프 인자를 나타내는,
시스템.