Optimizing massive random access : leveraging correlation models and sparse recovery algorithms

Abstract

Abstract

Massive machine-type communications (mMTC) serve as the backbone for future internet of things (IoT) applications. Characterized by sporadic traffic from a massive number of connected devices, mMTC presents unique challenges for traditional channel access protocols. To address this, grant-free random access has been widely adopted as a key enabler of mMTC. The major advantage of grant-free random access is its ability to eliminate the four-step handshaking protocol used in previous communications systems. However, it introduces pilot collisions that renders device activity detection and channel estimation difficult. The central challenge in implementing grant-free access therefore lies in the joint activity detection and channel estimation (JADCE) problem. Although extensive research exists on solving the JADCE as a sparse recovery, most studies employ overly simplistic assumptions regarding both the structure of the propagation channel and the traffic patterns within mMTC networks.

This thesis addresses the JADCE problem by focusing on two distinct categories of mMTC networks. The first category involves mMTC networks that operate under spatially correlated channels. The aim here is to go beyond the often-used simplistic models in the literature by employing more realistic and practical channel models that take into account the correlated nature of multi-input multi-output (MIMO) channels. The second category considers mMTC networks where device activities are correlated, capturing a more nuanced realization of real-world device interactions within the large-scale IoT network.

To address these issues, this thesis aims to propose, develop and optimize various sparse recovery algorithms for the JADCE solution. These solutions are developed within both deterministic and Bayesian frameworks to account for different levels of available prior information, both in terms of channel statistics and device activity patterns. Furthermore, the thesis goes beyond its algorithmic contributions to provide an in-depth theoretical analysis of the device activity problem.

By leveraging the correlation structures in practical mMTC, this thesis develops multiple solutions that achieve equivalent performance metrics to current state-of-the-art solutions but with reduced signaling overhead and computationally efficient implementation.

Tiivistelmä

Massiivinen konetyyppinen tietoliikenne (mMTC) toimii tulevaisuuden esineiden internetin (IoT) sovellusten selkärankana. Massiiviselle konetyyppiselle viestinnälle on ominaista satunnainen liikenne valtavasta määrästä yhdistettyjä laitteita. Se tuo uusia haasteita perinteisille kanavayhteysprotokollille. Tämän ratkaisemiseksi skeduloimaton satunnaiskäyttö on mMTC:n keskeinen mahdollistaja. Skeduloimattoman satunnaiskäytön etu on sen kyky poistaa aiemmissa viestintäjärjestelmissä käytetty nelivaiheinen kättelyprotokolla. Se tuo kuitenkin mukanaan pakettitörmäyksiä, jotka vaikeuttavat laitetoiminnan havaitsemista ja kanavaestimointia. Näin ollen keskeinen haaste skeduloimattoman käytön toteuttamisessa on yhteisen toiminnan havaitsemisen ja kanavaestimoinnin (joint activity detection and channel estimation, JADCE) ongelma. Vaikka ongelman ratkaisemista harvana signaalin rekonstruktiona on tutkittu laajasti, useimmissa tutkimuksissa käytetään liian yksinkertaisia oletuksia sekä radiokanavasta että mMTC-verkkojen liikennemalleista.

Tässä väitöskirjassa JADCE-ongelmaa käsitellään keskittymällä kahteen erityiseen mMTC-verkkojen luokkaan. Ensimmäinen luokka koostuu mMTC-verkoista, jotka toimivat tilatasossa korreloivissa kanavissa. Niiden osalta syvennetään kirjallisuudessa usein käytettyjä yksinkertaistettuja malleja hyödyntämällä realistisempia ja käytännöllisempiä kanavamalleja, joissa otetaan huomioon MIMO-kanavien (Multiple-Input Multiple-Output) korreloiva luonne. Toisessa luokassa tarkastellaan mMTC-verkkoja, joissa laitetoiminnot korreloivat keskenään. Siinä otetaan tarkemmin ja monipuolisemmin huomioon todelliset laitevuorovaikutukset suuren mittakaavan IoT-verkossa.

Yllä kuvattujen tutkimuskysymysten selvittämiseksi tämän väitöskirjan tavoitteena on suunnitella, kehittää ja optimoida erilaisia harvaa rekonstruktiota käyttäviä algoritmeja JADCE-ratkaisua varten. Nämä ratkaisut on kehitetty sekä deterministisessä että bayesilaisessa viitekehyksessä, jotta voidaan ottaa huomioon saatavilla olevan tiedon eri tasot sekä kanavastatistiikkojen että laitetoiminnan mallien osalta. Algoritmeja koskevien havaintojen lisäksi väitöskirja tarjoaa syvällisen teoreettisen analyysin laiteaktiivisuuden havaitsemisesta.

Hyödyntämällä korrelaatiorakenteita käytännön massiivisessa konetyyppisessä viestinnässä tämä väitöskirja kehittää useita ratkaisuja, joilla saavutetaan vastaava suorituskyky kuin nykyisillä huipputason ratkaisuilla mutta joilla on pienempi signaloinnin yleisrasite ja laskennallisesti tehokas toteutus.