CSI Feedback Enhancement using Machine Learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

CSI Feedback Enhancement using Machine Learning

Amélioration du retour d'information des CSI à l'aide de l'apprentissage automatique

Muhammad Karam Shehzad
  • Fonction : Auteur
  • PersonId : 1394885
  • IdRef : 27902844X

Résumé

Acquisition of channel state information (CSI) is indispensable in a cellular network. In the current communication architecture, the downlink CSI is estimated by the user equipment (UE) via dedicated pilots and then fed back to the base station (BS). CSI feedback requires immense over-the-air (OTA) overhead to improve the quality of CSI acquired at the BS. Compression is one of the solutions used in the standards; however, it degrades the performance of CSI acquisition. Alternative solutions to compression may be found in Artificial Intelligence (AI) and Machine Learning (ML), which have emerged as promising techniques to bring benefits to algorithm-deficit and model-deficit problems.This thesis utilizes AI/ML to enhance the performance of CSI feedback. The first part of the thesis develops a novel ML framework, coined as CSIFB-PNet, which exploits twin channel predictors to enhance CSI feedback. By using conventional CSI feedback mechanism, the ML models are trained at both ends (BS and UE). Broadly, UE evaluates the feedback with respect to ML model. The proposed framework can reduce OTA feedback overhead and improve the precision of acquired CSI. This framework is then extended towards one-sided training of the ML model to further enhance the performance, using UE to train the model and then reporting it to BS. The observed results corroborate the validity of one-sided ML training. We also address various ML-based algorithms for channel prediction, as it plays a pivotal role in the proposed framework. This framework is evaluated using the real-world data recorded at the Nokia Bell-Labs campus in Stuttgart, Germany. ML implementation at the UE can be infeasible for various reasons, in particular UE power consumption. Motivated by this issue, we propose a CSI learning mechanism at BS, called CSILaBS, to avoid ML at UE. BS computes a light-weight predictor function (PF) by exploiting ML, to assist the UE to evaluate feedback. This process can reduce OTA feedback overhead and minimize UE computation cost. Besides, in a multiuser environment, we propose various mechanisms to schedule the feedback by exploiting PF while aiming to enhance CSI accuracy. Simulation results show the effectiveness of the schedulers and that the prediction error threshold for scheduling feedback is an important design parameter that can be fine-tuned to maximize CSI accuracy. Later on, considering the problem of training overhead required to report training data to BS, we propose a standard-relevant solution, which can be implemented either at both (BS and UE) or UE only. Particularly, we exploit codebooks, used to report CSI, to verify the effectiveness of generated data by a data augmentation algorithm. In the second part of the thesis, we exploit reconfigurable intelligent surface (RIS) to enhance the performance of a channel predictor, which is the core component of proposed CSI feedback enhancement schemes. Prediction of a highly dynamic channel is cumbersome. To mitigate this issue, we focus on enhancing multiuser channel prediction performance by introducing time correlation in the composite channel. The objective is achieved by exploiting quasi-RIS. More specifically, the motivation of our work is to predict the entire multiuser composite channel for desired time slots by using quasi-RIS. The primary benefit is the prediction of the whole composite channel arriving from the entire RIS; hence, the complexity and overhead for channel estimation can be reduced, which is the major bottleneck in RIS. Through extensive simulations, we show that intelligently configured RIS enhances channel prediction performance while saving sufficient RIS elements for other applications.
Acquérir les information d'état du canal est indispensable dans un réseau cellulaire. Dans les protocoles de communication actuels, le CSI en liaison descendante est estimé par l'User Equipment (l'équipement utilisateur - UE) via des pilotes dédiés puis renvoyés à la station de base. L'information retour du CSI nécessite la transmission d'une importante quantité de données supplémentaire Over-The-Air (OTA) afin d'améliorer la qualité du CSI acquis au niveau de la station de base. La compression est l'une des solution utilisées dans les standards, mais elle dégrade les performances d'acquisition du CSI. Des solutions alternatives telles que l'intelligence artificielle (AI) et l'apprentissage automatique (ML) sont apparues récemment. Ces techniques sont prometteuses pour palier aux problèmes dus aux déficits d'algorithmes et de modèles.Cette thèse de doctorat propose d'utiliser les techniques AI/ML pour améliorer les performances du retour d'information CSI. La première partie de la thèse développe un nouveau cadre ML, baptisé CSIFB-PNet, qui exploite des prédicteurs à deux canaux pour améliorer la rétroaction CSI. En utilisant le mécanisme de retour CSI conventionnel, les modèles ML sont entrainés aux deux extrémités (BS et UE) de la chaine de communication. De façon plus générale, le UE évalue le retour CSI généré par le modèle ML. La solution proposée permet de réduire la quantité d'information nécessaire à la rétroaction du CSI tout en améliorant sa précision. Cette solution est ensuite étendue à l'entraînement unilatéral du modèle ML pour améliorer davantage les performances. Le modèle est généré au niveau du UE puis est partagé avec la station de base. Les résultats observés confirment la validité de l'entraînement unilatéral du modèle ML. Nous aborderons également divers algorithmes ML pour la prédiction des canaux, car elle joue un rôle central dans le travail proposé. Les résultats sont évalués à l'aide des données réelles enregistrées sur le campus de Nokia Bell-Labs à Stuttgart, en Allemagne.La mise en œuvre de modèle ML au niveau du UE peut être impossible pour diverses raisons, en particulier la consommation d'énergie. Motivés par ce problème, nous proposons un mécanisme d'apprentissage CSI au niveau de la station de base, appelé CSILaBS, pour pallier à l'utilisation de modèles ML au niveau du UE. La station de base calcule une fonction prédictive légère (PF) en exploitant les modèles ML, pour aider l'UE à évaluer la rétroaction. Ce processus permet de réduire la quantité de données supplémentaires OTA tout en minimisant la complexité au niveau du UE. Pour aller plus loin, dans un environnement multi-utilisateurs, nous avons proposé plusieurs solutions afin de planifier le retour CSI en utilisant des fonctions prédictives légères tout en visant à améliorer sa précision. Les résultats de simulation obtenus montrent l'efficacité de la planification du retour et que le seuil d'erreur de prédiction pour la boucle retour de planification est un paramètre de conception important qui doit être affiné pour maximiser la précision du CSI. Par la suite, en prenant en compte le problème de surcharge lié à l'entrainement du modèle et son partage avec la station de base, nous proposerons une solution pertinente pour le standard. Cette solution peut être implémentée soit au niveau de l'utilisateur et de la station de base, soit au niveau de l'utilisateur seulement. Pour développer cette solution, nous avons exploité les dictionnaires, utilisé pour reporter le CSI, afin de vérifier l'efficacité des données générées par un algorithme d'augmentation de données.Dans la deuxième partie de la thèse, nous exploitons les surfaces intelligentes reconfigurables (RIS) pour améliorer les performances d'un prédicteur de canal, qui est la composante principale des schémas d'amélioration de retour du CSI.
Fichier principal
Vignette du fichier
122863_SHEHZAD_2023_archivage.pdf (4.86 Mo) Télécharger le fichier
Origine Version validée par le jury (STAR)

Dates et versions

tel-04622479 , version 1 (24-06-2024)

Identifiants

  • HAL Id : tel-04622479 , version 1

Citer

Muhammad Karam Shehzad. CSI Feedback Enhancement using Machine Learning. Networking and Internet Architecture [cs.NI]. Université Paris-Saclay, 2023. English. ⟨NNT : 2023UPAST213⟩. ⟨tel-04622479⟩
0 Consultations
0 Téléchargements

Partager

Gmail Mastodon Facebook X LinkedIn More