Machine learning based resource allocation for massive MIMO systems

Abstract

Cell-free massive MIMO communication systems is a promising technology that uses access-points(APs) deployed throughout the coverage area instead of usual cellular systems with centralized BS to serve multiple users simultaneously. By exploiting the large number of antennas and adopting advanced signal processing techniques, cell-free massive MIMO can mitigate inter-user interference and enhance the overall system performance. Optimal power allocation plays a crucial role in maximizing the spectral and energy efficiency of wireless networks. By intelligently allocating transmit power to different users, a balance between maximizing the system throughput and minimizing the total energy consumption can be achieved. In addition, user-centric clustering(UCC) is also a key technique to improve the performance of cell-free massive MIMO systems. This technique aims to pair user equipments (UEs) with appropriate APs to facilitate efficient resource allocation and interference management. In this thesis, cell-free mMIMO communication system is investigated through user-centric clustering and power allocation. The power allocation optimization problem is formulated to maximize energy efficiency of cell-free mMIMO systems and solved by using interior-point algorithm. User-centric clustering algorithm is proposed by disabling the non-master APs that are serving only one user. This additional feature aims to reduce total power consumption of the system without sacrificing the advantages of the cell-free mMIMO communication systems. Additionally, we propose a machine learning(ML) approach to reduce the computation time required for power allocation optimization. Through extensive simulations, we demonstrate the effectiveness of the proposed algorithms in achieving significant gains in spectral and energy efficiency in cell-free massive MIMO systems. The results highlight the importance of optimal power allocation and user-centric clustering to design an efficient cell-free mMIMO systems through machine learning approach.

Hücresiz masif çok-girişli çok-çıkışlı haberleşme sistemleri günümüzde kullanılan baz istasyonu merkezli hücresel haberleşme sistemlerinin aksine, kapsama alanına dağıtılmış erişim noktaları kullanarak çok sayıda kullanıcıya eş zamanlı olarak hizmet verebilen gelecek vaat eden bir teknolojidir. Bu sistemler çok sayıda anten ve ileri düzey sinyal işleme tekniklerini kullanarak kullanıcılar arası girişimi azaltabilir ve sistem performansını arttırabilir. Optimal güç tahsisi enerji ve spektral verimlilik maksimizasyonunda çok önemli rol oynamaktadır. Her kullanıcı için uygun iletim gücü tahsisi yapılarak sistem veri hızı maksimizasyonu ile toplam enerji kullanımı arasındaki denge sağlanabilir. Sistem performansını arttırmanın bir diğer anahtar tekniği de kullanıcı-merkezli kümelemedir. Kullanıcı-merkezli kümelemenin amacı kullanıcıları uygun erişim noktaları ile eşleştirerek verimli kaynak tahsisi ve girişim yönetimi sağlamaktır. Bu tezde, hücresiz masif çok-girişli çok-çıkışlı haberleşme sistemlerinin performansı kullanıcı-merkezli kümeleme ve güç tahsisi üzerinden incelenmektedir. Enerji vermimliliğini maksimize etmek için bir güç tahsisi optimizasyon problemi formüle edilmekte ve bu problem iç-nokta algoritması ile çözülmektedir. Ayrıca, ana erişim noktası olmayan ve az sayıda kullanıcıya hizmet veren erişim noktalarını devre dışı bırakmayı öneren yeni bir kullanıcı-merkezli kümeleme algoritması önerilmektedir. Bu ek özellik, hücresiz masif çok-girişli çok-çıkışlı sistemlerin avantajını kaybetmeden toplam kullanılan enerjiyi azaltmayı amaçlamaktadır. Ayrıca, güç tahsisi optimizasyonu için gereken hesaplama sürelerini azaltmak amacıyla makine öğrenmesi tabanlı güç tahsisi yaklaşımı önerilmektedir. Geniş simülasyon ve analizler ile, bu tezde hücresiz masif çok-girişli çok-çıkışlı haberleşme sistemlerinde önerilen metodolojilerin spektral ve enerji verimliliğinde önemli kazanımlar sağladığını göstermektedir. Sonuçlar optimal güç tahsisi, kullanıcı-merkezli kümeleme ve makine öğrenmesi yaklaşımının hücresiz masif çok-girişli çok-çıkışlı haberleşme sistemlerinde kullanılmasının önemini vurgulamaktadır.