5G une concentration de nouveaux paradigmes et de technologies innovantes

Télécharger le fichier pdf d’un mémoire de fin d’études

MIMO massif pour 5G: Un bref historique et travaux connexes

Toute évolution dans les réseaux doit apporter une amélioration substantielle d’efficacité spectrale. Massive MIMO est une technologie qui rend cela possible pour 5 G car elle peut apporter une amélioration de dix fois dans l’efficacité spectrale [3]. Ce gain impressionnant est obtenu en utilisant une centaine d’éléments d’antenne bon marché dans les stations de bases. Cela permet le multiplexage spatial d’un nombre considérable de dispositifs mobiles.
L’idée originale est basée sur des effets statistiques à grande échelle qui résultent de l’augmentation drastique du nombre d’antennes base station (BS) (de l’ordre de centaines) [6]. Il en résulte, pratiquement, une réduction des impacts de l’évanouissement rapide, des interférences et du bruit additif. Plus important encore, il permet de concentrer l’énergie rayonnée sur les cibles prévues.
Par conséquent, par un traitement cohérent des signaux sur le réseau d’antennes BS, le précodage d’émission peut être utilisé pour concentrer chaque signal sur sa borne prévue et la combinaison de réception peut être utilisée pour discriminer les signaux de différents utilisateurs. Plus il y a d’antennes à la BS, plus la focalisation spatiale peut être fine. Cela permet de planifier beaucoup plus d’utilisateurs que ce qui est possible aujourd’hui, ce qui augmente énormément l’efficacité spectrale et la densité de connexion.
L’excès d’antennes BS entraîne une augmentation du nombre de flux de données qui peuvent être exploités pour desservir plus de terminaux, réduisant la puissance rayonnée, tout en augmentant le débit de données.
Massive MIMO peut aussi améliorer la fiabilité des liens grâce à la diversité spatiale et fournir plus de Degrees of freedom (DoF) dans le domaine spatial, ce qui améliore les performances, quel que soit le bruit des mesures. En raison du multiplexage spatial agressif qui en résulte, Massive MIMO peut fournir un gain impressionnant dans les performances du réseau en dirigeant simplement les ondes rayonnées dans les bonnes directions. Puisque l’énergie rayonnée est fortement concentrée sur des zones centrées sur l’utilisateur, Massive MIMO fournit des gains considérables dans EE [7], [8].
Les principaux avantages des systèmes Massive MIMO peuvent être résumés comme suit:
Gain d’efficacité spectrale élevé Massive MIMO hérite des gains de Multi-user multipleinput multiple-output (MIMO) conventionnels mais à grande échelle, comme son nom l’indique. En effet, avec M antennes à la station de base, desservant K utilisateurs à une seule antenne, on obtient une diversité d’ordreM avec un gain de multiplexage de min(M;K). Ces paramètres peuvent être ajustés afin d’améliorer l’efficacité spectrale de la communication.
Gain d’efficacité énergétique élevé
Massive MIMO atteint ses performances grâce à l’excès d’antennes BS combinées à un traitement cohérent. Cela permet de réduire considérablement la puissance d’émission.
Par conséquent, grâce à une combinaison cohérente à la réception et à la formation de faisceau à la transmission, Energy efficiency (EE) peut être considérablement améliorée.
Traitement simple
Massive MIMO utilise des schémas de traitement de signaux simples mais efficaces (précodage et décodage linéaires dans les downlink (DL) et uplink (UL), respectivement).
De plus, lorsque le nombre d’antennes est suffisamment grand, le durcissement du canal résultant simplifie encore le traitement du signal.
Robustesse et fiabilité accrues
Le grand nombre d’antennes BS procure plus de diversité. Cela se traduit par une meilleure fiabilité de liaison. De plus, à mesure que le nombre d’antennes augmente, le bruit additif, l’évanouissement à petite échelle et les interférences cellulaires sont vouées à disparaître.
Réduction des coûts dans les composants RF Massive MIMO utilise un traitement cohérent qui permet de réduire la puissance rayonnée. Cela permet d’utiliser des amplificateurs peu-cher dans la gamme milli-Watt.
Cependant, il existe toujours un compromis entre performance réalisable et complexité.
Les gains intéressants de Massive MIMO viennent avec leur part de défis:
Gestion des interférences multi-utilisateurs Massive MIMO offre des gains considérables en termes de performances réseau. Cependant, certains utilisateurs peuvent voir leur canal souffrir d’un impact inégal d’interférence. Par conséquent, il peut être nécessaire de mettre en oeuvre des schémas d’annulation d’interférence. L’alignement d’interférence [9], détection de multi-utilisateurs Maximum de vraisemblance [10] et le codage Dirty paper coding[11] peuvent être utilisé. Ces schémas souffrent d’un défaut majeur, à savoir une complexité de calcul élevée.
Acquisition de CSI
Le traitement cohérent est la pierre angulaire des systèmes Massive MIMO. Par conséquent, une estimation Channel state information (CSI) précise est requise. Cela peut être très difficile dans les modes Frequency division duplexing (FDD) et Time division duplexing (TDD), étant donné l’échelle du système (nombre d’utilisateurs, nombre d’antennes BS). La mobilité des utilisateurs a également un impact important car elle définit la corrélation entre le CSI et la réalisation réelle du canal.
planification (Scheduling) Massive MIMO est prévu pour gérer un grand nombre de périphériques connectés. Avec les exigences de 5 G de connexion haute densité, la planification des utilisateurs est d’une importance primordiale. De plus, lorsque les mêmes ressources temps-fréquence sont partagées, la sélection des utilisateurs qui peuvent être actifs simultanément peut considérablement modifier les performances du système.
En raison ces avantages, Massive MIMO a fait l’objet d’une attention de plus en plus importante de la part de la communauté scientifique. Cela a abouti à une littérature riche qui traite différents aspects de ce concept. Dans ce qui suit, nous résumons certains des travaux sur Massive MIMO en fonction de leurs similitudes et de leurs directions.

Méthodes d’estimation CSI:

La pierre angulaire de Massive MIMO est un traitement de signal cohérent qui se base sur des connaissances précises et opportunes du CSI. Dans ce qui suit, nous donnons un aperçu des méthodes d’estimation du CSI dans les systèmes Massive MIMO en plus de la caractérisation des défis les plus importants liés à l’acquisition de CSI.

Systèmes TDD et contamination pilote

Dans les systèmes TDD Massive MIMO, les estimations de CSI sont obtenues en utilisant la réciprocité des canaux et la formation (training) UL. Dans ces systèmes, seuls les BSs doivent avoir une connaissance CSI afin de précoder et de décoder de façon cohérente les signaux multi-utilisateurs. La quantité de ressources d’entraînement temps-fréquence dépend du nombre d’antennes des utilisateurs.
TDD est considéré comme plus approprié pour les opérations Massive MIMO car cela implique que l’estimation du canal doit être effectuée dans une seule direction, et peut ensuite être utilisée dans les deux directions. Cet avantage ne peut pas être négligé, car cela signifie que les frais généraux de formation ne sont fonction que du nombre d’utilisateurs.
Néanmoins, en raison de l’intervalle de cohérence limité, la dimension d’apprentissage est restreinte et les mêmes séquences pilotes doivent être réutilisées, ce qui entraîne une contamination pilote [6], [13]. Ce phénomène a été identifié comme un facteur limitant majeur des performances de Massive MIMO et a attiré une attention considérable dans les travaux précédents [93]. Plusieurs méthodes ont été proposées afin de réduire ou, mieux encore, d’éliminer l’impact de la contamination pilote dans les systèmes TDD Massive MIMO. Ces méthodes sont basées sur les pilotes ou sur les sous-espace spatials des canaux [93].
Le changement de temps pour la transmission pilote a été proposé dans [14], [15], comme moyen de réduire la contamination pilote. L’idée principale était de décaler la transmission du pilote dans le temps afin que les utilisateurs dans différentes cellules transmettent à des heures qui ne se chevauchent pas. Les résultats montrent que le résultat du protocole est une élimination efficace de la contamination du pilote.
Dans [16], Ashikhmin et Marzetta ont proposé une méthode de précodage de contamination pilote (PCP) basée sur les coefficients d’évanouissement lent. La méthode proposée nécessite un certain niveau de coopération entre les BSs pour construire les matrices PCP.
Les résultats montrent que cette méthode peut fournir des gains non négligeables en Spectral efficiency (SE). Ce travail a été étendu dans [17] en proposant un pré-codage basée sur l’évanouissement à grande échelle (LSFP) et un décodage à évanouissement à grande échelle (LSFD) dans le régime d’un nombre fini d’antennes BS. Les résultats ont montré un gain intéressant dans le taux d’interruption de 5 %. D’un autre côté, les approches basées sur le sous-espace améliorent la précision de l’estimation de CSI en exploitant les statistiques d’ordre supérieur du signal. Dans [18], les auteurs ont montré que, en utilisant la corrélation spatiale des canaux et un précodage / combinaison adéquat, la capacité du système Massive MIMO peut augmenter sans limite en fonction du nombre de BS antennes. Ceci est rendu possible en exploitant l’indépendance linéaire entre les matrices de covariance des canaux des utilisateurs copilotes. Dans [19], la décomposition en valeurs propres (eigenvalue decomposition (EVD)) des matrices de covariance est implémenté afin d’obtenir les estimations de CSI. Afin de diminuer les erreurs, EVD est combiné avec le moindre carré itératif.
Les auteurs ont montré que la méthode EVD permet d’atténuer l’impact de la contamination des pilotes et surpasse les techniques d’estimation classiques du CSI. Dans [20, 21], une détection aveugle a été proposée. L’idée principale était d’exploiter la décomposition en valeurs singulières afin de discriminer les signaux des utilisateurs. Les résultats ont montré que la connaissance du sous-espace engendré par chaque vecteur de canal est suffisante pour obtenir des estimations précises de CSI par simple projection. Néanmoins, cette approche suppose que tous les canaux souhaités sont plus fort que tous les canaux interférents, ce qui ne tiennent pas toujours dans la pratique. Neumann et al. [22] a proposé un critère maximum a-posteriori (MAP) pour l’estimation du canal subspatial afin de résoudre ce problème. Bien qu’une amélioration des performances ait été remarquée, l’utilisation de MAP se fait au prix d’une complexité accrue. Dans [23], une projection itérative des moindres carrés avec une estimation en diagonale a été proposée afin de résoudre le problème de la contamination des pilotes.

Systèmes FDD et retour d’information

Dans les systèmes FDD, puisque UL et DL utilisent différentes bandes de fréquence, CSI des deux liens doivent être estimés. UL CSI est obtenu en permettant aux utilisateurs d’envoyer différentes séquences pilotes. Dans les DL, les estimations de CSI sont obtenues en utilisant la formation DL suivie d’un retour d’information explicites ou implicites des CSI. A mesure que le nombre d’antennes BS augmente, l’estimation du canal FDD devient très problématique puisque le surdébit de retour CSI évolue linéairement avec le nombre d’antennes du système [24].
L’activation des systèmes FDD Massive MIMO ne peut être effectuée que si ce problème est corrigé. Dans [24, 25], JSDM pour MU-MIMO DL a été étudié. JSDM est un système qui vise à servir les utilisateurs en les regroupant, de sorte que les utilisateurs d’un groupe aient des covariances de canaux à peu près similaires, alors que les utilisateurs de differents groupes ont des espaces propres de covariance orthogonaux. JSDM a été conçu, à l’origine, pour les systèmes FDD Massive MIMO, sans tenir compte des interférences entre cellules.
Elle permet de réduire le surcoût de retour CSI dans les systèmes FDD tout en n’encaissant aucune perte d’optimalité par rapport au cas complet channel state information at the transmitter side (CSIT). Exploiter le sous-espace de covariance est définitivement approprié pour Massive MIMO puisque, pratiquement, le rang de la matrice de covariance du canal est probablement plus petit que le nombre d’antennes BS. La performance de JSDM est basée sur le regroupement des utilisateurs en fonction de leurs eigenspaces de covariance. Par conséquent, la méthode de regroupement mise en oeuvre est d’une importance primordiale. Dans [25], un clustering K -mean basé sur la distance chordale a été proposé pour les systèmes FDD avec JSDM. Dans [26], les auteurs ont étudié un large éventail de mesures de similarité telles que la vraisemblance pondérée, la projection sous-spatiale et les mesures de similarité basées sur Fubini. Dans [26], deux méthodes de clustering, à savoir, le clustering hiérarchique etK -medoids, étaient considérées pour le groupement d’utilisateurs avec les mesures de proximité mentionnées ci-dessus. Une comparaison des méthodes de regroupement proposées a été effectuée et la combinaison qui atteint la plus grande capacité a été dérivée. Dans [27], nous avons proposé une nouvelle mesure de similarité couplée à une nouvelle méthode de clustering afin d’obtenir un groupement d’utilisateurs approprié basé sur les statistiques de second ordre des canaux. En utilisant le même principe de formation de faisceau en deux étapes de JSDM, nous avons développé une approche de regroupement d’utilisateurs basée sur la théorie des graphes qui pallie les lacunes des méthodes de classification d’utilisateurs proposées précédemment. Dans [28], les propriétés spatiales du canal ont été exploitées afin d’obtenir des estimations CSI dans la plage Millimeter-Wave (mm-wave). Les auteurs ont proposé d’impliquer la corrélation temporelle entre deux blocs séquentiels dans la procédure en raison de l’ensemble de défis spécials que mm-waves impose. La réduction de la rétroaction peut également être obtenue à l’aide de la détection compressée et de la répartition des canaux [29,30]. Dans [31], la modélisation des canaux clairsemés (sparse) a été utilisée pour montrer que Compressed sensing (CS) peut réduire efficacement les ressources de formation temps-fréquence. Le même principe a également été utilisé dans [30, 32].

Vieillissement des canaux

Une autre raison de l’inexactitude de CSI est le vieillissement des canaux (channel aging).
Ce phénomène résulte de la variation du canal entre l’instant où il est appris et l’instant où il est utilisé pour le décodage du signal dans le UL et le beamforming dans le DL. Cette variation temporelle est due à la mobilité des utilisateurs et aux retards de traitement dans les BS. La dégradation des performances due au vieillissement des canaux a été étudiée dans un système MIMO avec coordinated multi-point transmission/reception (CoMP) dans [33]. Les auteurs ont montré que l’impact du vieillissement des canaux est atténué lors de l’utilisation de filtres de prédiction de canal dans le régime de faible mobilité. Les auteurs de Truong et al. [34] ont fournit une analyse des performances de débit réalisables sur le UL et le DL, en présence de vieillissement des canaux et de prédiction de canal. Ils ont montré que, bien que le vieillissement des canaux entraîne une dégradation des performances des systèmes Massive MIMO, la prédiction des canaux fournit les moyens de surmonter ce problème.
Dans Papazafeiropoulos et al. [35, 36], l’effet du vieillissement des canaux combiné à la prédiction a été étudié dans des scénarios avec des précodeurs Zero Forcing (ZF) régularisés (DL) et des récepteurs minimum mean square error (MMSE) , respectivement. Dans Kong et al. [37], les limites inférieures de SE pour les récepteurs Maximum ratio combining (MRC) et ZF avec et sans prédiction de canal ont été dérivées avec un nombre arbitraire d’antennes et d’utilisateurs. L’impact du vieillissement et de la prédiction des canaux sur la loi d’échelle de la puissance a été étudié. Les auteurs ont démontré que, dans le scénario monocellulaire et multicellulaire, l’échelle d’évolution de la puissance d’émission n’est pas affectée ni par un CSI retardé, ni par la prédiction de canal.

Détection de signaux codés

La détection du signal implique une estimation précise des données transmises connaissant le signal reçu. La détection de signal peut également exploiter la connaissance du CSI quand elle est disponible. Une large gamme d’algorithmes de détection est disponible pour les systèmes Massive MIMO. Ces algorithmes peuvent être classés comme linéaires ou non linéaires. La détection linéaire a l’avantage de la faible complexité qui vient avec le prix de la performance inférieure. En fait, la sortie des détecteurs linéaires se détériore rapidement à mesure que le nombre d’utilisateurs émetteurs augmente [38]. Lorsque le système devient limité par les interférences, des algorithmes de détection non linéaires peuvent être utilisés afin d’améliorer les performances. De tels systèmes implémentent une annulation d’interférence à plusieurs étapes. Ces systèmes comprennent des récepteurs d’annulation d’interférence successifs et parallèles.

Précodage et décodage

Massive MIMO exploite les connaissances de CSI afin de discriminer spatialement les signaux des utilisateurs. Le précodage (ou multiplexage) fait référence aux techniques qui permettent de focaliser le signal transmis sur un récepteur donné, minimisant ainsi la perte d’énergie dans les lobes latéraux. Le décodage (ou démultiplexage) fait référence à une combinaison cohérente à la réception de sorte que le signal reçu est détecté dans une direction donnée. Les deux sont réalisés en ajustant les phases et les amplitudes des signaux sur les différentes antennes des BS. De plus, le précodage a l’avantage de réduire peak-to-averagepower-ratio (PAPR), un phénoméne très problématique pour les systèmes OFDM. Les techniques de précodage peuvent être non linéaires ou linéaires. Les méthodes non linéaires, telles que dirty-paper-coding (DPC) et les méthodes assistées par treillis, ont des performances plus élevées qui accompagnent une implémentation plus complexe. D’autre part, les précodeurs linéaires ont l’avantage d’une mise en oeuvre simple. De tels précodeurs incluent MRC, MMSE, et ZF [12]. MRC maximise les Signal-to-noise ratio (SNR) en ajoutant les composantes du signal de manière cohérente sur les éléments d’antenne. MRC est particulièrement adapté à Massive MIMO qui utilise généralement une puissance rayonnée inférieure à partir de BS. Le précodage ZF est plus adapté aux scénarios à forte interférence et fonctionne plutôt bien avec un SNR élevé. ZF vise à annuler l’interférence multi-utilisateur.
Bien qu’efficace dans la réduction des interférences, ZF s’accompagne d’un coût de calcul plus élevé et d’un gain de matrice réduit [39]. Le précodage MMSE est le précodage linéaire optimal dans un système Massive MIMO DL. Il s’agit d’un compromis entre l’amplification de la puissance du signal utile et la suppression des interférences multi-utilisateur. Par conséquent, le précodage MMSE fonctionne bien dans les deux conditions SNR haute et basse.
Comme les fréquences mm-wave sont considérées pour 5 G, des techniques de précodage plus spécialisées ont été proposées pour ces fréquences. Dans [40], un schéma de précodage hybride combinant à la fois le précodage analogique et numérique a été proposé pour traiter l’atténuation élevée du signal qui se produit dans les fréquences mm-wave.

Efficacité énergétique

L’énorme potentiel de Massive MIMO dans la réduction de la consommation d’énergie et, par conséquent, l’augmentation de EE est maintenant très bien établi [7], [8]. En fait, puisque la puissance d’émission peut être réduite de manière significative, Massive MIMO peut produire un gain non négligeable en EE. De plus, l’utilisation d’un grand nombre d’antennes permet d’utiliser des composants peu coûteux sans perte de performance notable[117]. Dans [7], la loi d’échelle de puissance pour UL Massive MIMO a été dérivée et le grand potentiel d’amélioration de EE a été étudié. Dans [118], EE de Massive MIMO avec du matériel non idéal a été analysée. Dans [8], les auteurs ont montré, en tenant compte des dégradations matérielles, que EE est maximisé pour un nombre fini d’antennes déployées.
5 G ne peut pas être activé simplement en augmentant les performances de la couche physique. En effet, un changement de paradigme du réseau est nécessaire. Permettre au réseau de passer d’un paradigme agnostique réactif, de service et d’utilisateur à un paradigme plus proactif et intelligent peut produire une augmentation substantielle de ses performances.
De plus, on s’attend à ce que 5 G gèrent divers scénarios de déploiement avec des exigences différentes. Cela peut devenir assez compliqué avec une topologie de réseau fixe.
Afin de résoudre ces problèmes, les réseaux 5 G centré sur l’utilisateur sont envisagés [3]. Cela signifie que les futurs réseaux 5 G seront caractérisés par une architecture plus plate avec une partie de l’intelligence déplacée vers le RAN, à la periphérie du réseau. L’un des principaux facilitateurs de 5 G centré sur l’utilisateur est, de toute évidence, la mise en cache proactive (Proactive Caching). Cela fait référence à la capacité de provisionnement local de contenu personnalisé. Ceci peut être réalisé en permettant au RAN d’obtenir les informations de contexte des utilisateurs et de prédire le trafic en utilisant des algorithmes d’analyse et de recommandation. Avoir un système plus dynamique RAN proactif permet de stocker localement du contenu populaire qui décharge le back-haul et réduit la latence End to End (E2E) tout en améliorant l’expérience utilisateur.

Mise en cache proactive pour les réseaux 5G centrés sur l’utilisateur: un bref historique et travaux connexes

L’idée de mise en cache proactive dans les réseaux sans fil trouve ses racines dans un principe plutôt ancien qui a d’abord été considéré dans le domaine des systèmes d’exploitation [41].
Le principe s’est ensuite étendu au web où il a été constaté que la mise en cache des contenus dans les serveurs proxy et autres noeuds du réseau permet d’améliorer l’évolutivité du World Wide Web et de décharger l’infrastructure réseaux [42]. La mise en cache proactive à la periphérie des réseaux sans fil est un concept plutôt récent. En se basant sur l’observation que les comportements humains sont corrélés et plutôt prévisibles [43], doter le RAN de la capacité d’analyser le trafic utilisateur et prédire le contenu le plus probable peut con-sidérablement décharger le back-haul, améliorer Quality of Experience (QoE) et la latence E2E [3]. La mise en cache proactive permet de révolutionner les RAN. En effet, au lieu du paradigme conventionnel du tube de données réactif et agnostique de l’utilisateur, RAN sera doté de capacités d’analyse et de prédiction qui lui permettent de jouer un rôle important dans le provisionnement et la gestion de contenu. Les principaux avantages de la mise en cache proactive du côté RAN peuvent être résumés comme suit:
Réduire la latence de bout en bout (E2E)
Améliorer l’efficacité énergétique
Gérer la charge de trafic
Augmenter le débit du réseau et améliorer la qualité d’expérience (QoE)
En raison de son énorme potentiel pour répondre aux besoins de 5 G, la mise en cache proactive a attiré beaucoup d’attention dans les milieux de la recherche universitaire et industrielle.
Cela a abouti à une littérature riche qui traite différents aspects de ce concept.
Dans la suite, nous résumons certains des travaux sur la mise en cache proactive en fonction de leurs similitudes et directions.

Mise en cache proactive et l’estimation de la popularité du contenu

La mise en cache proactive se base sur la connaissance de l’utilisateur et du trafic, en particulier les contenus susceptibles d’intéresser l’utilisateur en prenant en compte les étiquettes de trafic, les attributs utilisateur, les types de terminaux, etc.
Dans [44], l’apprentissage automatique supervisé, en particulier, le filtrage collaboratif est utilisé pour estimer la popularité du contenu. Mettant à profit la connaissance du contexte, les réseaux sociaux et la corrélation des comportements humains, la popularité du contenu peut être estimée efficacement, ce qui entraîne des gains de déchargement considérables.
Dans [46], l’apprentissage à l’aide de transfert est étudié pour la mise en cache dans small cell network (SCN). Les résultats ont montré que le transfert de connaissances d’un domaine source d’informations contextuelles vers un domaine cible peut considérablement améliorer le gain de déchargement.
Dans [47], les mesures de centralité pour le placement de contenu sont exploitées. Les auteurs ont proposé un processus de diffusion de contenu basé sur la centralité où l’information complète sur la diffusion du contenu dans les réseaux sociaux n’est pas parfaitement connue.
Les résultats ont montré que des gains de déchargement raisonnables peuvent être obtenus.
Dans [48], une formulation théorique alternative du problème de mise en cache proactive a été proposée. Après avoir modélisé le problème comme un jeu d’appariement plusieurs à- plusieurs, les auteurs ont proposé un algorithme d’appariement qui aboutit à un résultat stable par paire avec un gain considérable dans le rapport des demandes satisfaites par le cache.
Alternativement, au lieu de généraliser la distribution de popularité sur tous les profils d’utilisateurs, nous avons proposé une approche de clustering d’utilisateurs basée sur la popularité du contenu dans [49]. Nous avons étudié l’impact d’une analyse plus détaillée du comportement des utilisateurs et justifié cette approche en utilisant un outil de sélection de modèles statistiques, à savoir Akaike information criterion (AIC). Les résultats ont montré que le regroupement des utilisateurs en fonction de leurs préférences peut augmenter considérablement les performances du système. Une extension de ce travail mettant l’accent sur l’impact d’une telle approche sur EE est donnée dans [50]. Dans [51], le regroupement des utilisateurs selon leur modèle de demande a également été étudié dans le but de réduire les délais de service. Les auteurs ont montré que le schéma de regroupement surpasse l’approche de mise en cache non groupée et aléatoire.

Table des matières

1 Resumé (French) 
1.1 Contexte et motivation
1.2 5G: Une concentration de nouveaux paradigmes et de technologies innovantes
1.3 MIMO massif pour 5G: Un bref historique et travaux connexes
1.4 Mise en cache proactive pour les réseaux 5G centrés sur l’utilisateur: un bref historique et travaux connexes
1.5 Plan de la thèse et contributions
1.6 Publications
2 Introduction 
2.1 Background and Motivation
2.2 5G: A concentration of new paradigms and innovative technologies
2.3 Massive MIMO for 5G: A brief history and related works
2.4 Proactive Caching for User-centric 5G networks: A brief history and related works
2.5 Thesis Outline and Contributions
2.6 Publications
3 TDD Massive MIMO systems: Enhancing CSI estimation through Spatial Division based training 
3.1 Overview
3.2 System Model And Preliminaries
3.3 Spatial Division Multiplexing Based User Scheduling
3.4 An Alternative Approach to Spatial User Grouping: A Spatial Basis Coverage Problem
3.5 Cross Cell Pilot Allocation: A Graphical Approach
3.6 Numerical Results And Discussion
3.7 Closing Remarks
4 Enhancing performance by long term CSI estimation planning
4.1 Overview
4.2 System Model And Preliminaries
4.3 An adaptive uplink training approach for Massive MIMO TDD systems
4.4 Optimal training strategy with outdated CSI and user mobility: a two-time scale decision process
4.5 Numerical Results
4.6 Closing Remarks
5 User-centric 5G networks: Energy Efficiency under popularity based Clustering in cache enabled SCN 
5.1 Overview
5.2 System Model And Preliminaries
5.3 Information theoretic approach to user clustering
5.4 EE with content popularity clustering
5.5 Exploiting spatial correlation in users demand
5.6 Numerical Results AND Discussion
5.7 Closing Remarks
6 Conclusions and Outlook 
Appendices 
A TDD Massive MIMO systems: Enhancing CSI estimation through Spatial Division based training
A.1 Proof of Theorem 3
A.2 Proof of Theorem 5
B Dynamic TDD: Enhancing performance by long term CSI estimation planning
B.1 Proof of Theorem 6
B.2 Proof of Theorem 7
B.3 Proof of Theorem 8
B.4 Proof of Theorem 9
C User-centric 5G networks: Energy Efficiency under popularity based Clustering in cache enabled SCN
C.1 Proof of Lemma 10
C.2 Proof of Lemma 11
C.3 Proof of Theorem 12
C.4 Proof of Theorem 13
Bibliography

Télécharger le rapport complet