In cooperative cognitive radio networks (CRNs), multiple secondary base stations (SBSs) are managed by a central unit (CU) via nite-capacity backhaul links, which performs joint encoding and precoding of the messages intended for the secondary users (SUs). In this paper, the limitation of backhaul links is dealt with the implementation of compression strategies, by which precoding is followed at the CU. Especially, focusing on underlay cooperative CRN, precoding is collaboratively designed so as to mitigate the interference for primary users (PUs) and to control the inter-user interference in secondary network (SN). We propose the joint optimal design of precoding and backhaul quantization with the aim of maximizing the sum throughput of the SN under the limited backhaul capacity, transmit power, and interference power constraints. Furthermore, we consider both perfect and imperfect channel state information (CSI) available at the CU. In the imperfect CSI case, the uncertainty of the channels is explicitly accounted for via a robust or worst-case optimization formulation. The proposed algorithmic solutions leverage rank relaxation and Majorization Minimization (MM) programming, whose performances are evaluated via numerical results.
이 연구는 여러 부사용자(SU)를 서비스하기 위해 부사용자 기지국들(SBSs)을 제어하는 중심 유닛(CU), 그리고 이 CU와 제한된 백홀 용량을 가진 링크로 연결된 부사용자 기지국들로 이루어진 협력 인지 네트워크에 관한 연구이다. 특히, 이 연구는 언더레이 협력 인지 네트워크에 초점을 맞춰 주사용자(PU)에게 영향을 주는 interference와 부사용자 네트워크 안에서의 사용자 간 interference를 완화하고 통제 하는데에 목적을 두고 있다. 앞에서 언급한 inteference를 조절 하기 위한 부사용자 기지국들 간의 협력은 CU를 중심으로 하는 cloud-radio-access-network (C-RAN) 형태의 네트워크 구조를 가지고 이루어지게 된다. 이러한 부사용자 기지국들 간의 협력을 바탕으로 백홀 용량의 제한, 주사용자에게 주는 inteference의 제한, 그리고 각각의 부사용자 기지국들이 사용 가능한 전력에 제한이 있는 협력 인지 네트워크 내의 부사용자 네트워크 총 데이터 전송율을 최대로 하는 프리코딩과 백홀 양자화의 동시 최적 디자인 알고리즘을 제안 하고자 한다. 또한, 이 연구에서는 실제 채널 정보를 얻기 위한 과정의 부정확함과 어려움을 적용하기 위해 CU에서 모든 채널의 정보를 알 수 있을 때와 채널 정보를 정확하게 알 수 없을 때를 고려한다. 특히, 채널 정보를 정확히 알 수 없는 경우에 있어서는, robust 또는 worst-case 최적화 문제를 푸는 것을 통한 알고리즘을 제안 한다. 이 연구가 제안하는 알고리즘을 통해 최적화 문제의 해를 구하는 과정은 rank relaxation과 MM 알고리즘을 바탕으로 하고 있고 이 알고리즘의 성능은 시뮬레이션 결과를 통해 설명하고자 한다.
