In this thesis, we aim to improve the performance of network coding based on deep learning and cooperative relay system in wireless communication. Two network coding techniques are considered. First, a random linear network coding linearly combines input signals at nodes in a network with a randomly generated coding coefficient to encode packet as new output information. In this case, in the conventional random linear network coding transmission scheme, each node includes a generated coding coefficient and an encoded packet in one frame and transmits them together. However, since the coding coefficients must be transmitted together, there is a problem that a high transmission overhead is generated and the network load increases. Second, a physical-layer network coding is an effective network coding technique that exploits an interference of the mixed signals that occurs naturally when electromagnetic waves arrived simultaneously. However, an underlying core problem is the performance degradation of demodulation for high-order modulation. Therefore, a separated random linear network coding based on the cooperative relay system was considered, and a deep neural network, which is the core of artificial intelligence technology, was applied to physical-layer network coding.
In the first part, we suggest separated random linear network coding based on cooperative medium access control.
The proposed scheme can reduce the retransmission overhead by separately transmitting the coding coefficients and the encoded packet. To confirm this, the average retransmission bit and retransmission rate are analyzed. We can notice that the retransmission rate performance can be obtained up to 3dB compared to conventional schemes. In addition, the proposed scheme has disadvantageous in terms of network throughput because it additionally uses cooperative control signals for separate transmission of coding coefficients and encoded packets. However, the cooperative control signal has a very small length compared to payload, so that the throughput degradation is very small.
In the second part, we analyze the performance of separated random linear network coding with a outdated channel model. In the practical relay environment, when separate random linear network coding is used, a time delay generates outdated channel state information due to the separate transmission of coding coefficients and encoded packets. Therefore, the outage performance and cooperative diversity of the proposed scheme are analyzed in consideration of the correlation between the coding coefficient transmission channel and the encoded packet transmission channel. As a result of analyzing the performance of the proposed scheme in the outdated channel model, it can be seen that the difference of outage probability performance according to the correlation coefficient is about 1dB. In addition, despite the outdated channel state information, it was confirmed that the full cooperative diversity gain can be obtained.
Finally, a physical-layer network coding based on deep neural network is proposed. A convolutional autoecoder for physical-layer network coding was designed. The constellation mapping and demapping of symbols at each node is determined adaptively through the deep learning technique, such that the bit error rate performance is improved for high-order modulation. Simulation results verify the advantages of the proposed scheme over the conventional physical-layer network coding for various modulation types.
이 학위논문은 딥러닝과 협력 릴레이 시스템 기반 무선 통신 환경에서 네트워크 코딩 기법의 성능 향상을 목적으로 한다. 본 학위논문에서는 두 가지 네트워크 코딩 기법을 고려한다. 첫 번째로 랜덤 선형 네트워크 코딩은 네트워크 상 각 노드들이 입력된 신호들을 랜덤으로 생성된 코딩 계수와 선형적으로 결합하여 인코딩된 패킷을 새로운 출력 정보로 생성한다. 이때 기존 랜덤 선형 네트워크 코딩 전송 방식은 각 노드가 생성된 코딩 계수와 인코딩된 패킷을 하나의 프레임에 포함해 전송한다. 하지만 코딩 계수를 함께 전송해야 하므로 높은 전송 오버헤드를 갖는 문제점이 있다. 두 번째로 물리 계층 네트워크 코딩 기법은 각 노드의 동시 전송을 허용하여 발생하는 중첩 신호를 패킷 전송에 이용하는 네는워크 코딩 기법이다. 하지만 동시 전송으로 인한 간섭 효과로 변조 차수가 높아질수록 비트 오류 성능 저하가 심해지는 문제점이 있다. 본 논문에서는 기존 방안들의 단점을 극복하기 위해 협력 릴레이 시스템에 기반한 분리 전송을 랜덤 선형 네트워크 코딩에 적용하였으며, 인공 지능 기술의 핵심인 심층 신경망을 적용한 물리 계층 네트워크 코딩 기법을 제안한다.
먼저 협력 릴레이 시스템에 기반하여 코딩 계수와 인코딩된 패킷을 분리 전송하는 분리 랜덤 선형 네트워크 코딩을 제안한다. 분리 전송은 코딩 계수와 인코딩된 패킷을 다른 프레임에 전송하여 재전송시 네크워크 부하를 줄일 수 있는 방식이다. 이를 확인하기 위해 재전송률을 분석하였고 재전송률 성능이 최대 3dB까지 얻을 수 있는 것을 확인하였다. 또한 제안 방안은 협력 제어 신호를 추가적으로 사용하기 때문에 네트워크 처리율 측면에서 불리할 수 있어 이 문제를 다루었다. 하지만 협력 제어 신호는 전송 데이터에 비해 매우 작은 길이를 갖고 있어 처리율 성능 저하가 매우 작음을 확인하였다.
두 번째로 지연된 채널 모델을 갖는 경우의 분리 랜덤 선형 네트워크 코딩의 성능을 분석하였다. 분리 랜덤 선형 네트워크 코딩을 사용하는 경우, 코딩 계수와 인코딩된 패킷의 분리 전송으로 인해 시간 지연이 발생하고 이로 인해 지연된 채널 상태 정보를 갖게 된다. 따라서 코딩 계수 전송 채널과 인코딩된 패킷 전송 채널의 상관 관계를 고려하여 제안 방안의 아웃티지 성능 및 협력 다이버시티를 분석하였다. 성능 분석을 통해 지연 정도에 따른 아웃티지 확률 성능 차이가 약 1dB로 그 차이가 미미함을 확인할 수 있었다. 또한 지연된 채널 상태 정보를 갖고 있음에도, 최대 협력 다이버시티 이득을 얻을 수 있음을 확인할 수 있었다.
마지막으로 심층 신경망 기반의 물리 계층 네트워크 코딩 기법을 제안한다. 제안 시스템에서는 물리 계층 네트워크 코딩 기법의 특징을 고려하여 합성곱 신경망을 이용한 오토인코더를 설계한다. 제안한 딥러닝 기법을 통해 통신 심볼의 성상도를 적응적으로 결정하여 최적의 변조 및 복조 방법을 설계할 수 있다. 본 학위논문에서는 심층 신경망 기반의 학습된 제안 방안의 성능과 기존 방안과의 성능을 비교하였다. 성능 분석을 통해 제안 방안은 기존 물리 계층 네트워크 코딩 방식보다 높은 차수의 변조 방식에서 비트 오류 확률 성능을 향상시킬 수 있음을 확인하였다.
