Hoe Volgende Generatie Netwerksystemen de Toekomst van Communicatie Vormgeven

De ontwikkeling van computerhardware en -software gaat hand in hand met de voortschrijdende innovaties in communicatietechnologieën. Tegenwoordig is de reikwijdte van rekensystemen enorm, variërend van kleine IoT-apparaten tot grootschalige cloud-infrastructuren. Dit vereist de ontwikkeling van systemen die in staat zijn om te functioneren op verschillende schaalniveaus, met de nadruk op geoptimaliseerd geheugenbeheer, efficiënte verwerking en realtime taakplanning.

Netwerktechnologieën van vandaag maken wereldwijde dekking mogelijk, wat transformeert hoe we denken over draadloze communicatie. De komst van zelfbewuste autonome systemen, gebouwd op een collaboratief software-hardware framework, heeft een nieuwe standaard gezet. Deze systemen zijn ontworpen om zowel kritieke als niet-kritieke taken uit te voeren, waarbij gebruik wordt gemaakt van verwerkingsbronnen zoals multi-core CPU’s, herconfigureerbare hardware, GPU’s en TPU’s. De uitdaging ligt nu in het effectief beheren van deze bronnen, met behulp van virtualisatie, realtime procesbeheer en fouttolerantie.

Er zijn verschillende paradigma’s die de structuur van netwerken ondersteunen. Van non-orthogonale multiple access (NOMA) systemen tot massive MIMO netwerken, de toekomst ligt in het benutten van diverse communicatieprotocollen en netwerktechnologieën. Zo zijn er systemen die met behulp van intelligente reflecterende oppervlakken de communicatieprestaties aanzienlijk verbeteren, vooral in dichtbevolkte stedelijke omgevingen waar spectrum-schaarste een groot probleem vormt.

De dynamiek van volgende generatie draadloze netwerken vereist niet alleen technologische vooruitgang, maar ook een heroverweging van de wijze waarop deze technologieën worden toegepast. Bijvoorbeeld, het integreren van sensing en communicatie in één enkel systeem biedt nieuwe mogelijkheden voor het monitoren van de netwerkcondities in real-time, waardoor systemen zich automatisch kunnen aanpassen aan veranderende omstandigheden.

De opkomst van kunstmatige intelligentie (AI) en machine learning (ML) biedt daarnaast nieuwe perspectieven voor draadloze communicatie. Door zelflerende systemen kunnen netwerken dynamisch optimaliseren, en tegelijkertijd de beveiliging verbeteren. Deze integratie van AI in communicatietechnologieën heeft de potentie om niet alleen de prestaties van netwerken te verbeteren, maar ook om de operationele kosten aanzienlijk te verlagen door geautomatiseerde processen.

Wat belangrijk is om te begrijpen, is dat de integratie van nieuwe technologieën in draadloze netwerken niet slechts een technologische uitdaging is. Het vereist ook een fundamentele verschuiving in de manier waarop we systemen ontwerpen, beheren en beveiligen. De toekomst ligt in systemen die niet alleen communiceren, maar zichzelf aanpassen, leren en verbeteren op basis van real-time data en omgevingsfactoren.

Hoe werkt PDMA en wat bepaalt de betrouwbaarheid van niet-orthogonale transmissie?

In niet-orthogonale multiple access systemen, zoals PDMA (Pattern Division Multiple Access), wordt data van meerdere gebruikers over gedeelde resource elementen (RE’s) gemapt met behulp van specifieke patronen. Dit betekent dat de data van bijvoorbeeld gebruiker 1 kan worden verdeeld over vier RE’s, terwijl gebruiker 2 zijn data over drie RE’s verdeelt, enzovoorts. Deze verdeling bepaalt de zogenaamde transmissiediversiteitsorde voor elke gebruiker: het aantal RE’s waarin hun data is gemapt beïnvloedt direct de betrouwbaarheid van de transmissie. In fading kanalen, waar signaalsterkte kan fluctueren door omgevingsfactoren, is een hogere diversiteitsorde cruciaal omdat het een stabielere en betrouwbaardere verbinding mogelijk maakt.

De kern van PDMA is het gebruik van een specifiek patroon om de data naar een groep van RE’s te mappen. Deze patronen bepalen hoe de data van verschillende gebruikers wordt verspreid over tijd, frequentie, ruimtelijke middelen, of een combinatie hiervan. Door verschillende patronen met uiteenlopende diversiteitsordes toe te wijzen, kunnen gebruikers verschillende niveaus van transmissiediversiteit bereiken. Zo kan een systeem bijvoorbeeld zes gebruikers ondersteunen met een overloadfactor van 200%, waarbij de gebruikers hun data over respectievelijk één tot vier RE’s verdelen, zoals geïllustreerd in een 3×6 PDMA patroonmatrix.

Technisch gezien bestaat elke PDMA patroon uit een vector van binaire elementen, waarin een ‘1’ aangeeft dat de data van een gebruiker aan een specifieke RE is toegewezen, en een ‘0’ betekent dat deze RE niet wordt gebruikt door die gebruiker. Het totale systeem wordt hierdoor beschreven door een patroonmatrix, waarin elke kolom een gebruiker representeert en elke rij een resource element. Het ontvangen signaal kan worden weergegeven als een matrixproduct van het kanaalresponsmatrix en de patroonmatrix, gecombineerd met ruis en interferentie.

Een belangrijk aspect van PDMA is het combineren van codering en modulatie in een gezamenlijke stap, waarbij een codeboek met mogelijke modulatietoewijzingen vooraf is ontworpen en gedeeld tussen zender en ontvanger. Dit maakt efficiënte detectie van de gebruikerssignalen mogelijk, zelfs bij hoge overbelasting van het kanaal.

Het zorgvuldig ontwerpen van deze parameters – de mate van power scaling en faseverschuiving – is essentieel en afhankelijk van het aantal gebruikers en het gebruikte modulatieschema. Dit verhoogt niet alleen de betrouwbaarheid van de detectie, maar maakt het ook mogelijk om de systeemprestaties te optimaliseren binnen de beperkingen van het kanaal en de ontvangercomplexiteit.

Voor een volledig begrip van PDMA is het ook belangrijk te beseffen dat hoewel het systeem theoretisch een hogere gebruikerscapaciteit mogelijk maakt dan traditionele orthogonale methoden, het ontwerp en beheer van patroonmatrices en bijbehorende parameters complexiteit toevoegt. Dit vereist nauwkeurige afstemming van systeemvariabelen en robuuste algoritmen voor multi-gebruiker detectie om de beoogde voordelen in praktijk te realiseren. Daarnaast speelt de dynamiek van fading kanalen en interferentie een grote rol in het daadwerkelijk behalen van de geprojecteerde diversiteitsvoordelen en betrouwbaarheid.

Hoe kan IRS de prestaties van ISAC-systemen verbeteren in omgevingen met obstakels?

ISAC-systemen vertrouwen sterk op de directe koppeling tussen het basisstation en het doelwit, zeker bij radardetectie. Maar in Non-Line-of-Sight (NLoS) gebieden wordt deze koppeling belemmerd. Hier toont IRS zijn ware potentieel: door de draadloze propagatieomgeving dynamisch aan te passen, kunnen nieuwe paden gecreëerd worden tussen het basisstation en het doelwit, zelfs wanneer directe verbindingen onmogelijk zijn. IRS versterkt niet alleen de communicatiekwaliteit maar ook de detectiemogelijkheden van radarsignalen, door interferentie te reduceren en robuustheid tegen kanaalvervaging te verhogen.

Naast passieve IRS-opstellingen is er ook interesse in hybride systemen, waarin actieve en passieve elementen worden gecombineerd. Deze systemen richten zich op het maximaliseren van de belichtingskracht van het slechtst detecteerbare doelwit, wat van groot belang is voor betrouwbare radarsystemen. Bovendien wordt IRS ingezet om kruislingse correlatie tussen radarsignalen te minimaliseren, wat leidt tot verbeterde detectieprestaties. Toch brengt deze aanpak nieuwe complexiteit met zich mee, aangezien IRS ook interferentie kan introduceren binnen de sensing-functionaliteit zelf.

Een ander strategisch voordeel van IRS ligt in zijn vermogen om informatielekkage tegen te gaan. Door virtuele koppelingen op te zetten tussen het basisstation en het doelwit, kunnen afluisteraars worden misleid of geblokkeerd, wat de veiligheid van het systeem verhoogt. Tot op heden zijn de meeste onderzoeken echter beperkt tot zogeheten "clutter-free" omgevingen, waarbij obstakels geen rol spelen in de signaalpropagatie. Dit laat een merkbare leemte achter in het onderzoek naar ISAC-systemen met IRS-ondersteuning in realistische, verstoorde omgevingen.

In praktijksituaties zijn fysieke obstakels—zoals gebouwen, voertuigen of vegetatie—onvermijdelijk. Deze objecten reflecteren signalen sterker dan het eigenlijke doelwit, wat de betrouwbaarheid van detectie ernstig schaadt. Het vermogen om meerdere doelen tegelijk te detecteren in zulke omgevingen vereist een andere benadering. Hier blijkt het inzetten van meerdere IRS-elementen effectief te zijn. Door hun strategische plaatsing kan interferentie tussen radar- en communicatiesignalen onderdrukt worden. Bovendien kan gebruik worden gemaakt van de bekende statistische eigenschappen van obstakels, zoals hun covariantiematrix, om de invloed van zogenoemde "clutter" te minimaliseren.

Een typisch ISAC-systeemmodel in een omgeving met obstakels bestaat uit een multi-antenne basisstation met een Uniform Linear Array (ULA) en een IRS met een Uniform Planar Array (UPA). Terwijl communicatiegebruikers zich in open zicht bevinden, liggen detectiedoelen achter obstakels in NLoS-regio’s. De directe koppelingen tussen basisstation en doelen zijn hierdoor verwaarloosbaar. Elke gebruiker zendt zijn informatie via beamformingvectoren, terwijl het basisstation een eigen sensing-signaal uitzendt. Het gecombineerde transmissiesignaal bestaat uit zowel communicatie- als sensingcomponenten, waarbij de IRS fungeert als versterker van beide signalen in de richting van hun respectieve doelen. Tegelijkertijd moet het zendvermogen binnen een vooraf gedefinieerde limiet blijven.